[Link] [Link]

be

Modélisation de systèmes agricoles - Analyse prospective de l'évolution face au

changement climatique des performances agronomiques, environnementales et
alimentaires de systèmes de production agricole contrastés

Auteur : Delandmeter, Mathieu

Promoteur(s) : Dumont, Benjamin; Bindelle, Jérôme
Faculté : Gembloux Agro-Bio Tech (GxABT)
Diplôme : Master en agroécologie, à finalité spécialisée
Année académique : 2020-2021
URI/URL : [Link]

Avertissement à l'attention des usagers :

Tous les documents placés en accès ouvert sur le site le site MatheO sont protégés par le droit d'auteur. Conformément
aux principes énoncés par la "Budapest Open Access Initiative"(BOAI, 2002), l'utilisateur du site peut lire, télécharger,
copier, transmettre, imprimer, chercher ou faire un lien vers le texte intégral de ces documents, les disséquer pour les
indexer, s'en servir de données pour un logiciel, ou s'en servir à toute autre fin légale (ou prévue par la réglementation
relative au droit d'auteur). Toute utilisation du document à des fins commerciales est strictement interdite.

Par ailleurs, l'utilisateur s'engage à respecter les droits moraux de l'auteur, principalement le droit à l'intégrité de l'oeuvre
et le droit de paternité et ce dans toute utilisation que l'utilisateur entreprend. Ainsi, à titre d'exemple, lorsqu'il reproduira
un document par extrait ou dans son intégralité, l'utilisateur citera de manière complète les sources telles que
mentionnées ci-dessus. Toute utilisation non explicitement autorisée ci-avant (telle que par exemple, la modification du
document ou son résumé) nécessite l'autorisation préalable et expresse des auteurs ou de leurs ayants droit.
 MODELISATION DE SYSTEMES AGRICOLES
-
ANALYSE PROSPECTIVE DE L’EVOLUTION FACE AU
CHANGEMENT CLIMATIQUE DES PERFORMANCES
AGRONOMIQUES, ENVIRONNEMENTALES ET ALIMENTAIRES
DE SYSTEMES DE PRODUCTION AGRICOLE CONTRASTES

MATHIEU DELANDMETER

TRAVAIL DE FIN D’ETUDES PRESENTE EN VUE DE L’OBTENTION DU DIPLOME DE

MASTER EN AGROECOLOGIE

ANNEE ACADEMIQUE 2020-2021

(CO)-PROMOTEUR(S) : PR. BENJAMIN DUMONT

PR. JEROME BINDELLE

LECTEURS : PR. NICOLAS VEREECKEN ET PR. MARC DUFRENE

Le présent document n’engage que son auteur.
Toute reproduction du présent document, par quelque procédé que ce soit, ne peut être réalisée
qu’avec l’autorisation de l’auteur et de l’autorité académique de Gembloux Agro-Bio Tech
(représentée par les promoteurs Pr. Benjamin Dumont et Pr. Jérôme Bindelle).
 MODELISATION DE SYSTEMES AGRICOLES
-
ANALYSE PROSPECTIVE DE L’EVOLUTION FACE AU
CHANGEMENT CLIMATIQUE DES PERFORMANCES
AGRONOMIQUES, ENVIRONNEMENTALES ET ALIMENTAIRES
DE SYSTEMES DE PRODUCTION AGRICOLE CONTRASTES

MATHIEU DELANDMETER

TRAVAIL DE FIN D’ETUDES PRESENTE EN VUE DE L’OBTENTION DU DIPLOME DE

MASTER EN AGROECOLOGIE

ANNEE ACADEMIQUE 2020-2021

(CO)-PROMOTEUR(S) : PR. BENJAMIN DUMONT

PR. JEROME BINDELLE

LECTEURS : PR. NICOLAS VEREECKEN ET PR. MARC DUFRENE

 RESUME

Ce mémoire s’attache à comparer trois systèmes agricoles contrastés, dans un premier temps par rapport
à leurs performances agronomiques, environnementales et alimentaires (période 1985-2009), puis dans
un second temps par rapport à l’évolution de toutes ces performances face au changement climatique
(périodes 2045-2069 et 2075-2099 sous les scénarios climatiques RCP4.5 et RCP8.5). Cette
comparaison s’appuie sur les résultats de simulations effectuées grâce à la modélisation de ces systèmes
agricoles avec le modèle de culture STICS, qui prend en entrées des variables pédoclimatiques, des
itinéraires techniques et des caractéristiques initiales et pérennes du système et donne en sorties des
variables agronomiques et environnementales. Les trois systèmes agricoles comparés sont simulés avec
l’enchaînement de trois rotations de 8 ans chacune. Le premier système est le système Business-as-usual
(BAU), dans lequel on retrouve les cultures majoritaires en zone limoneuse wallonne et où on utilise du
fumier ; le deuxième est le système Vegan qui simule une agriculture sans élevage et donc sans fumier ;
et le troisième est le système Intégré Cultures-Elevage (ICLS), utilisant l’élevage de manière
fonctionnelle avec notamment des prairies temporaires. Les principaux résultats indiquent que le
système BAU est relativement performant en termes de rendement et de nombre de personnes nourries,
mais plus fragile face aux stress hydrique et thermique et avec une dépendance plus élevée aux imports
de produits externes à la rotation. Le système Vegan obtient des performances médianes, comprises
entre celles des deux autres systèmes, mais avec un faible stockage de carbone organique dans le sol dû
notamment à l’absence de fumier animal. Le système ICLS fournit un rendement relatif un peu plus
faible, mais avec une bien plus grande auto-suffisance, une forte résistance aux stress (surtout hydrique)
et un stockage de carbone très élevé. Cette forte résilience du système ICLS est confirmée face au
changement climatique : les trois systèmes verraient à l’avenir leurs rendements globaux augmenter
mais c’est le système ICLS qui connaîtrait la plus forte augmentation, et ce dernier verrait ses émissions
totales de CO2 diminuer, à l’inverse des deux autres systèmes. Finalement, le contraste entre les
différents types de performances évaluées souligne la pertinence d’analyser des systèmes agricoles avec
un regard le plus large possible.
ABSTRACT

This master thesis compares three contrasted farming systems, first with regards to agronomic,
environmental and dietary performances (period of time 1985-2009) and secondly with regards to the
evolution of these performances when facing climate change (periods of time 2045-2069 and 2075-2099
under climate scenarios RCP4.5 and RCP8.5). This comparison is based on simulations performed with
the crop model STICS, taking as inputs pedoclimatic variables, technical practices and perennial and
initial characteristics of the system, and giving as outputs farming and environmental variables. The
three farming systems are simulated by the succession of three 8-year rotations. The first system is called
Business-as-usual (BAU), which includes the main cultures of the Walloon loamy area and that uses
manure; the second system is the Vegan system that simulates an agriculture without livestock and
therefore without animal manure; and the third system is the Integrated Crop-Livestock (ICLS) system,
using integrated livestock and temporary grasslands. Main results show that the BAU system is
relatively competitive in terms of yield and number of nourished people, but weak as for thermic and
water stress and highly dependent on external products imports. The Vegan system shows median
performances, comprised between those of the two other systems, but with low organic carbon storage
due to the absence of animal manure. The ICLS system provides a slightly weaker relative yield, but
with a much higher self-sufficiency, a great stress resistance (especially for water stress) and a very high
organic carbon storage. This good resilience of the ICLS system is confirmed when facing climate
change: all three systems would increase their relative yield, but it is the ICLS system that would
experience the biggest increase, and the latter would also undergo a decrease in total CO2 emissions,
unlike the two other systems. Finally, the contrast between the different evaluated performance types
highlights the pertinence of analyzing farming systems with the broadest possible perspective.
 Modélisation de systèmes agricoles
Analyse prospective de l’évolution face au changement climatique
des performances agronomiques, environnementales et alimentaires
de systèmes de production agricole contrastés

Travail de fin d’études de

Mathieu D ELANDMETER

en vue d’obtenir le diplôme de

Master en Agroécologie

Promoteurs
Pr. Benjamin D UMONT
Pr. Jérôme B INDELLE

Année académique 2020-2021

 En premier lieu, je voudrais remercier mes promoteurs
Benjamin Dumont et Jérôme Bindelle pour leur disponi-
bilité, leurs conseils et leur bienveillance tout au long de
cette année. Je suis spécialement reconnaissant à M. Du-
mont de m'avoir expliqué l'été dernier qu'il était faisable et
d'un grand intérêt de combiner les deux magniques disci-
plines que sont la modélisation et l'agroécologie.

Je voudrais ensuite dire un grand merci à mes proches

pour le support qu'ils m'apportent, même lorsque nos
contacts ont été moins fréquents en cette année si particu-
lière. Avec une petite dédicace à Maki qui a créé l'image de
couverture.

Finalement, je voudrais bien sûr adresser de chauds re-

merciements à ma famille pour son soutien inconditionnel,
et particulièrement à mes parents qui m'ont compris et sou-
tenu dans mes choix de voyager et d'étudier encore un peu
plus.
Table des matières

Introduction 1
1 Etat de l'art 6
1.1 Enjeux et objectifs pratiques et politiques . . . . . . . . . . . . . . . . . . 6
1.2 Recherche pratique en agroécologie . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Modélisation de systèmes agricoles . . . . . . . . . . . . . . . . . . . . . . 12
1.4 L'impact du changement climatique sur les systèmes agricoles . . . . . . . 15

2 Matériel et méthodes 21
2.1 Systèmes agricoles étudiés . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Site expérimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Le modèle STICS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Méthodologie de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . 38

3 Résultats et discussions 42
3.1 Performances des systèmes agricoles . . . . . . . . . . . . . . . . . . . . . . 42
3.2 Evolution future des systèmes agricoles . . . . . . . . . . . . . . . . . . . . 60
3.3 Synthèse comparative multi-critères . . . . . . . . . . . . . . . . . . . . . . 70

Conclusion 73
Bibliographie 76
A Itinéraires techniques I
B Equations importantes du modèle STICS V
C Tableaux et gures supplémentaires X

iii
Table des gures
1 Schéma DPSIR des systèmes alimentaires . . . . . . . . . . . . . . . . . . . 3
2 Résumé des diérentes étapes du travail de recherche . . . . . . . . . . . . 5

1.1 Impact du changement climatique sur les rendements agricoles (Cline, 2007) 17
1.2 Impact du changement climatique sur les rendements (2) (IPCC, 2014) . . 18
1.3 Eets d'une augmentation de la concentration en CO2 sur la croissance et
le développement d'un plant de soja (Gray and Brady, 2016) . . . . . . . . 20

2.1 Résumé des diérentes étapes du travail de recherche . . . . . . . . . . . . 21

2.2 Rotations des systèmes 'Business as usual' (BAU) et 'Vegan' . . . . . . . . 23
2.3 Rotation du système intégré cultures-élevage (ICLS) . . . . . . . . . . . . . 24
2.4 Modules du modèle STICS (Brisson et al., 2009) . . . . . . . . . . . . . . . 26
2.5 Principe de fonctionnement du modèle STICS . . . . . . . . . . . . . . . . 27
2.6 Scénarios climatiques du GIEC . . . . . . . . . . . . . . . . . . . . . . . . 33
2.7 Concentrations de gaz à eet de serre (IPCC, 2019) . . . . . . . . . . . . . 37
2.8 Hiérarchie des sorties et indicateurs utilisés . . . . . . . . . . . . . . . . . . 38

3.1 Evolution des prairies de la rotation ICLS . . . . . . . . . . . . . . . . . . 43

3.2 Rendements des trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3 Evolution de la masse des organes récoltés des trois systèmes . . . . . . . . 45
3.4 Couverture végétale des 3 systèmes . . . . . . . . . . . . . . . . . . . . . . 45
3.5 Stock de carbone pour les trois systèmes . . . . . . . . . . . . . . . . . . . 47
3.6 Stock de carbone sur une rotation pour chaque système . . . . . . . . . . . 48
3.7 Stock d'azote pour les trois systèmes . . . . . . . . . . . . . . . . . . . . . 49
3.8 Stock d'eau pour les trois systèmes . . . . . . . . . . . . . . . . . . . . . . 50
3.9 Inuence des stress hydrique et thermique pour les trois systèmes . . . . . 51
3.10 Inuence du stress azoté pour les trois systèmes . . . . . . . . . . . . . . . 52
3.11 Rendements des froments d'hiver . . . . . . . . . . . . . . . . . . . . . . . 53
3.12 Distribution des rendements de froment d'hiver . . . . . . . . . . . . . . . 54
3.13 Comparaison des rendements de froment d'hiver en lien avec les stocks
d'eau, carbone et azote dans le sol . . . . . . . . . . . . . . . . . . . . . . . 55
3.14 Emissions deCO2 et N2 O pour les trois systèmes . . . . . . . . . . . . . . 57
3.15 Comparaison des performances alimentaires des systèmes agricoles . . . . . 58
3.16 Excès et décits dans les produits d'alimentation humaine et animale . . . 59

iv
TABLE DES FIGURES v

3.17 Evolution des productions des 3 systèmes avec le changement climatique . 62

3.18 Evolution de l'inuence du stress hydrique avec le changement climatique
sur les trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.19 Evolution de l'inuence du stress thermique avec le changement climatique
sur les trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.20 Evolution de l'inuence du stress azoté avec le changement climatique sur
les trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.21 Evolution du stock d'eau dans le sol avec le changement climatique sur les
trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.22 Evolution du stock de carbone dans la matière organique humiée avec le
changement climatique sur les trois systèmes . . . . . . . . . . . . . . . . . 67
3.23 Evolution des émissions de CO2 avec le changement climatique pour les
trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.24 Evolution des émissions de N2 O avec le changement climatique pour les
trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.25 Evolution avec le changement climatique du nombre de personnes nourries
par les trois systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.26 Comparaison multi-critères des performances agronomiques, environnemen-
tales et alimentaires des systèmes agricoles . . . . . . . . . . . . . . . . . . 70
3.27 Comparaison multi-critères de l'évolution des performances agronomiques,
environnementales et alimentaires des systèmes agricoles . . . . . . . . . . 72

A.1 Itinéraires techniques du système Business-as-usual (BAU) . . . . . . . . . II

A.2 Itinéraires techniques du système Vegan . . . . . . . . . . . . . . . . . . . III
A.3 Itinéraires techniques du système Intégré Cultures-Elevage (ICLS) . . . . . IV

B.1 Dénition du facteur de stress thermique FTEMP . . . . . . . . . . . . . . VII

B.2 Dénition du facteur de stress hydrique SWFAC . . . . . . . . . . . . . . . VIII
B.3 Calcul de l'indice de nutrition azotée INN . . . . . . . . . . . . . . . . . . IX
B.4 Dénition du facteur de stress azoté INNS . . . . . . . . . . . . . . . . . . IX

C.1 Régime alimentaire de référence de la Commission EAT-Lancet . . . . . . . XI

C.2 Vue aérienne du site d'implantation des parcelles d'essai . . . . . . . . . . XII
C.3 Localisation du site d'implantation des parcelles d'essai . . . . . . . . . . . XIII
C.4 Agrandissement pour la 3ème rotation . . . . . . . . . . . . . . . . . . . . XVI
C.5 Stock d'eau pour les trois systèmes sur une seule rotation . . . . . . . . . . XVI
C.6 Inuence du stress hydrique par culture . . . . . . . . . . . . . . . . . . . . XVII
C.7 Inuence du stress thermique par culture . . . . . . . . . . . . . . . . . . . XVII
C.8 Inuence du stress azoté par culture . . . . . . . . . . . . . . . . . . . . . . XVIII
C.9 Excès et décits dans les produits d'alimentation humaine et animale pour
la période 2075-2099 (RCP8.5) . . . . . . . . . . . . . . . . . . . . . . . . . XX
Liste des tableaux

2.1 Critères et indicateurs de performance et durabilité . . . . . . . . . . . . . 39

3.1 Composition du troupeau pour le régime alimentaire optimal des trois sys-
tèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

C.1 Stades phénologiques du modèles STICS . . . . . . . . . . . . . . . . . . . XIV

C.2 Facteurs de conversion pour les Unités-Céréales . . . . . . . . . . . . . . . XIV
C.3 Productivités à l'hectare . . . . . . . . . . . . . . . . . . . . . . . . . . . . XV
C.4 Evolution des productivités à l'hectare . . . . . . . . . . . . . . . . . . . . XIX
C.5 Facteur FCO2 selon la plante et le scénario climatique . . . . . . . . . . . . XX
C.6 Composition du troupeau pour le régime alimentaire optimal des trois sys-
tèmes pour la période 2075-2099 (RCP8.5) . . . . . . . . . . . . . . . . . . XXI
C.7 Calculs pour les critères de la comparaison multi-critères . . . . . . . . . . XXII
C.8 Evolution des indicateurs de la comparaison multi-critères . . . . . . . . . XXIII

vi
Introduction

Les dés auxquels doivent et devront faire face les générations actuelles et futures
sont immenses. Au changement climatique s'ajoutent maintenant crises sociales,
économiques et sanitaires. La pandémie du Covid-19 à laquelle est maintenant confron-
tée l'humanité depuis plus de 18 mois a eu le mérite d'encore un peu plus mettre en
lumière une évidence : notre monde globalisé et connecté doit être pensé comme un sys-
tème unique dans lequel la moindre perturbation à un endroit précis donnera lieu à de
multiples impacts de part et d'autre. De ce point de vue, les systèmes alimentaires sont
au coeur des problématiques énoncées : ce que nous choisissons d'acheter et manger est
non seulement à la base de notre santé, mais cela soutient également les manières de pro-
duire cette nourriture, de la transporter et de la distribuer. Or ces diérentes méthodes de
production, transport et distribution de la nourriture peuvent parfois s'avérer la source
de très nombreux problèmes : environnementaux, comme la dégradation du sol, de la
biodiversité, la déforestation ou l'émission de gaz à eet de serre ; sanitaires, comme le
surpoids et l'obésité, les maladies cardiovasculaires, mais également l'émergence de virus
due à cette perte de biodiversité et à l'augmentation des interactions entre les humains
et la vie sauvage ; et socio-économiques, le nombre d'exploitations agricoles ne faisant que
diminuer dans nos contrées et la pauvreté des agriculteurs et du monde rural en général
ne faisant qu'augmenter, trois quarts des individus sous-alimentés de par le monde étant
des ruraux (World Health Organization et al., 2020; IPES-Food, 2020; Frison et al., 2016).

Néanmoins, si les problèmes dus aux systèmes alimentaires sont très souvent pointés du
doigt, et il est utile de le faire pour pousser au changement, il faut aussi ne jamais perdre
de vue que les systèmes agricoles peuvent également s'avérer nos meilleurs alliés pour faire
face aux dés énoncés. D'une part parce que c'est justement grâce au fait qu'ils sont à
la base de nombreux soucis qu'il y a un levier d'action à aller chercher. Mais également
parce qu'ils sont la source de nombreux services écosystémiques extrêmement précieux.
Le principal et le plus évident est que les systèmes agricoles nourrissent la population,
qui ne cesse de s'accroître, mais ils servent également à séquestrer et stocker le carbone,
réguler la qualité de l'air et de l'eau, fournir des habitats pour diérentes espèces animales
et végétales, façonner les paysages, etc. Malheureusement, tous ces services sont mis en
péril par le changement climatique qui, comme nous le verrons dans ce travail, menace la
disponibilité, l'accès, l'utilisation et la stabilité de la nourriture, en réduisant à certains
endroits les rendements et la qualité des aliments, en détéroriant l'état des écosystèmes

1
 2

avec la disparition des pollinisateurs et l'augmentation des maladies et ravageurs, ou en

ayant un impact sur les capacités de transport des denrées et sur la volatilité des prix
agricoles (IPCC, 2019; World Health Organization et al., 2018).

Objectif du travail

Ce travail s'inscrit dans le projet EcoFoodSystem développé par 8 chercheurs de l'Uni-

versité de Liège. Ce projet a pour but de tester sur le terrain, sur une zone de 30 hectares et
sur une période de 8 ans, trois systèmes agricoles n'utilisant aucun pesticide et conçus avec
diérentes conditions : un système suivant la tendance agricole actuelle basée sur la spé-
Business-as-usual ), un autre répondant aux attentes véganistes et n'intégrant
cialisation (
donc aucun élevage (Vegan ), et le dernier intégrant l'élevage et les cultures de manières
complémentaires (Intégré Cultures-Elevage ). C'est selon ces diérentes spécicités, et en
respectant les bonnes pratiques agricoles telles que la maximisation des intercultures ou
l'alternance des familles botaniques, que les instigateurs d'EcoFoodSystem ont conçu les
rotations de cultures de chaque système, en comparant également l'utilisation alimentaire
optimale qu'on pouvait attendre des diérentes rotations qui variaient par leurs durées et
leurs compositions (De Clerck et al., 2021).

L'objectif de ce travail est donc d'étudier les systèmes agricoles du projet EcoFoodSys-
tem en intégrant une approche la plus holistique possible, concept cher à l'agroécologie.
C'est pourquoi il s'attache à comparer des systèmes agricoles entiers, chacun étant repré-
senté par une rotation-type, et en faisant cela par l'analyse de leurs performances tant
agronomiques qu'environnementales et alimentaires. Le but premier de la recherche est
donc de constater s'il est possible de concilier performances agronomiques, environne-
mentales et alimentaires, tout étant aussi indispensables : les premières pour nourrir la
population, les secondes pour garantir la durabilité de toutes les autre et les troisièmes
pour garantir la bonne santé des consommateurs et donc aussi leur intérêt à ce tour-
ner vers ce genre de systèmes agricoles. Le second objectif du travail est d'étudier quels
sont les systèmes les mieux adaptés pour faire face au changement climatique, c'est-à-dire
ceux qui à la fois réduisent le mieux leurs impacts sur l'environnement pour contribuer
à atténuer ce changement climatique mais également ceux qui s'adaptent le mieux aux
conséquences climatiques déjà inexorables. Le troisième but de cette recherche est d'étu-
dier d'où viennent les bonnes ou mauvaises performances de chaque système an d'en
tirer des conclusions généralisables : quelles cultures et rotations sont à recommander
pour l'écosystème particulier qu'est la Hesbaye, quelle intégration de l'élevage est à même
de garantir la durabilité du système agricole, etc. Finalement, le quatrième objectif de ce
travail est d'explorer une méthodologie d'évaluation des systèmes agricoles la plus com-
plète possible, le but étant de combattre l'idée selon laquelle le rendement est le seul
indicateur pertinent. En élargissant les méthodes d'évaluation des systèmes agricoles et
en mettant en lumière leurs impacts mais également leurs atouts, il est probable que les
acteurs au sein des systèmes alimentaires, qu'ils soient agriculteurs mais également déci-
deurs politiques ou simples citoyens, font en sorte que les systèmes agricoles s'adaptent à
 3

ces nouveaux indicateurs et à cette nouvelle vision.

An d'établir le cadre d'analyse de ce travail, la Figure 1 illustre à l'aide du modèle

DPSIR ( Driving Forces, Pressures, States, Impacts, Reponses ) (Maxim et al., 2009) les
liens entre les facteurs intervenant dans les systèmes alimentaires impactant ou étant im-
pactés par les principales variables d'état étudiées dans le cadre de ce travail. Les forces
motrices ( en rouge sur le schéma ) établissent le contexte en énonçant les principaux fac-
teurs produisant des pressions ( en orange ) sur les variables d'état des systèmes agricoles
( en vert ). Les forces motrices qui ne sont pas en italique sur le schéma sont toutes considé-
rées d'une certaine manière dans le cadre de ce travail, et servent à établir et diérencier
les diérentes simulations qui seront eectuées. Les variables d'état sont les principales
variables d'état environnementales considérées dans le cadre de ce travail. Elles ont des
impacts ( illustrés en bleu ) tant sociaux qu'environnementaux et économiques, et donc sur
les autres performances agronomiques et alimentaires étudiées dans la suite du travail. Fi-
nalement, pour remédier à ces impacts, diérentes réponses sont possibles ( reprises dans
l'ellipse brune ) : la relocalisation de la production agricole et l'agroécologie sont au coeur
de chacun des systèmes investigués dans le cadre de cette recherche, tandis que le chan-
gement des habitudes alimentaires mène à la discrimination entre ceux-ci, l'un répondant
aux attentes véganistes tandis que les deux autres intègrent l'élevage de diérentes façons.

Figure 1  Schéma DPSIR illustrant les facteurs intervenant dans les systèmes alimen-
taires impactant ou étant impactés par les principales variables d'état étudiées dans le
cadre de ce travail. En italique sont indiqués des facteurs qui ne sont pas pris en compte
dans ce travail.
 4

Méthodologie

L'étude et la comparaison des systèmes agricoles eectuées dans ce travail s'appuie

sur la modélisation. Les diérentes rotations de ces systèmes ayant déjà été dénies par
les instigateurs du projet EcoFoodSystem, la première étape de la méthodologie a été de
dénir les itinéraires techniques spéciant les modes de culture tels que modalités de semis,
récolte, fertilisation, travail du sol, etc. Une fois cette première étape eectuée, la seconde
a été de modéliser ces systèmes agricoles à l'aide du modèle de culture STICS. Ce modèle
prend en entrées des données climatiques, des itinéraires techniques et les caractéristiques
initiales et pérennes de l'agroécosystème, et fournit en sorties des variables agronomiques
(rendement et couverture végétale par exemple) et environnementales (émissions de CO2
etN2 O, stocks d'eau, d'azote et de carbone dans le sol, etc.). Ces deux premières étapes
du travail se sont avérées assez longues : dans la dénition des itinéraires techniques, il a
fallu faire énormément de choix qui auraient une inuence sur toutes les étapes suivantes ;
et dans la modélisation, il a fallu réussir à correctement simuler l'enchaînement de cultures
et de prairies (celles-ci s'avérant particulièrement compliquées à enchaîner) et déterminer
des moyens d'incorporer l'élevage dans ces simulations. Mais ces deux premières étapes
n'ont constitué que les fondations du travail, préliminaires à la dernière et principale
étape que constitua la comparaison des systèmes agricoles et l'analyse des résultats. Cette
dernière étape a été divisée en trois parties diérentes : (i) l'analyse des performances
agronomiques, environnementales et alimentaires via diérents critères et indicateurs, sous
des conditions climatiques actuelles ; (ii) l'analyse de l'évolution de ces performances sous
des conditions climatiques futures prédites par les scénarios du GIEC ; (iii) le résumé de
ces diérentes performances et de leur évolution via une analyse multi-critères. Toute
cette méthodologie est résumée dans la Figure 2.

Organisation du rapport

Ce rapport est divisé en trois chapitres. Le premier dresse l'état de l'art en posant le
cadre pratique, politique et scientique dans lequel s'inscrit la recherche. Le deuxième
développe le matériel et la méthodologie employés : on y découvre en détails les systèmes
agricoles investigués, le modèle de culture utilisé pour les simuler avec les variables d'en-
trée et de sortie nécessaires et la méthodologie de comparaison implémentée. Le dernier
chapitre constitue alors le coeur du travail en présentant et discutant les résultats : il
est lui-même divisé en deux parties principales, la première analysant les performances
des systèmes agricoles sous des conditions climatiques historiques récentes tandis que la
deuxième prédit l'évolution de ces performances sous des conditions climatiques futures, à
deux horizons de temps et sous deux scénarios climatiques diérents. Ce dernier chapitre
se clôture par une comparaison multi-critères des diérents systèmes agricoles.
 5

Figure 2  Résumé des diérentes étapes du travail de recherche

Chapitre 1
Etat de l'art
Ce premier chapitre a pour but de poser le cadre pratique, politique et scientique
dans lequel s'inscrit ce travail. Les bases scientiques et méthodologiques nécessaires à
l'élaboration des résultats, en partie également issues de la littérature, sont par contre
présentées dans le chapitre suivant.

