Valorisation de la Carte Numérique des Sols de Wallonie et ...Valorisation de la Carte Numérique...

BASE Biotechnol. Agron. Soc. Environ.201115(S2),709-726

ValorisationdelaCarteNumériquedesSolsdeWallonieetd’unebasededonnéesdisponibleenanalysedesols,danslecadredel’évaluationdurisquedepollutiondeseauxsouterrainesparlespesticidesBoubacarBilloBah(1,2),MarnikVanclooster(3),RobertOger(1),LaurentBock(2),GillesColinet(2)(1)CentrewallondeRecherchesagronomiques(CRA-W).DépartementAgricultureetMilieunaturel.UnitéFertilitédesSolsetProtectiondesEaux.RuedeLiroux,9.B-5030Gembloux(Belgique).E-mail:[email protected](2)Univ.Liège-GemblouxAgro-BioTech.DépartementSciencesetTechnologiesdel’Environnement.UnitédeScienceduSol.PassagedesDéportés,2.B-5030Gembloux(Belgique).(3)UniversitécatholiquedeLouvain(UCL).EarthandLifeInstitute,ELIE.CroixduSud,2bteL7.05.02.B-1348Louvain-la-Neuve(Belgique).

Cette étudeprésente l’utilisationde laCarteNumériquedesSolsdeWallonie (CNSW),de labasededonnéesd’analysedesolsAardewerketdumodèleMetaPEARLpourévaluerlasensibilitédessolsagricolesautransfertdespesticidesversleseauxsouterrainesenWallonie(Belgiqueméridionale).MetaPEARLestbasésuruneexpressionanalytiquequidécritlaconcentrationdepesticideslixiviésaubasduprofilpédologiqueenfonctiondedonnéesdisponiblessurlescaractéristiquesdessols,leclimatetlespropriétésdespesticides.Lesrésultatsobtenusmontrentunesensibilitéimportantedessolsautransfertdespesticidesavecuncoefficientderétentionsurlamatièreorganique(Kom)trèsfaible(del’ordrede10dm

3.kg-1)ouavecuntempsdedemi-vie(DT50)relativementélevé(60jours).Danscescas,lepesticideestplusrapidementlixiviécartrèspeuretenuparlamatièreorganiquedusolousedégrademoinsviteetrestedoncdisponibledanslesolpourêtreéventuellementlixiviélorsdeprécipitations.Lasensibilitéautransfertdespesticidesobservéeestparailleursfortementcorréléeàlatexturedusoletàsateneurenmatièreorganique.Onconstateégalementquelesconcentrationsdepesticideslixiviéssontfortementdépendantesdusurplusdeprécipitations(fluxd’eaudanslesoloubilanhydrique).Uneanalysedesensibilitédumodèleapermisdemontrerqu’ilesttrèssensibleàl’épaisseurdusol,àlateneurenmatièreorganique,àladensitéapparentedelafractionminéraleparclassetexturaleetàladensitéapparentedelamatièreorganique.Ils’agitdoncdesvariablespédologiquesàestimeraveclaplusgrandeprécisionsouspeined’affecteruneincertitudesupplémentaireauxprédictionsobtenues.Surbasedesvariablespédologiqueslesplussensibles,l’analysedel’incertitude«spatiale»liéeauxrésultatsfournisparMetaPEARL,dufaitdelaconsidérationd’unevaleuruniquereprésentativepartypedesoletparrégion(applicationdéterministe),montreque cette approche a tendance à sous-estimer la concentration en pesticide lixivié dans le sol, comparée à une approchestochastique(probabiliste)quipermetlapriseencomptedelavariabilitédescaractéristiquesdessolsauseind’unmêmetypedesol.L’approchestochastiquepermetparailleursdecalculerunseuildeprobabilité(percentile)derisquepluspertinent,quipeutêtrecomparéàunenormeimposéedansuncontextedegestiondurabledesressourcesnaturelles.Mots-clés.Pesticide,lessivagedusol,pollutiondel’eau,nappesouterraine,modèledesimulation,MetaPEARL,Wallonie.

Making use of the Digital Soil Map of Wallonia and of an available soil analysis database for assessing the risk of pesticide leaching to groundwater.ThisstudyshowshowtheDigitalSoilMapofWalloniaandtheassociatedsoildatabaseAardewerkcanbecombinedwiththeMetaPEARLmodeltoassessthesensitivityofagriculturalsoilstopesticidetransferintoundergroundwatertablesinWallonia(SouthernBelgium).MetaPEARLisbasedonananalyticalexpressionwhichdescribestheconcentrationofleachedpesticidesatthesoilprofilebottomdependingonavailabledataonsoilcharacteristics,climateandpesticideproperties.Theresultsshowan importantsoil sensitivity topesticide transferwithacoefficientof retentiononorganicmatter(Kom)veryweak(about10dm

3.kg-1)orwitharelativelyhighhalf-lifetime(DT50about60days).Inthiscase,thepesticideisweaklyretainedbysoilorganicmatterorslowlydegradedandthenstaysavailableinthesoilandcanbequicklyleachedduringrainfalls.Inotherrespects,thepesticidesensitivitytoleachingisstronglycorrelatedwithsoiltextureand itsorganicmattercontent. It isalsoobserved that theconcentrationof leachedpesticide isstronglydependingof the

710 Biotechnol. Agron. Soc. Environ. 201115(S2),709-726 BahB.B.,VancloosterM.,OgerR.etal.

1. IntroDuctIon

Lapollutiondes ressources en eaupar les pesticidesd’origine agricole représente un problème environ-nementalmajeurpourlagestiondurabledeseaux,tantà l’échelle nationale qu’européenne. Les directiveset stratégies européennes en lamatière, telles que laDirectiveCadresurl’Eau(DCE)(ParlementeuropéenetConseildel’Unioneuropéenne,2000)etlaStratégiethématique sur l’utilisation durable des pesticides(Commission des Communautés européennes, 2006)imposent auxÉtatsmembres de prendre lesmesuresnécessairesafindelimiter l’impactdespesticidessurl’hommeetl’environnement.

EnWallonie(Belgiqueméridionale),80%del’eaudedistributionprovientdescaptagesd’eausouterraine(SPW-DGARNE,2010).Desindicateursderisquedepollutiondeseauxsouterrainesparlespesticidessontdoncnécessairesafind’aider lesautoritésàatteindrelesobjectifsfixésparlalégislation,maiségalementdepouvoirévalueretconsoliderlesprogrèsréalisésdanslecadredelagestiondurabledesressourceseneau.

Unedesétapesclésdel’évaluationdelavulnérabilitédeseauxsouterrainesliéeàl’usagedespesticidesestladéterminationdelasensibilitédessolsauxtransfertsdespesticidesversleseauxsouterraines,quipeutêtreévaluée à partir de l’estimation des concentrationsen pesticides lixiviés au bas du profil pédologique(FOCUS,2000;Tiktaketal.,2006;FOCUS,2009),qui pourraient donc atteindre les nappes d’eausouterraines (approche conservatrice). L’objectif estquelaconcentrationprédited’unpesticideparticulierdans les nappes d’eau potabilisable soit inférieureà la norme de potabilité de 0,1μg.l-1, fixée dans lecadre de la DCE. Étant donné la complexité desphénomènesimpliquésdansledevenirdespesticidesdans les sols, lesmodèlesmécanistes, basés sur unedescription physique rigoureuse des processus detransferts, sont des outils potentiellement pertinents(Vancloosteretal.,2004)quipermettentdeprédirelesconcentrationsenpesticidesdansdiverscompartimentsde l’environnement (on parle de PEC – Predicted Environmental Concentration),notammentdanslesol.

Lesmodèlesutilisentprincipalementdesinformationsdisponiblessurlescaractéristiquesdessols, leclimatet les propriétés des pesticides pour décrire/évaluerledevenirdespesticidesdansl’environnement.Cetteapprocheparmodélisationestégalementrecommandéeet utilisée par le groupe d’experts FOCUS1 mis enplaceparlaCommissioneuropéennepourfournirdesdirectives en matière d’homologation (autorisation)des pesticides (FOCUS, 2000; FOCUS, 2009). Lesmodèles d’estimation des PEC disponibles vont desplus complexes (dynamiques et multicouches) auxplussimples(baséssuruneéquationanalytique).Lesmodèles complexes contiennent un grand nombrede variables d’entrée parfois difficiles à estimer,tandis que les modèles simples sont généralementbasés sur une équation analytique ne décrivant queles processus les plus importants et réduisent doncles données nécessaires à l’application du modèle.Cette simplification rend le modèle plus compatibleavec les bases de données disponibles, améliore sa«transparence»etfacilitedoncsonutilisationcommeoutild’aideàladécision(Tiktaketal.,2006).Cependant,lesmodèles simples conduisent le plus souvent à unbiais (Tiktak et al., 2006) de la fraction de pesticidelixivié, du fait qu’ils ne tiennent généralement pascompte de l’hétérogénéité verticale (morphologique)des sols et se basent sur l’hypothèsede conditions àl’équilibre hydrodynamique (flux d’eau et de solutésconstants).Tiktaketal.(2002)ontnotammentmontréque la concentration en pesticide lixivié est sous-estiméelorsquel’hétérogénéitémorphologiquedusoln’estpaspriseencompte(onconsidèreleprofildesolcommeétanthomogène).

En Wallonie, des informations détaillées sur lescaractéristiquesdes solset le climat sontdisponiblespouruneutilisationdansunedémarchedemodélisationmécaniste du transfert des pesticides du sol vers leseaux souterraines. La Carte Numérique des Sols deWallonie(CNSW)etlabasededonnéesd’analysedes

rainfallsurplus(waterfluxintothesoilorhydrousbalance).Asensitivityanalysishasshownthatthemodelisverysensitivetosoilthickness,toorganicmattercontent,tothebulkdensityofthemineralfractionbytexturalclassesandoftheorganicmatter.Therefore,thesepedologicalvariableshavetobeassessedwiththehighestprecisiontoavoidaddingfurtheruncertaintytothepredictionsobtained.Onthebasisofthemostsensitivesoilvariables,theanalysisof“spatial”uncertaintyrelatedtotheresultsdeliveredbyMetaPEARL,duetotheconsiderationofanuniquerepresentativevaluebysoiltypeandbyregion(deterministicapproach),showsthatthisapproachtendstounder-estimatetheconcentrationofpesticideleachedinthesoil,comparedtotheuseofastochasticsimulation(probabilisticapproach)whichtakesintoaccountthesoilcharacteristicvariabilitywithinagivensoiltype.Thisstochasticapproachallowsalsothecalculationofamorerelevantthresholdofriskprobability(percentile)whichcanbecomparedtoanimposedstandardinviewtoenhanceasustainablemanagementofnaturalresources.Keywords.Pesticides,leaching,soilsensitivity,waterpollution,groundwater,simulationmodels,MetaPEARL,Wallonia.

1FOrum for the Co-ordination of pesticide fate models and their USe.

Sensibilitédessolsàlalixiviationdespesticides 711

solsAardewerk,quiaaccompagnélaréalisationdesrelevés de terrain, sont des sources d’informationsdiversifiéessurlescaractéristiquesdessols,utilisablesdans le cadre de la modélisation du transfert despesticidesversleseauxsouterraines.

Cetteétudeapourobjectifprincipaldevaloriserl’information pédologique disponible en Wallonie,au travers de la CNSW et de la base de donnéesAardewerk, dans le cadre de l’évaluation de lasensibilité des sols au transfert des pesticides versleseauxsouterraines,àpartird’unmodèlemécanistedéterministe simple appelé MetaPEARL (Tiktak etal., 2006). Insistons sur le faitquece travail apourambition de prédire la sensibilité intrinsèque du sol(notamment sensibilité relative d’un sol par rapportà un autre) et n’a pas la prétention d’estimer desconcentrations «réelles» (absolues) de pesticidesqui se retrouvent au bas du profil pédologique.L’évaluationdelasensibilitédessolsestréaliséepourquatre pesticides «types» (A, B, C et D), définispar le groupeFOCUS (FOCUS,2000), couvrant unlarge spectre physico-chimique parmi les pesticidesgénéralement employés. Dans une deuxième étape,nousprocédonsàuneanalysedel’incertitudeassociéeaux résultats obtenus par la modélisation, en sefocalisantsurlesdonnéespédologiques.L’analyseestlimitée à l’incertitude associée aux résultats fournisparMetaPEARL,dufaitdelanon-priseencomptedelavariabilitédescaractéristiquespédologiquesauseindesUnitésCartographiquesdesSols(UCS)lorsd’uneapplication déterministe (considération d’une valeurreprésentativeuniquepourchaquevariabled’entrée)deMetaPEARL.Cetteanalysed’incertitudeliéeauxvariablespédologiquespermetdemettreenévidencel’importancedelapriseencomptedelavariabilitéauseindesUCS,grâceàuneapplicationstochastiquedumodèledéterministeMetaPEARL.

2. MatérIel et MéthoDeS

2.1. MetaPearl

MetaPEARLestunmétamodèledumodèlemécanisteplus complet GeoPEARL. La «métamodélisation»consiste à réduire le modèle mécaniste complet enuneéquationmathématique(analytique)simple,enneconsidérantquelesprocessus(rétention,dégradation,etc.)auxquelslessorties(outputs)dumodèlecompletd’originesontlesplussensibles,etennesefocalisantquesurlesvariablesd’entréedumodèled’originequisontfacilementaccessibles,autraversnotammentdela carte des sols et des bases de données d’analysedesols.Cettesimplificationrendlemétamodèleplusfaciled’utilisationetplus«transparent»comparéaumodèled’origine.

MetaPEARLaétécalibréàpartirdesimulationsde concentrations en pesticide lixivié à 1m deprofondeurdusol,obtenuesviaEuroPEARL(Tiktaket al., 2004). Ce dernier modèle est la version deGeoPEARL (Tiktak et al., 2003) paramétrée àl’échelleeuropéenne.Donc,MetaPEARLfournitlui-mêmelaconcentrationenpesticidelixiviéàmaximum1mdeprofondeur.Ils’agiteneffetdelaprofondeurrecommandéedanslecadredelaDirectiveeuropéenne«eauxsouterraines»(ParlementeuropéenetConseilde l’Union européenne, 2006) pour une détectionprécocedelapollutiondeseauxsouterrainesparlespesticides.Lespesticides lixiviésàcetteprofondeursontconsidéréscommepouvantfacilementatteindreles nappes souterraines (approche conservatrice).La concentration en pesticide lixivié prédite parMetaPEARLpourra alors être comparée à la normede potabilité (0,1μg.l-1) des eaux souterraines envue d’évaluer le risque potentiel de pollution desnappes d’eau. Les lignes qui suivent décriventbrièvementMetaPEARL.DeplusamplesdétailssurcemétamodèlesontfournisdansTiktaketal.(2006).

GeoPEARL, à partir duquel MetaPEARL a étémis au point, est unmodèlemécaniste, dynamique,multi-coucheset spatialementdistribué. Il considèreunflux transitoired’eauetde soluté,une isothermed’adsorption de Freundlich, une cinétique dedégradation du premier ordre et un prélèvementpassifdespesticidesparlaplante.Iltientcomptedeladifférenciationverticale(morphologique)duprofil,alorsqueMetaPEARLconsidèreleprofilpédologiquecomme étant homogène, par l’utilisation decaractéristiques pédologiques moyennes (pondéréespar les épaisseursdeshorizonspédologiques) sur lemètredeprofil.Iln’intègredoncpasladifférenciationverticale des sols. MetaPEARL suppose égalementun flux d’eau et de solutés constant. Il considèrepar ailleurs un sol initialement «libre» de toutpesticide,surlequelonappliqueunedoseannuellede1kg.ha-1àlasurfacedusol,unjouraprèsl’émergencede la plante. L’absorption racinaire du pesticide estégalementignoréedufaitquecelle-cin’estréellementsignificative que si la rétention du pesticide par lamatièreorganiquedusolestquasimentnulle(Tiktaket al., 2006). MetaPEARL a également été calibrépourdeuxsaisonsclimatiques,correspondantàdeuxpériodes d’application des pesticides: printemps etautomne.

MetaPEARL a été validé par comparaison avecEuroPEARL, sur base de méthodes qualitatives(observation visuelle subjective) et quantitatives(indicateurs statistiques de performance comme leRMSE–Root Mean Square Error).Laperformancedu métamodèle est généralement bonne puisqu’ilexplique plus de 90% de la variabilité des sortiesd’EuroPEARL(Tiktaketal.,2006).


L’équationdeMetaPEARLestlasuivante:

CL=exp(α0-α1.X1-α2.X2) (équation1)

avec:X1=μ.θ.L (équation2)

q

etX2 = μ.ρ.fom.Kom.L (équation3)

q

oùCL (μg.l-1)est laconcentrationenpesticide lixivié

par l’eau du sol au bas du profil pédologique ou àmaximum1mdeprofondeursileprofilestplusépaisquecetteprofondeurcible;µ(jour-1)lecoefficientdedégradationdepremierordredupesticide(µ=ln(2),

DT50avecDT50(jour)letempsdedemi-viedupesticide);θ(m3.m-3)lateneureneauvolumiquedusol;L(m)laprofondeurdusol;q(mparjour)lefluxd’eaudanslesol(bilanhydriqueourechargenette);ρ(kg.dm-3)ladensité apparentedu sol; ƒom (kg.kg

-1) la fraction enmatièreorganiquedusoletKom(dm

3.kg-1)lecoefficientd’adsorption du pesticide sur la matière organiquedusol.a0,a1eta2sontlesconstantesempiriquesdecalibration,quisontfonctiondelapérioded’application(automneouprintemps).

2.2. application de MetaPearl pour la Wallonie (Belgique méridionale)

Laconcentrationenpesticide lixiviéaubasduprofilpédologique(maximum1mdeprofondeur)représenteunindicedesensibilitéintrinsèquedusolautransfertdupesticideversleseauxsouterraines.Lessimulationssont effectuéespourquatrepesticidesgénériques (A,B, C et D) définis par le groupe FOCUS (FOCUS,2000)etpourdeuxsaisonsclimatiques(printempsetautomne), correspondant à deux périodes distinctesd’applicationdespesticides.Lesétapesde traitementdesdonnéesnécessairesaucalculdelaconcentrationen pesticide lixivié au bas du profil de sol avecMetaPEARL sont présentées à lafigure 1. Pour unemeilleurecompréhensiondecettefigure,lelecteurestpriédeseréférerautexteci-après.

Spatialisation des données pédologiques ponctuelles (profils). Lesdonnéesrelativesauxpropriétésphysico-chimiques des sols, nécessaires à MetaPEARL(tableau 1), sont issues de la base de donnéesAardewerk(VanOrshovenetal.,1993;Legrainetal.,2005). Seuls les profils d’Aardewerk2 sous cultureont été considérés (Figure 2). En tout, 3733profilssousculturepourunnombretotalde15161horizonspédologiques ont été considérés pour la Wallonie,

chaqueprofil étant caractérisé par plusieurs horizonsdécrits et analysés au laboratoire. Afin de dériverde ces données ponctuelles (profils), une cartecontinue des concentrations en pesticides lixiviésvers les eaux souterraines sur l’ensemble des terresagricoleswallonnes,ilestnécessairedelesspatialiser.Plusieurs techniquesgéostatistiques (polygonationdeThiessen, méthode des distances inverses, krigeage,etc.) permettent de réaliser facilement et rapidementcette spatialisation par interpolation. Cependant, cesméthodes résultent souvent en des cartes à l’aspect«lisse» et ne tiennent pas compte explicitementdes caractéristiques physiques liées à la variable àspatialiser.