La première section de ce chapitre identie les enjeux pratiques et politiques qui en-
tourent cette recherche ainsi que les objectifs précis de celle-ci pour tenter d'y répondre.
La seconde section énonce brièvement les recherches pratiques en agroécologie qui ont déjà
été eectuées sur la comparaison de diérents systèmes agricoles, tandis que la troisième
sert d'introduction à la modélisation de systèmes agricoles, en expliquant ce qu'est un
modèle de culture et en faisant le tour des diérentes sortes qui existent. Finalement, la
quatrième section eectue une revue de la littérature scientique sur ce qui a déjà été fait
pour étudier l'impact du changement climatique sur les systèmes agricoles.

1.1 Enjeux et objectifs pratiques et politiques

Un régime sain et durable

Le projet EcoFoodSystem, dans lequel s'inscrit cette recherche, part entre autres d'une
étude de la commission EAT-Lancet de 2019 qui dénit ce que doit être un régime sain
pour l'humain et respectant les limites planétaires à l'horizon 2050 (Willett et al., 2019).
Ce régime idéal serait principalement constitué d'aliments d'origine végétale et de peu ou
pas du tout d'aliments d'origine animale : légumineuses (protéines), céréales complètes
(glucides), noix, fruits et légumes et un peu de produits laitiers en option seraient à la base
de ce régime (voir Annexe C pour plus de détails). Celui-ci permettrait de respecter les
limites planétaires, dénies notamment par les émissions de gaz à eet de serre, l'utilisation
d'eau et de terres, la perte de biodiversité, l'application d'azote et de phosphore et la
pollution due aux herbicides et pesticides induites par les systèmes agricoles à la base de
la production alimentaire.

6
CHAPITRE 1. ETAT DE L'ART 7

Impacts des systèmes alimentaires

Cette étude d'EAT-Lancet s'inscrit dans un contexte plus général de redénition des
systèmes alimentaires. Ceux-ci sont en eet la source de multiples impacts négatifs que
nous parcourons ici brièvement, repris d'un rapport d'IPES-Food, le panel international
d'experts pour des systèmes alimentaires durables (De Schutter et al., 2019).

Il y a d'abord les impacts environnementaux tout juste mentionnés, qu'on peut par
exemple chirer avec 970 millions de tonnes de sol, soit ce que perd l'Europe chaque
année, 11%, soit le pourcentage du territoire de l'UE touché par une érosion des sols, 3%
du PIB mondial, soit ce que coûte chaque année la perte de biodiversité et les services
écosystémiques impactés, 30%, soit le pourcentage des émissions de gaz à eet de serre
causés par les systèmes agricoles et alimentaires dans le monde, ou encore 22 millions
de tonnes, soit la quantité de produits à base de soja importée chaque année par l'UE
pour l'alimentation animale, provoquant déboisement et violation des droits humains en
Amérique du Sud par exemple (De Schutter et al., 2019).

Il y a ensuite les impacts sanitaires. D'une mauvaise alimentation découle le fait que plus
de 50% de la population européenne est en surpoids et plus de 20% obèse. Dans l'Union
européenne, l'agriculture est responsable de 90% des émissions d'ammoniac, contribuant
à la pollution de l'air et tuant chaque année 400 000 Européens. Les maladies cardiovas-
culaires sont également la principale cause de mortalité en UE, et 49% d'entre elles sont
imputables aux mauvais régimes alimentaires (De Schutter et al., 2019).

Enn, les impacts socio-économiques du secteur alimentaire sont évidemment immenses.

La part de valeur dans la chaîne alimentaire allant à l'agriculture en Union européenne
est passée de 31% en 1995 à 21% en 2018, alors que le prix des intrants a augmenté de
40% entre 2000 et 2010. Le nombre d'exploitations agricoles diminue sans cesse (25% en
moins entre 2003 et 2013 en UE) tandis que la moyenne d'âge des exploitants ne fait
qu'augmenter (De Schutter et al., 2019).

Situation agricole en Wallonie

La situation du secteur agricole dans notre région s'inscrit dans la même vague. Seule-
ment 14% des exploitations wallonnes sont labellisées comme biologiques, soit 11% de la
Surface Agricole Utile (SAU) totale (SPW, 2020). Au sein de la SAU wallonne, 55.7%
de la surface est dédiée aux fourrages (prairies comprises), 25.3% aux céréales et 9.4%
aux cultures industrielles (SPW, 2020). 71% des surface agricoles wallonnes sont ainsi
dédiées à l'alimentation humaine d'origine animale (Znaor et al., 2017). On produit en
fait en Wallonie beaucoup trop de certaines denrées par rapport à notre consommation
(641% en pommes de terre ou 158% en viande bovine par exemple) et trop peu d'autres
(seulement 33% des céréales paniables) (Znaor et al., 2017). Même s'il n'est pas forcé-
ment souhaitable de supprimer totalement les importations et exportations de produits
CHAPITRE 1. ETAT DE L'ART 8

agricoles (cela étant matière à débat et sortant du cadre de cette recherche), il est donc
bienvenu d'explorer des systèmes agricoles qui relocaliseraient la production alimentaire.

Objectifs politiques pour l'agriculture

Pour répondre à ces diérents enjeux, la Commission européenne a établi des objectifs
précis pour les systèmes alimentaires via la stratégie De la Fourche à la Fourchette, dans
le cadre de son Pacte Vert dont l'objectif principal est que l'Union européenne ait un bilan
carbone neutre d'ici 2050 (European Commission, 2020a). La recherche et la promotion
de systèmes agricoles qui diminuent leurs gaz à eet de serre (méthane et oxyde d'azote),
stockent du carbone, réduisent l'usage de produits phytosanitaires et la pollution due à
l'excès de fertilisants (azote et phosphore principalement) sont au coeur de cette nouvelle
politique européenne. La Commission pointe également le besoin de changer les régimes
alimentaires, en citant notamment l'étude de Willett et al. (2019).

Le présent travail, en explorant de nouveaux systèmes agricoles qui tentent de répondre

à ces objectifs agronomiques, environnementaux et alimentaires, s'inscrit donc directement
dans ces objectifs européens ainsi que dans les recommandations particulières tout juste
parues de la Commission pour le plan stratégique national de la Belgique pour mettre
en ÷uvre la PAC (European Commission, 2020b). En mettant en évidence les diérences
d'impacts de diérents systèmes agricoles et les potentiels bénéces de l'agroécologie, ce
travail va même plus loin que ces objectifs politiques européens. Ceux-ci étaient en eet
désignés comme insusants par nombre de scientiques car  ne reconnaissant pas le
rôle de l'agroécologie et son potentiel  ou  ne reconnaissant pas qu'il y a diérents sys-
tèmes agricoles et que c'est principalement l'agriculture industrielle qui mène aux impacts
négatifs . (Alberdi et al., 2020).

Objectifs du présent travail

Quand on énonce ainsi tous les enjeux liés à l'alimentation humaine et aux moyens
utilisés pour la produire, ainsi que les objectifs globaux pour y répondre, il est plutôt
aisé de se décourager. Le dé est immense, et les solutions pour y faire face doivent
être multiples et variées. Amélioration de la productivité, de l'ecience et de la durabi-
lité des systèmes agricoles, réduction du gaspillage alimentaire, changements de régimes
alimentaires (Gerten et al., 2020; Sen, 1990), redénition politico-sociale de la place des
producteurs agricoles dans la société : tous ces points et bien d'autres doivent être abordés
en parallèle pour que la transition agroécologique ait lieu.

Ce travail se concentre sur la production alimentaire en Hesbaye. L'objectif est de com-

parer diérents systèmes agricoles pour savoir si, dans la région limoneuse de la Hesbaye,
il est possible de produire de l'alimentation qui répond aux enjeux tout juste présentés,
notamment à la dénition d'un régime sain et durable formulée par EAT-Lancet, et si
CHAPITRE 1. ETAT DE L'ART 9

oui, quels systèmes agricoles sont les mieux à même de le faire. Ces diérents systèmes
et les hypothèses plus spéciques qui sont testées dans le cadre de cette recherche seront
présentés au Chapitre 2. Une attention toute particulière est portée sur la stabilité de
ces systèmes agricoles face au changement climatique, ce dernier les impactant fortement
(voir Section 1.4).

Les informations qui sont tirées de la comparaison de ces systèmes agricoles sont pré-
cieuses pour savoir dans quelle direction devrait idéalement se diriger la transition agroé-
cologique ainsi que pour connaître les implications des choix politiques présents et futurs
(promotion de l'élevage industriel ou agroécologique, ou alors abolition de l'élevage tout
court, promotion des circuits courts ou continuation des longues lières transatlantiques,
etc).

1.2 Recherche pratique en agroécologie

L'agroécologie peut désigner à la fois une discipline scientique, des pratiques agricoles
et un mouvement socio-politique. Elle peut également s'intéresser uniquement à l'échelle
de la parcelle ou alors aller jusqu'à couvrir l'ensemble du système alimentaire (Wezel et al.,
2009). Enn, quelle que soit l'échelle considérée, l'agroécologie s'intéresse à l'ensemble du
système : ainsi, en prenant en compte les spécicités locales de chaque agroécosystème, à
l'inverse de l'agriculture conventionnelle qui cherche à gommer celles-ci pour uniformiser
les pratiques, la recherche agroécologique revêt un caractère unique, dicilement trans-
posable. Il est néanmoins utile, avant d'aborder les aspects plus spéciques de ce travail
que sont la modélisation et l'impact du changement climatique, de présenter ce qui a déjà
été fait comme recherche pratique en agroécologie an de comparer les conclusions qui en
sont tirées ainsi que les méthodologies utilisées.

Ce travail se concentrant sur la production agricole, nous ne nous intéressons ici qu'aux
études comparant diérents systèmes de production agricole.

Une étude macroéconomique de l'Université Catholique de Louvain a comparé deux

scénarios agricoles pour la Wallonie : un scénario 'Business-as-usual' (BAU), continuant
dans la tendance actuelle (faible pourcentage agricole dans la population active, faible
valeur ajoutée brute, impacts environnementaux importants), et un scénario à faibles
intrants (pesticides, engrais minéraux et alimentation animale achetée) (Znaor et al.,
2017). Parmi les hypothèses considérées, ce scénario à faibles intrants (AFI) utiliserait
d'autres variétés végétales, améliorerait l'ecacité des ressources et n'utiliserait pas de
pesticides, d'engrais azotés de synthèse ou d'alimentation animale achetée.

Au niveau de la production, le scénario AFI ne produirait que 70% des Unités de

Céréales produites par le scénario BAU, mais les deux scénarios suraient amplement à
CHAPITRE 1. ETAT DE L'ART 10

nourrir la population du territoire wallon. L'étude prédisait également pour le scénario AFI
8% d'emplois créés (contre 0% pour le scénario BAU), une réduction de 44% des pesticides
utilisés (via un déploiement de l'agriculture biologique et un maintien des prairies servant
à l'élevage extensif ), une réduction de 21% des émissions de gaz à eet de serre et de 34%
des émissions de polluants atmosphériques acidiants et nalement un gain de valeur
ajoutée brute (Znaor et al., 2017).

Cette étude est donc particulièrement intéressante pour comparer les impacts d'un
scénario de transition qui se base sur des hypothèses qui, on le verra, se rapprochent des
nôtres (Chapitre 2). Ce présent travail en reste néanmoins complémentaire par le fait qu'il
se base sur des systèmes agricoles qui seront réellement testés sur le terrain et par le fait
qu'il teste des scénarios plus spéciques.

Si notre travail se concentre sur la production agricole en Hesbaye, il est néanmoins

intéressant de se pencher sur d'autres études comparant diérents systèmes agricoles,
même ailleurs qu'en Belgique, pour s'inspirer de leur méthodologie.

Par exemple, une méta-analyse de Kulak et al. (2013) reprend toute une série d'Ana-
lyses de Cycle de Vie investiguant les eets de la réduction des intrants (via diérentes
méthodes telles que non-labour, augmentation de la part de légumineuses, intercultures,
etc.) sur l'éco-ecacité des systèmes agricoles, dénie comme le ratio de la production
sur les impacts environnementaux (Kulak et al., 2013). Outre pour ses conclusions agro-
nomiques, la méta-analyse (ainsi que les études desquelles elle est tirée) est intéressante
pour sa méthodologie, se basant sur l'Analyse de Cycle de Vie qui " étudie les impacts en-
vironnementaux et ressources utilisées à travers le cycle de vie d'un produit " (Finnveden
et al., 2009), qui peut être un produit agricole.

Muller et al. (2017) étudient quant à eux diérents impacts environnementaux et de

production d'une conversion totale à l'agriculture biologique, en complétant également
ce scénario avec une réduction du gaspillage alimentaire et de la concurrence entre les
productions de nourriture humaine et animale. Ils utilisent pour cela un modèle capable
de simuler des aspects importants de l'agriculture biologique tels que l'augmentation de
la part de légumineuses, l'absence de fertilisants de synthèse, des rendements plus faibles,
etc. Ce modèle se base sur des ux massiques ( mass-ow model ) à l'échelle d'un système
alimentaire global : chaque culture et élevage se caractérise par un ensemble d'entrées
(énergie requise, fertilisation, nourriture animale, etc.) et de sorties (denrées produites,
fumier, émissions de gaz à eet de serre, pertes de nutriments, etc.). Ces diérentes ux
d'entrées et de sorties sont estimés à partir de FAOSTAT, une base de données statis-
tiques de la FAO (Organisation des Nations Unies pour l'alimentation et l'agriculture).
On étudie alors la balance de tous les ux physiques à l'échelle du système pour analyser
les conséquences des diérents scénarios envisagés (Muller et al., 2017).
CHAPITRE 1. ETAT DE L'ART 11

Les études cherchant à qualier la durabilité des systèmes agricoles sont également très
nombreuses. Ceci est devenu crucial tant pour la recherche agronomique que pour la mise
en place de politiques publiques (telle que la stratégie De la Fourche à la Fourchette de
l'UE évoquée précédemment) et le contrôle de leur application.

Van Cauwenbergh et al. (2007) évoquent diérentes méthodes utilisées pour évaluer
cette durabilité : outre les Analyses de Cycle de Vie déjà évoquées, des Analyses de Coût-
Bénéce (CBA), des Evaluations de l'Impact Environnemental (EIA) ou des Standards
de Durabilité avec Principes, Critères et Indicateurs (PC& I) sont par exemple utilisés
(Van Cauwenbergh et al., 2007). Van Cauwenbergh et al. (2007) ont privilégié cette der-
nière méthode et ont développé le cadre SAFE, acronyme pour Sustainability Assessment
of Farming and the Environement. Le cadre SAFE est hiérarchique en se composant de
principes, critères et indicateurs qui englobent les trois piliers de la durabilité (économique,
social et environnemental) et prennent donc en considération de nombreuses fonctions de
l'agroécosystème, et non pas seulement sa fonction productive (et donc le seul rendement
comme indicateur). Finalement, ce cadre méthodologique est intéressant car il peut s'ap-
pliquer à diérentes échelles spatiales : tant au niveau de la parcelle qu'à celui de la ferme
ou même du paysage (Van Cauwenbergh et al., 2007). Cet outil d'évaluation a été utilisé
avec succès, par exemple par Gómez-Limón et Sanchez-Fernandez (2010) ou Darnhofer et
al. (2010).

Talukder et al. (2018) présentent quant à eux l'Analyse de Décision Multi-Critères

(MCDA), dans laquelle des critères sont dénis et des poids associés à chaque critère,
avec lesquels l'utilisateur peut accorder une plus grande importance à certains critères
(les productivité, stabilité, ecacité et durabilité du système agricole étant par exemple
plus importantes que la compatibilité et l'équité dans l'étude de cas investiguée par les
auteurs). Ces critères multipliés par les poids correspondants (chaque critère étant évalué
par plusieurs indicateurs) sont alors agrégés pour donner des scores globaux de durabilité
(Talukder et al., 2018).

Finalement, ces outils méthodologiques d'évaluation de durabilité et de comparaison

des systèmes agricoles sont nombreux. Dans ce travail, nous n'en choisirons pas un en
particulier mais la méthode de comparaison présentée à la Section 2.4 et utilisée au Cha-
pitre 3 s'en inspire. A la lecture de toutes ces études, il nous paraît surtout très important,
plus qu'obtenir des scores naux associés à chaque système agricole dont on ne sait d'où
ils sont tirés, d'expliquer attentivement la méthode et les critères choisis pour que le lec-
teur du travail sache quelles informations et priorités se cachent derrière chaque critère et
indicateur.
CHAPITRE 1. ETAT DE L'ART 12

1.3 Modélisation de systèmes agricoles

1.3.1 Qu'est-ce qu'un modèle de culture ?

Les modèles sont généralement dénis comme une simplication de la réalité (Steduto
et al., 2009). En particulier, un modèle de culture fournit une représentation du système
sol-plante-climat et de ses processus bio-physiques fondamentaux tels que le développe-
ment et la croissance d'une plante ou encore les cycles de l'azote et de l'eau (Kollas et al.,
2015).

Les motivations pour simplier ainsi des processus réels en les traduisant en équations
mathématiques sont presque aussi nombreuses qu'il y a de modélisateurs. Ces modèles
peuvent par exemple (Whisler et al., 1986; Brisson et al., 1998) :
 aider à l'interprétation de résultats expérimentaux ;
 permettre à des étudiants de comprendre le fonctionnement d'un processus agro-
nomique particulier (ux de l'eau dans le sol, développement de la plante et de la
racine, stress en eau et en azote, etc.) ;
 servir d'outil d'aide à la décision pour les agriculteurs (planication d'opérations
telles qu'irrigation, fertilisation ou labour, choix des dates de semis et de récolte,
etc.) ;
 soutenir la recherche agronomique.

Le dernier cas nous concerne directement. Ainsi les modèles sont particulièrement in-
téressants pour voir les résultats agronomiques et environnementaux qui peuvent être
attendus d'un changement apporté au système agricole, car les tests agronomiques expé-
rimentaux sont très lents et chers à réaliser. Il est également dicile de déduire, à partir
de résultats expérimentaux, des conclusions quant à l'impact de changements apportés
aux systèmes agricoles, car ceux-ci sont spéciques (dépendant de la pédologie, du climat,
de l'historique des parcelles, des traitements réalisés, des dates d'interventions, etc.) et il
est donc particulièrement ardu d'isoler une seule variable. C'est en cela que les modèles
peuvent s'avérer utiles : à articialiser les conditions et à rendre possible la réalisation
de centaines de tests en un temps extrêmement court, grâce à la puissance de calcul des
processeurs informatiques.

Néanmoins, les modèles de culture présentent des limites car ils restent des modèles.
Le modélisateur doit donc faire preuve d'une double connaissance : savoir en agronomie,
pour repérer quand est-ce que le modèle sort des limites bio-physiques, en particulier dans
sa paramétrisation, et savoir en modélisation, pour détecter dans quels cas est-ce que des
résultats sont dus à la forme du modèle (équations mathématiques utilisées, type de repré-
sentation des processus agronomiques, etc.) plutôt qu'aux conditions choisies (itinéraires
techniques, données pédoclimatiques, etc.). Il est donc bienvenu, le plus souvent possible,
de valider ces modèles de culture avec des mesures de terrain.
CHAPITRE 1. ETAT DE L'ART 13

1.3.2 Les rotations dans les modèles de culture

Les systèmes agricoles étudiés dans le cadre de ce travail (voir Chapitre 2) comportent
tous des rotations culturales. Celles-ci, dénies comme la pratique de cultiver une sé-
quence d'espèces végétales diérentes sur la même parcelle (Dury et al., 2012) et incluant
souvent des intercultures, sont extrêmement courantes dans les fermes européennes pour
de nombreuses raisons environnementales et économiques. On citera parmi les principales
(Kollas et al., 2015) :
 les résidus minéraux laissés par une culture et bénéciant à la suivante ;
 la minimisation des risques phytosanitaires grâce aux abilités diérentes des espèces
végétales cultivées à repousser ravageurs et maladies et interrompant donc le cycle
de vie de ces agents pathogènes ;
 le contrôle des adventices ;
 l'utilisation de cultures intermédiaires pour l'apport de nutriments, en particulier
le captage d'azote enfoui plus profondément dans le sol (et donc la diminution voire
suppression de la fertilisation minérale) et la lutte contre l'érosion et la percolation
des nutriments dans le sol.

Néanmoins, la plupart des études qui simulent l'impact climatique sur les cultures à
partir de modèles se concentrent sur des simulations annuelles et monoculturales, ignorant
la profonde inuence qu'a la position d'une culture au sein de la rotation pratiquée par
l'agriculteur (Kollas et al., 2015).

Heureusement, des modèles de culture permettant la pratique de simulations pluri-

annuelles et polyculturales existent dorénavant. De tels modèles sont par exemple utilisés
en outils d'aide à la décision pour les agriculteurs, an de notamment les aider dans leur
choix des cultures pratiquées, de la distribution spatiale de celles-ci et de leur succession
temporelle (Dury et al., 2012). Kollas et al. (2015) ont également montré que de telles si-
mulations sont plus précises que des simulations annuelles et monoculturales pour prédire
le rendement cultural et l'impact de traitements tels qu'irrigation, fertilisation, concen-
tration deCO2 , etc. (particulièrement pertinents dans notre cas pour prédire l'impact
du changement climatique). Leur étude concluait aussi que la simulation des cultures in-
termédiaires était moins précise que celle des cultures principales et que les simulations
multi-modèles (combinant plusieurs modèles à la fois) étaient un peu plus précises que
celles obtenues à l'aide d'un modèle unique (Kollas et al., 2015).

Nous verrons dans la Section 2.3 du Chapitre 2 que le modèle STICS, utilisé dans le
cadre de ce travail, est capable de simuler rotations et intercultures.

1.3.3 L'élevage dans les modèles de culture

Comme nous le verrons dans la Section 2.1 du Chapitre 2, un seul des systèmes agri-
coles comporte de l'élevage fonctionnellement intégré au système de culture, c'est-à-dire
CHAPITRE 1. ETAT DE L'ART 14

avec des animaux qui font partie intégrante de l'agroécosystème et qui sont par exemple
utilisés pour gérer ravageurs et adventices via le pâturage d'intercultures et de prairies
temporaires.

Il est donc nécessaire, pour modéliser un tel système agricole, d'intégrer d'une manière
ou d'une autre l'élevage dans le modèle de culture utilisé. Malheureusement, si les modèles
intégrant séparément les cultures et l'élevage sont légion, la nature et la complexité des
interactions entre les cultures et les animaux font que les modèles intégrant les deux sont
encore assez rares. Thornton et Herrero (2001), à partir de ce constat, établissaient une
liste des caractéristiques que devraient rencontrer un tel modèle : on y retrouve notamment
le besoin de décrire et quantier les interactions entre toutes les composantes, végétales
et animales, quantier les cycles des nutriments à l'échelle de toute la ferme ou encore la
variabilité des performances du système due aux conditions climatiques changeantes, etc.
(Thornton and Herrero, 2001). Ils concluaient nalement en qualiant comme considérable
le besoin de tels modèles.

Enn, il est intéressant d'évoquer les modèles agricoles bio-économiques (bio-economic

farm models (BEFMs) en anglais). Il s'agit de modèles qui lient les décisions de gestion des
agriculteurs à des possibilités de production présentes et futures, de telles possibilités étant
décrites en termes d'intrants nécessaires et des potentielles performances agronomiques
et environnementales (Janssen and Van Ittersum, 2007). Ces modèles sont mécanistiques,
c'est-à-dire que des processus agronomiques sont inclus dans leur architecture. L'utili-
sateur d'un tel modèle vise à maximiser une fonction objectif. Une telle fonction peut
par exemple donner priorité au revenu de l'exploitation, aux externalités environnemen-
tales (qui seront donc dénies dans la fonction objectif de manière à ce qu'elles doivent
être elles minimisées), à la production, etc. Les utilisateurs de ces modèles peuvent donc
par exemple être des agriculteurs cherchant à optimiser leurs pratiques ou à s'adapter à
de nouvelles conditions pédoclimatiques, ou des décideurs cherchant à tester l'impact de
changements dans les politiques agricoles (Janssen and Van Ittersum, 2007).

Mosnier et al. (2017) ont par exemple développé le modèle agricole bio-économique
Orfee, qui a pour but de simuler et optimiser la production animale (viande et produits
laitiers) en interaction avec la production de cultures et fourrage, ainsi que les revenus
économiques et les impacts environnementaux qui vont avec (Mosnier et al., 2017). Ces
modèles agricoles bio-économiques sont néanmoins limités dans leur modularité, leur va-
riété de systèmes et espèces considérés et dans la précision des processus agronomiques
modélisés (Janssen and Van Ittersum, 2007; Mosnier et al., 2017).

Dans le cadre de ce travail, deux des trois systèmes agricoles étudiés ne comportent pas
d'élevage intégré fonctionnellement sur le champ. Il est donc préférable pour ces systèmes-
là d'utiliser un modèle plus spécique aux cultures, allant plus loin dans les processus
agronomiques décrits et permettant de meilleures interprétations des résultats. Il serait
CHAPITRE 1. ETAT DE L'ART 15

également compliqué d'utiliser un autre modèle pour le troisième système agricole étudié
qui lui intègre fonctionnellement de l'élevage, car la comparaison des diérents résultats
devrait alors prendre en compte le biais introduit par l'utilisation de modèles diérents.
Nous verrons donc dans le Chapitre 2 comment est-ce qu'il est possible d'utiliser un artice
de modélisation pour intégrer l'élevage dans le modèle de culture STICS.

1.4 L'impact du changement climatique sur les systèmes

agricoles
Il est dorénavant très rare qu'un jour ne passe sans que l'on entende parler du change-
ment climatique autour de nous. Celui-ci a déjà un impact sur quasiment tous les aspects
de notre vie, que ce soit dans nos choix de consommation (nourriture, moyens de trans-
port, habitat, etc.), dans les prises de décisions politiques ou simplement dans la météo
de tous les jours. Le sujet est absolument sans n, mais ce travail se concentrant sur
l'évolution de la capacité de production alimentaire en Hesbaye, il nous sut de retenir
les quelques points suivants, tous basés sur le territoire belge et tirés d'une étude de juillet
2020 demandée par la Commission nationale pour le climat (De Ridder et al., 2020), pour
savoir que le problème est très sérieux :
◦
 aujourd'hui, la température moyenne à Uccle a déjà augmenté de 2 C par rapport
à la période 1850-1899, et selon le scénario RCP8.5 du GIEC (Groupe d'experts
1
Intergouvernemental sur l'Evolution du Climat) , elle augmenterait encore d'ici la
◦ ◦
n du siècle de 3 C en hiver et 3.6 C en été ;
 les températures estivales maximales augmenteraient encore plus que la tempéra-
◦
ture moyenne : +4.1 C pour la température journalière la plus élevée durant une
année d'ici à la n du siècle par rapport à la période 1976-2005 ;
 le nombre de vagues de chaleur exploserait également : 27 pour la période 2041-2074
contre 1 pour la période 1981-2014 ;
 les précipitations augmenteraient globalement légèrement mais avec une nette dif-
férence saisonnière : +18% en hiver et -10% en été à la n du siècle par rapport à
aujourd'hui. Le nombre de très grosses pluies augmenterait également ;
 les sécheresses deviendraient de plus en plus fréquentes. Le nombre de jours d'été
humides diminuerait de 16% à la n du siècle par rapport à aujourd'hui. L'aug-
mentation de l'évaporation potentielle (+ 261 mm/an d'ici à la n du siècle), les
précipitations rares mais intenses, l'augmentation des températures contribueraient
toutes à la diminution des réserves d'eau disponibles.