Afin de pallier ces inconvénients, nous avonschoisi de réaliser la spatialisation sur base desUnités Cartographiques de Sols (UCS)3 de la CarteNumériquedesSolsdeWallonie(CNSW)(Bocketal.,2008),correspondantauxUnitésTypologiquesdeSols(UTS)delaCarte«papier»dessolsdelaBelgiqueà1/20000.

Préalablement à cette spatialisation, il fautaffecter les profils culturaux Aardewerk aux UCScorrespondantes (mêmes caractéristiques morpho-génétiques)delaCNSW,surunebaserégionale.Pourréaliser ces affectations régionales, la technique parregional class-matching (VanOrshoven, 1993) a étéadoptée. L’affectation par regional class-matchingpermet de considérer les spécificités régionalesdes sols, notamment géologiques. En d’autrestermes, un type de profil pédologique de la basede données Aardewerk n’est affecté qu’aux UCScorrespondantes rencontrées dans la même région«géomorphopédologique» d’où provient le profil.Les régions «géomorphopédologiques» utiliséespour l’affectation régionale des profils AardewerksontlesDistrictsdel’EspaceRural(DER)(Figure 3),délimitésprincipalement surbasede laCNSWet entenantcomptede lagéologie,du reliefetdesgrandstraits de l’occupation du sol (Bock et al., 2007).Les profils Aardewerk sont donc affectés aux UCScorrespondantes de la CNSW district par district.Les valeurs des variablesmesurées en chaque profilAardewerk sont donc affectées à tous les polygonesdelaCNSWayantlemêmesiglepédologiqueauseind’unmêmeDER.

2 Cette base de données a été constituée à partir des résultatsd’analyses physiques et physico-chimiques des profils de solsdécrits,échantillonnésetanalysésaulaboratoirelorsdulevédelaCartedesSolsde laBelgique (IRSIA,1947-1991).Lesanalysesportent sur les caractéristiques granulométriques, la teneur enmatière organique et divers autres paramètres tels que le pH, laCEC,etc.3CesUCSsontnomméesparlessiglespédologiquesdelalégendedelaCartedesSolsdelaBelgique.


DER

% A % S COT

x 1,724Profil médian par DER

Homogénéisation des profils

COThomog.

% Shomog.

% Ahomog.

Boon MO

/ 100VMF

RawlsPTF Vereecken

Van Genuchten

MetaPEARLLégende

Base de donnéesDonnées « brutes »Entrée de MetaPEARLOpération Concentration en pesticide lixivié

VOM = 0,224

fomρ

θ

θr α

α1

α0

α2

nθs

épaisseurhorizon

SAiSOn

BCGMS DT50

/ 1,724

KOMμ

ln2

DT50

Koc

Pluie ETP

-

q

CLiMAT PESTiCiDE

épaisseurdu profil

Classe texturale

SOLCnSW et Aardewerk

Figure 1.Représentationsynoptiquedel’applicationdeMetaPEARLpourlaWallonie(Belgiqueméridionale)—Diagram of the MetaPEARL application for Wallonia (Southern Belgium).

BCGMS:systèmebelgedemonitoringdelacroissancedescultures—Belgian crop growth monitoring system;COT:pourcentagedecarboneorganiquetotal—percentage of organic carbone;COThomog.:pourcentagemoyenne(pondéréparlesépaisseursdeshorizons)encarboneorganiquetotalduprofil—average (using thickness as weighing factor) percentage of organic carbon of the soil profile ;DER:districtdel’espacerural—rural districts;DT50:tempsdedemi-viedupesticide—pesticide half-life ;ETP:évapotranspirationpotentielle—potential evapotranspiration ;Koc:coefficientd’adsorptiondupesticidesurlecarboneorganiquedusol—soil organic carbon sorption coefficient of the pesticide;Kom:coefficientd’adsorptiondupesticidesurlamatièreorganiquedusol—soil organic matter sorption coefficient of the pesticide ;ln2:logarithmenépériende2—natural logarithm of 2 ;MO:pourcentagedematièreorganique—percentageoforganic matter;%A:pourcentaged’argile—percentage of clay;%Ahomog.:pourcentagemoyenne(pondéréparlesépaisseursdeshorizons)enargileduprofil—average (using thickness as weighing factor) percentage of clay of the soil profile;%S:pourcentagedesable—percentage of sand ;q:fluxd’eaudanslesol—soil water flux ;S.homog.:pourcentagemoyenne(pondéréparlesépaisseursdeshorizons)ensableduprofil—average (using thickness as weighing factor) percentage of sand of the soil profile ;VMF:densitéapparentedelafractionminéraledusol—bulk density of the mineral soil fraction;PTF:fonctiondepédotransfert—pedotransfer function ;ρ:densitéapparentedusol—soil bulk density ;fom:fractionenmatièreorganique—fraction of organic matter ;VOM:densitéapparentedelafractionenmatièreorganiquedusol—bulk density of the organic matter fraction ; α0,α1,α2:constantesempiriquesdecalibration—empirical calibration constants ;netα:paramètresdeformedel’équationderétentioneneaudusoldeVanGenuchten—shape parameters of soil water retention equation of Van Genuchten;μ:coefficientdedégradationdepremierordredupesticide—first order degradation rate of the pesticide ;θ:teneureneauvolumiquedusol—soil volume fraction of water;θr:teneureneaurésiduelledusol—residual soil water content ;θs:teneureneaudusolàsaturation—saturated soil water content.


Par ailleurs, si au sein du mêmeDER, plusieurs profils Aardewerk sontrencontréspourunmêmetypedesol,unprofil théorique «médian» est dès lorsdéterminéetaffectéàl’ensembledesUCSdelaCNSWcorrespondantautypedesolsconsidéré.Ceprofilthéoriquemédianestdéfini en déterminant les caractéristiquesphysiquesetphysico-chimiquesmédianeshorizon par horizon pour chaque unitétypologique de sols. En tout, 7540horizons « médians » représentatifs ontétédéfinis,pourunnombretotalde1769profils.

Cette méthode d’affectation, si elleprésente l’avantage de tenir compte desspécificités géomorphopédologiquesà travers la CNSW et les DER, exigecependant un temps d’implémentationnettement supérieur aux techniquesgéostatistiquestraditionnelles.Deplus,lecalcul des caractéristiques médianes deshorizonsdesprofilsnetientpascomptedelavariabilitéobservéeauseind’unemêmeUCS(approchedéterministe).

Variables d’entrée pédologiques (cadre « Sol » de la figure 1). Les variablesd’entrée de MetaPEARL relatives auxpropriétés des sols (Figure 1) sontl’épaisseur du profil (L), la densitéapparentedusol(ρ),lafractiondematièreorganiquedusol(fom)et la teneureneaudu sol à la capacité au champ (θ). Cesvariablesd’entréesontcalculéessurbasedesdonnéesbrutessurlesépaisseursdeshorizons, les fractions granulométriquesen argile et sable, la teneur en carboneorganique du sol et la classe texturaledu sol, disponibles dans Aardewerk etlaCNSW (tableau 1).Dans unpremier

tableau 1.Propriétéspédologiquesbrutesnécessairesauxcalculsdesvariablesd’entréepédologiquesdeMetaPEARL—Required raw soil properties for the calculation of MetaPEARL soil input variables.Propriétés des sols origineClassetexturaledusol CNSW/AardewerkNombred’horizonsreconnusdansleprofil AardewerkÉpaisseurdeshorizons(m) AardewerkÉpaisseurtotaleduprofil(m) AardewerkPourcentaged’argile(%-g.100g-1) AardewerkPourcentagedesable(%-g.100g-1) AardewerkPourcentageenmatièreorganique(%-g.100g-1) OM=Corg(Aardewerk)*1,724

Figure 2. Représentationspatialedesprofilsdesolsousculturedelabasede donnéesAardewerk enWallonie (Belgique méridionale)— Spatial representation of agricultural soil profiles of the Aardewerk database in Wallonia (Southern Belgium).

Profils culturauxd’Aardewerk

0 15 30 60 km

n

Figure 3. Limitesdes24Districtsdel’EspaceRural(DER)deWallonie(Belgique méridionale), définis principalement à partir de la CarteNumériquedesSolsdeWallonie(CNSW)—Boundaries of the 24 rural Districts (DER) of Wallonia, defined on the basis of de Digital Soil Map of Wallonia (DSMW).

Districts de l’EspaceRural (DER)

0 15 30 60 km

n

1 23

4 5 6

78

9

11

12

13

14 15

16

17

18 19

20

21

2223 24

10


temps, les caractéristiques médianes des horizonsdes profils sont déterminées. Ensuite, une valeurmoyenne, pondérée par les épaisseurs des horizonspédologiques, est calculée sur l’ensemble du profilpour chacune des données brutes précitées, afin dedéfinirunevaleuruniqueparprofil(homogénéisationduprofil),nécessaireaucalculdesvariablesd’entréede MetaPEARL (qui ne prend pas en compte ladifférenciationverticaleduprofil).

L’épaisseur totale du profil est calculée commeétantlasommedesépaisseursdeshorizonsconstituantleprofil.Uneépaisseurmaximalede1mestconsidéréelorsque l’épaisseur du profil est supérieure à cettedernièrevaleur.

Lafractionenmatièreorganique(fom)estobtenueenmultipliant la fraction en carbone organique total(fCOT)

4par1,724,quiestlefacteurdeconversionpourles sols cultivés (Baize, 2000). La densité apparentedu sol (ρ) est estimée à partir de la fonction depédotransfert5deRawls(1983),calibréepourlessolsbelgesparBoon(Van Orshoven,1993).L’humiditédusol(θ)àlacapacitéauchamp(pF=2,4)estestiméeàpartirdumodèledeVanGenuchten(1980)etgrâceaux fonctions de pédotransfert de Vereecken (1988)quipermettentlecalculdesparamètresdumodèledeVanGenuchten.

Variable d’entrée climatique (cadre « clIMat » de la figure 1). Lesdonnéesmétéorologiquesjournalièresutiliséespour calculer lefluxd’eaudans le sol«q»(bilanhydriqueourechargenettedelanappe)nécessaireà MetaPEARL proviennent du système belge demonitoringdesrendementsdescultures«B-CGMS»(Tychonet al., 2000).Lefluxd’eauaubasduprofil

pédologique est calculé comme la différence entreles précipitations et l’évapotranspiration potentielle(ETP). La moyenne sur la période 1988-2008 dessommes annuelles des précipitations et ETP a étécalculée parB-CGMS en chaquemaille d’une grillede 10kmx10km couvrant la Wallonie. La valeurmédiane de ces précipitations et ETP calculées pargrilleaensuiteétédéterminéepourchaqueDER.Lesvaleursmédianesde«q»obtenuesvariententre162(DER6)6et559mmparan(DER18)7.

Variables d’entrée liées aux propriétés des pesticides (cadre « PeStIcIDe » de la figure 1).LespropriétésdespesticidesgénériquesA,B,CetDontétédéfiniesdemanièreàcequ’ilscouvrentunlargespectrephysico-chimique des pesticides couramment employés.LeurscaractéristiquesnécessairesàMetaPEARLsontreprisesautableau 2.Ils’agitdutempsdedemi-vieouconstantededégradation (DT50)etducoefficientdepartagedupesticideentrelamatièreorganiqueetl’eau(Kom). Ces quatre pesticides sont considérés commemontrantdescomportementsdesorptionindépendantsdupHdusol(FOCUS,2000).

Les modalités d’usage des pesticides prisesen compte sont: une application annuelle, soit auprintemps(surmaïs)ouenautomne(surbléd’hiver),àunedosede1kg.ha-1,unjouravantl’émergenceetàlasurfacedusol.

constantes de calibration liées à la saison climatique d’application des pesticides (cadre « SaISon » de la figure 1). Pour rappel, MetaPEARL a été calibrépourdeux saisons climatiques, correspondant àdeuxpériodes d’application des pesticides: printemps etautomne. Les paramètres du modèle choisis pources deux saisons sont présentés au tableau 3. Ils

4fCOT =%COT

1005Une fonctiondepédotransfertutilisedesdonnéespédologiquesbrutesmesuréesetreprisesdanslesbasesdedonnéespédologiquesexistantespourestimerdesdonnéespédologiquesnondirectementdisponiblesdanscesmêmesbasesdedonnées.6Districtdessolslimoneuxdominantsdesbas-plateauxdelaHesbayeorientale(DER6).7 District des sols limono-caillouteux de l’Ardenne centro-occidentale(DER18).

tableau 2.Propriétésdesquatrepesticides«types»utilisés—Properties of the four classic types of pesticides used.

Pesticide Définition Kom (dm3.kg-1) Dt50(jours)A Moyennementpersistant,faiblementadsorbantetnonvolatil 60 60B Faiblementpersistant,trèsfaiblementadsorbantetquelquepeuvolatil 10 20C Faiblementpersistantetmoyennementadsorbant 100 20D Faiblementpersistantetfaiblementadsorbant 35 20

tableau 3. Paramètres de régression de MetaPEARLpour des applications de pesticides au printemps et enautomne—Regression parameters of MetaPEARL for spring and autumn applications of pesticides.Paramètre Printemps automneα0 4,72 4,95α1 0,39 0,16α2 0,58 0,60


correspondent à la zone climatique «TW-Temperate and Wet »(tempéréeethumide)choisiepournosrégions.

3. réSultatS et DIScuSSIon

3.1. estimation des concentrations en pesticides lixiviés pour la Wallonie entière

MetaPEARL prédit des concentrations en pesticideslixiviés qui augmentent dans l’ordre suivant:pesticideB> pesticideA> pesticideC≈ pesticideD,comme lemontrent lesfigures 4 et5, respectivementpour le printemps et l’automne. Les sols sont doncplus sensibles à la lixiviation (transfert vers les eauxsouterraines) des pesticidesA et B etmoins sensiblespour les pesticidesC et D, comme l’ont égalementmontré Tiktak et al. (2006). En effet, lorsque lecoefficientderétentionsurlamatièreorganiqueesttrèsfaible(casdupesticideBavecunKomde10dm

3.kg-1)ouqueletempsdedemi-vieestrelativementélevé(cas

dupesticideAavecunDT50de60jours),lepesticideest plus rapidement lixivié car très peu retenu par lamatière organique du sol (cas du pesticideB) ou sedégrademoinsviteetrestedoncdisponibledanslesolpourêtreéventuellement lixivié lorsdeprécipitations.Tandisquequandlecoefficientderétentiondupesticidesurlamatièreorganiquedusolesttrèsélevéetquesontempsdedemi-vieest faible,cequiestnotamment lecas pour le pesticideC (Kom de 100dm

3.kg-1 etDT50de20jours),laconcentrationenpesticidelixiviéesttrèsfaible(<0,01μg.l-1) tantauprintempsqu’enautomne.Le pesticide est dans ce cas fortement retenu par lamatièreorganiquedusol (dufaitdesonKomélevé)etplusrapidementdégradé(DT50de20jours).

Par ailleurs, seuls les pesticides de typeA et Bpermettent de distinguer des régions relativementcontrastéesd’unpointdevuedelasensibilitédeleurssols à la lixiviation des pesticides. Le fort contrasterégional observé pour ces deux pesticides montreune bonne corrélation avec les teneurs en sable(Figure 6) et en matière organique (Figure 7) d’une

Figure 4. ConcentrationsenpesticidesA,B,CetDlixiviésestiméespourdesapplicationsdepesticidesauprintempsenWallonie(Belgiqueméridionale)—Concentrations of leached A, B, C and D pesticides estimated for spring applications of pesticides in Wallonia (Southern part of Belgium).

Concentration (μg.l-1)Pesticide A_Printemps

Pesticide A - printemps Pesticide B - printemps

Concentration (μg.l-1)Pesticide B_Printemps

0 - 0,010,01 - 0,10,1 - 1> 1

0 - 0,010,01 - 0,10,1 - 1> 1

0 15 30 60 km 0 15 30 60 kmn n

Pesticide C - printemps Pesticide D - printemps

Concentration (μg.l-1)Pesticide D_Printemps

Concentration (μg.l-1)Pesticide C_Printemps

0 - 0,010,01 - 0,10,1 - 1> 1

0 - 0,010,01 - 0,10,1 - 1> 1

0 15 30 60 km0 15 30 60 kmnn


Pesticide A - automne

Concentration (μg.l-1)Pesticide A_Automne

0 - 0,010,01 - 0,10,1 - 1> 1

0 15 30 60 kmn

Pesticide B - automne

Concentration (μg.l-1)Pesticide B_Automne

0 - 0,010,01 - 0,10,1 - 1> 1

0 15 30 60 kmn

Pesticide C - automne Pesticide D - automne

Concentration (μg.l-1)Pesticide C_Automne

0 - 0,010,01 - 0,10,1 - 1> 1

0 15 30 60 kmn

Concentration (μg.l-1)Pesticide D_Automne

0 - 0,010,01 - 0,10,1 - 1> 1

0 15 30 60 kmn

Figure 5. Concentrations enpesticidesA,B,CetD lixiviés estiméespourdes applicationsdepesticides en automneenWallonie(Belgiqueméridionale)—Concentrations of leached A, B, C and D pesticides estimated for autumn applications of pesticides in Wallonia (Southern part of Belgium).

0 15 30 60 kmn

Teneurmoyenne ensable (% - g.100 g-1)

1-1010-2020-3030-4040-97

Figure 6. Teneursmoyennes pondérées (par les épaisseursdes horizons) en sable des profils cultivés représentatifs(caractéristiquesmédianesdeshorizonsdesprofils)delabasededonnéesAardewerkparunitétypologiquedesols,pourlaWallonie (Belgiqueméridionale)—Average (using horizon thickness as weighing factor) sand content of cultivated and representative soil profiles (median characteristics of soil profile horizons) from Aardewerk database for Wallonia (Southern part of Belgium).

0 15 30 60 kmn

Teneur moyenne en MO (kg.kg-1)

0 - 0,010,01 - 0,020,02 - 0,030,03-0,040,04-0,10

Figure 7. Teneurs moyennes pondérées (par les épaisseursdes horizons) en matière organique des profils cultivésreprésentatifs (caractéristiques médianes des horizons desprofils)delabasededonnéesAardewerkparunitétypologiquedesols,pourlaWallonie(Belgiqueméridionale)—Average (using horizon thickness as weighing factor) organic matter content of cultivated and representative soil profiles (median characteristics of soil profile horizons) from Aardewerk database for Wallonia (Southern part of Belgium).


part, et le bilan hydrique (flux d’eau dans le sol/surplus de précipitations) (Figure 8) d’autre part.En effet, notamment pour le pesticideB, on observeune augmentation des concentrations lixiviées avecl’augmentationdelateneurensabledessols.Cequis’explique par la dominance de la fraction grossière(200-2000μm)auseindelafractiongranulométriquesableuse s.l. (50-2000μm), telle que renseignée parlabasededonnéesAardewerk (VanOrshovenet al.,1993), qui permet un mouvement rapide de l’eauet des substances actives dissoutes dans le sol. Enoutre, au nord du sillon Sambre-et-Meuse (régionslimoneuse et sablo-limoneuse), où le bilan hydriquevarie peu d’une région à l’autre, les concentrationsen pesticides lixiviés diminuent avec l’augmentationdes teneurs en matière organique des sols qui, avecla fractionargileusedu sol, joueun rôled’adsorbant(rétention) pour les pesticides. Au sud du sillonSambre-et-Meuse (régions condrusienne, faménienneetardennaise),malgrédessolsagricolesbienpourvusen matière organique (Figure 7), puisqu’il s’agitgénéralement d’anciennes prairies reconverties enterres cultivées, les concentrations en pesticideslixiviés prédites augmentent généralement avec lesurplus de précipitations (flux d’eau dans le sol).L’évapotranspiration potentielle (qui entre dans lecalcul du surplus de précipitations) variant peu8d’unerégionàl’autreenWallonie,lesconcentrationsen pesticides lixiviés prédites pour le sud du sillonSambre-et-Meuse dépendent donc principalementdesprécipitationsqui y sont plus importantes et trèscontrastées, notamment du fait d’un relief qui y estplusmarqué.