Tous ces chires, qui pourront toujours être discutés quant à leur valeur exacte mais
dont il devient malhonnête de contredire la tendance générale, nous montrent que le chan-

1. Plus de détails sur les scénarios climatiques du GIEC et en particulier sur les scénarios RCP4.5 et
RCP8.5 seront fournis à la Section 2.3.3.
CHAPITRE 1. ETAT DE L'ART 16

gement climatique est une réalité avec laquelle il faudra apprendre à composer. L'agricul-
ture est bien sûr au coeur de ces préoccupations : elle occupe une part non négligeable dans
la responsabilité du changement climatique (30% des émissions globales de gaz à eet de
2
serre dues à l'humain et 70% de l'utilisation d'eau fraîche selon une étude d'EAT-Lancet
(Willett et al., 2019)) mais elle en est également très impactée : assèchement des sols,
disparition des pollinisateurs, augmentation des températures et de la fréquence des évé-
nements extrêmes, épuisement des ressources énergétiques et minières... Tout ceci aecte
directement la production agricole. C'est à cet impact que s'intéresse la présente section.

1.4.1 Impact général

Selon l'étude de de Ridder et al. (2020), les sécheresses et vagues de chaleur de 2018 ont
provoqué dans la Région amande une diminution du volume de production de 31% pour
les pommes de terre, 13% pour les betteraves sucrières et 10% pour les céréales (De Ridder
et al., 2020). Cela a provoqué des demandes d'indemnités auprès du Fonds amand des
calamités naturelles de 150 millions d'euros.

Par contre, à l'avenir, en suivant le scénario RCP8.5 du GIEC, la productivité moyenne

des cultures en Belgique pourrait augmenter de 10 à 20% en 2050 par rapport à la période
1981-2010 (De Ridder et al., 2020). Mais cette augmentation moyenne pourrait s'accom-
pagner de bien plus gros écarts selon les années : le rendement pourrait diminuer jusqu'à
35% certaines années au climat défavorable, en particulier pour la pomme de terre et le
maïs. Le secteur de l'élevage serait également impacté, avec une perte de production de
2 à 5% pour la volaille, le bétail et les porcs (De Ridder et al., 2020).

L'étude conclut que, d'ici 2050, selon le scénario RCP8.5, la production agricole totale
(regroupant cultures et élevage) pourrait, selon les facteurs pris en compte et par rapport
à 2019, évoluer via :
3
 Une augmentation de 45 Me/an, surtout due à l'eet fertilisant du CO2

2. Ce chire de la part de l'agriculture dans les émissions totales de gaz à eet de serre est souvent
discuté, non pas à cause de calculs erronnés mais parce qu'il faut s'accorder sur ce qui rentre en compte
dans l'agriculture. Si on tient compte uniquement des émissions de gaz à eet de serre (GES) liées au
travail sur les champs, l'agriculture serait responsable de 14% des émissions de GES humaines. Si on y
rajoute les changements d'aectation du sol dus à l'agriculture (en ce compris la déforestation causée
par l'extension des pâturages et cultures), l'agriculture serait responsable de 33% des émissions de GES
humaines (De Schutter, 2010a). Le rapport spécial du GIEC sur le changement climatique et les terres
émergées cite lui le chire de 23% des émissions humaines de GES (13% du CO2 , 44% du méthane (CH4 )
et 82% du dioxyde d'azote (N2 O)) (IPCC, 2019).

3. Des concentrations atmosphériques élevées de CO2 augmentent la photosynthèse et l'ecacité d'uti-

lisation de l'eau par la plante et stimulent donc la croissance (Kirschbaum, 2011). Plus de détails à la
Section 3.2.
CHAPITRE 1. ETAT DE L'ART 17

 Une diminution de 606 Me/an, en tenant compte de la perte de sol (salinisation,

érosion, inondations) et des réductions de certains prix internationaux dues au
changement climatique.

1.4.2 Impact sur le rendement

En 2007, William Cline estimait qu'à l'échelle mondiale, la capacité de production

agricole chutera de 10 à 25% d'ici 2080, les pertes les plus importantes ayant lieu en
Afrique et en Amérique latine (De Schutter, 2010b). La Figure 1.1 situe ces impacts sur
la carte mondiale (Cline, 2007).

Figure 1.1  Impact du changement climatique sur les rendements agricoles. Figure tirée
de Cline (2007).

Le rapport du GIEC de 2019 sur le changement climatique et les terres émergées (IPCC,
2019) prédit que le changement climatique menacera fortement la sécurité alimentaire. En
particulier, pour la disponibilité en nourriture, il prédit une diminution des rendements
de cultures (et de systèmes d'élevage) et de leur qualité, à cause des eets du changement
climatique déjà cités auparavant mais également à cause du manque de pollinisateurs et de
la multiplication des maladies et ravageurs (cette disponibilité en nourriture étant égale-
ment menacée par de potentielles perturbations dans les réseaux de stockage et transports
provoquées par le changement climatique, mais cela sort du sujet principal de ce travail).
Le rapport de la FAO de 2018 sur l'état de la sécurité alimentaire dans le monde indique
les mêmes tendances (World Health Organization et al., 2018).
CHAPITRE 1. ETAT DE L'ART 18

La Figure 1.2 du rapport du GIEC de 2014 résume les changements prédits sur les
rendements dus au changement climatique (IPCC, 2014). On peut s'apercevoir que pour
la période 2010-2029, il y a environ autant d'augmentations que de diminutions de ren-
dements qui sont prédites, d'à peu près la même intensité. Par contre, pour la période
2090-2109, il y a beaucoup plus de diminutions de rendements que d'augmentations, les
changements de grande intensité (+25% ou -25%) ayant également augmenté en propor-
tion.

Figure 1.2  Résumé des changements prédits sur les rendements dus au changement
climatique (principalement par rapport au blé, maïs, riz et soja). Pour chaque période de
temps, la somme des données fait 100%, ce qui montre quel pourcentage des changements
attendus occupe chaque augmentation/diminution des rendements. Figure tirée de IPCC
(2014).

Toujours à l'échelle mondiale, Iizumi et al. (2018) concluent que le changement clima-
tique a provoqué une chute des rendements globaux de maïs, blé et soja de respectivement
4.1%, 1.8% et 4.5% durant la période 1981-2010, en comparant cette période avec un cli-
mat pré-industriel (Iizumi et al., 2018). La méta-analyse de Zhao et al. (2017) prédit
elle que, sans considérer l'eet fertilisant du CO2 et d'éventuelle amélioration génétique,
chaque degré-celsius de plus dans la température moyenne globale réduirait les rende-
ments moyens de blé de 6%, de riz de 3.2%, de maïs de 7.4% et de soja de 3.1% (Zhao
et al., 2017).

En Europe, le rapport du GIEC cite une diminution moyenne du rendement du blé et

de l'orge de respectivement 2.5% et 3.8% depuis 1989, due aux tendances à long terme des
températures et précipitations. Mais ces mêmes tendances auraient provoqué une légère
augmentation des rendements de maïs et de betterave sucrière (IPCC, 2019).

Finalement, Kang et al. (2009) indiquent que le rendement des cultures peut être aug-
menté si une bonne irrigation et une augmentation des précipitations ont lieu lors de
la croissance des plantes, en insistant sur le fait qu'un sol avec une bonne capacité de
CHAPITRE 1. ETAT DE L'ART 19

rétention sera primordial pour faire face aux futures sécheresses, en accord par exemple
avec Iglesias et al. (2012) qui disent que les rendements des cultures et de l'élevage pour-
raient augmenter dans la région européenne nord-continentale, grâce à l'augmentation
de la panoplie de cultures possibles et l'allongement de la saison de croissance (Iglesias
et al., 2012). L'augmentation de la teneur en CO2 et une augmentation des périodes de
croissance dans les hautes latitudes et en montagne seraient également positives pour le
rendement, tandis qu'une augmentation des ravageurs et maladies et la dégradation du
sol due à l'augmentation de température seraient elles négatives (Kang et al., 2009).

1.4.3 Autres impacts

Nous avons vu que le dérèglement du climat va inuencer les températures et les pré-
cipitations, et par conséquent l'évaporation du sol et la transpiration des plantes. Kang
et al. (2009) préviennent ainsi qu'il faudra être particulièrement attentifs à la balance
hydrique dans le sol, c'est-à-dire au stockage d'eau souterraine, au niveau d'humidité et
donc aux besoins en irrigation (Kang et al., 2009). Ils citent par exemple une étude qui
prédit une augmentation des besoins en irrigation pour la culture du riz au Sri Lanka
de 13 à 23%, essentiellement due à une diminution des précipitations moyennes et à une
augmentation de l'évaporation (De Silva et al., 2007).

Gray et Brady (2016) s'intéressent eux à l'échelle de la plante et étudient les eets
du CO2 , de la température et des sécheresses (Gray and Brady, 2016). Les eets de
l'augmentation de la teneur en CO2 sont repris sur la Figure 1.3 qui représente un plant
de soja. Une augmentation de la température donnerait lieu entre autres à une diminution
de la masse de la racine et de son nombre de nodules et à une diminution du rendement
en grains, tandis qu'une augmentation de la fréquence de sécheresses diminuerait le taux
d'émergence des feuilles, le nombre de nodules racinaires et leur activité ou le rendement
et la taille des grains (Gray and Brady, 2016).

Seguin (2010) pointe une diérence intéressante entre les plantes selon leur voie de
photosynthèse qui permet de xer le CO2 C3 ou en C4 . Celles-ci
de l'atmosphère, soit en
réagiront diérement à une augmentation de la concentration en CO2 . Si cette concentra-
tion double d'ici à la n du siècle, la photosynthèse brute augmenterait de 30% pour les
plantes en C3 et de 15% pour celles en C4 (Seguin, 2010).

1.4.4 Hétérogénéité des résultats

Pour nir cette section, il est important de constater que ces prédictions se basent
toutes sur certains scénarios climatiques, pour certaines cultures dans certaines régions du
monde, en considérant certains paramètres (températures, précipitations, eet fertilisant
du CO2 , événements extrêmes, etc.). Tous ces paramètres rendent ces études éminemment
singulières, et donc extrêmement diciles à comparer.
CHAPITRE 1. ETAT DE L'ART 20

Figure 1.3  Eets d'une augmentation de la concentration en CO2 sur la croissance et

le développement d'un plant de soja. Figure tirée de Gray et Brady (2016).

Par exemple, contrairement aux résultats précédemment évoqués, Seguin (2010) prédit
en bon
lui des augmentations de rendement en France de 2.5 à 5.7% pour le blé et le maïs, "
accord avec les études comparables d'autres pays pour les conséquences sur les céréales en
milieu tempéré " (Seguin, 2010). Egalement, la culture du maïs, de par son importance, est
très étudiée. Une étude indique qu'une date de semis plus tardive résulterait au Brésil en
une perte de rendement de 55% en moyenne dans des conditions pluvieuses et de 21% en
moyenne en cas de bonne irrigation (Kang et al., 2009). Une seconde étude prédit une perte
de productivité de 60% en Bulgarie, tandis qu'une troisième indique que l'augmentation
de température et de précipitations en Afrique du Sud serait bénéque pour la culture du
maïs, les précipitations constituant un facteur plus important que la température (Kang
et al., 2009).

On peut donc conclure qu'il sera délicat de comparer les résultats de ce travail avec
d'autres déjà réalisés, et que cela devra être fait avec d'inmes précautions. Néanmoins, la
modélisation revêt donc un intérêt particulier pour pallier partiellement à ce problème du
fait qu'elle permet d'isoler certaines variables et qu'il est possible de connaître précisément
les hypothèses et conditions (climatiques, pédologiques, techniques, etc.) sous-jacentes aux
résultats.
Chapitre 2
Matériel et méthodes
Ce deuxième chapitre a pour but de poser les bases scientiques et méthodologiques
nécessaires à la compréhension de la recherche eectuée dans le chapitre suivant.

Comme cela a été présenté dans l'introduction, cette recherche vise à comparer diérents
systèmes agricoles à l'aide de la modélisation. La première étape du travail a donc été de
dénir les itinéraires techniques de chacun des systèmes et la deuxième a ensuite consisté
à les modéliser à l'aide du modèle de culture STICS (Brisson et al., 2003). La troisième
et principale étape a nalement été de comparer ces systèmes agricoles à travers les
sorties agronomiques et environnementales du modèle, et également à travers diérents
indicateurs alimentaires tirés à partir de celles-ci. Cette méthodologie est rappelée dans
la Figure 2.1, déjà plus longuement présentée dans l'introduction de ce travail.

Figure 2.1  Résumé des diérentes étapes du travail de recherche

21
CHAPITRE 2. MATÉRIEL ET MÉTHODES 22

La première section de ce chapitre détaille brièvement les quatre systèmes agricoles étu-
diés dans le cadre du projet EcoFoodSystem, tandis que la deuxième présente le site expé-
rimental. La troisième section introduit le fonctionnement du modèle de culture STICS.
Les principaux processus agronomiques simulés sont présentés pour que le lecteur sache
par la suite quels sont les concepts agronomiques à la base du modèle et donc quels ni-
veaux d'interprétation ce dernier permet. Cette section présente également les variables
d'entrée et de sortie utilisées. La dernière section détaille la méthodologie utilisée pour
étudier et comparer les systèmes agricoles.

2.1 Systèmes agricoles étudiés

Dans le cadre du projet EcoFoodSystem développé par l'Université de Liège, trois sys-
tèmes agricoles contrastés sont testés sur la période 2020-2027.

Les trois systèmes étudiés sont présentés dans les sections suivantes. Les itinéraires
techniques (modalités de semis, de récolte, de travail du sol et de fertilisation) sont présents
dans l'Annexe A. Il n'est pas assuré que ces itinéraires techniques soient exactement ceux
qui seront suivis lors de l'expérience de terrain d'EcoFoodSystem, mais ceux-ci ont été
élaborés soigneusement avec le Prof. Dumont et d'autres membres de son laboratoire ainsi
qu'avec l'aide de la littérature spécialisée an d'optimiser chaque rotation, en suivant les
bonnes pratiques agricoles (travail du sol réduit mais avec labours lorsque c'est nécessaire,
maximisation de la couverture du sol, etc.). Comme expliqué auparavant, ces systèmes
ont pour objectif de produire un régime sain et durable. Ils ne se concentrent néanmoins
uniquement que sur les grandes cultures, et les autres denrées telles que fruits, légumes
et noix composant le régime devraient être fournies auprès de maraîchers locaux.

2.1.1 Système 'Business-as-usual'

Le système agricole 'Business-as-usual' (BAU) suit la tendance agricole actuelle, avec

des importations et exportations de produits et l'incorporation d'animaux à travers le ux
de coproduits de cultures et de fumier.

Les diérentes cultures de la rotation du système BAU sont reprises dans la Figure
2.2a. On y retrouve les cultures majoritaires en région limoneuse wallonne : en termes de
supercie, les céréales pour le grain (comprenant par exemple le froment d'hiver, l'orge
d'hiver ou le maïs à grain) occupent 36% de la SAU en région limoneuse, les betteraves
sucrières 10%, les pommes de terre 11% et le maïs fourrager 8% (Statbel, 2019) .

2.1.2 Système 'Vegan'

Le système agricole 'Vegan' simule l'agriculture au sein d'une société où l'élevage se-
rait entièrement banni. Ce système suit donc les hypothèses diététiques véganistes du
CHAPITRE 2. MATÉRIEL ET MÉTHODES 23

(a) Système 'Business as usual' (BAU) (b) Système 'Vegan'

Figure 2.2  Rotations des systèmes 'Business as usual' (BAU) et 'Vegan'

EAT-Lancet, selon lesquelles les protéines animales sont remplacées par un mélange entre
protéines végétales et fruits et légumes (les produits laitiers et les oeufs sont donc éga-
lement bannis) (Willett et al., 2019). Dans ce système, tous les produits agricoles sont
produits au sein du territoire où ils sont consommés. Les diérentes cultures de la rotation
du système Vegan sont reprises dans la Figure 2.2b.

2.1.3 Système intégré cultures-élevage

Le système intégré cultures-élevage (ICLS) suit également l'hypothèse du EAT-Lancet

selon laquelle les produits agricoles sont produits au sein du territoire où ils consommés.
La particularité de ce système-ci est que les animaux y sont réellement présents : ils sont
donc non seulement utiles pour les ux de coproduits de cultures et de fumier (comme dans
le système BAU) mais ils sont également utilisés pour gérer les adventices et ravageurs à
travers le pâturage de prairies temporaires et d'intercultures. Les diérentes cultures de
la rotation du système ICLS sont reprises dans la Figure 2.3.

2.1.4 Intérêts de chaque système agricole étudié

Les trois systèmes agricoles étudiés comprennent donc des similitudes mais également
des diérences fondamentales. Pour tous les systèmes, le labour et l'emploi de fertilisants
minéraux restent autorisés. Par contre, aucun système n'utilise de pesticides à l'excepté
d'une variante du système BAU pour laquelle les herbicides sont autorisés. Néanmoins,
dans le cadre de ce travail, nous ne nous intéressons pas aux pesticides et herbicides, le
modèle STICS ne simulant pas leur emploi. Tous les systèmes ont également en commun
d'utiliser les pratiques agroécologiques les plus innovantes, entre autres la maximisation
des intercultures (stockant du carbone et augmentant la production de biomasse et donc,
CHAPITRE 2. MATÉRIEL ET MÉTHODES 24

Figure 2.3  Rotation du système intégré cultures-élevage (ICLS)

si incorporée dans le sol, le taux de matière organique (Tribouillois et al., 2018)), l'im-
plantation d'un réseau écologique autour des parcelles d'essai, l'alternance des familles
botaniques et l'utilisation de variétés résistantes ou tolérantes.

Les systèmes Vegan et ICLS ont également comme objectif commun de relocaliser l'agri-
culture : leurs cultures ont donc été choisies an d'aider à constituer des régimes répondant
aux critères dénis par la commission EAT-Lancet (Willett et al., 2019). Les rotations de
chacun des trois systèmes agricoles étudiés ont été déterminées par les chercheurs du pro-
jet EcoFoodSystem qui ont conçu et appliqué pour cela un outil d'optimisation innovant
(De Clerck et al., 2021). Cet outil permet de comparer de nombreuses rotations promet-
teuses, dont les productions sont estimées via les niveaux de production moyens extraits
des statistiques ocielles. L'optimisation consiste alors à atteindre un montant minimal
d'apport énergétique (exprimé en kilocalories) pour satisfaire les besoins humains, tout
en minimisant les excès et décits dans les diérentes commodités de nourriture et de
fourrage. Ce processus appliqué aux systèmes agricoles étudiés dans le cadre d'EcoFood-
System a permis de conclure qu'il fallait des rotations longues et diversiées, contenant
par exemple une culture de colza pour la production d'huile pour les humains et de ra-
tions oléagineuses pour les animaux, une culture de légumineuses et plusieurs céréales
(De Clerck et al., 2021).

La plus grosse diérence entre les systèmes étudiés réside dans leur intégration plus
ou moins forte des animaux au sein du système de cultures : le système Vegan bannit
complètement l'élevage, le système BAU utilise les ux de produits et co-produits d'origine
animale mais sans incorporer physiquement les animaux au sein de l'agroécosystème, et
le système ICLS utilise également ces ux mais en y intégrant physiquement les animaux
et donc en bénéciant des avantages associés.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 25

En eet, les systèmes ICLS sont de plus en plus plébiscités pour réussir à maintenir une
haute production alimentaire tout en diminuant les impacts de l'agriculture sur l'environ-
nement. Avant 1950, ils constituaient la norme en Europe de l'Ouest et en Amérique du
Nord, mais suite à la révolution verte des années 1960, ils ont souvent laissé place à des
systèmes agricoles spécialisés, basés sur les économies d'échelle (Mazoyer and Roudart,
2002). Pourtant, ces systèmes ICLS, en reposant sur les complémentarités entre cultures
et élevage, ont de nombreux avantages : les animaux mangent et convertissent produits,
co-produits et résidus de culture non comestibles par l'humain et contribuent ainsi au
maintien de la fertilité(Lemaire et al., 2016; de Albuquerque Nunes et al., 2021; Bonaudo
et al., 2014; Peterson et al., 2020). Ils aident également au contrôle des maladies et ra-
vageurs (Lemaire et al., 2016; de Albuquerque Nunes et al., 2021; Bonaudo et al., 2014).
Les prairies, plus nombreuses au sein de ces systèmes, permettent également d'accumuler
de la matière organique et de séquestrer du carbone de l'atmosphère et aident à réduire le
ruissellement et la perte de sol en augmentant la capacité d'inltration de l'eau. Finale-
ment, parmi les avantages socio-économiques des systèmes ICLS, certaines études pointent
également une meilleure productivité, une diversication des revenus et une moindre dé-
pendance aux intrants externes (de Albuquerque Nunes et al., 2021; Bonaudo et al., 2014;
Bell et al., 2014).

Le système Vegan, par contre, a pour but d'essayer de répondre à certaines attentes
véganistes : suppression de la consommation de produits d'origine animale, suppression
des émissions de gaz à eet de serre liées à l'élevage et suppression de toute sourance
animale (en supprimant tout court les animaux).

Finalement, le système BAU sert quant à lui de système agricole témoin de l'agriculture
majoritaire actuelle basée sur la spécialisation évoquée auparavant.

2.2 Site expérimental

Bien que ce travail soit nalement déconnecté de l'expérience de terrain d'EcoFood-
System, puisqu'aucune donnée mesurée n'en provient directement, nous en présentons
brièvement ici le site expérimental, notamment car les données pédoclimatiques utilisées
dans le cadre de ce travail sont liées à ce site expérimental, même si elles ont été mesurées
avant la mise en place du projet EcoFoodSystem.

Le site d'implantation des parcelles d'essai du projet EcoFoodSystem se trouve au

◦ ◦
nord-est de Gembloux (50.7 N 4.7 E), dans la région limoneuse belge de la Hesbaye. Le
site appartient à Gembloux Agro-Bio Tech (Université de Liège). Des cartes montrant
la localisation du site ont été générées avec le logiciel QGISv3.12 et sont disponibles en
Annexe C.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 26

Le sol est un luvisol limoneux contenant 70-80% de limon, 18-22% d'argile et 5-10% de
sable (Hiel et al., 2018; WalOnMap, 2021). Le climat est tempéré avec des précipitations
◦
moyennes annuelles de 819mm et une température moyenne de 9.8 C (Hiel et al., 2018).

Plus de précisions sur les données pédoclimatiques utilisées en entrées du modèle STICS
sont apportées à la Section 2.3.3.

2.3 Le modèle STICS

Nous utilisons dans le cadre de ce travail le modèle STICS, acronyme pour Simulateur
mulTIdisciplinaire pour les Cultures Standard. Celui-ci a été créé en 1996 par l'INRAE
(Institut national (français) de recherche pour l'agriculture, l'alimentation et l'environ-
nement) en collaboration avec d'autres instituts de recherche ou professionnels, et est
toujours en constant développement (Brisson et al., 2003).

2.3.1 Fonctionnement général

STICS est un modèle dynamique déterministe non spatialisé à pas de temps journa-
lier qui simule le système sol-plante sur un ou plusieurs cycle culturaux, avec la capacité
de prendre en compte des rotations, des intercultures, des itinéraires techniques détaillés
(travail du sol, irrigation, fertilisation, mulching, etc.), la circulation de l'eau dans les
macropores du sol, etc. La limite supérieure de ce système est l'atmosphère, caractérisée
par des variables climatiques standards (radiation, précipitations, températures, évapo-
transpiration, etc.), et la limite inférieure est l'interface sol/sous-sol (Brisson et al., 2003).

Le modèle STICS est organisé par modules, chacun étant lui-même composé de sous-
modules qui s'occupent de mécanismes bien spéciques. Les diérents modules sont re-
présentés dans la Figure 2.4.

Figure 2.4  Modules du modèle STICS. Figure tirée de Brisson et al. (2009).
CHAPITRE 2. MATÉRIEL ET MÉTHODES 27

Les variables d'entrée du modèle sont relatives au climat, au sol, aux espèces et variétés
cultivées (paramètres génétiques) et à la gestion du système de culture (paramètres du
semis ou de la plantation, fertilisation, travail du sol, récolte, etc). Les variables de sor-
tie sont d'ordre agronomique (rendement, couverture végétale, etc.) et environnemental
(cycles de l'azote et du carbone, stock d'eau dans le sol, etc.).

Dans cette section, nous décrivons brièvement le fonctionnement général du modèle

STICS en en parcourant les principaux processus simulés. Le but ici n'est pas de fournir
un rapport exhaustif contenant toutes les équations utilisées par STICS, ceci étant bien
trop long à détailler, mais bien de dresser un aperçu des grands principes sur lesquels se
base le modèle, avec une attention particulière pour les variables étudiées dans le Chapitre
3. Cette section est donc directement inspirée des travaux de Brisson et al. (Brisson et al.,
1998; Brisson et al., 2003; Brisson et al., 2009) auxquels le lecteur intéressé pourra se
référer. L'Annexe B fournit néanmoins déjà des détails supplémentaires quant à certaines
équations importantes impliquant des variables dont l'évolution est directement étudiée
dans le cadre de ce travail. Le principe de fonctionnement du modèle STICS est résumé
dans la Figure 2.5. Cette section se clôture par la présentation des variables d'entrée et
de sortie utilisées.

Figure 2.5  Principe de fonctionnement du modèle STICS. Figure tirée de

[Link]

2.3.2 Processus simulés

Phénologie
Diérents stades phénologiques sont dénis pour caractériser les croissances végétative
et reproductive. Ces deux sortes de croissances sont indépendantes, c'est-à-dire que la
plante évolue dans les stades en phase végétative indépendamment des stades en phase
reproductive, et inversément.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 28

L'unité utilisée pour déterminer à quels stades se trouve la plante s'appelle l'Unité de
Développement (UPVT), reproduisant le temps phénologique de la plante avec une somme
de degrés-jours potentiellement corrigée par des facteurs limitants de photopériode et de
vernalisation.

Les diérents stades sont repris dans le Tableau C.1 de l'Annexe C, adapté de Brisson
et al. (2003).

Dans le cadre de ce travail, la connaissance de ces stades phénologiques fut primordiale

notamment lors de la simulation des prairies de la rotation ICLS. En eet, lors de l'en-
chaînement de cultures, le modèle STICS doit entre autres transmettre entre les Unités de
Simulation les variables d'état du sol (stocks de carbone et d'eau par exemple). Mais lors
de l'enchaînement de prairies, le modèle doit également transmettre entre les Unités de
Simulation des variables agronomiques, puisque c'est la même plante qui subsiste d'une
Unité à l'autre. Il a donc fallu veiller à ce que les stades phénologiques de la prairie, qui
sont également des variables transmises entre les Unités de Simulation pour les prairies,
soient cohérents lors de cette transmission.