En outre, on constate également, surtout pourles pesticidesA et B, que MetaPEARL prédit desconcentrationsenpesticides lixiviésplus importantesenautomnequ’auprintemps.Ceciconfirmelefaitquela fractiondepesticidequipercoleenprofondeurestextrêmementsensibleàlaquantitédepluie,surtoutaucoursde lapériodequi suitdirectement l’applicationdu produit, comme l’ont également montré Tiktaketal.(2004;2006).Donc,lesimportantsévènementspluvieux qui suivent directement les applications depesticides sont particulièrement impliqués dans letransfert des pesticides vers les nappes souterraines,surtoutdanslessolsavecunetexturegrossièrecommelessolssableux.

Notons qu’un facteur important du devenir decertainspesticidesdanslesol,maisnonprisencompteparMetaPEARL, est le pH du sol. En effet, tel que

déjà évoqué (cfr § 2.2. Variables d’entrée liées auxpropriétésdespesticides),certainspesticidesmontrentdescomportementsdesorptiondirectementdépendantdupHdusol(FOCUS,2000;FOCUS,2009).Stuber(2009)anotammentobservépourunpesticidedonné,et avec le modèle GeoPEARL, des concentrationslixiviées très faiblesdansdessolsenconditionacide(pH<5)deFlandre,ettrèsélevéespourdessolsavecunpH>5delamêmerégion.

Ilestparailleursimportantd’insistersurlefaitquelescartesdeconcentrationsenpesticideslixiviésquiontétéréalisées(Figures 4et5)représententlasensibilitédupremiermètredesolautransfertdespesticides.Ilnes’agitdoncpasdecartesderisquegloballiéàl’usagedes pesticides qui, elles, doivent notamment prendreen compte les pressions engendrées par l’apport depesticides (pressions anthropiques). Ce propos estbienillustréparlacarterelativeauxconcentrationsenpesticideB lixivié en automne (Figure 5). La régionlimoneuse y ressort comme étant peu sensible etl’Ardennetrèssensible,alorsquelarégionlimoneuseestplusàvocationagricoleetquel’emploidepesticidesyestdoncplusimportant(SPW-DGARNE,2010).

3.2. analyse d’incertitude liée aux estimations fournies par MetaPearl

Unproblèmefondamentalliéàl’utilisationdesmodèlesdeprédictionest l’incertitudedontsontentachées lesprédictionseffectuées.Cetteincertitudeestnotammentliée aux approximations successives opérées lors delamodélisation des processus et de la généralisationdecesmodèlesàunvastedomaine,ouàl’estimationdes paramètres d’entrée du modèle (Dubus et al.,2003;Vanclooster et al., 2004).Élucider la question

8Comme lemontre labasededonnéesclimatiqueB-CGMS, lesvaleurs médianes par grille de 10kmx 10km des moyennesannuellessurunesérietemporellede20ans(1988-2008)varientde607à685mmparan,pourunevariationpluviométriqueanaloguede728à1272mmparan.

0 15 30 60 kmn

Bilan hydrique(mm par an)

66-185186-260261-379380-527528-665

Figure 8.Bilanhydriquemoyenannuelsur20ans(1988-2008)parmaillede10kmx10kmdelabasededonnéesmétéorologiques B-CGMS pour la Wallonie (Belgiqueméridionale) — Average annual water balance over 20 years (1988-2008) by 10 km x 10 km grid of the B-CGMS meteorological database for Wallonia (Southern part of Belgium).


de l’incertitude associée aux résultats fournis par lesmodèles est donc indispensable si une quelconqueapplicationdecesrésultatsestenvisagée,notammentdanslecadredeprocessusdécisionnels.

Dans lecadredecetteétude,nousnousfocalisonssur l’incertitude liée à l’estimation des paramètresd’entrée pédologiques du métamodèle MetaPEARL,parl’utilisationdelaCNSWetdelabasededonnéesAardewerk.Deuxtypesd’incertitudesliésàl’estimationdecesvariablespeuventêtreidentifiés:– l’incertitudeque l’onpeutqualifierde«verticale», engendréeparlaconsidérationd’unevaleurmoyenne (pondéréeparlesépaisseursdeshorizons)surtoute l’épaisseur du profil, comme entrée pour MetaPEARL, ignorant ainsi la variabilité morphologique(verticale)duprofil;– l’incertitude qualifiée de «spatiale», liée à la priseencomptedecaractéristiquesmédianespourles horizons des profils par type de sol et par DER (approche déterministe), qui entraine donc la non considération de la variabilité des caractéristiques pédologiquesau seinde lamêmeUCSd’unmême DER.

Dans le cadrede cette étude, nousne traitonsquel’incertitude«spatiale»,celleliéedoncàlavariabilitéspatiale des caractéristiques pédologiques au sein desUCS.L’analyseestconduitedanslecadredecetteétude-ciàl’échelledesDER129et1310couvrantleCondroz.Laconsidérationdel’échellerégionalecommeunitéderéférence pour l’analyse d’incertitude permet de tenircomptede laspécificité régionaledessols,unemêmesériedesols(UCS)delaCNSWpouvantmontrerdesparticularités géo-morpho-pédologiques propres à larégiondanslaquelleelleestlocalisée.NousnouslimitonségalementaupesticideB,pourlequellessolsmontrentunplusgrandcontrastedesensibilitéàsalixiviationversleseauxsouterraines,pourdesapplicationsenautomne.

Préalablementà l’analysed’incertitudeproprementdite, nous procédons à une analyse de sensibilité afind’identifierlesvariablesauxquellesMetaPEARLestleplussensible,quirequièrentdoncunegrandeprécision,souspeined’accroîtrel’incertitudeliéeauxprédictionsréalisées. L’analyse va se limiter à ces variablessensibles.

analyse de sensibilité de MetaPearl aux variables pédologiques. Les variables pédologiques dont lasensibilité a été testée sont: l’épaisseur du profil(L), la fraction en matière organique du sol (fom),la densité apparente de la matière organique du sol

(VOM)11,ladensitéapparentedelafractionminéraledu sol par classe texturale (VMF)12 et les teneurs enargile (%) et sable (%). L et fom sont deux variablesd’entrée directes deMetaPEARL (cfr § 2.1.). VOMet VMF interviennent, avec la matière organique,dans le calcul de la densité apparenteglobale du sol(r), qui est également une variable d'entrée directedeMetaPEARL. Les teneurs en argile et sable sontindirectement13 utilisées dans le calcul de l’humiditévolumétrique du sol à la capacité au champ (θ), quiest la dernière variable pédologique d’entrée directedeMetaPEARL.L’analysedesensibilitéaétéréaliséeaveclaméthodequiconsisteàfairevarierunfacteuràlafois,enmaintenanttouslesautresconstants.

Lamodificationde -10%et+10%de lavaleurinitialement prise par chaque variable fournit deuxvaleursdesortiesupplémentairesdumodèle(enplusde la valeur de sortie initiale obtenue à partir de lavaleurd’entréeinitiale).Decesdeuxvaleursd’entrée(correspondantauxmodificationsde-10%et+10%),celleproduisantlaplusgrandevariationauniveaudelasortieestretenuepourl’évaluation.Unpourcentagede variation (Favis-Mortlock et al., 199014 cité parFélixetal.,2005)etunindicedesensibilité(Jolicoeur,,200215citéparFélixetal.,2005)sontcalculésd’aprèslesformulessuivantes:

%Variation=S2-S1x100 (équation4) S1

S2-S1 SmoyIS=

E2 -E1 (équation

5)

Emoy

9Districtdessolslimono-caillouteuxoulimoneuxduCondrozenrivegauchedeMeuse-Entre-Sambre-et-Meuse(DER12).10Districtdessolslimono-caillouteuxoulimoneuxduCondrozenrivedroitedeMeuse(DER13).

11SelonVanOrshoven(1993),VOMvaut0,224kg.dm-3.12VMFvarieenfonctionde laclasse texturaledusol.VMFestégale à 1,55kg.dm-3 pour les classes de textureZ et S, 1,41kg.dm-3 pour les classesP, A et E, 1,30kg.dm-3 pour la classeL,1,35kg.dm-3 pour la classeU et 1,25kg.dm-3 pour la classeG(VanOrshoven,1993).13 Les teneurs en argile (%) et sable (%) interviennent dansles fonctions de pédotransfert de Vereecken pour le calcul del’humiditérésiduelledusol(θr),del’humiditédusolàsaturation(θs)etdesparamètresdeformedelacourbederétentioneneaudusol(m,netα).θr,θs,m,netαsontensuiteutilisésdanslemodèledeVanGenuchtenpourcalculerl’humiditévolumétriquedusolàlacapacitéauchamp(θ)(cfr§2.1.).14Favis-MortlockD.T.&SmithF.R.,1990.AsensitivityanalysisofEPIC. In:SharpleyW., ed.EPICErosion/Productivity ImpactCalculator, 1. Model Documentation. U.S. Department ofAgriculture. Agric. Techn. Bull., 1768, 178-190, cité par Félixetal.,2005.15Jolicoeur,2002.Screening designs sensitivity of a nitrate leaching model (ANIMO) using a one-at-a-time method.Binghampton,NY,USA:BinghamptonUniversity,StateUniversityofNewYork,citéparFélixetal.,2005.


où«%Variation »est lepourcentagedevariationdeMetaPEARLparrapportàlasortieinitiale,«IS»estl’indicedesensibilitédelasortiedumétamodèle;E1la valeur initiale (avant modification) de la variabled’entrée;E2lavaleurtestéeretenue(-10%ou+10%delavaleurinitiale);EmoylamoyenneentreE1etE2;S1etS2sontrespectivementlessortiescorrespondantà E1 et E2; Smoy est la moyenne entre S1 et S2. Cesindicespermettentd’avoirunebasequantitativepourexprimerlasensibilitédessortiesdumodèlevis-à-visdes variables d’entrée. Le pourcentage de variationindique directement l’impact de la variation d’unevariabled’entréesurlasortiedumodèle.Unindicedesensibilité(IS)égalà1indiquequeletauxdevariationd’unparamètredonnéentrainelemêmetauxauniveaudessorties;unevaleurnégativeindiquequelesentréesetlessortiesvarientensensinverseetplusgrandestl’indiceenvaleurabsolue,plusgrandestl’impactqu’unparamètredonnépourraavoirsurunesortiespécifique.

Lesfigures 9et10 représententrespectivementlepourcentage de variation et l’indice de sensibilité delaconcentrationenpesticide«B»lixiviéenautomneà1mdeprofondeurd’unsol«Aba1»16duCondroz,estimée par MetaPEARL, pour des variations de±10%desvariablesd’entréeconsidérées.Lesrésultatsobtenus montrent que les variables pédologiquesauxquelleslemodèleestleplussensiblesontparordred’importancel’épaisseurduprofildesol(L),lafractionenmatièreorganique (fom), ladensitéapparentede lafractionminéraledusol(VMF)etladensitéapparentedelamatièreorganiquedusol(VOM).Ils’agitdoncdes variables pour lesquelles on doit disposer desources de données de qualité, sous peine d’affecterune incertitude supplémentaire aux concentrationsprédites par MetaPEARL. On observe notammentqu’uneaugmentationde10%delafractionenmatièreorganique du sol (fom) peut entrainer une diminutiondequasiment50%delaconcentrationenpesticideBlixivié,étantdonnéunindicedesensibiliténégatifpourcettevariable.

analyse de l’incertitude liée à MetaPearl. Surbase des quatre variables pédologiques les plussensibles(épaisseurduprofildesol,fractionenmatièreorganique, densité apparente de la fraction minéraledu sol et densité apparente de la matière organiquedu sol), une analyse d’incertitude a été réalisée pourtrois types de sols représentatifs, d’un point de vuesurfacique,desterrescultivées17enWallonie.Cesont:Aba1 (sols limoneux à drainage naturel favorable,à horizonB textural; variante à horizonA mince),Aca1 (sols limoneux à drainage naturel modéré, àhorizonB textural; variante à horizonA mince) etGbap2(solslimono-caillouteuxàchargepsammitique,à drainage naturel favorable, à horizonB textural;substratpsammitiqueapparaissantentre40et80cmde

16Solslimoneuxàdrainagefavorable,varianteàhorizonAmince.Ces sols couvrant 18% de la surface totale des sols cultivés enWallonie, d’après laCarte d’Occupation des Sols deWallonie –VersionV2_07.17LessolscultivésontétédéterminéssurbaseducroisemententrelaCNSWetlacarted’OccupationdesSolsdeWallonie–COSW–versionV2_07(FUSAGXetal.,2007).Précisonsquelesprairies,quioccupentquasimentlamoitiédelasurfaceagricoleutileetsurlesquellesonmettrèsrarementdepesticides,n’ontpasétéprisesencompte.

Variables pédologiques

Varia

tion

(%)

L fom VOM VMF % A % S

70

60

50

40

30

20

10

0

Figure 9. Pourcentage de variation de la concentration enpesticideB lixivié en automne fournie par MetaPEARL,pour des variations de 10% des variables d’entréepédologiquespourunsolAba1duCondroz—Variation in percentage of the concentration of leached pesticide B in autumn calculated by MetaPEARL for a variation of 10% of soil input variables for Aba1 soil type from Condroz.

Variables pédologiques

L fom VOM VMF % A % S

ind

ice

de

sens

ibili

té

1

0

-1

-2

-3

-4

-5

Figure 10. Indice de sensibilité de la concentration enpesticideBlixiviéenautomnefournieparMetaPEARLpourdesvariationsde10%desvariablesd’entréepédologiquespour un solAba1 du Condroz—Sensitivity index of the concentration of leached pesticide B in autumn calculated by MetaPEARL, for a variation of 10% of soil input variables for Aba1 soil type from Condroz.Unindicedesensibiliténégatifsignifiequelavariabled’entréeetlasortievarientensensinverse—A negative index means that the input variable and the output vary in opposite ways.


profondeur).Lesprofilsconsidérésdeces trois typesde sols proviennent des DER12 et 13, couvrant larégionduCondroz,où lessolsAba1,Aca1etGbap2occupent respectivement 10%, 2% et 7% des solscultivés(prairiesexclues)danscesdeuxDER.

La méthode d’analyse d’incertitude utilisée estcelle dite deMonte Carlo (Zhang et al., 1993). Elleconsisteenuneapplicationstochastique(probabiliste)dumodèledéterministeMetaPEARL.Dansunpremiertemps, il est procédé à une reconstitution d’unepopulation de 1000valeurs aléatoires, pour chacunedesquatrevariableslesplussensiblesprécitées,selonunedistributionnormaleounonnormaleautourdelavaleur initiale observée (moyenne) et en considérantun écart-type donné. Ensuite, la concentration enpesticideBlixiviéenautomneestcalculéepourchaquecombinaisondevaleuraléatoireobtenue.

Pour chacune des quatre variables sensiblesconsidérées, la valeur initiale (moyenne) et l’écart-typequisontutilisésdansl’approchedeMonte-Carlosontcalculésoufixés,etladistributiondeprobabilitécaractérisant chaque variable est déterminée(tableau 4). Pour la variable «MO», la moyenneet l’écart-type sont calculés sur base du nombre deprofils (échantillons) disponibles dans lesDER12 et13,etsadistributionestdéterminéeàpartirdutestdenormalitédeAnderson-Darling,quipermetdevérifiersiunevariablesuitunedistributionnormaleoupas.Eneffet,ladistributioncaractérisantlavariableestutiliséedanslagénérationaléatoiredesvaleursdelavariableenquestion.Les teneursenMOdusolAba1suiventune distribution log-normale18 pour une populationde 42profils, tandis que celles des sols Aca1 etGbap2 suivent des distributions normales19 pour despopulationsrespectivesde9et7profils.

Encequi concerne lavariable«L», étantdonnéqu’elleaétédéterminéesurleterrainparlecartographeavecunecertaine imprécision,nous luiavonsaffectéun écart-type (incertitude) de 10% par rapport à samoyenne (tableau 4). Nous avons par ailleurs faitl’hypothèsequ’ellesuitunedistributionnormale.Pour

lesvariablesfixées«VOM»et«VMF»,unécart-typede 10% leur a également été affecté, et nous avonsaussidansleurcasfaitl’hypothèsequ’ellessuiventdesdistributionsnormales(tableau 4).

Lesfigures 11,12et13représententrespectivementpourlessolsAba1,Aca1etGbap2,leshistogrammesde ladistributionde fréquencesdes1000prédictionsdesconcentrationsenpesticideBlixiviéenautomne,obtenues à partir des 1000valeurs aléatoires(stochastiques)généréespourlesvariablessensibles,engardantlesautresvariablesd’entrée«nonsensibles»àleurvaleurinitiale.Cesfiguresmontrentquelapriseencomptedelavariabilité(doncdel’incertitude)spatialedesquatrevariablespédologiquessensiblesengendreune dispersion très importante des concentrations enpesticideB lixivié prédites. On observe égalementdes différences dans les formes des distributionsstochastiques des concentrations en pesticideBlixivié des trois types de sols, qui s’expliquentpar l’observation de distributions de probabilitésdifférentespourlesvariablespédologiques,d’untypedesolàl’autre,commecelaaégalementétéobservéparPlanchon(2007).

Letableau 5reprendlesprédictionsdéterministes(calculées pour chaque type de sol à partir d’unevaleurmoyenneuniquereprésentativedusoldanslesDER12et13)etstochastiques(avec,pourchaquetypede sol, prise en compte de la variabilité spatiale desvariablesauseindesDER12et13)desconcentrationsen pesticideB lixivié en automne (CL) pour les troistypes de sols considérés. La principale information

tableau 4.Moyenne,écart-typeettypededistributionconsidéréspourlessolsAba1,Aca1etGbap2desDER12et13,dansl’analysedel’incertitudeliéeàMetaPEARL—Mean, standard deviation and distribution type for Aba1, Aca1 and Gbap2 soils of DER 12 and 13, in the MetaPEARL uncertainty analysis.Variables sensibles aba1 aca1 Gbap2

Moy. e-t. Distr. Moy. e-t. Distr. Moy. e-t. Distr.fom(kg.kg

-1) 0,007 0,002 Log-normale 0,006 0,001 Normale 0,012 0,003 NormaleL(m) 1,000 0,100 Normale 1,000 0,100 Normale 0,900 0,09 Normale

VOM(kg.dm-3) 0,224 0,022 Normale 0,224 0,022 Normale 0,224 0,022 NormaleVMF(kg.dm-3) 1,410 0,140 Normale 1,410 0,140 Normale 1,410 0,140 NormaleMoy.:moyenne—mean;E-T.:écart-type—standard deviation;Distr.:distributiondeprobabilité—probability distribution.