Leaf Area Index

La première variable déterminant la croissance est le LAI ( Leaf Area Index, c'est-à-dire
la surface foliaire). L'évolution du LAI se caractérise premièrement par de la croissance,
1
ensuite par une éventuelle phase de stabilité (surtout pour les espèces déterminées )
puis par de la senescence. Dans un premier temps, cette évolution est calculée selon
2 −1 −1
les stages phénologiques du Tableau C.1 de l'Annexe C (en m plante degré-jour ) :
elle suit une courbe logistique qui, selon les unités de développement, augmente d'abord
légèrement, puis croît rapidement avec un point d'inexion correspondant à la n de la
phase juvénile (IAM F ), et rejoint nalement une asymptote horizontale. Dans un second
temps, l'incrément de LAI est multiplié par la température eective de la culture, par un
facteur de densité combiné avec un facteur de compétition inter-plantes et par des indices
de stress hydrique et azoté. Dans STICS, tous ces facteurs freinant les processus de la
plante sont des fonctions variant entre 0 et 1. Une attention particulière sera portée à
l'inuence des diérents stress lors de la comparaison des systèmes agricoles au Chapitre
3, et certains détails quant à la dénition et l'utilisation de ces stress sont donnés dans
l'Annexe B.

Interception de la radiation
L'interception de la radiation est nécessaire pour calculer le taux d'assimilation de
carbone de la plante et donc son taux de croissance. Pour les cultures homogènes, celle-ci

1. Dans le modèle STICS, une espèce est dite "indéterminée" s'il existe une compétition trophique
signicative entre les organes végétatifs et les organes de reproduction (Brisson et al., 2009).
CHAPITRE 2. MATÉRIEL ET MÉTHODES 29

peut être calculée à l'aide de la loi de Beer comme fonction du LAI. Celle-ci ne requiert
qu'un seul paramètre, le coecient d'extinction de la radiation (Sinclair, 2006). Pour les
cultures en rang, une autre méthode est utilisée prenant en compte la géométrie de la
culture.

Ecacité d'utilisation des radiations

Il existe une relation linéaire entre l'accumulation de biomasse dans la plante et l'in-
terception de radiation eectuée par son feuillage : la pente de cette relation est dénie
2
comme l'ecacité d'utilisation des radiations (RUE) . Ce concept synthétise les processus
de photosynthèse et de respiration. De plus, comme le RUE est calculé comme le ratio
entre la biomasse aérienne et la radiation absorbée, il est nécessaire de prendre en compte
la répartition du carbone entre les parties aérienne et souterraine de la plante.

Il est intéressant, dans le cadre de ce travail, de noter que la croissance en biomasse de

la plante peut, si l'utilisateur du modèle le désire, être inuencée par un eet fertilisant
du CO2 , qu'on note FCO2 . Ce facteur FCO2 permet de simuler une concentration atmo-
sphérique en CO2 plus élevée que ce qu'elle n'est maintenant (350 ppm). Ceci sera donc
bien utile lorsque l'impact du changement climatique sur les systèmes agricoles étudiés
sera analysé (Section 3.2).

Formation du rendement
Le rendement désigne la masse et la qualité des organes récoltés, c'est-à-dire les or-
ganes reproductifs (grains ou fruits) ou végétatifs de stockage (tiges ou racines (pour les
tubercules)).

Pour les plantes déterminées, le nombre et le remplissage des organes qui seront récoltés
ne dépendent pas de la croissance des autres organes.

3
Le nombre de grains est xé durant les stades phénologiques ILAT et IFLO (voir
Tableau C.1 de l'Annexe C). Il dépend du taux de croissance moyen de la culture pendant
cette phase ILAT-IFLO ainsi que de paramètres génétiques dénissant les nombres de
grains minimal et maximal.

2. On dénit parfois la RUE légèrement diéremment, comme la pente de la relation linéaire entre le
gain de carbone par la plante et l'accumulation de radiation solaire interceptée (Steduto and Albrizio,
2005).

3. Par convention, on appelera "grains" les organes récoltés des plantes déterminées et "fruits" ceux
des plantes indéterminées, comme dans Brisson et al. (2009).
CHAPITRE 2. MATÉRIEL ET MÉTHODES 30

C'est à partir du stade phénologique IDRP jusqu'au stade IMAT que se remplissent les
grains. La quantité de matière sèche et l'azote accumulés sont calculés à partir des taux de
matière sèche et d'azote de la partie aérienne via des "indices de récolte" qui augmentent
linéairement.

Croissance racinaire
4
Le modèle STICS sépare la croissance de la partie aérienne de celle de la racine . La
fonction principale de cette dernière est d'absorber l'eau et les éléments minéraux (N,P,K)
5
du sol .

La vitesse de croissance du front racinaire est proportionnelle à la température avec

un coecient génétique et un facteur de stress dû à la disponibilité en eau et à la masse
volumique du sol.

Un prol de densité racinaire est également calculé. L'option standard le calcule selon
l'absorption, en considérant que les racines ont toujours le même prol sigmoïdal basé
sur des paramètres de la plante et sur la profondeur actuelle du front racinaire. L'option
"avancée" permet de calculer cette densité racinaire plus précisément, ce qui est intéressant
pour des cultures à faible densité ou lorsque le sol présente des contraintes plus spéciques.
Cette seconde option prend en compte les diérentes couches du sol.

Balance hydrique
La balance hydrique sert à estimer le contenu en eau du sol et les indices de stress
hydrique qui réduisent la croissance foliaire et la photosynthèse. On la calcule en estimant
d'une part la demande potentielle en eau du système sol-plante (transpiration de la plante
et évaporation du sol) et d'autre part l'approvisionnement du système sol-racines.

a. Evaporation du sol
L'évaporation provenant du sol est calculée en deux étapes : on estime d'abord l'évapo-
ration potentielle (via par exemple le LAI et la présence ou non d'une couverture végétale)
puis ensuite l'évaporation réelle liée à la disponibilité en eau. Cette évaporation du sol est
ensuite distribuée sur tout le prol du sol.

4. La croissance racinaire peut cependant également reposer (quand une certaine option est choisie)
sur la production journalière de biomasse aérienne et sur un coecient dynamique de séparation des
biomasses souterraine et totale, créant un lien trophique entre croissances aérienne et racinaire.

5. La racine sert par exemple aussi à ancrer la plante dans le sol, à xer par symbiose l'azote atmo-
sphérique pour les légumineuses, à la rhizodéposition et comme organe de réserve. Mais ces dernières
fonctions sont d'une manière ou d'une autre prises en compte dans d'autres modules de STICS (Brisson
et al., 2009).
CHAPITRE 2. MATÉRIEL ET MÉTHODES 31

b. Transpiration de la plante
On calcule la transpiration réelle de la plante via une relation linéaire qui lie trans-
piration relative et contenu en eau du sol. Si on regarde à l'échelle de toute une journée,
on peut également considérer que l'assimilation racinaire d'eau est égale à la transpira-
tion foliaire, ce qui permet d'ensuite distribuer cette absorption racinaire à travers les
diérentes couches du sol.

On calcule deux indices de stress liés à l'eau : un indice de stress stomatal qui aecte
l'ecacité d'utilisation des radiations (RUE) et donc la photosynthèse, et un indice de
stress lié à la croissance foliaire.

Balance azotée
La balance azotée du système sol-plante dépend de nombreux processus. Tout d'abord
ceux qui impactent le contenu en azote minéral du sol : minéralisation, immobilisation,
nitrication, volatilisation, dénitrication et lessivage/lixiviation. Ensuite ceux qui sont
en lien avec la culture : xation symbiotique (source d'azote) et absorption minérale (puits
d'azote). Nous en présentons ici brièvement les principaux.

a. Minéralisation
La minéralisation d'azote, c'est-à-dire la production d'azote minéral par le sol, est la
somme de deux composantes : la minéralisation d'humus (toujours positive dans le sens
où elle libère de l'azote minéral) et la minéralisation de résidus organiques (soit positive
soit négative (immobilisation)).

La minéralisation d'humus est considérée comme négligeable en-dessous d'une certaine

profondeur dans le sol par le modèle STICS, et son taux de minéralisation dépend du
contenu du sol en azote organique actif et en eau, du type de sol et de la température
dans chaque couche de sol.

La minéralisation de résidus organiques dépend du taux de décomposition de ceux-ci,

donc de leur rapport C/N, de la profondeur à laquelle ils sont enfouis, la température et
l'humidité du sol, etc.

b. Absorption minérale
L'absorption quotidienne d'azote par la plante est égale au minimum entre la demande
de la plante et la disponibilité du sol. La demande de la plante diminue quand augmente
son âge et sa biomasse, dépendant de son métabolisme, de son abilité à stocker de l'azote
et des processus de compétition inter-plantes. La disponibilité en azote du sol est calculée
pour chaque couche de 1 centimètre via le transport d'azote minéral d'un certain point
du sol à la racine la plus proche par convexion ou diusion.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 32

c. Fixation symbiotique
La xation symbiotique de N2 est d'abord calculée potentiellement, via l'activité des
nodules, puis réellement en multipliant cette xation symbiotique potentielle par des fac-
teurs limitants comme l'anoxie, la température, le stress hydrique ou la présence de ni-
trates (quand le taux moyen d'azote minéral dans la rhizosphère dépasse un certain seuil).

2.3.3 Variables d'entrée

Dans cette section, nous introduisons brièvement les variables d'entrées du modèle
STICS utilisées, introduites dans la Section 2.3. Celles-ci sont des paramètres nécessaires
au fonctionnement du modèle, sauf les entrées pédologiques qui sont elles des conditions
initiales.

Entrées pédoclimatiques
Les variables pédologiques servent à caractériser l'état initial du sol, notamment les
diérents horizons du sol, leur contenu en argile, leur quantité d'azote organique, leur pH,
etc. Ces entrées ont été fournies par le Prof. Dumont. Certains ajustements mineurs ont
dû être eectués (activation ou non d'options pour corriger des discontinuités entre Unités
de Simulation) mais nous n'entrons pas dans les détails dans ce rapport.

Les variables climato-environnementales sont journalières et indiquent la radiation, les

températures minimale et maximale, les précipitations, l'évapotranspiration de référence
(optionnelle), la vitesse du vent et l'humidité (optionnelle) (Brisson et al., 2009).

Pour la partie 1 du Chapitre de Résultats et Discussion, nous utilisons les données cli-
matiques historiques de la période 1985-2009 de la station d'Ernage, fournies par l'Institut
Royal Météorologique.

Pour la partie 2 du Chapitre de Résultats et Discussion, qui s'intéresse à l'inuence

du changement climatique, nous nous basons sur deux scénarios climatiques diérents du
GIEC (Groupement International d'Experts sur le Climat).

Les scénarios climatiques du GIEC décrivent des trajectoires jusqu'à la n du 21ème

siècle concernant les émissions de gaz à eet de serre et leurs concentrations atmosphé-
riques, les émissions de polluants de l'air et l'utilisation de la terre (IPCC, 2014). Ces
scénarios sont appelés Representative Concentration Pathways (RCPs). Ils concernent
donc principalement les concentrations de gaz à eet de serre, mais ces derniers ont une
inuence sur une multitude d'autres variables : il existe ainsi une relation presque linéaire
entre les émissions cumulées de CO2 et la température moyenne globale (IPCC, 2014).
CHAPITRE 2. MATÉRIEL ET MÉTHODES 33

Dans le cadre de ce travail, nous nous basons sur le scénario RCP4.5, qui est un scéna-
rio intermédiaire, et sur le scénario RCP8.5, qui est un scénario menant à de très hautes
émissions de gaz à eet de serre représentant la trajectoire probable si aucun eort ad-
ditionnel pour limiter les émissions n'est eectué (IPCC, 2014). La Figure 2.6 représente
les scénarios climatiques du GIEC.

Figure 2.6  Emissions anthropiques annuelles de CO2 d'ici à la n du siècle selon les
diérents scénarios climatiques du GIEC. Figurée tirée de IPCC (2014).

Le changement de température moyenne à la surface du globe pour la période 2081-2100

vaprobablement ◦ ◦
excéder 1.5 C pour RCP4.5 et 2 C pour RCP8.5, par rapport à la période
1850-1900. Comme déjà abordé à la Section 1.4, il est également virtuellement certain qu'il
y aura plus d'évènements de températures extrêmes chaudes et moins d'évènements de
températures extrêmes froides, et il est très probable que les vagues de chaleur apparaîtront
plus souvent et sur une plus longue durée (IPCC, 2014).

Dans le cadre de ce travail, pour la partie 2 du Chapitre de Résultats et Discussion,

nous utilisons des chiers climatiques de deux périodes diérentes : 2045-2069 et 2075-
2099, chaque période de temps donnant deux ensembles de chiers climatiques, l'un selon
le scénario RCP4.5 et l'autre selon le scénario RCP8.5. Ces chiers climatiques ont été
générés à l'aide d'un Modèle Climatique Global ( Global Climate Model, GCM) et ranés
à l'aide d'un Modèle Climatique Régional (Regional Climate Model, RCM) (Giot et al.,
2015). Le modèle utilisé par l'Institut Royal Météorologique (IRM) est Alaro-O/Aladin
(Leemans et al., 2017; Giot et al., 2015). Dans les comparaisons du Chapitre 3, nous
veillerons à ne pas comparer une année particulière avec l'autre mais plutôt entre des
rotations entières, voire entre les moyennes entre trois rotations successives.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 34

Les variables qui ont été modiées dans les chiers climatiques prédits sont, outre la
concentration atmosphérique en gaz à eet de serre, la température, l'humidité relative,
la couverture nuageuse ou encore les précipitations.

Fichiers plantes
Des chiers contenant des centaines de paramètres sur chacune des plantes cultivées,
en rapport avec la photopériode, la sénescence, le nombre de feuilles, le système racinaire,
etc. sont nécessaires. Certains d'entre eux sont fournis avec le modèle STICS et d'autres
ont été fournis par le Prof. Dumont. Il a fallu faire quelques ajustements pour certains
chiers mais nous n'entrons pas plus dans les détails dans ce rapport.

Les diérentes plantes modélisées sont reprises dans les itinéraires techniques (Annexe
A). Il a été décidé de simuler des plantes de couverture et des prairies mono-espèces,
l'association de diérentes plantes étant quelque peu plus compliquée avec le modèle
STICS et n'étant pas primordiale pour les analyses désirées dans le cadre de ce travail. A
défaut de disposer de données pour valider le modèle avec nos conditions, il a été décidé
que les plantes de couverture seraient constituées de moutarde et les prairies de fétuque, le
choix de cette dernière étant motivé par sa haute productivité et son stockage de carbone
6
élevé par rapport aux autres espèces de prairie disponibles .

Itinéraires techniques
Tandis qu'un chercheur pourrait étudier l'inuence du sol, et donc faire varier les entrées
pédologiques, ou qu'un autre pourrait étudier l'inuence de la génétique des plantes, et
donc faire varier les chiers plantes, la principale variable discriminante dans le cadre
de ce travail, outre les conditions climatiques, est l'itinéraire technique. C'est avec cette
variable qu'on introduit dans le modèle STICS une rotation BAU, Vegan ou ICLS.

Les trois rotations BAU, Vegan et ICLS sont dénies en suivant les principes présentés
à la Section 2.1, déterminant le choix et l'ordre des cultures ainsi que l'intégration de
l'élevage. Il a fallu néanmoins faire de nombreux choix concernant les conditions de semis
(date, quantité, profondeur d'enfouissement), de récolte, de travail du sol, de fertilisation,
etc. Les trois itinéraires techniques considérés dans le cadre de ce travail sont disponibles
en détail à l'Annexe A.

On peut voir sur la Figure A.1 de l'Annexe A qu'un apport de fumier est présent au
tout début de la rotation BAU, à raison de 40 tonnes par hectare 1 mois avant le semis des

6. Une contrainte importante dans le choix des espèces de prairies est qu'il faut disposer de paramètres
bien particuliers pour simuler le stockage de carbone, qui ne sont disponibles que pour très peu d'espèces.
Il a d'ailleurs fallu faire quelques ajustements entre plusieurs chiers de plantes pour obtenir le chier
qui a nalement été utilisé pour la fétuque.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 35

betteraves. Du fumier bovin est utilisé, le système BAU se basant sur l'import d'intrants
externes. Les caractéristiques de ce fumier sont tirées d'une notice d'utilisation du modèle
STICS : le carbone constitue 32% de la matière sèche tandis qu'on considère que le fumier
ne contient pas d'azote minéral, le ratio C/N est de 20 et la matière fraîche est constituée
de 75% d'eau (Ripoche-Wachter and Lecharpentier, 2017).

Considération du système ICLS

Le système ICLS est particulier par le fait qu'il comporte des animaux incorporés au sein
du système. Le modèle STICS ne permet pas de tenir compte de nombreux avantages que
cela comporte, comme le contrôle des maladies et ravageurs (voir Section 2.1). Néanmoins,
il est possible de simuler la fertilisation par les déjections ovines.

Pour calculer la charge d'ovins à l'hectare, on part de la biomasse de fourrage produite

par les prairies. On estime celle-ci à 10 tonnes de matière sèche par hectare et par an,
7
qui est le chire utilisé par De Clerck et al. (2021) tiré de Statbel (2020a) . On estime
également le taux de rejet des ovins à 0.2. A partir de l'itinéraire technique de la Figure
A.3 de l'Annexe A, on estime que les prairies durent 2.66 années par rotation et on pose
que le pâturage doit pouvoir alimenter les ovins du 1er mai au 30 septembre des Années
7 et 8. Finalement, la consommation journalière de matière sèche par un ovin moyen (de
poids vif de 60kg) est de 1.5 kg (Jousseins and Tchakerian, 2014). On obtient donc le
nombre d'ovins pouvant pâturer à l'hectare sur la rotation ICLS suivant :

10 ∗ 1000 ∗ 2.66 ∗ 0.8

n= = 46.36 ∼
= 46 ovins par hectare (2.1)
1.5 ∗ (2 ∗ 3 ∗ 31 + 2 ∗ 2 ∗ 30)

Un ovin fait entre 7 et 26 déjections par jour qui pèsent entre 0.03 et 0.17 kg chacune
(Bloor et al., 2012). On estime également à 963 le nombre de jours total durant la rotation
ICLS pendant lesquels les moutons pâturent, ces derniers pâturant une majeure partie
du temps la moutarde de l'Année 2 et les prairies (voir Figure A.3 dans l'Annexe A). A
partir du nombre d'ovins pâturant à l'hectare estimé par l'équation 2.1, l'équation 2.2
nous donne donc la quantité totale de déjection ovine produite par rotation :

7 + 26 0.03 + 0.17 −1 −1
Q = 46 × × × 963 = 73091.7 kg ha rotation
2 2 (2.2)
∼
= 73 T ha
−1
rotation
−1

7. On verra par la suite que les productivités simulées sont cohérentes avec ce chire. Il aurait été
possible de faire des boucles d'ajustement des productivités/charges d'ovins, où l'on aurait fait une
première simulation de la productivité des prairies (dépendant d'une première estimation de la charge
d'ovins qui dépend donc elle-même du premier chire de productivité des prairies utilisé), puis ajusté
cette charge. Mais la diérence aurait été minime et la méthodologie plus simple expliquée ci-dessus a
donc été choisie.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 36

Il est nalement nécessaire de renseigner dans le modèle STICS certaines caractéris-

tiques de déjections ovines. L'eau est la principale composante des déjections solides,
représentant environ 70% du poids frais chez les ovins (Bloor et al., 2012; Delaby, 2018).
La teneur en azote moyenne est elle de 2 à 2.8% de la matière sèche, et donc de 0.6 à
8
0.84% du poids frais (Bloor et al., 2012; Delaby, 2018). Il a été décidé d'eectuer cet
apport simulant les déjections ovines en une fois, au milieu de la rotation en Année 4 (voir
Annexe A), par souci de simplicité.

Les prairies du système ICLS constituent également un cas particulier. Il a été été
nécessaire durant la phase de modélisation d'imposer diérents stades phénologiques (voir
Tableau C.1 de l'Annexe C) à la fétuque composant les prairies pour que les diérentes
Unités de Simulation s'enchaînent adéquatement, c'est-à-dire que les diérentes variables
agronomiques soient transmises d'une unité à l'autre.

2.3.4 Variables de sortie

Avant de lancer les diérentes simulations associées à chacune des rotations considérées
et à diérentes conditions pédoclimatiques, il faut choisir les diérentes variables de sortie
désirées.

Celles-ci sont soit d'ordre agronomique (matière sèche, organes récoltés, couverture
végétale, etc.), soit d'ordre environnemental (émissions de CO2 ou N2 O, stock d'azote ou
d'eau dans le sol, évapotranspiration, etc.).

Variables agronomiques de sortie

Les principales variables agronomiques qui ont été utilisées sont la matière sèche [t/ha],
la masse des organes récoltés [t/ha] et le Leaf Area Index
2 2
[m /m ]. D'autres variables
agronomiques caractérisent par exemple les diérents stress de la plante.

Variables environnementales de sortie

Les premières variables environnementales mesurées sont les émissions de dioxyde de
carbone (CO2 ) et d'oxyde nitreux (N2 O), qui sont les principaux gaz à eet de serre émis

8. Pour les rotations BAU et Vegan, seule une fertilisation azotée est apportée. Il est donc intéressant
de voir ce que ces déjections ovines représentent comme apport azoté pour la rotation ICLS : 73 T
ha−1 × 0.84% = 613.2 kg N ha−1 . Pour vérier ce chire, on sait qu'il est considéré que 100 UGB ha−1
jour−1 restituent au pâturage l'équivalent de 9 kg d'N/ha (Knoden et al., 2007). Les 46 ovins par hectare
calculés par l'équation 2.1, chacun étant équivalent à 0.15 UGB, restituent donc 598.02 kg N/ha sur les
963 jours de pâturage de la rotation ICLS. On s'aperçoit donc que les deux méthodes de calcul, l'une se
basant sur le nombre moyen de déjections et leurs compositions et l'autre se basant sur une approximation,
donnent une fertilisation azotée quasiment équivalente.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 37

9
par les systèmes de culture . Ces émissions sont la cause principale du réchauement
climatique (IPCC, 2014). La Figure 2.7 montre que les concentrations atmosphériques des
trois principaux gaz à eet de serre ont considérablement augmenté depuis la deuxième
révolution industrielle, tout comme les émissions dues à l'agriculture, à la foresterie et
aux autres utilisations du sol.

Figure 2.7  a). Concentrations atmosphériques de gaz à eet de serre (dioxyde de

carbone CO2 en vert, méthane CH4 en orange et oxyde nitreux N2 O en rouge) détermi-
nées à partir de carottes de glace (points) et de mesures atmosphériques directes (lignes).
Figure tirée de IPCC (2014). b). Estimation des émissions de gaz à eet de serre anthro-
piques dues à l'agriculture, à la foresterie et à d'autres utilisations du sol (AFOLU pour
Agriculture, Forestry and Other Land Use ). Figure tirée de IPCC (2019).

En premier lieu, le dioxyde de carbone ou gaz carbonique (CO2 ) est le principal gaz à
10 −2
de 1.82 Wm
eet de serre (d'origine anthropique), avec un forçage radiatif entre 1750
et 2011 (IPCC, 2013). Les augmentations des concentrations atmosphériques de CO2 rap-
portées à la Figure 2.7 sont principalement dues à la combustion de combustibles fossiles
et au changement d'aectation des terres, en particulier la déforestation (IPCC, 2013). En
eet, le CO2 est prélevé de l'atmosphère par la photosynthèse des végétaux, le carbone
xé dans les plantes allant ensuite dans leurs tissus, puis dans la litière et nalement
dans le sol, en étant relâché dans l'atmosphère par la respiration autotrophe (plantes) et

9. Le méthane, CH4 , est le deuxième principal gaz à eet de serre avec un forçage radiatif (voir
plus loin) de 0.48 Wm−2 (IPCC, 2013). Néanmoins, c'est principalement l'augmentation du nombre de
ruminants élevés pour la consommation de viande qui est à l'origine de l'augmentation des concentrations
atmosphériques de CH4 (IPCC, 2013) : cela sort donc du cadre de ce travail.

10. Le forçage radiatif (RF) est "le changement net dans la balance énergétique du système Terre/at-
mosphère dû à une certaine perturbation ". Il est exprimé en watts par mètre carré moyennés sur une
période de temps. Le RF est donc positif s'il provoque une augmentation de l'énergie du système Ter-
re/atmosphère sur une certaine surface et dans une certaine période de temps, augmentation d'énergie qui
provoquera le réchauement du système en entier. On utilise le terme forçage pour indiquer que l'équilibre
est déstabilisé et le terme radiatif pour indiquer que c'est l'équilibre entre le rayonnement solaire entrant
et les émissions de rayonnement infrarouge sortant de l'atmosphère qui est déstabilisé (IPCC, 2013).
CHAPITRE 2. MATÉRIEL ET MÉTHODES 38

hétérotrophe (microbes du sol et animaux) (IPCC, 2013). L'agriculture, la foresterie et

les autres utilisations de la terre sont responsables d'environ 13% des émissions anthro-
piques de CO2 pour la période 2007-2016 (IPCC, 2019) : si cela est principalement dû à
la déforestation, qui ne nous concerne pas dans le cadre de ce travail puisque les rotations
étudiées sont conçues de sorte à relocaliser l'agriculture, il est néanmoins pertinent d'étu-
dier les émissions de CO2 dégagées par chacune de ces rotations de sorte à comparer leur
impact sur l'environnement ainsi que l'évolution de cet impact.

En second lieu, le protoxyde d'azote ou oxyde nitreux (N2 O) est le troisième principal
−2
gaz à eet de serre avec un forçage radiatif de 0.17 Wm entre 1750 et 2011 (IPCC,
2013). Avant l'ère industrielle, la création d'azote réactif Nr à partir d'azote non réactif
N2 intervenait via deux processus naturels principaux : la foudre et la xation biologique
d'azote (BNF). Mais il y a maintenant trois sources anthropiques principales de Nr : 1)
le procédé industriel Haber-Bosch qui fabrique du NH3 à partir de N2 pour des fertili-
sants azotés de synthèse ; 2) la culture de légumineuses qui augmentent la BNF ; et 3) la
combustion de combustibles fossiles qui convertissent le N2 atmosphérique et l'azote du
combustible en oxydes nitreux (NOx ) émis dans l'atmosphère (IPCC, 2013). L'agricul-
ture, la foresterie et les autres utilisations de la terre sont responsables d'environ 81% des
émissions anthropiques de N2 O pour la période 2007-2016 (IPCC, 2019), c'est pourquoi
l'émission de N2 O est la deuxième variable de sortie environnementale considérée.

D'autres variables environnementales caractérisent par exemple l'état du sol (stocks

d'eau, de carbone et d'azote).

2.4 Méthodologie de comparaison

La comparaison des systèmes agricoles, eectuée au Chapitre 3, se fait selon diérents
critères, eux-mêmes divisés en indicateurs selon la hiérarchie illustrée à la Figure 2.8.