18 La distribution de fréquence de laMO des solsAba1montreune distribution dissymétrique gauche. La probabilité du test denormalité de «Anderson-Darling» étant par ailleurs inférieure à5% (0,05), le test est significatif, donc la distribution n’est pasnormale. Par contre, le test de log-normalité de la distributionmontre bien que laMO suit une distribution log-normale car laprobabilitédutestde«Anderson-Darling»estsupérieureà5%.19 La probabilité du test de normalité de «Anderson-Darling»étantsupérieureà5%(0,05),letestn’estpassignificatif,doncladistributionestnormale.


Concentration du pesticide B - Automne (μg.l-1)

0 1 2 3 4 5 6

Effe

ctif

120

100

80

60

40

20

0

norme de potabilité de l’eauMoyenne déterministe80e percentile stochastique

Figure 12. Distribution de fréquencesdes 1000 prédictions aléatoires desconcentrations en pesticide B lixivié enautomne pour un solAca1 (DER 12-13,Condroz)—Frequency distribution of 1,000 random values of leached pesticide B concentrations in autumn for Aca1 soil (DER 12-13, Condroz).


0 1 2 3 4 5 6

Effe

ctif

160

140

120

100

80

60

40

20

0


Figure 13. Distribution de fréquencesdes 1000 prédictions aléatoires desconcentrations en pesticideB lixivié enautomnepourun solGbap2 (DER12-13,Condroz)—Frequency distribution of 1,000 random values of leached pesticide B concentrations in autumn for Gbap2 soil(DER 12-13, Condroz).


0 1 2 3 4 5 6 7 8 9

Effe

ctif

140

120

100

80

60

40

20

0


Figure 11. Distribution de fréquencesdes 1000 prédictions aléatoires desconcentrations en pesticide B lixivié enautomne pour un solAba1 (DER 12-13,Condroz)—Frequency distribution of 1,000 random values of leached pesticide B concentrations leaching in autumn for Aba1 soil (DER 12-13, Condroz).


qui ressort de ce tableau est que les prédictionsstochastiques (moyenne, médiane et 80e percentile)sont toutes supérieures à la prédiction déterministedusolcorrespondant.Parailleurs,lefaitquelavaleurmoyenne déterministe soit différente de la moyennestochastiqueconfirme lanon-linéaritédumétamodèleMetaPEARL.

L’approche stochastique est donc plus appropriéepuisqu’elle permet, par la prise en compte de lavariabilitéspatialedesparamètreslesplussensiblesdumodèle,decalculerdesconcentrationsenpesticideBlixiviéplusréalistes.

En conséquence, pour la cartographie du risqueàdesfinsd’outil d’aide à ladécision, il estpertinentde considérer un seuil de probabilité qui permet decouvrir une part importante du risque. Ce seuil deprobabilité peut être le 80e percentile spatial (ligneverticale continue des figures 11, 12 et 13) desconcentrations en pesticideB lixivié, qui signifie que80% de la variabilité spatiale est couverte (FOCUS,2000; FOCUS, 2009).Cette valeur de 80e percentilepeutdoncêtreconsidéréecommelavaleurderéférencedans le cadre d’un processus décisionnel. Elle seracomparée à une valeur cible, en vue de décider del’acceptabilitéounondurisque.Parexemple,danslecadre de la protection des eaux souterraines vis-à-visde la pollutionpar les pesticides, rappelons quepourqu’une eau soit potabilisable, il ne faut pas qu’elleprésente une concentration d’un pesticide donnésupérieure à 0,1μg.l-1 (norme de potabilité de l’eau).Sile80epercentileenconcentrationdepesticidelixiviéestsupérieuràcettevaleurciblede0,1μg.l-1,onpeutadmettre que le sol est sensible à la lixiviation dupesticideenquestion.Concrètement,onregardedoncsi80%descasdevariabilitéprésententuneconcentrationenpesticidelixiviéinférieureàlaconcentrationlimitede0,1μg.l-1pourleseauxsouterraines.Ontolèredoncque20%descasdépassentceseuillimite.Danslecasdenostroistypesdesols(Aba1,Aca1etGbap2),le80epercentiledesconcentrations(respectivementde2,26,2,43et2,37μg.l-1)enpesticideBlixiviéestsupérieuràlanormedeprobabilitéde0,1μg.l-1(Figures 11,12et13).Donc,dansuncontextedegestiondesressources

en eaux souterraines et sur base des hypothèsesd’applicationdespesticidesémises(apportde1kg.ha-1àlasurfacedusol),cestroistypesdesolspeuventêtreconsidéréscommesensiblesautransfertdupesticideBversleseauxsouterraines.

4. concluSIon

LemétamodèleMetaPEARLaétéappliquéàl’échelledelaWalloniepourévaluerlasensibilitédessolsàlalixiviationdespesticidesversleseauxsouterraines,surbasedelaCNSW,desDERetdesdonnéesd’analysesdesolsdelabasededonnéesAardewerk.L’estimationdes concentrations potentielles en pesticides lixiviésa été faite pour quatre pesticides types (A, B, C etD) recommandés par le groupe d’experts européensFOCUS,etpourdeuxsaisonsclimatiques(printempsetautomne),correspondantàdeuxpériodesd’applicationannuelle des pesticides. On observe une sensibilitéimportante des sols à la lixiviation des pesticidesde typeA (coefficient de rétention sur la matièreorganique–Komde60dm

3.kg-1ettempsdedemi-vie–DT50de60jours)etB (Komde10dm

3.kg-1etDT50de20jours)etunefaiblesensibilitépour les typesC(Komde100dm

3.kg-1etDT50de20jours)etD(Komde35dm3.kg-1etDT50de20jours).Cetteobservationconfirme donc le fait que la lixiviation soit plusimportantepourlespesticidesavecunKomtrèsfaible(de l’ordrede10dm3.kg-1pour lepesticideB)ouunDT50relativementélevé(60jourspourlepesticideA).Danscescas, lepesticideestplus rapidement lixiviécar respectivement très peu retenu par la matièreorganique du sol ou se dégrade moins vite et restedoncdisponibledans le solpourêtreéventuellementlixivié lors de précipitations. Par ailleurs, seuls lespesticidesA et B permettent de distinguer des zonesdiversementsensiblesauseindelaWallonie.

Cependant, si un modèle simple commeMetaPEARL permet plus facilement de prédire etcartographier, grâce notamment à l’existence dela CNSW, la sensibilité des sols au transfert despesticidesversleseauxsouterraines,paruneapproche

tableau 5. Prédictionsdéterministesetstochastiques(moyenne,médianeet80epercentile)desconcentrationsenpesticideBlixivié(CL)enautomnepourlessolsAba1,Aca1etGbap2—Deterministic and stochastic predictions (mean, median and 80th percentile) of leached pesticide B concentrations in autumn for Aba1, Aca1 and Gbap2 soils.Sol Prédictions déterministes des cl en pesticide B

en automne (μg.l-1)Prédictions stochastiques des cl en pesticide B en automne (μg.l-1)Moyenne Médiane 80e percentile

Aba1 1,12 1,55 1,24 2,26Aca1 1,58 1,78 1,61 2,43Gbap2 1,01 1,53 1,15 2,37


déterministe (considération d’une valeur unique quipeutêtrelamoyenne,lamédiane,etc.),commec’estlecasdanscetteétude,unegrandeincertitudeestassociéeàcesrésultatsdéterministesfournisparMetaPEARL.D’abord,d’unepartparcequeMetaPEARLconsidèreun profil de sol homogène sur toute son épaisseur(ignorantdonclavariabilitémorphologiqueduprofil),etd’autrepartdu faitnotammentqu’ilne tiennepascompte de la variabilité spatiale (latérale) au seind’unemêmeunitécartographiquedesols (UCS),parlaconsidérationd’unevaleurmoyenneparUCSetparrégion.Uneanalysedel’incertitudeliéeàMetaPEARLa donc été réalisée. Celle-ci s’est focalisée surl’incertitude spatiale liée à l’application déterministede MetaPEARL et en considérant uniquement lesvariablespédologiques.Elleapermisd’estimerl’effetde l’imprécision des variables pédologiques, sur lesprédictionsfourniesparMetaPEARL.

Tout d’abord, une analyse de sensibilité deMetaPEARLpour les variables pédologiquesmontrequ’il faut surtout rester attentif sur l’estimation del’épaisseur du profil pédologique, de la fraction enmatière organique du sol et des densités apparentesdes fractions minérale et organique du sol, souspeine d’affecter une incertitude supplémentaire auxconcentrationspréditesparMetaPEARL.

L’analysed’incertitudeapermisdemontrerquelapriseencomptedelavariabilitéspatialedesvariablespédologiques les plus sensibles, selon une approchestochastique,engendreunedispersiontrèsimportantedes concentrations en pesticideB lixivié préditespar MetaPEARL. Par ailleurs, les concentrationsmoyenne,médiane et 80e percentile stochastiques dupesticideBlixiviésontsupérieuresàlaconcentrationmoyennedéterministedumêmepesticide.L’approchedéterministe a donc tendance à sous-estimer lesconcentrations en pesticide lixivié prédites. Dans uncadredeprisededécisionenmatièreenvironnementale,l’approchestochastiqueestdoncplusappropriée.Unevaleur de référence stochastique acceptable devranéanmoinsêtrefixée.Ilpeuts’agirdu80epercentile,telquerecommandépar legrouped’experteuropéenFOCUS, chargé de fournir des directives enmatièrede modélisation du devenir des pesticides dans lessols.Lechoixdu80epercentilesignifiequ’oncouvre80% de la variabilité spatiale observée, et donc durisqueéventuel.Danslecadred’uneévaluationdelasensibilitédessolsautransfertdespesticidesversleseaux souterraines, on pourra notamment décider decomparercettevaleurseuildeprobabilitéderisqueaveclanormedepotabilitédeseauxsouterraines(0,1μg.l-1)pourdécidersi lesolest sensibleoupasau transfertd’un pesticide donné vers les eaux souterraines.On dira que le sol n’est pas à risque si 80% dessituations (prédictions stochastiques) présentent desconcentrationsinférieuresàladitenorme.Onaccepte

doncquelanormesoitéventuellementdépasséedans20%descas.