Figure 2.8  Hiérarchie des sorties et indicateurs utilisés pour l'analyse et la comparaison
des systèmes agricoles du Chapitre 3

Pour chaque comparaison, des tests statistiques tels qu'analyses de variances (ANOVA)
et Tukey HSD sont eectués pour vérier et quantier si des diérences sont signica-
tives. Les résultats sont toujours indiqués en indiquant l'ordre de grandeur de la valeur p
entre parenthèses. Ces tests sont accompagnés d'autres statistiques telles que moyennes,
variances, boîtes à moustaches, graphiques en tous genre, etc. qui, tous, sont produits
avec les logiciels Matlab v2019a et RStudio v1.2.5033.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 39

Le Tableau 2.1 regroupe tous les critères et indicateurs utilisés pour l'analyse et la
comparaison des systèmes agricoles du Chapitre 3. Ceux-ci sont inspirés de la Section 1.2,
et en particulier de Talukder et al. (2018) et Van Cauwenbergh et al. (2007). Nous en
passons ensuite en revue certains qui nécessitent plus d'explications.

Critères Indicateurs Indicateurs Unités des

composites indicateurs
Productivité Rendement Rendements totaux T ha−1 et UC
ha−1
Couverture Leaf Area Index (LAI) m2 /m2
végétale
Stabilité Sol Réserve d'azote dans le sol kg ha−1
Réserve de carbone organique dans le kg ha−1
sol
Réserve d'eau dans le sol mm
Stress Stress hydrique 0→1
Stress thermique 0→1
Stress azoté 0→1
Interactions sol- Rendements de froment d'hiver T ha−1
plante
Environnement Emissions de gaz CO2 kg ha−1
à eet de serre N2 O kg ha−1
Alimentation Quantité Nombre de personnes adultes ha−1
nourries par la rotation
Qualité Composition du repas /
optimisé par l'algorithme DREAM
Auto-susance Excès et décits dans kg an−1
les produits alimentaires
Animaux Composition du troupeau /
nécessaire au régime optimal

Table 2.1  Critères et indicateurs de performance et durabilité

Rendements totaux

Le premier indicateur composite de productivité est le rendement. Il est composé pre-

mièrement d'un indicateur qui consiste à calculer la somme des rendements de toutes
les cultures d'une rotation. Etant donné que les simulations sont toujours eectuées sur
plusieurs rotations successives, cette somme des rendements est moyennée pour les trois
cycles simulés. Ensuite, an de pouvoir comparer les diérents produits agricoles (par
exemple des pommes et des poires), on utilise le concept d'unité-céréales (UC) développé
par Brankatschk et Finkbeiner (2014). Ce concept consiste à pondérer la production de
CHAPITRE 2. MATÉRIEL ET MÉTHODES 40

chaque culture en fonction de l'énergie métabolisable par les animaux agrégée par ce pro-
duit. L'unité de référence est l'énergie métabolisable agrégée de l'orge, correspondant à 1
UC (Brankatschk and Finkbeiner, 2014). Le Tableau C.2 de l'Annexe C reprend les fac-
teurs de conversion entre les quantités de production (en kilogrammes) et leur équivalent
en UC, ces facteurs étant directement fournis dans Brankatschk et Finkbeiner (2014).

Rendements de froment d'hiver

Un autre indicateur de rendement est la somme des rendements de froment d'hiver.

Dans les régions de grandes cultures wallonnes, le froment représente environ 45% de
la SAU (Statbel, 2019). Par ailleurs, les trois rotations considérées ont été conçues de
manière à ce que les cultures de froment d'hiver coïncident en Années 2 et 4. Il est donc
intéressant de pouvoir comparer ces rendements puisque le froment d'hiver est à chaque
fois soumis aux mêmes conditions pédoclimatiques pour chacun des systèmes.

Stress

Les stress sont exprimés comme des variables continues entre 0 et 1, 0 correspondant
à un stress nul et 1 à un stress maximal. Néanmoins, la variable investiguée dans les
résultats sera le nombre de jours où le stress dépasse un certain seuil propre à chaque
type de stress (le stress devient donc une variable booléenne puisqu'un jour est considéré
comme "stressé" ou non). Ce seuil est estimé arbitrairement de manière à discriminer au
maximum les systèmes agricoles considérés (si le seuil est trop bas, les nombres de jours
considérés comme "stressés" seront très élevés et forts semblables, tandis que si le seuil
est trop haut, ces nombres seront très bas et également fort semblables). Les valeurs des
diérents seuils sont précisées par après.

Plus de détails par rapport à chaque stress étudié (hydrique, thermique et azoté) sont
11
disponibles dans l'Annexe B .

Alimentation

Le dernier critère de comparaison est l'alimentation. Il consiste à étudier les perfor-

mances alimentaires de la rotation, c'est-à-dire sa capacité à nourrir la population de
manière saine et auto-susante. Toute la méthodologie de ce critère est inspirée de De
Clerck et al. (2021), auquel le lecteur intéressé pourra se référer pour plus de détails.
Nous utilisons ici le procédé d'optimisation développé par le Prof. Dumont pour cette

11. Il existe dans le modèle STICS d'autres facteurs de stress hydrique, retardant l'émergence et le
développement, freinant la croissance racinaire ou foliaire ou encore accélérant la sénescence foliaire.
Néanmoins, par simplicité, nous ne développons pas ici ces autres facteurs de stress car leur importance
est moindre.
CHAPITRE 2. MATÉRIEL ET MÉTHODES 41

étude (codé en Matlab), qui se base sur l'algorithme d'optimisation Dierential Evolu-
tion Adaptive Metropolis (DREAM) (Vrugt et al., 2009). La démarche a été adaptée
pour prendre en entrées non plus les moyennes régionales mais les sorties du modèle.
Ce procédé consiste à optimiser l'utilisation alimentaire de la rotation selon les critères
de l'étude d'EAT-Lancet (Willett et al., 2019) : il prend en entrées les productions de
chaque rotation, qu'on a calculées dans ce travail avec le modèle STICS, et donne en
sorties les composantes d'un régime optimal, c'est-à-dire qui nourrit le plus de personnes
possibles tout en respectant les bornes dénies par EAT-Lancet pour chaque catégorie
d'aliments. Le processus d'optimisation a la liberté "d'importer" des produits agricoles,
qui ne sont pas produits par la rotation mais qu'il estime bénéque d'incorporer au régime
(c'est-à-dire qu'il peut par exemple juger optimal d'incorporer des pommes de terre pour
rajouter des calories au régime, même si la rotation n'en produit pas). Il est nalement
également possible de dénir des contraintes alimentaires supplémentaires dans le procédé
d'optimisation, en l'obligeant à atteindre un nombre journalier de calories. Par souci de
concision, nous ne considérons ici qu'un régime omnivore : ainsi, même pour la rotation
Vegan, le processus d'optimisation peut estimer bénéque d'utiliser des produits animaux
ou d'origine animale.

Le premier indicateur d'alimentation est le nombre de personnes nourries par la rotation.

C'est donc une autre manière de juger la productivité de la rotation, via le nombre de
calories produites. Le besoin d'une personne est xé à 2505 kcal par jour, comme établi
dans Willet et al. (2019).

Ensuite, le deuxième indicateur d'alimentation est la composition du régime optimal.

Celui-ci est séparé en 8 parties : les céréales, les tubercules, le lait, les viandes rouge
et blanche, les légumineuses, les huiles insaturées et les sucres ranés. Il n'y aura pas
lieu de juger un régime meilleur qu'un autre, puisque tous satisfont les contraintes de
Willett et al. (2019), mais il est intéressant de constater les diérences entre ces régimes
qu'impliquent les diérentes rotations.

Le troisième indicateur d'alimentation est l'auto-susance, jugée par les excès et décits
dans les produits alimentaires. En eet, puisque le processus d'optimisation d'utilisation
des rotations s'autorise "l'import-export" de produits, il est utile de constater quel est
le niveau d'auto-susance de la rotation pour produire l'alimentation. Bien entendu,
les commodités que sont fruits, légumes et noix sont nécessairement considérées comme
devant être importées.

Le dernier indicateur d'alimentation est la composition du troupeau nécessaire au ré-

gime optimal : on y compare quelle rotation soutient plutôt l'élevage de bovins, laitiers
ou allaitants, là où une autre favorisera par exemple les porcs, poulets et poules.
Chapitre 3
Résultats et discussions
Dans ce troisième chapitre, nous présentons les résultats obtenus et les discutons en
les mettant en perspective avec la littérature scientique. Ce chapitre est séparé en deux
parties principales : la première présente les performances des systèmes agricoles sous des
conditions climatiques actuelles, c'est-à-dire avec des conditions climatiques historiques
mesurées entre 1985 et 2009 ; la deuxième partie étudie l'évolution de ces performances
sous des conditions climatiques futures, prédites selon diérents scénarios climatiques
reconnus pour les périodes 2045-2069 et 2075-2099.

3.1 Performances des systèmes agricoles

Dans la première partie de ce chapitre, nous étudions les performances des systèmes
agricoles à travers quatre indicateurs : la productivité, la stabilité, l'environnement et la
diététique.

3.1.1 Productivité

Le premier critère de performance est la productivité. Un des objectifs de ce travail

est d'élargir le champ de comparaisons des systèmes agricoles pour prendre en compte
leurs externalités environnementales, leur adaptabilité au changement climatique et leurs
impacts alimentaires, mais il est naturel de commencer cette comparaison par la pro-
ductivité puisque le principal objectif d'un système agricole est de nourrir la population,
directement via la production de nourriture humaine ou indirectement via la production
de coproduits et fourrages.

Le cas particulier des intercultures et des prairies

Avant de parcourir les diérents indicateurs de productivité, il est nécessaire de préciser
comment sont pris en compte les intercultures et les prairies. Les intercultures, dans notre
cas des cultures de moutarde, ne sont pas prises en compte pour le calcul de la productivité
car elles ne sont pas récoltées : toute la biomasse produite est restituée au sol.

42
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 43

La Figure 3.1 illustre l'évolution des prairies d'une seule rotation. Conformément à
l'itinéraire technique (voir Figure A.3 de l'Annexe A), 5 fauches sont eectuées, n mai
et début septembre des deux années complètes ainsi qu'au début avril de l'Année 1,
juste avant le semis du maïs. 3 principales fractions de biomasse sont disponibles : (i) la
biomasse présente sur la plante à un instant donné, c'est-à-dire la biomasse aérienne totale,
également nommée matière sèche ; (ii) la biomasse considérée comme utile, c'est-à-dire la
fraction de la biomasse aérienne qui est non sénescente ; et (iii) la biomasse récoltable,
soit la biomasse utile de laquelle on a soustrait la fraction qui restera sur le terrain après
−1
la fauche (xée à 0.5 T ha dans le cadre de ce travail, après diérents essais dans le
but d'optimiser la quantité fauchée tout en laissant susamment pour que la végétation
reparte bien). On remarque sur la Figure 3.1 que la biomasse récoltable peut donc être
temporairement négative, si la biomasse utile est inférieure à la fraction qui doit rester
sur le terrain après la fauche, auquel cas il n'est pas possible d'eectuer une fauche à
1
ce moment-là . Nous considérerons donc seulement cette dernière variable, la biomasse
récoltable, dans les calculs de productivité des prairies.

-2
Jul 2007 Jan 2008 Jul 2008 Jan 2009 Jul 2009 Jan 2010 Jul 2010

Figure 3.1  Illustration de l'évolution des prairies avec celles de la 3ème rotation ICLS.

Rendement
Le premier indicateur composite de la productivité est le rendement, qui est composé
en premier lieu des rendements totaux. La Figure 3.2 compare les productions des trois
rotations à la fois en tonnes et en unités-céréales, en suivant ce concept introduit à la
Section 2.4 (voir Tableau C.2 de l'Annexe C pour les coecients des unités-céréales).

1. C'est pourquoi la fraction de biomasse devant rester sur le terrain après la fauche est xée à 0 T
ha−1 pour la dernière fauche.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 44

On peut voir sur la Figure 3.2 que la rotation BAU est celle qui produit la plus grande
masse de produits (en tonnes), avec respectivement 134% et 138% des quantités produites
par les rotations Vegan et ICLS, qui sont elles quasiment égales. Par contre, lorsque l'on
exprime la production en unités-céréales, c'est la rotation Vegan qui produit le plus (105%
et 119% des rotations BAU et ICLS) : la rotation BAU voit sa production relative diminuer
essentiellement à cause des betteraves et des pommes de terre qui ont une faible densité
énergétique. Le Tableau C.3 de l'Annexe C, qui compare les productivités obtenues avec
les moyennes wallonnes, nous permet de constater que les rendements obtenus sont proches
des chires réels de nos régions, mis à part pour la féverole et le pois qui ont des rendements
relativement faibles. Il convient de rappeler que ces cultures n'ont pas fait l'objet d'une
paramétrisation, faute de données.

Figure 3.2  Comparaison des productions des trois rotations. Le graphe du dessus
compare les productions exprimées en tonnes tandis que le graphe du dessous compare les
productions pondérées en unités-céréales. La production de chaque rotation est moyennée
par rapport aux trois rotations simulées sur la période 1985-2009.

La Figure 3.3 compare l'évolution de la masse des organes récoltés pour les trois rota-
tions (un agrandissement sur une seule rotation est disponible à l'Annexe C). On peut
notamment y constater certaines diérences dans les rendements de cultures similaires,
certaines rotations cultivant par exemple en même temps du froment d'hiver, du colza ou
de la féverole.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 45

20

15

10

0
1990 1995 2000 2005 2010

Figure 3.3  Comparaison des évolutions (en tonnes par hectare) des masses des organes
mafruit dans STICS) de chacun des systèmes agricoles. Agrandissement
récoltés (variable
à la Figure C.4 dans l'Annexe C.

Couverture végétale
Finalement, nous clôturons l'analyse vis-à-vis de la productivité en nous intéressant à
la couverture végétale, soit le Leaf Area Index (LAI), représenté sur la Figure 3.4 pour
une seule rotation. On peut voir que les pics de LAI sont relativement synchronisés.

10

0
1994 1995 1996 1997 1998 1999 2000 2001 2002

Figure 3.4  Couverture végétale des 3 systèmes sur une rotation (1994-2002)

On peut également comparer le degré de couverture du sol en sommant les périodes

2 2
de temps où le sol est quasiment à nu, c'est-à-dire où le LAI est inférieur à 0.3 m /m
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 46

(ce choix de la valeur 0.3 étant arbitraire mais basé sur la Figure 3.4 pour permettre une
meilleure diérentiation entre les systèmes agricoles). Il résulte que le système BAU a
un sol "découvert", sur trois rotations successives de 8 ans chacune, pendant 4122 jours
(soit 47.02% du temps), contre 3304 jours pour le système Vegan (37.69% du temps) et
2872 pour le système ICLS (32.76% du temps). Ces diérences s'expliquent par le fait que
les systèmes Vegan et ICLS privilégient les cultures d'hiver aux cultures de printemps et
qu'en plus, le système ICLS intègre également des prairies temporaires.

Or, on sait que la couverture végétale a un rôle crucial de protection contre l'érosion du
sol et contre le ruissellement des eaux. Les plantes limitent cette érosion en xant le sol
avec leurs racines, en réduisant l'impact des gouttes d'eau avec leur canopée et en servant
de barrière physique contre le ux des sédiments. Le ruissellement des eaux est quant à
lui également limité par cette barrière physique qui stoppe aussi le ux d'eau et par la
végétation qui intercepte les précipitations. Les racines des plantes aident également à
structurer le sol et à améliorer sa capacité d'inltration (Zuazo and Pleguezuelo, 2009).
Cette diérence en termes de couverture végétale entre les trois systèmes agricoles n'est
donc pas du tout négligeable : Gyssels et al. (2005) indiquent ainsi que l'érosion du sol
diminue de manière linéaire voire exponentielle (selon les modèles) lorsque la couverture
végétale augmente. Il est néanmoins important de rappeler que le degré de couverture
végétale établi sur toute la rotation dépend dans notre cas majoritairement des choix
d'ititinéraires techniques (cultures de printemps ou d'hiver, incorporation de prairies)
déterminés avant même la simulation des diérents systèmes.

3.1.2 Stabilité

Stock de carbone dans le sol

La Figure 3.5 compare l'évolution du stock de carbone dans la matière organique humi-
ée (rassemblant les fractions active et inerte) pour les trois systèmes agricoles sur trois
rotations successives, tandis que la Figure 3.6 montre l'évolution de ce stock de carbone
pour une seule rotation an de voir l'inuence de chaque culture. Tous les systèmes ont
été initialisés en 1985, début de la première rotation, avec les mêmes variables d'état
pédologiques, et démarrent donc avec le même stock de carbone.

On peut voir sur la Figure 3.5 que le système ICLS emmagasine beaucoup plus de
carbone que les autres, le système Vegan étant celui qui en stocke le moins. Les prairies
sont les principales responsables du stockage de carbone élevé du système ICLS.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 47

104
5.5

4.5

3.5

3
1990 1995 2000 2005 2010

Figure 3.5  Evolution du stock de carbone (C) dans la matière organique humiée
(fractions active et inerte) pour les trois systèmes sur trois rotations successives

On voit sur la Figure 3.6c que les prairies temporaires permettent de stocker environ
−1 −1 −1
1.5 t C ha entre 2008 et 2010, soit 0.75 t C ha an . Cela est en accord avec Soussana
et al. (2004) qui estiment que la conversion d'une culture en prairie permet de stocker en
−1 −1 −1 −1
moyenne 0.5 t C ha an , avec une fourchette de 0.3-0.8 t C ha an (Soussana et al.,
2004). Dans le cadre de ce travail, nous avons simulé des prairies constituées uniquement
de fétuque (pour les raisons invoquées à la Section 2.3.3), mais il serait intéressant de
simuler des prairies multi-espèces, qui séquestrent encore plus de carbone (Yang et al.,
2019).

On voit également sur la Figure 3.6a et surtout sur la Figure 3.6c que le stock de
carbone dans le sol augmente également beaucoup après l'épandage de fumier, ce qui
explique les mauvaises performances du système Vegan, ce dernier n'en utilisant pas.
Ceci est en accord avec la littérature scientique, la méta-analyse de Maillard et Angers
(2014) expliquant par exemple que le taux de carbone organique dans le sol est supérieur
lorsqu'il y a épandage de fumier, ceci étant dû à l'apport direct de carbone du fumier
mais également à l'apport indirect dû à l'augmentation de production primaire incluant
les racines et les résidus de culture (Maillard and Angers, 2014).

Mis à part les prairies et le fumier, il est dicile de distinguer l'inuence spécique
de chaque culture sur le stock de carbone dans le sol, ceci variant fort d'une année à
l'autre. On note néanmoins une légère augmentation de ce dernier après la destruction
des intercultures de moutarde, qui sont laissées au sol et suivies par un déchaumage.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 48

(a) Stock de carbone (C) dans la matière organique humiée pour la rotation BAU (2001-2009)
104
3.82

3.8

3.78

3.76

3.74

3.72
2002 2003 2004 2005 2006 2007 2008 2009

(b) Stock de carbone (C) dans la matière organique humiée pour la rotation Vegan (2001-2009)

(c) Stock de carbone (C) dans la matière organique humiée pour la rotation ICLS (2001-2009)
Figure 3.6  Inuence de chaque culture sur le stock de carbone dans la matière organique
humiée, pour chacun des systèmes agricoles
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 49

Stocks d'azote et d'eau dans le sol

La Figure 3.7 montre l'évolution du stock d'azote (NO3 ) dans le sol pour les trois
systèmes sur trois rotations successives. On y aperçoit directement les trois très importants
pics d'azote du système ICLS correspondant aux épandages de fumier ponctuels, ce qui
est la conséquence du choix de modélisation eectué de simuler les déjections ovines en
un unique épandage de fumier par rotation. On voit ainsi sur la Figure 3.7 que les pics
d'azote durent très peu de temps : le sol ne bénécie que peu de cet apport dont une
bonne partie est lixiviée. Ce choix de modélisation a été décidé par souci de simplicité
et de concision, mais comme on le verra également plus tard lors de l'étude des stress
azotés, il serait intéressant de tester diérentes modélisations avec d'autres modalités de
simulation des déjections ovines, par exemple en étalant celles-ci en plusieurs fois pour
homogénéiser le stock d'azote dans le sol.

500

400

300

200

100

0
1990 1995 2000 2005 2010

Figure 3.7  Evolution du stock d'azote (NO3 ) dans le sol pour les trois systèmes sur
trois rotations successives

La Figure 3.8 montre l'évolution du stock d'eau dans le sol pour les trois systèmes
(un agrandissement pour une seule rotation est disponible en Annexe C). Le principal
enseignement de la Figure 3.8 est qu'il n'y a pas de diérence majeure concernant le stock
d'eau dans le sol entre les trois systèmes et qu'il n'y a pas une culture qui se distingue
par sa consommation. On aperçoit néanmoins sur l'agrandissement de la Figure C.5 de
l'Annexe C que le stock d'eau dans le sol varie moins pour le système ICLS par rapport
aux deux autres systèmes.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 50

450

400

350

300

250

200

150
1990 1995 2000 2005 2010

Figure 3.8  Evolution du stock d'eau dans le sol (dans l'horizon 120 cm) pour les trois
systèmes sur trois rotations successives. Agrandissement à la Figure C.5 dans l'Annexe
C.

Stress hydrique et thermique

La Figure 3.9 représente l'inuence des stress hydrique et thermique pour chaque sys-
tème agricole et durant chacune des trois rotations successives. Cette inuence est ex-
primée en additionnant le nombre de jours durant lesquels le stress a été supérieur à un
2
certain seuil. Le stress hydrique représenté réduit l'ecacité d'utilisation de la radiation
(RUE, pour Radiation Use Eciency ) et la transpiration lorsqu'il n'y a pas assez d'eau
dans la zone racinaire : on a ici xé le seuil à 30%, c'est-à-dire qu'un jour est considéré
comme sous stress hydrique lorsque le modèle réduit de 30% la RUE et la transpiration
3
(voir Section 2.4 pour le processus de décision de ces seuils). Le stress thermique , quant
à lui, aecte également la RUE lorsque la température est trop basse ou trop élevée : le
seuil a ici été xé à 50%.

On peut voir sur la Figure 3.9 que le système ICLS est signicativement moins sensible
(p < 0.05) au stress hydrique que les deux autres systèmes, comme on pouvait s'y attendre
lors de l'étude de l'évolution du stock d'eau dans le sol. Les systèmes Vegan et BAU ne
sont quant à eux pas signicativement diérents (p > 0.1) même si le système Vegan a
toujours moins de jours considérés comme sous stress hydrique. On peut expliquer cette
hiérarchie en se rappelant que le système BAU est plus productif que le système Vegan

2. Il s'agit de la variable 1 − swf ac dans le modèle STICS. Voir Annexe B pour plus de détails.

3. Il s'agit de la variable 1 − f temp dans le modèle STICS. Voir Annexe B pour plus de détails.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 51

qui lui est plus productif que le système ICLS (Figure 3.2) : or, au plus un système est
productif, au plus il transpirera (via ses cultures) et donc au plus il prélèvera de l'eau,
induisant potentiellement un stress hydrique plus tard dans la saison. On peut également
noter que le stress hydrique est réparti de manière assez homogène entre les cultures de
chaque système, mais on peut quand même pointer les pommes de terre, le pois et le
maïs de la rotation BAU et les prairies de la rotation ICLS comme étant particulièrement
impactées par ce stress hydrique (voir Figure C.6 de l'Annexe C pour plus de détails).

En ce qui concerne le stress thermique, le système BAU est signicativement beaucoup

plus touché (p < 0.01) mais il n'y a pas de diérence signicative entre les systèmes
Vegan et ICLS (p > 0.1). Les cultures qui étaient particulièrement impactées par le stress
hydrique le sont également par le stress thermique : on pointe sur la Figure C.7 de l'Annexe
C le maïs, le pois et les pommes de terre du système BAU et le pois et les prairies du
système ICLS comme étant particulièrement impactées par le stress thermique.

Figure 3.9  Inuence des stress hydrique (par insusance d'eau) et thermique (par
température insusante ou excessive). La gure indique, pour chaque système agricole et
durant chacune des trois rotations successives, le nombre de jours durant lesquels le stress
a été supérieur à un certain seuil (respectivement 30% et 50% pour les stress hydrique et
thermique).

Stress azoté
La Figure 3.10 représente l'inuence du stress azoté pour chaque système agricole et
durant chacune des trois rotations successives. Comme pour les autres stress, on a ici
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 52

4
représenté le nombre de jours où le stress était supérieur au seuil de 30%. On aperçoit
directement que le système ICLS subit beaucoup plus l'inuence du stress azoté, avec une
diérence très signicative (p < 0.01). Cela est en très grande partie dû aux prairies, qui
subissent un stress azoté d'au moins 30% plus de 58% du temps. Cela est une conséquence
du choix de ne pas leur fournir de fertilisation azotée minérale, et de concentrer l'apport
des déjections ovines en un seul épandage qui a lieu en Année 4 de la rotation : il n'y a
donc plus assez d'azote pour les prairies. D'autres modalités de simulation ont été testées,
notamment de séparer cet apport de fumier simulant les déjections en deux parties, une
partie étant épandue juste avant le semis de la prairie : cela réduisait le stress azoté de
cette dernière, mais ce stress restait conséquent. Comme cela sera discuté par la suite,
il a été décidé de ne pas chercher à optimiser les itinéraires techniques dans le cadre de
ce travail, ceci pouvant donner lieu à d'autres longues discussions sur l'inuence de telle
modalité de travail du sol, fertilisation, semis, etc., mais une telle étude constitue donc
une piste de réexion intéressante.

Il y a une faible diérence dans l'inuence du stress azoté entre les systèmes BAU
et Vegan, ce dernier étant toujours un peu plus stressé, mais cette diérence n'est pas
signicative (p = 0.08). Mis à part les prairies, les stress azotés sont assez partagés entre
les diérentes cultures (voir Figure C.8 de l'Annexe C pour plus de détails).

Figure 3.10  Inuence du stress azoté. La gure indique, pour chaque système agricole
et durant chacune des trois rotations successives, le nombre de jours durant lesquels le
stress a été supérieur au seuil de 30%.

4. Il s'agit de la variable 1 − inns dans le modèle STICS. Voir Annexe B pour plus de détails.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 53

Rendements de froments d'hiver

On termine cette analyse de la stabilité par une comparaison des rendements de froment
d'hiver, qui ont été volontairement placés en Années 2 et 4 de chacune des rotations an
qu'ils soient soumis au même climat. Les itinéraires techniques de ces froments d'hiver
sont également identiques pour chacune des rotations, et la diérence entre les rendements
s'expliquera donc par l'état et la richesse du sol qui varie en fonction des antécédents
culturaux.

La Figure 3.11 compare ces rendements de froment d'hiver pour trois rotations succes-
sives sur la période 1985-2009. Aucune diérence signicative systématique (chacun des
6 froments tenant lieu de répétition) n'a été relevée entre les trois systèmes (p  0.1),
mais il semble que, de manière générale, les rendements du système BAU sont un peu plus
élevés. On peut néanmoins voir sur la Figure 3.12 que la variabilité des rendements du
système BAU est également un peu plus élevée, surtout lorsque l'on considère la matière
sèche : ceci semble indiquer, même si à nouveau cela n'est pas statistiquement signicatif,
que le système plus "spécialisé" BAU est plus performant mais également plus sensible
aux aléas climatiques.

20

10

0
Jul 1986 Jan 1987 Jul 1987 Jan 1988 Jul 1988 Jan 1989 Jul 1989 Jan 1990

20
10
0
Jul 1994 Jan 1995 Jul 1995 Jan 1996 Jul 1996 Jan 1997 Jul 1997 Jan 1998

20

0
Jul 2002 Jan 2003 Jul 2003 Jan 2004 Jul 2004 Jan 2005 Jul 2005 Jan 2006

Figure 3.11  Comparaison des rendements des froments d'hiver en Années 2 et 4 de

chacune des rotations sur la période 1985-2009.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 54

Figure 3.12  Distribution des rendements de froment d'hiver pour chacun des systèmes
agricoles. Pour chaque système sont recensés 6 rendements (en Années 2 et 4 de chacune
des trois rotations successives).

An d'essayer de constater quelles sont les variables d'état inuant sur ces rendements
de froment d'hiver, la Figure 3.13 compare l'évolution de certaines de ces variables d'état
avec l'évolution du rendement. Sur la Figure 3.13b sont représentés le stock d'eau dans le
sol et le stress hydrique (voir précédemment et Annexe B pour plus de détails). Ce stress
hydrique réduit l'ecacité d'utilisation de la radiation (RUE, Radiation Use Eciency ) et
la transpiration. Sur les Figures 3.13c et 3.13d sont respectivement représentés les stocks
de carbone et d'azote dans le sol.

Nielsen et Halvorson (1991) indiquent que la disponibilité en eau dans le sol et la fer-
tilité azotée sont les principaux facteurs limitant le rendement du froment d'hiver, mais
expliquent qu'ils sont fortement liés : une meilleure fertilité azotée peut stimuler la crois-
sance racinaire, augmentant la quantité d'eau dans le sol disponible pour la plante et
réduisant donc son potentiel stress hydrique. Cependant, une plus grande fertilité azo-
tée augmente également la biomasse aérienne de la plante et donc sa transpiration : on
constate ainsi qu'un équilibre doit être établi entre les stocks d'eau et d'azote dans le sol
pour limiter les stress et garantir un bon rendement nal (Nielsen and Halvorson, 1991).

Dans notre cas, la variable critique est le stock d'azote dans le sol. En eet, on voit sur
la Figure 3.13 qu'en 2003, le système ICLS subit moins le stress hydrique et a un stock de
carbone dans le sol plus élevé, mais performe moins bien en ce qui concerne le rendement.
Il est fort probable que c'est le stock d'azote dans le sol, plus faible que pour le système
Vegan, qui l'a pénalisé. On peut tirer les mêmes conclusions de la saison culturale 2004-
2005 : le système ICLS a là un meilleur stock d'azote dans le sol que le système Vegan,
et obtient donc un rendement plus élevé. Pour les deux saisons, c'est le système BAU
qui obtient les meilleurs rendements, malgré le fait qu'il semble légèrement plus subir le
stress hydrique. On peut donc supposer que la disponibilité en eau était toujours susante
pour soutenir les niveaux d'azote dans le sol présents, rendant ce dernier facteur le plus
limitant.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 55

35

30

25

20

15

10

0
Jan 2003 Jul 2003 Jan 2004 Jul 2004 Jan 2005 Jul 2005

(a) Rendements des froments d'hiver pour la 3ème rotation

successive
320 1

300
0.8
280

0.6
260

240
0.4

220
0.2
200

180 0
Jan 2003 Jul 2003 Jan 2004 Jul 2004 Jan 2005 Jul 2005

(b) Stock d'eau dans le sol (en traits pleins) et stress hy-
drique (en pointillés ; 0 = stress nul, 1 = stress maximal)
104
5

4.8

4.6

4.4

4.2

3.8

3.6
Jan 2003 Jul 2003 Jan 2004 Jul 2004 Jan 2005 Jul 2005

(c) Stock de carbone dans le sol

200

150

100

50

0
Jan 2003 Jul 2003 Jan 2004 Jul 2004 Jan 2005 Jul 2005

(d) Stock d'azote dans le sol

Figure 3.13  Comparaison des rendements de froment d'hiver en lien avec les stocks
d'eau, de carbone et d'azote dans le sol pour la période de temps englobant les froments
d'hiver de la 3ème rotation successive (2002-2005)
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 56

3.1.3 Environnement

La Figure 3.14 compare les émissions de CO2 et N2 O liées aux trois rotations, avec une
diérentiation des émissions liées à chaque Unité de Simulation (associée à une culture
ou une prairie).

Les émissions de CO2 liées aux prairies de la rotation ICLS sont particulièrement éle-
vées. Les chires sont néanmoins cohérents avec la littérature scientique : Langeveld et
al. (1997) ont estimé expérimentalement les émissions nettes de CO2 d'une prairie néer-
3
landaise à (11 ± 3) × 10 kg par hectare par an (Langeveld et al., 1997). Sur la Figure 3.14,
5
ce chire doit être comparé avec les émissions de la deuxième Unité de Simulation , qui
dure exactement 1 an. Les émissions de CO2 liées à cette deuxième Unité de Simulation
3
sont de 9.538 × 10 kg par hectare par an, ce qui est donc cohérent avec les résultats de
Langeveld et al. (1997). Sur la Figure 3.14, les émissions de N2 O annuelles liées à une
prairie (deuxième Unité de Simulation) sont en moyenne (sur les trois rotations ICLS suc-
−1
cessives) de 0.9367 kg ha : cela est en deçà d'une estimation de Soussana et al. (2007)
−1 −1
qui indiquent une émission moyenne liée aux prairies de 2 kg N2 O ha an (Soussana
et al., 2007). Cette valeur assez basse peut s'expliquer par le fait que la fertilisation azo-
6
tée est nulle et que les émissions de N2 O liées aux prairies dépendent principalement de
celle-ci (Lemaire et al., 2016).

Il aurait été possible de valider tous ces chires en les comparant à la littérature scienti-
que. Cela ne poserait pas de diculté particulière mais sortirait des limites de ce travail.
Nous ne comparons donc pas ici les chires de manière absolue mais de manière relative,
entre les systèmes agricoles et entre les périodes temporelles évaluées (changement clima-
tique). Cela est pertinent puisque le même modèle est utilisé, et que donc son biais (s'il y
7
en a) peut être estimé constant .

On voit sur la Figure 3.14 que les émissions cumulées de CO2 du système ICLS sont
signicativement plus élevées (p < 0.01 quand on compare répétition par répétition et
non pas les moyennes) que celles des systèmes BAU et Vegan, qui eux ne présentent pas
de diérence signicative (p  0.05). Il n'y a par contre aucune diérence signicative
(p  0.05) entre les systèmes pour les émissions cumulées de N2 O.

5. La première Unité de Simulation liée aux prairies ne dure que quelques mois et la troisième dure
16 mois.

6. Pour rappel, toutes les déjections ovines sont simulées par un apport de fumier juste avant la culture
de colza (voir l'itinéraire technique en Annexe A).

7. Cette hypothèse est néanmoins quelque peu simplicatrice, le biais pouvant dépendre de très nom-
breux paramètres comme le type de culture, le travail du sol, la couverture végétale, etc.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 57

Mis à part les prairies déjà évoquées, aucune culture n'émet particulièrement beaucoup
plus de gaz à eet de serre que les autres. On note que les émissions de N2 O liées au
colza du système ICLS sont assez conséquentes, mais cela est directement dû au fait que
l'apport de matière organique simulant le pâturage de toute la rotation est eectué juste
avant le semis de cette culture (voir Annexe A).

Figure 3.14  Comparaison des émissions de CO2 et N2 O liées aux trois rotations. Les
émissions de chaque rotation sont exprimées en kilogrammes par hectare et sont moyennées
par rapport aux trois rotations simulées sur la période 1985-2009.

3.1.4 Alimentation

La Figure 3.15 compare les performances alimentaires des trois systèmes agricoles via la
répartition des calories dans un régime alimentaire optimisé à partir de leurs productions
(voir Section 2.4 pour la méthodologie) et via le nombre de personnes nourries à travers
ce régime. Le Tableau 3.1 indique la composition du troupeau nécessaire pour le régime
optimal.

On peut voir que le système BAU est celui qui nourrit le plus de personnes, avec près de
25 personnes nourries par hectare par an, contre 23 personnes pour le système Vegan et
14 pour le système ICLS. Dans les systèmes BAU et Vegan, plus de la moitié des calories
sont fournies par des céréales, tandis que le système BAU prote également beaucoup
de sa production de pommes de terre, très énergétiques. Le système ICLS fournit lui un
régime plus "équilibré", avec beaucoup de lait fourni par les vaches laitières nourries par
les prairies.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 58

Figure 3.15  Comparaison des performances alimentaires des systèmes agricoles, via la
répartition des calories dans un régime alimentaire optimisé à partir de leurs productions
et via le nombre de personnes nourries (par hectare et par an) à travers ce régime

Les trois régimes optimaux sont néanmoins composés de produits animaux : on voit
dans le Tableau 3.1 que le système ICLS favorise les ruminants (ce qui s'explique évi-
demment par la présence des prairies) et que le système Vegan favorise les porcs, tous les
systèmes ayant en commun d'utiliser beaucoup de poulets. Il est intéressant de constater
que le système Vegan utilise également énormément de poules an d'obtenir des oeufs : les
trois systèmes n'utilisent donc pas du tout les mêmes proportions poulets/oeufs, contrai-
rement à l'étude de De Clerck et al. (2021) dans laquelle les rotations étudiées favorisaient
majoritairement les poulets, le modèle considérant alors qu'il était plus ecient d'utiliser
l'énergie capturée par la biomasse des cultures pour produire de la viande plutôt que des
oeufs (De Clerck et al., 2021).

De plus, l'incorporation d'animaux au sein du système décidée systématiquement par

le modèle, même pour le système Vegan dont les cultures sont a priori pensées dans le
but de se passer de l'élevage, interroge sur la pertinence agronomique et environnementale
(sans entrer dans des questions d'éthique) de ce choix.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 59

Composition Système Système Système

du troupeau BAU Vegan ICLS
Vaches laitières 3.2 0.7 3.4
Boeufs laitiers 2.1 0.4 2.3
Agneaux 0 0.1 3.6
Porcs 0 15.7 2.3
Boeufs viandeux 0 0 1.3
Poulets 197.6 377.3 372.9
Poules 0 123.9 1.8

Table 3.1  Composition du troupeau pour le régime alimentaire optimal des trois sys-
tèmes

2000

1500

1000

500

-500
BAU Vegan ICLS

Figure 3.16  Excès et décits dans les produits d'alimentation humaine et animale
dans les trois régimes alimentaires optimisés à partir des productions de chaque système
agricole

La Figure 3.16 montre les excès et décits dans les produits d'alimentation humaine
et animale dans les trois régimes alimentaires optimaux. C'est là que la diérence est
la plus fragrante : le système BAU produit en larges excès mais nécessite également le
plus d'importations, manquant notamment d'oléagineux et de fourrage. C'est par contre
le seul système en excès de sucres ranés, grâce à la présence des betteraves, là où les
autres systèmes sont en décit. La tendance est identique pour le système Vegan, qui doit
par exemple importer des tubercules pour leur apport énergétique. A l'inverse, le système
ICLS est extrêmement stable : il ne produit que très peu en excès, mais ne nécessite
également que très peu d'importations. C'est donc ce système qui est le plus auto-susant,
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 60

arrivant le mieux à valoriser ses productions. Les animaux composant son troupeau, plus
nombreux (en termes d'UGB), et principalement les ruminants, sont à même de convertir
les coproduits non comestibles pour l'humain en lait et viande principalement, en accord
avec De Clerck et al. (2021). Dans un monde où l'on veut recentrer le système alimentaire
et diminuer la part des transports de marchandises, le système ICLS apparaît de ce point
de vue-là comme le plus optimal.

3.2 Evolution future des systèmes agricoles

Dans la deuxième partie de ce chapitre, nous étudions l'évolution des systèmes agri-
coles sous des conditions climatiques futures, prédites selon les deux scénarios climatiques
reconnus RCP4.5 et RCP8.5 (voir Section 2.4) pour les périodes de temps 2045-2069 et
2075-2099.

3.2.1 Evolution des indicateurs de productivité

La Figure 3.17 montre l'évolution de la production (en tonnes à l'hectare) des trois
systèmes sous diérents horizons temporels et diérents scénarios climatiques. Le Tableau
C.4 de l'Annexe C reprend toutes les productivités (exprimées en masse fraîche) pour
chacune des cultures de chaque rotation et pour chaque scénario climatique.

La tendance générale, valable pour chacun des systèmes agricoles, est que leur produc-
tion totale augmentera d'ici à la n du siècle. Cela s'explique principalement par l'eet
fertilisant du CO2 : des concentrations atmosphériques élevées de CO2 augmentent la pho-
tosynthèse et l'ecacité d'utilisation de l'eau ( water use eciency ) par la plante (IPCC,
2013).

Comme expliqué dans la Section 2.3, cet eet est pris en compte par le modèle STICS
FCO2 , augmentant l'ecacité d'utilisation de la radiation en fonction de la
via le facteur
concentration en CO2 . Nous avons vu à la Section 1.4 que les plantes, en fonction de leur
nombre d'atomes de carbone permettant de xer le CO2 de l'atmosphère, réagissent dié-
remment à une augmentation de la concentration de celui-ci (Seguin, 2010). Les plantes en
C3 voient leur ecacité d'utilisation de la radiation augmenter plus que celle des plantes
en C4 , ce qui est traduit dans le modèle par les valeurs du facteur FCO2 plus élevées pour
les plantes en C3 . Ces valeurs sont reprises dans le Tableau C.5 de l'Annexe C, selon les
périodes de temps et scénarios climatiques considérés et pour deux plantes diérentes : le
maïs, qui est une plante en C4 , et le froment d'hiver, qui est une plante en C3 .

On peut ainsi voir sur la Figure 3.17a que la betterave, plante en C3 , voit sa pro-
ductivité augmenter. Au contraire, le froment d'hiver, également plante en C3 , voit sa
productivité stagner, tandis que celle du maïs, plante enC4 , augmente, surtout dans les
scénarios RCP8.5 : ces deux derniers résultats sont quelque peu contraires à l'hypothèse
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 61

C3 /C4 précédemment expliquée, hypothèse qui était par exemple également énoncée par
l'étude de de Ridder et al. (2020) évoquée à la Section 1.4 de l'Etat de l'art qui dit que
"des cultures comme le maïs bénécient beaucoup moins de l'eet fertilisant du CO2 car
elles fonctionnent déjà avec une ecacité maximale sous les concentrations de CO2 ac-
tuelles " (De Ridder et al., 2020). On peut donc supposer que le maïs a simplement mieux
valorisé d'autres aspects environnementaux, via par exemple une meilleure résistance au
stress hydrique. Le froment d'hiver, quant à lui, peut avoir été impacté négativement
par les sécheresses printanières mais positivement par l'augmentation des températures
hivernales.

La relative stagnation de la productivité du froment d'hiver a bien entendu un eet

général beaucoup plus important sur la rotation Vegan, qui voit revenir cette culture tous
les deux ans. Ce système agricole, qui ne contient que des cultures d'hiver, n'est donc que
peu impacté par le changement climatique, comme indiqué sur la Figure 3.17b.

On voit nalement sur la Figure 3.17c que la productivité générale du système ICLS
augmente. Cela est principalement dû à l'augmentation de la productivité du maïs et des
prairies : une augmentation de la productivité de ces dernières est également notamment
prédite par Fuhrer (2003), qui synthétise des études prédisant des augmentations de la
production de biomasse de 8 à 30% (dépendant des espèces végétales de la prairie) face à
une augmentation de la concentration en CO2 (Fuhrer, 2003).

Les trois systèmes BAU, Vegan et ICLS connaissent donc une augmentation de leur
productivité totale de respectivement 17%, 12% et 14% pour les années 2045-2069 (deux
scénarios confondus) et de respectivement 25%, 11% et 29% pour les années 2075-2099
(deux scénarios confondus). Cette tendance indiquant des rendements à la hausse est
donc en accord avec de nombreuses études détaillées dans la Section 1.4 de l'état de l'art,
comme Kang et al. (2009) ou Iglesias et al. (2012).

Ces résultats sont par contre bien plus positifs que Gobin (2010), qui prédit en Belgique,
selon 3 scénarios climatiques diérents, pour la période 2070-2100 par rapport à la période
1960-1989, une diminution du rendement de betteraves sucrières de 12 à 27% (contre,
dans notre cas, une augmentation de 41% pour la période 2075-2099 (RCP4.5)), une
diminution de 23 à 44% pour les pommes de terre principalement due aux sécheresses et
vagues de chaleur (contre, dans notre cas, une diminution de 10% pour la période 2075-
2099 (RCP4.5)), et une augmentation de 2 à 7% pour le froment d'hiver due notamment à
l'augmentation des températures qui permettent une maturité des céréales plus précoce, et
donc une meilleure résilience durant la oraison face aux sécheresses et stress thermiques
(contre, dans notre cas, une augmentation de 21% pour la période 2075-2099 (RCP4.5)
pour le système BAU) (Gobin, 2010). Il est néanmoins très important de préciser que
Gobin (2010) ne prend pas en compte l'eet fertilisant du CO2 , ce qui explique que les
résultats de ce travail sont bien plus positifs que ceux de Gobin (2010).
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 62

(a) Evolution de la production du système BAU sous diérents horizons temporels et diérents
scénarios climatiques

(b) Evolution de la production du système Vegan sous diérents horizons temporels et diérents
scénarios climatiques

(c) Evolution de la production du système ICLS sous diérents horizons temporels et diérents
scénarios climatiques
Figure 3.17  Evolution de la production (en tonnes à l'hectare) des trois systèmes
sous diérents horizons temporels et diérents scénarios climatiques. On représente ici les
productions pour une rotation de 8 ans, qui constituent la moyenne des productions des
trois rotations simulées sur la période de 24 ans.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 63

3.2.2 Evolution des indicateurs de stabilité

Stress hydrique, thermique et azoté

La Figure 3.18 montre l'évolution de l'inuence du stress hydrique avec le changement
climatique sur les trois systèmes pour chacune des trois rotations successives. On peut voir
que, pour les systèmes BAU et Vegan, le stress hydrique devient globalement moins in-
uent sous les scénarios climatiques futurs. Ce résultat peut s'expliquer par le fait qu'avec
plus de CO2 dans l'atmosphère, l'ecacité d'utilisation de l'eau ( water-use eciency ),
dénie comme le carbone gagné par la plante via la photosynthèse par unité d'eau perdue
via la transpiration (Lavergne et al., 2019), augmente également : pour une molécule d'eau
transpirée, la plante absorbera plus de CO2 et produira donc plus de biomasse, satisfai-
sant ainsi son potentiel en consommant moins d'eau. Ces résultats sont donc très positifs
par rapport à la littérature scientique qui met en garde contre le risque élevé de stress
hydrique à l'avenir, en particulier dans les régions (sub)tropicales et méditerranéennes
(IPCC, 2019; World Health Organization et al., 2018; Rosenzweig et al., 2014; Iglesias
et al., 2012; Zhao et al., 2017).

A contrario, pour le système ICLS, le stress hydrique devient de plus en plus inuent
avec le changement climatique : les prairies sont les plus touchées, ainsi que le maïs dans
une moindre envergure. La vulnérabilité des prairies au stress hydrique est par exemple
également prédite par Grant et al. (2014), qui conclut par expérimentation qu'une augmen-
tation de la variabilité des précipitations diminuait le rendement d'une prairie tempérée
(d'environ 19%) mais augmentait la qualité du fourrage (plus haut taux de protéine brute
et plus faible contenu en bres) (Grant et al., 2014).

La même tendance s'observe pour le stress thermique, dont l'évolution est représentée
sur la Figure 3.19 : pour tous les systèmes agricoles, celui-ci tend à diminuer de plus
en plus, et cela encore plus pour le scénario RCP8.5. Pour rappel, ce stress thermique
impacte l'ecacité d'utilisation de la radiation (RUE). Ce stress thermique est déni
dans STICS comme étant nul entre deux seuils de température, mais inuent en-dessous
d'une température critique Tmin et au-dessus d'une autre température critique Tmax (voir
Annexe B), chaque température critique étant propre à chaque culture : ceci modélise le
fait que des températures excessivement basses et excessivement hautes peuvent toutes
deux aecter négativement la RUE (Bat-Oyun et al., 2012). On peut donc supposer que
dans notre cas, le changement climatique ne fait pas passer la température beaucoup
plus souvent au-dessus de Tmax , mais que par contre celle-ci passe plus souvent au-dessus
de Tmin , réduisant ainsi le stress thermique dû à une température trop basse. Ceci peut
s'expliquer par le fait qu'avec de plus hautes températures, la croissance peut être plus
précoce, permettant d'atteindre plus rapidement un LAI maximal et résultant ainsi en une
plus haute interception de radiation solaire et donc en une plus grande RUE (ur Rahman
et al., 2021).
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 64

Figure 3.18  Evolution de l'inuence du stress hydrique avec le changement climatique

sur les trois systèmes pour trois rotations successives

Figure 3.19  Evolution de l'inuence du stress thermique avec le changement climatique

sur les trois systèmes pour trois rotations successives. Il est important de noter que les
échelles sont diérentes entre les sous-graphiques.

La Figure 3.20 représente l'évolution de l'inuence du stress azoté. Ici, le résultat est
plus nuancé : on assiste plutôt à une augmentation de ce stress dans les futures années,
encore plus pour le scénario "pessimiste" RCP8.5. Ceci peut s'expliquer par le fait qu'une
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 65

augmentation de la biomasse, constatée à la Figure 3.17, mène à une augmentation des be-
soins en azote. Or, les intrants en azote (fertilisation azotée de synthèse, fumier, déjections
ovines) n'ont pas augmenté, ce qui explique l'augmentation du stress azoté.

Figure 3.20  Evolution de l'inuence du stress azoté avec le changement climatique

sur les trois systèmes pour trois rotations successives. Il est important de noter que les
échelles sont diérentes entre les sous-graphiques.

Stocks d'eau et de carbone dans le sol

La Figure 3.21 représente l'évolution du stock d'eau dans le sol avec le changement
climatique. L'information principale qu'on peut tirer de cette gure est qu'il n'y a pas
d'évolution signicative (p  0.1) : cela montre que la capacité de rétention d'eau est ici
susante pour réussir à absorber les pluies qui seront, à l'avenir et donc dans les scénarios
climatiques considérés, tout aussi abondantes mais plus rassemblées. Il faut rappeler que
nous ne considérons pas de changement des caractéristiques du sol dans les scénarios
climatiques, et que nous gardons donc un sol limoneux (voir Section 2.2) de très bonne
qualité, caractéristique de la Hesbaye.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 66

Figure 3.21  Evolution du stock d'eau dans le sol avec le changement climatique sur les
trois systèmes. Pour chacune des 5 périodes temporelles liées à un scénario climatique, le
chier d'initialisation est identique, c'est-à-dire que la période de 24 ans démarre avec le
même stock d'eau dans le sol.

La Figure 3.22 montre l'évolution du stock de carbone dans la matière organique hu-
miée avec le changement climatique sur les trois systèmes agricoles. On observe globa-
lement une diminution de ce stock de carbone (p < 0.01 au sein de chaque système entre
les périodes 1985-2009 et 2075-2099 (les deux scénarios RCP confondus)), de plus en plus
marquée lorsqu'on se projette loin dans le temps et pour le scénario "pessimiste" RCP8.5,
ainsi qu'une augmentation de la variabilité, en particulier pour le système ICLS. Ceci peut
s'expliquer par le fait que de plus hautes températures (présentes dans les scénarios cli-
matiques futurs) entraînent une augmentation de l'activité des micro-organismes et donc
accélèrent la minéralisation de la matière organique. Ce résultat est conforme avec Jones
et al. (2005), qui prédisent grâce à la modélisation une diminution des stocks mondiaux de
carbone dans le sol à l'horizon 2100, en expliquant que le taux de décomposition de la ma-
tière organique augmente avec les températures (Jones et al., 2005). Davidson et Janssens
(2006) nuancent toutefois cette explication en développant plusieurs contraintes environ-
nementales à la décomposition de la matière organique qui obscurcissent la sensibilité de
cette décomposition face aux températures (Davidson and Janssens, 2006).

Cette diminution globale du stock de carbone dans le sol est néanmoins atténuée dans
notre cas par l'augmentation des rendements culturaux, et principalement par celle de
la moutarde (voir Tableau C.4 de l'Annexe C) qui est systématiquement détruite, laissée
au sol et suivie par un déchaumage. Cela souligne l'importance des intercultures dans les
systèmes de culture.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 67

Figure 3.22  Evolution du stock de carbone dans la matière organique humiée avec
le changement climatique sur les trois systèmes. Pour chacune des 5 périodes temporelles
liées à un scénario climatique, le chier d'initialisation est identique, c'est-à-dire que la
période de 24 ans démarre avec le même stock de carbone.

3.2.3 Evolution des indicateurs environnementaux

Les Figures 3.23 et 3.24 montrent respectivement l'évolution des émissions de CO2 et de
N2 O avec le changement climatique pour les trois systèmes. On peut voir que, mis à part
pour les émissions de CO2 du système ICLS où les résultats sont plus nuancés, on assiste à
une augmentation globale des émissions de gaz à eet de serre sous les futures conditions
climatiques, encore plus marquée pour le scénario RCP8.5 par rapport au scénario RCP4.5.
Ce résultat est en accord avec les hypothèses de rétro-action "positives" (au sens physique
du terme) selon lesquelles les conséquences du changement climatique vont accentuer
celui-ci (IPCC, 2013; IPCC, 2019). Il est néanmoins fort probable que ce résultat, surtout
en ce qui concerne les émissions de CO2 , est en grande partie dû à l'augmentation des
rendements constatée à la Section 3.2.1 : si on met les deux en perspective, on note, entre
les périodes 1985-2009 et 2075-2099 (RCP8.5) et pour les systèmes BAU, Vegan et ICLS,
un changement des émissions de CO2 liées à une rotation de respectivement +20.25%,
+20.58% et -6.53% contre un changement des rendements de respectivement +30.92%,
+12.13% et +40.19%. On voit ainsi que l'augmentation des rendements est supérieure à
l'augmentation des émissions de CO2 , et également que le système ICLS est, de ce point
de vue-là, celui qui s'adapte le mieux au changement climatique puisqu'il augmente le
plus ses rendements tout en diminuant ses émissions de CO2 .
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 68

Figure 3.23  Evolution des émissions de CO2 avec le changement climatique pour les
trois systèmes. Il est important de noter que l'échelle du graphique pour le système ICLS
n'est pas identique aux deux autres.

Figure 3.24  Evolution des émissions de N2 O avec le changement climatique pour les
trois systèmes.

3.2.4 Evolution des indicateurs alimentaires

La Figure 3.25 montre l'évolution du nombre de personnes nourries par chaque système
agricole face au changement climatique. On peut voir que, de pair avec l'augmentation
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 69

globale des rendements constatée à la Section 3.2.1, ce nombre de personnes nourries

augmente : les rotations BAU, Vegan et ICLS nourrissent respectivement 30.55%, 10.64%
et 11.93% personnes de plus par hectare et par an en 2075-2099 (RCP8.5) par rapport à la
période 1985-2009. Il n'y a par contre que peu de diérences entre les scénarios climatiques
RCP4.5 et RCP8.5.

Figure 3.25  Evolution avec le changement climatique du nombre de personnes nourries

(par hectare et par an) par les trois systèmes, calculées avec le processus d'optimisation
d'utilisation alimentaire de la rotation. Il est important de noter que les échelles sont
diérentes entre les deux premiers sous-graphiques et le troisième.