Sil’approchestochastiquemontresapertinenceparrapportàl’approchedéterministe,ellerestenéanmoinsplus difficile à mettre en œuvre. Pour pouvoir êtreutilisée à l’échelle d’une grande région comme laWallonie, où la quantité d’information pédologiquedétailléedisponiblesurlessolsesttrèsimportante,autravers de laCNSW (plus de 6000types de sols) etdelabasededonnéesAardewerk(plusde3700profilssous culture), l’approche stochastique nécessitele développement de techniques de traitement desdonnéesplussouplesetperformantes(programmation,etc.)permettantd’automatiserlesopérations.

Enperspectives,ilseraitintéressantd’expliciterlesdifférencesobservéesentreapprochesdéterministeetstochastique. Si la non-linéarité du modèle expliqueune part de celles-ci, les grands écarts observéspourraientégalementprovenirdutypededistributiondeprobabilitéchoisipourlesvariablessensibles,voirede la propagation de l’incertitude engendrée par lapriseencomptesimultanéedelavariabilitédesquatrevariablessensibles.

remerciements

CetteétudeaétéréaliséedanslecadreduprojetPESTEAUX(Miseaupointd’unSystèmed’InformationGéographique(SIG), à l’échelle de la parcelle, évaluant le risque depollution des eaux par l’usage des pesticides), financépar le Centre wallon de Recherches agronomiques. Nousremercionslecomitédepilotagedeceprojetpourl’ensembledesavis,remarquesetcommentairespertinentsémislorsdelaréalisationdecetravail,ainsiqueDr.ir.V.Planchonpourl’aidefournielorsdel’analysestatistiquedesdonnées.

Bibliographie

BaizeD., 2000.Guide des analyses en pédologie. 2e éd.Paris:INRAÉditions.

Bock L. & Bah B., 2007.Carte des Unités de l’Espace Rural. Convention financée par la Région Wallonne (DGA, MRW). Gembloux, Belgique : Unité Sol-Écologie-Territoire (Laboratoire de Géopédologie)et Unité de Gestion des Ressources forestières et desMilieux naturels, Faculté universitaire des SciencesagronomiquesdeGembloux.

Bock L., Legrain X., Veron P., Bracke C., Bah B. &Lejeune P., 2008. Carte Numérique des Sols de Wallonie – version 1.2. Convention financée par la Région Wallonne (DGA, MRW). Gembloux, Belgique : UnitéSol-Écologie-Territoire (Laboratoire de Géopédologie)et Unité de Gestion des Ressources forestières et desMilieux naturels, Faculté universitaire des SciencesagronomiquesdeGembloux.


Commission des Communautés européennes, 2006.Stratégie thématique concernant l’utilisation durable des pesticides. COM(2006) 372 final, non publié auJournalOfficiel.

DubusI.G., BrownC.D. & BeulkeS., 2003. Sourcesof uncertainty in pesticide fate modelling. Sci. Total Environ.,317,53-72.

FélixR.&XanthoulisD., 2005.Analysede sensibilitédumodèle mathématique «Érosion Productivity Impact Calculator» (EPIC) par l’approche One-Factor-At-A-Time(OAT).Biotechnol. Agron. Soc. Environ.,9,179-190.

FOCUS, 2000.FOCUS groundwater scenarios in the EU review of active substances. Report of the FOCUS Groundwater Scenarios Workgroup. EC DocumentReferenceSanco/321/2000rev.2.

FOCUS,2009.Assessing potential for movement of active substances and their metabolites to ground water in the EU. Report of the FOCUS Ground Water Work Group. EC Document Reference Sanco/13144/2010version1.

FUSAGx & MRW-DGA, 2007. Carte d’Occupation des Sols de Wallonie (COSW).Gembloux,Belgique:FacultéuniversitairedesSciencesagronomiquesdeGembloux(FUSAGx);Namur,Belgique:MinistèredelaRégionWallonne-Directiongénéraledel’Agriculture(MRW-DGA).

LegrainX.,BockL.,LejeuneP.&RondeuxJ.,2005.Étude de faisabilité de la phase « révision partielle » du Projet de Cartographie Numérique des Sols de Wallonie (PCNSW). Évaluation de la base de données Aardewerk.Note de la réunion du Comité d’Accompagnement du 14 septembre 2005.Gembloux,Belgique:FUSAGx,UnitéSol-Écologie-Territoire,LaboratoiredeGéopédologie,Unité de Gestion des Ressources forestières et desMilieuxnaturels.

Parlement européen et Conseil de l’Union européenne,2000.Directive 2000/60/CE du Parlement européen etduConseildu23octobre2000établissantuncadrepourunepolitiquecommunautairedansledomainedel’eau.DirectiveCadresurl’Eau(DCE).J. Off. Communautés Eur.,l 327.

Parlement européen et Conseil de l’Union européenne,2006.Directive2006/118/CEduParlementeuropéenetduConseildu12décembre2006 sur laprotectiondeseauxsouterrainescontrelapollutionetladétérioration.J. Off. Union Eur.,l 372,19-31.

PlanchonV., 2007.Détection de valeurs aberrantes dans des mélanges de distributions dissymétriques pour des ensembles de données avec contraintes spatiales.Thèse de doctorat: Faculté universitaire des SciencesagronomiquesdeGembloux(Belgique).

RawlsW.J.,1983.Estimatingsoilbulkdensityfromparticlesizeanalysisandorganicmattercontent.Soil Sci.,135,123-125.

SPW-DGARNE,2010.Tableau de bord de l’environnement wallon 2010. Jambes, Belgique: Service Public de

Wallonie (SPW), Direction Générale opérationnellede l’Agriculture, des Ressources Naturelles et del’Environnement (DGARNE), Département de l’Étudedu Milieu Naturel et Agricole (DEMNA), Directionde l’État environnemental (DEE), Cellule État del’Environnementwallon.

StuberN.,2009.A spatially distributed leaching model for Northern Belgium. Diploma thesis within the framework of geography studies. Frankfurt am Main, Germany:Johann Wolfgang Goethe-University, Department ofPhysicalGeography.

TiktakA.,BoestenJ.&VanderLindenT.,2002.Nationwideassessmentsofnon-pointsourcepollutionwithfield-scaledevelopedmodels:thepesticidecase.In:HunterG.J.&LowellK.E., eds.Proceedings of the 5th International symposium on spatial accuracy assessment, July 2002, Melbourne, Australia,17-30.

TiktakA.,VanderLindenA.M.A.&BoestenJ.J.T.I.,2003.The GeoPEARL model. Model description, applications and manual. RIVM report 716601007/2003.Bilthoven,TheNetherlands:RIVM;Wageningen,TheNetherlands:Alterra.

TiktakA.etal.,2004.Assessmentofthepesticideleachingrisk at the Pan-European level. The EuroPEARLapproach.J. Hydrol.,289,222-238.

TiktakA., BoestenJ.J.T.I., Van der LindenA.M.A.& VancloosterM., 2006. Mapping ground watervulnerabilitytopesticideleachingwithaprocess-basedmetamodelofEuroPEARL.J. Environ. Qual.,35,1213-1226.

TychonB.etal.,2000.Prévision des productions végétales à l’échelle nationale basée sur un système intégré « Modèle agrométéorologique-Télédétection » : analyse de sensibilité et domaine de validité en tant qu’outil d’aide à la décision en politique agricole. Rapport final (Projet B-CGMS). Bruxelles: OSTC, Ministère desClassesmoyennesetdel’Agriculture;Mol,Belgique:VITO.

Van GenuchtenM.T., 1980. A closed-form equation forpredicting the hydraulic conductivity of unsaturatedsoils.Soil Sci. Soc. Am. J.,44,892-898.

Van OrshovenJ., 1993. Assessing hydrodynamic land qualities from soil survey data. PhD thesis:Katholieke Universiteit Leuven, Faculteit derLandbouwwetenschappen,Leuven(Belgium).

Van OrshovenJ. & VandenbrouckeD., 1993. Guide de l’utilisateur de Aardewerk. Base de données de profils pédologiques. Rapport 18B. Bruxelles: Institut pourl’Encouragement de la Recherche Scientifique dansl’Industrie et l’Agriculture (IRSIA), Comité pour ledéveloppementd’unsystèmed’informationssurlessolsbelges(COBIS).

VancloosterM. et al., 2004. On the use of unsaturatedflow and transport models in nutrient and pesticidemanagement. In: FeddesR.A.E.A.E., ed. Unsaturated zone modelling. Wageningen Frontis Book series6.


Dordrecht, The Netherlands: Kluwer AcademicPublishers,331-361.

VereeckenH., 1988. Pedotransfer functions for the generation of hydraulic properties for Belgian soils.PhD thesis: Katholieke Universiteit Leuven, FaculteitderLandbouwwetenschappen,Leuven(Belgium).

ZhangH.,HaanC.T.&NofzigerD.L.,1993.Anapproachto estimating uncertainties in modeling transport ofsolutesthroughsoils.J. Contam. Hydrol.,12,35-50.

(27réf.)

Valorisation de la Carte Numérique des Sols de Wallonie et ...Valorisation de la Carte Numérique...

Documents

Transcript of Valorisation de la Carte Numérique des Sols de Wallonie et ...Valorisation de la Carte Numérique...