Nous n'étudions pas ici l'évolution avec le changement climatique des autres indicateurs
alimentaires car ceux-ci ne varient que très peu : la composition des repas "optimaux"
reste fort semblable, puisque les rendements augmentent de manière assez semblable, et
les excès et décits dans les produits alimentaires, caractérisant l'auto-susance, gardent
les mêmes proportions mais en augmentant de manière absolue (voir Figure C.9 dans
l'Annexe C). Pour la composition du troupeau "optimal" associé au régime optimisé, il
est intéressant néanmoins de constater que pour la période 2075-2099 (RCP8.5), le système
ICLS privilégie encore plus les ruminants, remplaçant une bonne partie des poulets par
des agneaux (voir Tableau C.6 de l'Annexe C par rapport au Tableau 3.1) : ceci s'explique
facilement par le résultat constaté à la Section 3.2.1 selon lequel la productivité des prairies
a augmenté beaucoup plus que les autres cultures du système ICLS.
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 70

3.3 Synthèse comparative multi-critères

Dans cette dernière section, nous résumons les principales performances agronomiques,
environnementales et alimentaires des trois systèmes agricoles considérés dans le cadre de
ce travail.

3.3.1 Conditions climatiques actuelles

La Figure 3.26 compare ces performances sous des conditions climatiques historiques
récentes, pour la période 1985-2009. La méthodologie de calcul des diérents critères est
explicitée dans le Tableau C.7 de l'Annexe C : le principe général est que ces critères
sont relatifs, c'est-à-dire que chaque critère est divisé par la moyenne des notes obtenues
(rendant les critères adimensionnels). Les notations sont également conçues de sorte à ce
que les meilleures performances (haut rendement, résistance au stress, moins d'émissions
de gaz à eet de serre, etc.) se voient attribuer les plus hautes notes (à "l'extérieur" du
graphique).

Figure 3.26  Comparaison multi-critères des performances agronomiques, environne-

mentales et alimentaires des systèmes agricoles pour la période 1985-2009. Les axes sont
sans unités, chaque critère étant divisé par la moyenne des notes obtenues, mais les
notations sont conçues de sorte à ce que les meilleures performances (haut rendement,
résistance au stress, etc.) se voient attribuer les plus hautes notes (à "l'extérieur" du
graphique).

On peut voir sur la Figure 3.26 que le système BAU est relativement assez productif :
il permet de nourrir plus de personnes, obtient des meilleurs rendements de froments
d'hiver et un bon rendement total (exprimé en unités-céréales). Il subit également très
peu de stress azoté, notamment grâce à l'apport de fumier réalisé en début de rotation
et aux fertilisations azotées très régulières. Le régime découlant du système BAU est par
contre très peu auto-susant, reposant largement sur de larges imports (et exports) de
produits agricoles, témoignant pertinemment du système alimentaire industriel dominant
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 71

qui repose sur le transport et la transformation des marchandises qui font s'envoler les
"kilomètre-assiettes" de nos aliments ( food miles ), au sens large de ce terme qui inclut à
la fois distance physique et nombre d'intermédiaires (Frison et al., 2016; Schnell, 2013).

L'auto-susance est le point fort principal du système ICLS, qui importe et exporte
extrêmement peu pour orir un régime alimentaire de qualité. Il est également très ré-
sistant au stress hydrique et stocke énormément de carbone dans le sol par rapport aux
deux autres systèmes, ceci étant principalement dû à ses prairies. Il subit un peu plus le
stress azoté mais cela est dû en très grande partie aux prairies, dont la fertilisation azotée
(inexistante) pourrait être optimisée : on notera ainsi que c'est la rotation ICLS qui utilise
−1
le moins de fertilisants azotés (680 kg ha sur toute la rotation de 8 ans contre 1160 pour
la rotation BAU et 1120 pour la rotation Vegan ; voir Annexe A). Il faut nalement se
rappeler que certains avantages du système ICLS tels que la régulation des adventices et
ravageurs que permet l'intégration fonctionnelle du bétail et des prairies ne sont pas pris
en compte par le modèle.

Le système Vegan semble être un système "médian", ne performant de manière excep-

tionnelle nulle part mais n'ayant aucune lacune particulière. On notera néanmoins son
faible taux de carbone organique dans le sol, directement lié à l'absence d'engrais d'ori-
gine animale. Il pourrait être intéressant de simuler un plus grand nombre de rotations
successives an de constater si ce faible taux de carbone dans le sol ne devient pas de plus
en plus limitant.

3.3.2 Conditions climatiques futures

La Figure 3.27 compare l'évolution des performances entre les périodes 1985-2009 et
2075-2099 (RCP8.5). Le Tableau C.8 de l'Annexe C reprend les valeurs absolues de ces
évolutions. A nouveau, les notes sont conçues de sorte à ce qu'un pourcentage positif
indique une amélioration des performances (augmentation du rendement ou diminution
du stress ou des émisssions de gaz à eet de serre par exemple). La Figure 3.27 compare ces
pourcentages de manière relative : chaque pourcentage propre à un système agricole est
divisé par la moyenne des pourcentages des trois systèmes diérents (rendant à nouveau
les critères adimensionnels).
CHAPITRE 3. RÉSULTATS ET DISCUSSIONS 72

Figure 3.27  Comparaison multi-critères de l'évolution des performances agronomiques,

environnementales et alimentaires des systèmes agricoles entre les périodes 1985-2009 et
2075-2099 (RCP8.5). Les axes sont sans unités, chaque critère étant divisé par la moyenne
des notes obtenues, mais les notations sont conçues de sorte à ce que les meilleures évolu-
tions (augmentation des rendements, diminution des émissions de gaz à eet de serre ou
des stress, etc.) se voient attribuer les plus hautes notes (à "l'extérieur" du graphique).

On peut ainsi voir sur la Figure 3.27 que l'évolution climatique des rendements des
trois systèmes est relativement similaire, même si le système ICLS est celui qui connaît la
plus forte augmentation (+40.19%) en terme de rendement et le système BAU celui qui
permet de nourrir encore plus de personnes (+30.55%). Le système Vegan est par contre
le seul qui voit son degré d'auto-susance augmenter.

En ce qui concerne les émissions de gaz à eet de serre, le système ICLS est le seul
système qui voit ses émissions deCO2 diminuer, mais il est par contre celui qui connaît
la plus forte augmentation de ses émissions de N2 O et le seul qui subit encore plus le
stress hydrique. Les trois systèmes subissent également tous une forte diminution de leur
stockage de carbone dans le sol, le système Vegan étant celui qui connaît la pire diminution
(-94.31%) alors qu'il était déjà le moins performant pour ce critère sous les conditions
climatiques actuelles.
Conclusion
La comparaison de systèmes agricoles complets, représentés dans le cadre de ce travail
par la succession de trois rotations sur des périodes totales de 24 ans, ne fait pas l'objet
de nombreuses études. Elle requiert quasiment obligatoirement la modélisation de ces
rotations, puisqu'une expérience de terrain serait extrêmement longue et laborieuse à
mettre en place. La modélisation nous aura ici permis de comparer des performances
très variées, couvrant des critères de productivité, de stabilité et de résistance au stress,
d'émission de gaz à eet de serre mais également d'alimentation lorsque les sorties du
modèle étaient injectées dans un processus d'optimisation d'utilisation alimentaire de
la rotation. La modélisation aura également rendu possible une analyse prospective de
l'évolution face au changement climatique de toutes ces performances.

Il apparaît nalement des résultats obtenus et synthétisés à la n du Chapitre 3 que les

trois systèmes agricoles investigués contrastent fortement selon les impacts étudiés. On
remarque ainsi que le système Business-as-usual est relativement performant en termes
de rendement mais s'avère plus fragile face aux stress hydrique et thermique. Il permet
également de nourrir plus de personnes mais au prix d'une bien plus grande dépendance
aux imports de produits agricoles externes à la rotation. Ce système est donc, sur beaucoup
de points, l'opposé du système Intégré Cultures-Elevage : ce dernier nourrit un peu moins
de monde mais avec une bien plus grande auto-susance, une forte résistance aux stress,
surtout hydrique, et un stockage de carbone très élevé en bonne partie dû aux prairies
temporaires qui le composent. Cette plus forte résilience du système ICLS est conrmée
par l'analyse de l'évolution face au changement climatique de ses performances : il verrait
à l'avenir son rendement global augmenter, plus que les deux autres systèmes étudiés,
et ses émissions totales de CO2 diminuer, à l'inverse des deux autres. Le système Vegan
apparaît quant à lui comme un système médian, dont les performances actuelles se situent
souvent entre celles des deux autres. Cela ne l'empêche pas d'être le système qui voit son
auto-susance et sa résistance aux stress augmenter de la meilleure manière face au
changement climatique. Néanmoins, conformément à l'intuition, l'absence d'animaux lui
est fort préjudiciable, en particulier par rapport au stock de carbone organique dans le sol,
et ceci se renforcera encore plus à l'avenir, surtout lorsque le scénario plus "pessimiste"
RCP8.5 est considéré.

73
 74

Un des principaux avantages de la modélisation se situe dans son abilité à pouvoir pro-
duire une quantité innie de simulations et donc de résultats. Une première perspective
pour élargir la portée de ce travail pourrait donc être de considérer d'autres rotations
culturales. Nous en avons ici analysé trois, qui étaient le résultat d'un processus d'op-
timisation sur base de leurs performances alimentaires théoriques et qui sont également
contrastées par leur intégration de l'élevage, mais il ne faut pas perdre de vue que ces
rotations ne sont pas l'unique reet d'un système agricole. Elles ne peuvent représenter
à elles seules une manière d'intégrer l'élevage au sein d'un agroécosystème, ce processus
d'intégration étant continu et pouvant donc prendre une innité de modalités, allant de
l'abolissement pur et simple de l'élevage jusqu'à l'intégration fonctionnelle des animaux
en passant par le pâturage plus ou moins régulier d'intercultures, l'insertion de prairies
dans la rotation, l'usage de fumier interne ou externe à l'exploitation, etc. Le choix des
cultures et variétés et leur place au sein de la rotation est également très large, et il serait
donc intéressant de simuler et analyser d'autres modalités. L'essai d'intercultures et de
prairies multi-espèces serait ainsi une piste intéressante.

Il aurait également été possible d'optimiser les itinéraires techniques des rotations simu-
lées dans le cadre de ce travail. En faire varier les paramètres tels que les dates des semis,
récolte, fertilisation et travail du sol, les densité et profondeur de semis, la quantité d'azote
apportée à chaque fertilisation, etc. serait possible : il ne serait pas compliqué d'implé-
menter cela dans un code d'optimisation testant à la chaîne une multitude de valeurs pour
tous ces paramètres en visant par exemple à maximiser le rendement tout en minimisant
les émissions de gaz à eet de serre. En plus de permettre l'analyse de l'inuence de tel ou
tel facteur technique, un tel processus d'optimisation permettrait également de corriger
un éventuel biais dû au caractère parfois arbitraire du choix des itinéraires techniques :
ceux-ci ont ici été constitués avec les conseils de phytotechniciens expérimentés et l'aide
de la littérature spécialisée, mais ils sont tous déterminés avant même le début de la ro-
tation. Cela ne remplace pas le regarde de l'agriculteur sur le terrain qui, en fonction de
la météo, choisira par exemple de repousser ou avancer telle intervention. Par souci de
simplicité, il a été décidé de ne pas eectuer ce processus d'optimisation dans le cadre
de ce travail, car cela ferait l'objet de longues discussions et analyses, mais ceci pourrait
donc constituer une piste d'approfondissement digne d'intérêt. Il serait peut-être ainsi
judicieux, au vu des résultats obtenus, de séparer l'apport de matière organique simulant
le pâturage ovin dans le système ICLS en plusieurs parties, ce qui serait plus proche de
la réalité dans laquelle les moutons excrètent très régulièrement et permettrait également
d'étaler cet apport et d'optimiser son absorption par les cultures.

Toujours concernant le système ICLS, une autre piste d'amélioration serait d'aner le
calcul de la charge animale, c'est-à-dire du nombre d'ovins pâturant. Sans connaissance du
processus de pâturage et d'alimentation des ovins réellement établi dans le cadre du projet
EcoFoodSystem, nous avons ici considéré que les moutons ne pâturent que les prairies,
et non pas également l'interculture de l'Année 2 de la rotation (celle-ci ne durant qu'un
 75

peu moins de deux mois), et décidé que la rotation ne devait nourrir les moutons qu'à la
belle saison (printemps et été) des prairies. Il serait donc judicieux d'inclure le pâturage
de l'interculture, ce qui augmenterait légèrement le fourrage disponible pour nourrir les
moutons ainsi que la fertilisation apportée via leurs déjections, et de considérer comment
intégrer dans l'analyse l'alimentation des ovins lorsque ceux-ci ne sont pas nourris par les
prairies.

An de pousser plus loin l'analyse des rotations et itinéraires techniques sélectionnés
dans le cadre de ce travail, il serait également possible de considérer d'autres variables
de sortie, tant agronomiques qu'environnementales et alimentaires. La modélisation de
ces rotations et itinéraires constitue l'étape la plus fastidieuse et la plus compliquée,
et celle-ci ayant été faite, il serait assez facile de pratiquer d'autres analyses puisque le
modèle STICS produit un très grand nombre de variables de sortie, comme par exemple le
lessivage d'azote. Etudier d'autres types d'impacts, par exemple économiques, dérivant des
rendements, du nombre d'interventions et donc de la consommation de carburant associée,
de la quantité d'azote minéral devant être achetée, etc. serait également pertinent.

Une dernière piste d'approfondissement serait d'analyser l'eet d'un décalage des années
de départ des rotations. Il est en eet possible que la mauvaise performance d'une rotation
s'explique par exemple par le fait que la culture de maïs, semé en avril, est située une
année où ce mois-là a été soumis à une intense sécheresse. Le résultat aurait été tout
autre si la rotation avait été décalée d'un an et que cette sécheresse intervenait lors d'une
culture d'hiver déjà bien implantée. Les rotations durant 8 ans, il serait donc intéressant
de pratiquer 7 "décalages" pour moyenner les résultats.

Pour conclure, il ne faut jamais perdre de vue que ces résultats proviennent de modèles
qui ne pourront jamais intégrer parfaitement toute la complexité des agroécosystèmes. Il
ressort de ce travail que le changement climatique n'aura pas que des désavantages : aug-
mentation des rendements et diminution de certains stress hydrique, thermique et azoté
font partie des "bonnes nouvelles" apportées. Néanmoins, le modèle ne prenant pas en
compte d'autres eets probables du changement climatique, tels que la diminution des
pollinisateurs ou le développement des maladies et ravageurs (IPCC, 2019), on doit être
particulièrement vigilant quant à l'élaboration de conclusions hâtives et avoir connaissance
des hypothèses considérées. Le contraste entre les performances agronomiques, environne-
mentales et alimentaires obtenues souligne la pertinence d'analyser des systèmes agricoles
avec un regard le plus large possible et invite à se rappeler que, partout et toujours,
l'exactitude se trouve dans la nuance.

* *
*
Bibliographie
Alberdi, G., Zubillaga, M. B., Brent, Z., Choplin, G., Claeys, P., Conti, M., Corrado, A.,
Duncan, J., Ferrando, T., McKeon, N., et al. (2020). A collective response from food
sovereignty scholars on the EU's Farm to Fork Strategy.

Bat-Oyun, T., Shinoda, M., and Tsubo, M. (2012). Eects of water and temperature
stresses on radiation use eciency in a semi-arid grassland. Journal of Plant Inter-
actions, 7(3) :214224.
Bell, L. W., Moore, A. D., and Kirkegaard, J. A. (2014). Evolution in croplivestock
integration systems that improve farm productivity and environmental performance
in australia. European Journal of Agronomy, 57 :1020.
Bloor, J., Jay-Robert, P., Le Morvan, A., and Fleurance, G. (2012). Déjections des herbi-
vores domestiques au pâturage : caractéristiques et rôle dans le fonctionnement des
prairies. INRA Productions animales, 25(1) :4556.
Bonaudo, T., Bendahan, A. B., Sabatier, R., Ryschawy, J., Bellon, S., Leger, F., Magda,
D., and Tichit, M. (2014). Agroecological principles for the redesign of integrated
croplivestock systems. european Journal of Agronomy, 57 :4351.
Brankatschk, G. and Finkbeiner, M. (2014). Application of the Cereal Unit in a new
allocation procedure for agricultural life cycle assessments. Journal of Cleaner Pro-
duction, 73 :7279.
Brisson, N., Gary, C., Justes, E., Roche, R., Mary, B., Ripoche, D., Zimmer, D., Sierra,
J., Bertuzzi, P., Burger, P., et al. (2003). An overview of the crop model STICS.
European Journal of agronomy, 18(3-4) :309332.
Brisson, N., Launay, M., Mary, B., and Beaudoin, N. (2009). Conceptual basis, formali-
sations and parameterization of the STICS crop model. Editions Quae.

Brisson, N., Mary, B., Ripoche, D., Jeuroy, M. H., Ruget, F., Nicoullaud, B., Gate, P.,
Devienne-Barret, F., Antonioletti, R., Durr, C., et al. (1998). STICS : a generic
model for the simulation of crops and their water and nitrogen balances. I. Theory
and parameterization applied to wheat and corn. Agronomie, 18 :311346.
Cline, W. R. (2007). Global warming and agriculture : Impact estimates by country.
Peterson Institute.

Darnhofer, I., Lindenthal, T., Bartel-Kratochvil, R., and Zollitsch, W. (2010). Conventio-
nalisation of organic farming practices : from structural criteria towards an assess-

76
BIBLIOGRAPHIE 77

ment based on organic principles. a review. Agronomy for sustainable development,

30(1) :6781.

Davidson, E. A. and Janssens, I. A. (2006). Temperature sensitivity of soil carbon de-

composition and feedbacks to climate change. Nature, 440(7081) :165173.
de Albuquerque Nunes, P. A., Laca, E. A., de Faccio Carvalho, P. C., Li, M.,
de Souza Filho, W., Kunrath, T. R., Martins, A. P., and Gaudin, A. (2021). Li-
vestock integration into soybean systems improves long-term system stability and
prots without compromising crop yields. Scientic reports, 11(1) :114.
De Clerck, C., Dumont, B., and Bindelle, J. (2021). Investigating the ability of crop rota-
tions to supply contrasting eating patterns in order to reconnect local food production
and consumption through model-based optimization. Manuscript in submission.

De Ridder, K., Couderé, K., Depoorter, M., Liekens, I., Pourria, X., Steinmetz, D., Vanuy-
trecht, E., Verhaegen, K., and Wouters, H. (2020). Evaluation of the socio-economic
impact of climate change in belgium. Summary for policymakers, National Climate
Commission.

De Schutter, O. (2010a). L'économie politique de la faim : garantir le droit à l'alimentation

dans un monde de ressources rares, pages 5657. Groupe ESA.
De Schutter, O. (2010b). L'économie politique de la faim : garantir le droit à l'alimentation
dans un monde de ressources rares, pages 5255. Groupe ESA.
De Schutter, O. et al. (2019). Vers une politique alimentaire commune pour l'Union
européenne. Les réformes et réalignements politiques nécessaires pour construire des
systèmes alimentaires durables en Europe. Rapport adopté par le Panel d'IPES-
FOOD. Synthèse.
De Silva, C., Weatherhead, E., Knox, J. W., and Rodriguez-Diaz, J. (2007). Predicting
the impacts of climate changea case study of paddy irrigation water requirements
in sri lanka. Agricultural water management, 93(1-2) :1929.
Delaby, L. (2018). Fiche 4 : Les déjections au pâturage. https:
//[Link]/wp-content/uploads/2018/07/
[Link].
Dury, J., Schaller, N., Garcia, F., Reynaud, A., and Bergez, J. E. (2012). Models to
support cropping plan and crop rotation decisions. a review. Agronomy for sustainable
development, 32(2) :567580.
European Commission (2020a). A Farm to Fork Strategy for a fair, healthy and
environmentaly-friendly food system.

European Commission (2020b). Commission's recommendations for Belgium's CAP stra-

tegic plan.

Finnveden, G., Hauschild, M. Z., Ekvall, T., Guinée, J., Heijungs, R., Hellweg, S., Koehler,
A., Pennington, D., and Suh, S. (2009). Recent developments in life cycle assessment.
Journal of environmental management, 91(1) :121.
BIBLIOGRAPHIE 78

Frison, E. A. et al. (2016). From uniformity to diversity : a paradigm shift from industrial
agriculture to diversied agroecological systems.

Fuhrer, J. (2003). Agroecosystem responses to combinations of elevated CO2, ozone, and

global climate change. Agriculture, Ecosystems & Environment, 97(1-3) :120.
Gerten, D., Heck, V., Jägermeyr, J., Bodirsky, B. L., Fetzer, I., Jalava, M., Kummu, M.,
Lucht, W., Rockström, J., Schapho, S., et al. (2020). Feeding ten billion people is
possible within four terrestrial planetary boundaries. Nature Sustainability, 3(3) :200
208.

Giot, O., Termonia, P., Degrauwe, D., De Troch, R., Caluwaerts, S., Smet, G., Berckmans,
J., Deckmyn, A., De Cruz, L., De Meutter, P., et al. (2015). Validation of the ALARO-
0 model within the EURO-CORDEX framework. Geoscientic Model Development
Discussions, 8(10).
Gobin, A. (2010). Modelling climate impacts on crop yields in belgium. Climate Research,
44(1) :5568.

Gómez-Limón, J. A. and Sanchez-Fernandez, G. (2010). Empirical evaluation of agricultu-

ral sustainability using composite indicators. Ecological economics, 69(5) :10621075.
Grant, K., Kreyling, J., Dienstbach, L. F., Beierkuhnlein, C., and Jentsch, A. (2014).
Water stress due to increased intra-annual precipitation variability reduced forage
yield but raised forage quality of a temperate grassland. Agriculture, Ecosystems &
Environment, 186 :1122.
Gray, S. B. and Brady, S. M. (2016). Plant developmental responses to climate change.
Developmental Biology, 419(1) :6477.
Gyssels, G., Poesen, J., Bochet, E., and Li, Y. (2005). Impact of plant roots on the
resistance of soils to erosion by water : a review. Progress in physical geography,
29(2) :189217.

Hiel, M.-P., Barbieux, S., Pierreux, J., Olivier, C., Lobet, G., Roisin, C., Garré, S., Colinet,
G., Bodson, B., and Dumont, B. (2018). Impact of crop residue management on crop
production and soil chemistry after seven years of crop rotation in temperate climate,
loamy soils. PeerJ, 6 :e4836.
Iglesias, A., Quiroga, S., Moneo, M., and Garrote, L. (2012). From climate change impacts
to the development of adaptation strategies : challenges for agriculture in europe.
Climatic Change, 112(1) :143168.
Iizumi, T., Shiogama, H., Imada, Y., Hanasaki, N., Takikawa, H., and Nishimori, M.
(2018). Crop production losses associated with anthropogenic climate change for
19812010 compared with preindustrial levels. International Journal of Climatology,
38(14) :54055417.

IPCC (2013). Climate Change 2013 : The Physical Science Basis. Contribution of Working
Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate
Change. Technical report, Intergovernmental Panel on Climate Change (IPCC).
BIBLIOGRAPHIE 79

IPCC (2014). Synthesis Report. Contribution of working groups I, II and III to the Fifth
Assessment Report of the Intergovernmental Panel on Climate Change. Technical
report, Intergovernmental Panel on Climate Change (IPCC).

IPCC (2019). Climate Change and Land : an IPCC special report on climate change,
desertication, land degradation, sustainable land management, food security, and
greenhouse gas uxes in terrestrial ecosystems. Technical report, Intergovernmental
Panel on Climate Change (IPCC).

IPES-Food (2020). Covid-19 and the crisis in food systems : Symptoms, causes, and
potential solutions.

Janssen, S. and Van Ittersum, M. K. (2007). Assessing farm innovations and responses to
policies : a review of bio-economic farm models. Agricultural systems, 94(3) :622636.
Jones, C., McConnell, C., Coleman, K., Cox, P., Falloon, P., Jenkinson, D., and Powl-
son, D. (2005). Global climate change and soil carbon stocks ; predictions from two
contrasting models for the turnover of organic carbon in soil. Global Change Biology,
11(1) :154166.

Jousseins, C. and Tchakerian, E. (2014). Que mangent les brebis ? régimes alimentaires
[Link]
et niveaux dautonomie des élevages.
uploads/2017/04/INOSYS-RESEAUX-ELEVAGE_THEMA-Que-mangent-les-brebis.
pdf. Consulté le 31 mai 2021.
Kang, Y., Khan, S., and Ma, X. (2009). Climate change impacts on crop yield, crop water
productivity and food securitya review. Progress in natural Science, 19(12) :1665
1674.

Kirschbaum, M. U. (2011). Does enhanced photosynthesis enhance growth ? lessons lear-

ned from co2 enrichment studies. Plant physiology, 155(1) :117124.
Knoden, D., Lambert, R., Nihoul, P., Stilmant, [Link] Pochet, P., Crémer, S., and Luxen,
P. (2007). Fertilisation raisonnée des prairies. Les livrets de l'agriculture.
Kollas, C., Kersebaum, K. C., Nendel, C., Manevski, K., Müller, C., Palosuo, T., Armas-
Herrera, C. M., Beaudoin, N., Bindi, M., Charfeddine, M., et al. (2015). Crop rotation
modellingA European model intercomparison. European Journal of Agronomy,
70 :98111.

Kulak, M., Nemecek, T., Frossard, E., and Gaillard, G. (2013). How eco-ecient are
low-input cropping systems in Western Europe, and what can be done to improve
their eco-eciency ? Sustainability, 5(9) :37223743.
Langeveld, C., Segers, R., Dirks, B., Van den Pol-van Dasselaar, A., Velthof, G., and
Hensen, A. (1997). Emissions of CO2, CH4 and N2O from pasture on drained peat
soils in the Netherlands. European Journal of Agronomy, 7(1-3) :3542.
Lavergne, A., Graven, H., De Kauwe, M. G., Keenan, T. F., Medlyn, B. E., and Prentice,
I. C. (2019). Observed and modelled historical trends in the water-use eciency of
plants and ecosystems. Global change biology, 25(7) :22422257.
BIBLIOGRAPHIE 80

Leemans, V., De Cruz, L., Dumont, B., Hamdi, R., Delaplace, P., Heinesh, B., Garré,
S., Verheggen, F., Theodorakopoulos, N., and Longdoz, B. (2017). Selection of me-
teorological conditions to apply in an Ecotron facility. In EGU General Assembly
Conference Abstracts, page 7895.
Lemaire, G., Ryschawy, J., and de Faccio, P. C. (2016). Agricultural intensication and
diversity for reconciling production and environment. Food Production and Nature
Conservation : Conicts and Solutions, page 113.
Maillard, É. and Angers, D. A. (2014). Animal manure application and soil organic carbon
stocks : A meta-analysis. Global Change Biology, 20(2) :666679.
Maxim, L., Spangenberg, J. H., and O'Connor, M. (2009). An analysis of risks for biodi-
versity under the DPSIR framework. Ecological economics, 69(1) :1223.
Mazoyer, M. and Roudart, L. (2002). Histoire des agricultures du monde. Du néolithique
à la crise contemporaine. Editions du Seuil.

Mosnier, C., Duclos, A., Agabriel, J., and Gac, A. (2017). Orfee : A bio-economic model
to simulate integrated and intensive management of mixed crop-livestock farms and
their greenhouse gas emissions. Agricultural Systems, 157 :202215.
Muller, A., Schader, C., Scialabba, N. E.-H., Brüggemann, J., Isensee, A., Erb, K.-H.,
Smith, P., Klocke, P., Leiber, F., Stolze, M., et al. (2017). Strategies for feeding the
world more sustainably with organic agriculture. Nature communications, 8(1) :113.
Nielsen, D. and Halvorson, A. (1991). Nitrogen fertility inuence on water stress and yield
of winter wheat. Agronomy journal, 83(6) :10651070.
Peterson, C. A., Bell, L. W., Carvalho, P. C. d. F., and Gaudin, A. (2020). Resilience
of an Integrated CropLivestock System to Climate Change : A Simulation Analysis
of Cover Crop Grazing in Southern Brazil. Frontiers in Sustainable Food Systems,
4 :222.

Ripoche-Wachter, D. and Lecharpentier, P. (2017). JavaSTICS 1.4 - STICSv8.5 : User

guide.

Rosenzweig, C., Elliott, J., Deryng, D., Ruane, A. C., Müller, C., Arneth, A., Boote, K. J.,
Folberth, C., Glotter, M., Khabarov, N., et al. (2014). Assessing agricultural risks of
climate change in the 21st century in a global gridded crop model intercomparison.
Proceedings of the National Academy of Sciences, 111(9) :32683273.
Schnell, S. M. (2013). Food miles, local eating, and community supported agriculture :
Agriculture and Human Values, 30(4) :615628.
putting local food in its place.

Seguin, B. (2010). Le changement climatique : conséquences pour les végétaux. Quaderni.

Communication, technologies, pouvoir, 71 :2740.
Sen, A. (1990). Food, economics and entitlements. The political economy of hunger,
1 :3450.

Sinclair, T. R. (2006). A reminder of the limitations in using beer's law to estimate daily
radiation interception by vegetation. Crop science, 46(6) :23432347.
BIBLIOGRAPHIE 81

Soussana, J.-F., Allard, V., Pilegaard, K., Ambus, P., Amman, C., Campbell, C., Ceschia,
E., Clifton-Brown, J., Czóbel, S., Domingues, R., et al. (2007). Full accounting
of the greenhouse gas (CO2, N2O, CH4) budget of nine European grassland sites.
Agriculture, Ecosystems & Environment, 121(1-2) :121134.
Soussana, J.-F., Loiseau, P., Vuichard, N., Ceschia, E., Balesdent, J., Chevallier, T., and
Arrouays, D. (2004). Carbon cycling and sequestration opportunities in temperate
grasslands. Soil use and management, 20(2) :219230.
SPW (2020). L'agriculture wallonne en chires. Technical Report D/2020/11802/20, SPW
Agriculture Environnement et Ressources naturelles, 15 Avenue Prince de Liège - 5100
Jambes.

Statbel (2019). Chires agricoles 2019. [Link]

files/files/documents/landbouw/8.1%20Land-%20en%20tuinbouwbedrijven/
[Link]. Consulté le 29 mai 2021.
Statbel (2020a). Exploitations agricoles et horticoles. [Link]
fr/themes/agriculture-peche/exploitations-agricoles-et-horticoles#
figures. Consulté le 3 mai 2021.
Statbel (2020b). L'agriculture belge en chires. Technical Report S000.01F/2020, SPF
Economie, North Gate III - Bd. Albert II, 16 B-1000 Bruxelles.

Steduto, P. and Albrizio, R. (2005). Resource use eciency of eld-grown sunower,

sorghum, wheat and chickpea : II. Water use eciency and comparison with radiation
use eciency. Agricultural and Forest Meteorology, 130(3-4) :269281.
Steduto, P., Hsiao, T. C., Raes, D., and Fereres, E. (2009). AquaCropThe FAO crop
model to simulate yield response to water : I. Concepts and underlying principles.
Agronomy Journal, 101(3) :426437.
Talukder, B., Hipel, K. W., and vanLoon, G. W. (2018). Using multi-criteria decision
analysis for assessing sustainability of agricultural systems. Sustainable Development,
26(6) :781799.

Thornton, P. K. and Herrero, M. (2001). Integrated croplivestock simulation models for

scenario analysis and impact assessment. Agricultural systems, 70(2-3) :581602.
Tribouillois, H., Constantin, J., and Justes, E. (2018). Cover crops mitigate direct green-
house gases balance but reduce drainage under climate change scenarios in temperate
climate with dry summers. Global change biology, 24(6) :25132529.
ur Rahman, M. H., Ahmad, I., Wang, D., Fahad, S., Afzal, M., Ghaar, A., Saddique, Q.,
Khan, M. A., Saud, S., Hassan, S., et al. (2021). Inuence of semi-arid environment
on radiation use eciency and other growth attributes of lentil crop. Environmental
Science and Pollution Research, 28(11) :1369713711.
Van Cauwenbergh, N., Biala, K., Bielders, C., Brouckaert, V., Franchois, L., Cidad, V. G.,
Hermy, M., Mathijs, E., Muys, B., Reijnders, J., et al. (2007). SAFEA hierarchi-
cal framework for assessing the sustainability of agricultural systems. Agriculture,
ecosystems & environment, 120(2-4) :229242.
BIBLIOGRAPHIE 82

Vrugt, J. A., Ter Braak, C., Diks, C., Robinson, B. A., Hyman, J. M., and Higdon, D.
(2009). Accelerating Markov chain Monte Carlo simulation by dierential evolution
with self-adaptive randomized subspace sampling. International journal of nonlinear
sciences and numerical simulation, 10(3) :273290.
WalOnMap (2021). [Link] Consulté le 10 no-
vembre 2020.

Wezel, A., Bellon, S., Doré, T., Francis, C., Vallod, D., and David, C. (2009). Agroeco-
logy as a science, a movement and a practice. a review. Agronomy for sustainable
development, 29(4) :503515.
Whisler, F., Acock, B., Baker, D., Fye, R., Hodges, H., Lambert, J., Lemmon, H., McKi-
nion, J., and Reddy, V. (1986). Crop simulation models in agronomic systems. In
Advances in agronomy, volume 40, pages 141208. Elsevier.
Willett, W., Rockström, J., Loken, B., Springmann, M., Lang, T., Vermeulen, S., Garnett,
T., Tilman, D., DeClerck, F., Wood, A., et al. (2019). Food in the Anthropocene :
the EATLancet Commission on healthy diets from sustainable food systems. The
Lancet, 393(10170) :447492.
World Health Organization et al. (2018). The state of food security and nutrition in
the world 2018 : building climate resilience for food security and nutrition. Food &
Agriculture Org.

World Health Organization et al. (2020). The state of food security and nutrition in
the world 2020 : Transforming food systems for aordable healthy diets. Food &
Agriculture Org.

Yang, Y., Tilman, D., Furey, G., and Lehman, C. (2019). Soil carbon sequestration
accelerated by restoration of grassland biodiversity. Nature communications, 10(1) :1
7.

Zhao, C., Liu, B., Piao, S., Wang, X., Lobell, D. B., Huang, Y., Huang, M., Yao, Y.,
Bassu, S., Ciais, P., et al. (2017). Temperature increase reduces global yields of
major crops in four independent estimates. Proceedings of the National Academy of
Sciences, 114(35) :93269331.
Znaor, D., Baret, P., de Herde, V., and Antier, C. (2017). Les conséquences environne-
mentales et économiques d'une conversion de l'agriculture wallonne vers un modèle
à faible apport d'intrants.

Zuazo, V. H. D. and Pleguezuelo, C. R. R. (2009). Soil-erosion and runo prevention by

plant covers : a review. Sustainable agriculture, pages 785811.
Annexe A
Itinéraires techniques
Dans cette annexe sont présentés les itinéraires techniques (modalités de semis, récolte,
travail du sol et fertilisation) considérés dans le cadre de ce travail pour chacun des
systèmes agricoles considérés.

Pour chacun de ces itinéraires techniques, les dates d'interventions (semis, récolte, tra-
vail du sol, fertilisation, fauche) sont xes : elles ne sont par exemple pas dépendantes de
l'état de la plante, de son stade de développement ou du nombre de degrés-jours.

I
ANNEXE A. ITINÉRAIRES TECHNIQUES II

Figure A.1  Itinéraires techniques du système Business-as-usual (BAU)

ANNEXE A. ITINÉRAIRES TECHNIQUES III

Figure A.2  Itinéraires techniques du système Vegan

ANNEXE A. ITINÉRAIRES TECHNIQUES IV

Figure A.3  Itinéraires techniques du système Intégré Cultures-Elevage (ICLS)

Annexe B
Equations importantes du modèle
STICS
Cette annexe a pour objectif de compléter la Section 2.3 en présentant certaines équa-
tions du modèle STICS parmi les plus importantes, notamment parce qu'elles impliquent
des variables étudiées de manière brute (pratiquement toutes les variables sont bien sûr
utilisées par le modèle lors de chaque simulation mais nous nous penchons ici sur les
variables dont l'évolution est directement analysée).

Le modèle STICS comportant des centaines d'équations, il serait impossible et hors

sujet de toutes les présenter ici. Le lecteur intéressé pourra se référer pour plus de détails
à Brisson et al. (2009), duquel est tirée toute cette annexe.

Croissance de la partie aérienne

La biomasse de la partie aérienne est la somme de chaque incrément journalier de
biomasse, représenté par la variable DLTAMS. Celle-ci est dénie par l'équation suivante :

DLT AM S(I) = [EBM AX(I) × RAIN T (I) − COEF BG × RAIN T (I)2 ]

× F T EM P (I) × SW F AC(I − 1) × IN N S(I − 1) × EXOBIOM (I − 1) × F CO2
+ DLT AREM OBIL(I − 1)
(B.1)

L'équation B.1 peut être divisée en trois parties. DLTAMS au jour I est premièrement
égal à la radiation interceptée (RAINT) au jour I multipliée par l'ecacité maximale
d'utilisation de la radiation (EBMAX) au jour I, spécique à chaque espèce. On soustrait
alors de cela la radiation interceptée multipliée par un eet de saturation de la radiation
(COEFBG ).

V
ANNEXE B. EQUATIONS IMPORTANTES DU MODÈLE STICS VI

La deuxième partie de l'équation B.1 constitue la deuxième ligne : on multiplie le

résultat précédemment obtenu par des facteurs inuençant les processus de photosynthèse
et respiration. Certains de ces facteurs sont ceux du jour précédent I-1, cela dépendant
de la manière dont ont été implémentés les diérents modules de STICS. On retrouve
parmi ces facteurs les coecients de stress étudiés dans le cadre de ce travail FTEMP,
SWFAC et INNS, ainsi que l'eet fertilisant du CO2 FCO2. Ce dernier coecient est déjà
discuté dans le corps du travail, et les coecients de stress FTEMP, SWFAC et INNS
sont dénis dans la suite de cette annexe. Ces derniers sont compris entre 0 et 1 : sur base
de l'équation B.1, un stress égal à 1 correspond donc à un stress nul et un stress égal à 0
correspond à un stress maximal. Néanmoins, pour que ce soit plus intuitif, nous étudions
dans le cadre de ce travail l'opposé de ces stress (respectivement 1-FTEMP, 1-SWFAC et
1-INNS). Ceci est reprécisé dans le corps du travail.

La troisième partie de l'équation B.1 est constituée de l'ajout de DLTAREMOBIL(I-1),

qui désigne la remobilisation de réserves hivernales par les plantes pérennes.

Indice de stress thermique FTEMP

L'indice de stress thermique FTEMP permet de décroître l'ecacité d'utilisation de
la radiation (RUE) lorsque la température est trop basse ou trop haute. Il dépend de la
température et est déni par l'équation suivante :

 2
T CU LT (I) − T EOP TP
if T CU LT (I) < T EOP TP F T EM P (I) = 1 −
T EM INP − T EOP TP
if T EOP TP ≤ T CU LT (I) ≤ T EOP T BISP F T EM P (I) = 1.0
 2
T CU LT (I) − T EOP T BISP
if T CU LT (I) > T EOP T BISP F T EM P (I) = 1 −
T EM AXP − T EOP T BISP
(B.2)

L'équation B.2 est représentée sur la Figure B.1 qui montre l'évolution de FTEMP en
fonction de la température.
ANNEXE B. EQUATIONS IMPORTANTES DU MODÈLE STICS VII

Figure B.1  Dénition du facteur de stress thermique FTEMP

Indice de stress hydrique SWFAC

L'indice de stress hydrique SWFAC permet de décroître la RUE et la transpiration
lorsqu'il n'y a pas assez d'eau dans la zone racinaire. Il dépend donc du contenu disponible
en eau au-dessus du point de étrissement dans la zone racinaire, dénommé TETA, et est
déni par l'équation suivante :

T ET A(I)
if T ET A(I) < T ET ST OM AT E SW F AC =
T ET ST OM AT E (B.3)
if T ET A(I) ≥ T ET ST OM AT E SW F AC = 1

L'équation B.3 est représentée sur la Figure B.2 qui montre l'évolution de SWFAC en
fonction de TETA. D'autres indices de stress hydrique existent dans STICS mais ils sont
de moindre importance et ne sont pas étudiés dans le cadre de ce travail.
ANNEXE B. EQUATIONS IMPORTANTES DU MODÈLE STICS VIII

Figure B.2  Dénition du facteur de stress hydrique SWFAC

Indice de stress azoté INNS

Comme expliqué au Chapitre 3, on caractérise si une plante est soumise au stress azoté
ou non en comparant, à un instant t, l'état de la plante (déni par la concentration
en azote et la matière sèche accumulée) par rapport à une courbe concentration de la
plante/MS accumulée critique propre à la plante. L'indice de nutrition azotée INN est
le ratio entre la concentration réelle d'azote (CNPLANTE en % de la matière sèche) et
la concentration critique (NC) correspondant à la même biomasse (MASECABSO en t
−1
ha ), selon l'équation suivante illustrée sur la Figure B.3 :

CN P LAN T E(I)
IN N (I) = (B.4)
N C(I)
ANNEXE B. EQUATIONS IMPORTANTES DU MODÈLE STICS IX

Figure B.3  Calcul de l'indice de nutrition azotée INN

L'indice de stress azoté INNS décroît alors la RUE lorsque l'indice de nutrition azotée
INN est trop bas : son évolution est illustrée par la Figure B.4.

Figure B.4  Dénition du facteur de stress azoté INNS

Annexe C
Tableaux et gures supplémentaires

Régime alimentaire de référence

La Figure C.1 indique la composition du régime alimentaire de référence de la Com-
mission EAT-Lancet (Willett et al., 2019).

X
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XI

Figure C.1  Régime alimentaire de référence de la Commission EAT-Lancet. Figure

tirée de Willett et al. (2019).
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XII

Localisation du site expérimental

La Figure C.2 montre une vue aérienne du site d'expérimentation présenté à la Section
2.2 tandis que la Figure C.3 indique sa localisation.

Figure C.2  Vue aérienne du site d'implantation des parcelles d'essai de 30 hectares à
Gembloux (Belgique). Image générée avec le logiciel QGISv3.12.
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XIII

Figure C.3  Localisation du site d'implantation des parcelles d'essai. La carte de gauche
montre où se trouve le site par rapport à la ville de Gembloux (au nord-est), tandis que
la carte de droite montre la localisation du site au sein de la Belgique. Image générée avec
le logiciel QGISv3.12.

Stades phénologiques
Le Tableau C.1 reprend les stades phénologiques du modèle STICS, présentés dans la
Section 2.3.
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XIV

Stades en phase végétative Stades en phase reproductive

IPLT : Semis ou plantation

IGER : Germination
ILEV : Emergence (plantes annuelles) ou débourrement (plantes pérennes)
ILET : Fin du stade de sensibilité au gel ILAT : Début de la phase critique de l'ap-
des plantules parition du nombre de grains
IAMF : Accélération maximale de la crois- IFLO : Floraison
sance foliaire - Fin de la phase juvénile
IDRP : Début du remplissage des organes
récoltés
ILAX : LAI maximale - Fin de croissance INOU : Nouaison
foliaire
IDEBDES : Début de l'assèchement des
fruits
IMAT : Maturité physiologique
IREC : Récolte

Table C.1  Stades phénologiques du modèle STICS. Tableau adapté de Brisson et al.
(2003).

Facteurs de conversion pour les unités-céréales

Produit agricole Facteur de conversion [UC/kg]
Système BAU
Betterave 0.23
Froment d'hiver 1.04
Pomme de terre 0.22
Colza 1.3
Pois 0.47
Maïs 1.08
Système Vegan
Chanvre 1.00
Froment d'hiver 1.04
Féverole 0.54
Colza 1.3
Pois 0.47
Système ICLS
Maïs 1.08
Froment d'hiver 1.04
Féverole 0.54
Colza 1.3
Pois 0.47
Prairie (pâturage) 0.16
Prairie (herbe ensilage) 0.27
Prairie (foin) 0.61

Table C.2  Facteurs de conversion pour passer d'un 1 kilogramme de produit agricole à
son équivalent en Unités-Céréales (Brankatschk and Finkbeiner, 2014)
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XV

Productivités à l'hectare
Le Tableau C.3 indique les productivités moyennes (sur base des trois rotations succes-
sives simulées et des une ou plusieurs occurences de chaque culture au sein d'une rotation)
calculées pour chaque système agricole. A titre d'indication, la troisième colonne reprend
les productivités moyennes belges entre 2014 et 2018, tirées de Statbel (2020a) et utilisées
dans De Clerck et al. (2021).

Pour certaines cultures, on considère la masse de grain tandis que pour d'autres, on
considère la plante entière. Toutes les productivités sont exprimées en masse fraîche.

Produit Productivité Productivité moyenne

agricole calculée [T/ha] belge [T/ha]
Système BAU
Betterave 92.02 89
Froment d'hiver 12.08 8.9
Pomme de terre 48.27 50
Colza 5.77 4.37
Pois 1.43 5
Maïs ensilage 8.9 15
Moutarde 1.7 /
Système Vegan
Colza 5.31 4.37
Froment d'hiver 10.89 8.9
Féverole 2.74 5
Pois 1.92 5
Moutarde 0.72 /
Système ICLS
Maïs ensilage 7.27 15
Froment d'hiver 11.95 8.9
Féverole 2.67 5
Colza 8.48 4.37
Pois 2.06 5
Prairie temporaire 9.43 10
Moutarde 0.8 /

Table C.3  Productivités à l'hectare des trois systèmes agricoles, calculées dans le cadre
de ce travail via la modélisation (2ème colonne) et moyennes belges (Statbel, 2020a)
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XVI

Masse des organes récoltés

La Figure C.4 compare les évolutions (en tonnes par hectare) des masses des organes
récoltés (variable mafruit dans STICS) sur une seule rotation. Il s'agit donc d'un agran-
dissement de la Figure 3.3 du Chapitre 3, auquel le lecteur intéressé doit se référer pour
la légende.

20

15

10

0
2002 2003 2004 2005 2006 2007 2008 2009 2010

Figure C.4  Agrandissement pour la 3ème rotation

Stock d'eau dans le sol

La Figure C.5 montre l'évolution du stock d'eau dans le sol pour une seule rotation. Il
s'agit donc d'un agrandissement de la Figure 3.8 du Chapitre 3.

450

400

350

300

250

200

150
1986 1987 1988 1989 1990 1991 1992 1993 1994

Figure C.5  Agrandissement pour une seule rotation

ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XVII

Inuences des stress hydrique, thermique et azoté par

culture
Les Figures C.6, C.7 et C.8 montrent respectivement les inuences des stress hydrique,
thermique et azoté pour chaque culture.

Figure C.6  Inuence du stress hydrique par culture (moyenne sur les trois rotations
successives)

Figure C.7  Inuence du stress thermique par culture (moyenne sur les trois rotations
successives)
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XVIII

Figure C.8  Inuence du stress azoté par culture (moyenne sur les trois rotations
successives)
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XIX

Evolution des productivités à l'hectare

Le Tableau C.4 compare les productivités calculées (en matière fraîche) pour les dié-
rents scénarios climatiques. Ces productivités sont moyennées sur base des trois rotations
successives simulées et des une ou plusieurs occurences de chaque culture au sein d'une
rotation.

Produit Productivités calculées [T/ha]

agricole
1985-2009 2045-2069 2075-2099
RCP4.5 RCP8.5 RCP4.5 RCP8.5
Système BAU
Betterave 92.02 111.37 114.57 130.13 148.6
Froment d'hiver 12.08 14 14.71 14.59 14.49
Pomme de terre 48.27 64.4 21.66 43.22 53.14
Colza 5.77 7.22 5.62 5.64 5.77
Pois 1.43 1.27 1.04 1.33 0.57
Maïs ensilage 8.9 8.54 16.4 8.38 16.3
Moutarde 1.7 1.74 2.02 1.55 2.43
Système Vegan
Colza 5.31 6.32 5.85 4.78 5.2
Froment d'hiver 10.89 12.69 12.52 13.28 12.91
Féverole 2.74 1.62 1.78 2.02 2.07
Pois 1.92 1.18 1.72 0.48 1.5
Moutarde 0.72 1.15 1.25 0.79 1.88
Système ICLS
Maïs ensilage 7.27 10.08 8.47 12.5 13.77
Froment d'hiver 11.95 11.98 11.94 12.22 13.43
Féverole 2.67 1.99 1.74 2.12 2.18
Colza 8.48 9.46 9.09 7.59 9.15
Pois 2.06 1.35 1.56 0.47 0.6
Prairie temporaire 9.43 9.19 13.16 10.55 12.06
Moutarde 0.8 1.6 1.04 1.99 3.59

Table C.4  Evolution des productivités à l'hectare des trois systèmes agricoles
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XX

Facteurs de l'eet fertilisant du CO2

Le Tableau C.5 indique les valeurs du facteur FCO2 (eet du CO2 sur l'ecacité d'uti-
lisation de la radiation (RUE)) selon la plante et le scénario climatique.

Plante 1985-2009 2045-2069 2075-2099

RCP4.5 RCP8.5 RCP4.5 RCP8.5
Maïs (plante en 1 1.0305 1.0542 1.0424 1.0998
C4 )
Froment d'hiver 1 1.1056 1.182 1.1446 1.3157
(plante en C3 )

Table C.5  Facteur FCO2 (eet du CO2 sur l'ecacité d'utilisation de la radiation
(RUE)) selon la plante et le scénario climatique

Evolution des indicateurs alimentaires

2500

2000

1500

1000

500

-500
BAU Vegan ICLS

Figure C.9  Excès et décits dans les produits d'alimentation humaine et animale
dans les trois régimes alimentaires optimisés à partir des productions de chaque système
agricole pour la période 2075-2099 (RCP8.5)
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XXI

Composition Système Système Système

du troupeau BAU Vegan ICLS
Vaches laitières 4.5 1.1 3.9
Boeufs laitiers 3 0.7 2.7
Agneaux 0 0 32.4
Porcs 0 17 0
Boeufs viandeux 0 0 0
Poulets 55.6 577.3 309.8
Poules 0 37.2 11.3

Table C.6  Composition du troupeau pour le régime alimentaire optimal des trois sys-
tèmes pour la période 2075-2099 (RCP8.5)
ANNEXE C. TABLEAUX ET FIGURES SUPPLÉMENTAIRES XXII

Calcul des critères pour la comparaison multi-critères

Critère Indicateur intermédiaire I1 Indicateur nal
Critères agronomiques
Rendement Moyenne de la somme des rende- I1/mean(all I1)
ments (en unités-céréales) de cha-
cune des trois rotations succes-
sives
Rendement des froments Rendement moyen des froments I1/mean(all I1)
d'hiver d'hiver d'années 2 et 4 de chacune
des trois rotations successives

Critères alimentaires
Auto-susance Pour un repas optimisé : somme 10-I1/mean(all 10-
des calories excédentaires divisée I1)
par la somme des calories déci-
taires
Personnes nourries Nbre de rotations nourries par la I1/mean(all I1)
rotation

Critères environnementaux
Emissions de CO2 Moyenne de la somme des émis- I1/mean(all I1)
sions de CO2 de chacune des trois
rotations successives
Emissions de N2 O Moyenne de la somme des émis- I1/mean(all I1)
sions de N2 O de chacune des trois
rotations successives
Stress hydrique Somme des jours où swf ac < 0.3 Mean(all I1)/I1
sur les trois rotations successives
Stress thermique Somme des jours où f temp < 0.5 Mean(all I1)/I1
sur les trois rotations successives
Stress azoté Somme des jours où inns < 0.3 Mean(all I1)/I1
sur les trois rotations successives
Taux de carbone organique Gain de carbone dans la matière I1/mean(I1)
organique humiée sur les trois
rotations successives

Table C.7  Calculs pour les critères de la comparaison multi-critères de la Section 3.3
Evolution des indicateurs de la comparaison multi-critères
Le Tableau C.8 montre l'évolution entre les périodes 1985-2009 et 2075-2099 (RCP8.5)
des indicateurs intermédiaires de la comparaison multi-critères (Section 3.3), dénis dans
la deuxième colonne du Tableau 2.1, en pourcents. An d'avoir une convention uniforme
selon laquelle un pourcentage positif est apprécié (meilleurs rendements, moins d'émissions
de gaz à eet de serre ou moins de stress par exemple), pour les émissions de gaz à eet
de serre et les jours sous inuence de stress hydrique, thermique et azoté, nous mettons
l'opposé de la valeur obtenue : ainsi, si un système passe de 100 jours sous inuence de
stress hydrique en 1985-2009 à 80 jours en 2075-2099 (RCP8.5), nous indiquerons une
évolution de +20%.

Critère BAU Vegan ICLS

Critères agronomiques
Rendement +30.92% +12.13% +40.19%
Rendement des froments d'hiver +11.57% +19.48% +12.45%

Critères alimentaires
Auto-susance -12.87% +6.35% -1.35%
Personnes nourries +30.55% +10.64% +11.93%

Critères environnementaux
Emissions de CO2 -20.25% -20.58% +6.53%
Emissions de N2 O -42.58% -57.25% -67.29%
Stress hydrique +23.26% +81.94% -36.22%
Stress thermique +25.85% +48.41% +47.3%
Stress azoté +0.98% +36.93% +0.03%
Taux de carbone organique -57.2% -94.31% -41.53%

Table C.8  Evolution entre les périodes 1985-2009 et 2075-2099 (RCP8.5) des indicateurs
de la comparaison multi-critères (Section 3.3), dénis dans le Tableau 2.1
DECLARATION SUR L’HONNEUR CONTRE LE PLAGIAT

Mathieu Delandmeter
Rue Haute, 14
1340 Ottignies

« Modélisation de systèmes agricoles -

Analyse prospective de l’évolution face au changement climatique des performances
agronomiques, environnementales et alimentaires de systèmes de production agricole
contrastés »
Travail de Fin d’Etudes présenté en vue de l’obtention du diplôme de Master en Agroécologie
Promoteurs : Pr. Benjamin Dumont et Pr. Jérôme Bindelle

Je certifie qu’il s’agit d’un travail original et que toutes les sources utilisées ont été indiquées
dans leur totalité. Je certifie, de surcroît, que je n’ai ni recopié ni utilisé des idées ou des
formulations tirées d’un ouvrage, article ou mémoire, en version imprimée ou électronique,
sans mentionner précisément leur origine et que les citations intégrales sont signalées entre
guillemets. Le non-respect de ces dispositions est passible de constituer un obstacle rédhibitoire
à la validation de mon TFE et donc à l’obtention du diplôme convoité.

Ottignies, le 30 mai 2021.

Mathieu Delandmeter
Gembloux Agro-Bio Tech - Passage des Déportés, 2 B-5030 Gembloux [Link]