Simulation D'une Culture de Blé Dur Par Deux Modèles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA

RECHERCHE SCIENTIFIQUE
Université Ferhat ABBAS –Sétif-1.

Faculté des Sciences de la Nature et de la Vie
Département des Sciences Agronomiques
MEMOIRE DE FIN D’ETUDE

En vue de l'obtention du diplôme:
D’INGENIEUR D’ETAT
En sciences agronomiques
Option: Production et amélioration végétale
THEME
Simulation d'une culture de blé dur (Triticum durum desf)

par deux modèles, en régime "Zéro labour" dans les
conditions semi arides.
Soutenu le : 04 Décembre 2014

Présenté par :
FEKRAOUI Fatima
Devant le jury
Président : MEKHLOUF Abdelhamid MC. Université Ferhat Abbas Sétif 1
Examinateur : ROUAG Nourredine MC. Université Ferhat Abbas Sétif 1
Encadreur : ROUABHI Amar MA. Université Ferhat Abbas Sétif 1
Année universitaire 2013/2014

Remerciements
Je remercie Dieu le tout puissant pour m’avoir donné la force et la patience afin
de pouvoir réaliser ce modeste travail.
Simulation d'une culture de blé dur (Triticum durum desf) par deux modèles,
en régime "Zéro labour" dans les conditions semi arides n’aurait pu être réalisé
sans l’aide d’un grand nombre de personnes.
 Tout d’abord,
Ce travail a été réalisé sous la direction de mon Encadreur Mr. ROUABHI. A
Je tien à lui témoigner toute ma reconnaissance pour la confiance qu’il m’a

accordée en me proposant ce sujet et d’avoir dirigé mon mémoire. Je tien aussi a
le remercie très chaleureusement pour sa bonne humeur, sa disponibilité et ses
conseils toujours avisés tout au long de cette préparation.
Qu’il me soit permis de remercier tous les enseignants du département

d’agronomie, d’avoir fait profiter à tous les étudiants de leurs expériences
scientifiques et pour les précieux enseignements et conseils qu’il nous ont
prodigués tout au long de nos cinq années de l’étude ici à Sétif.
Je remercie tous les Professeurs d’avoir accepté d’examiner mon travail, et d’y
avoir porté leur juste appréciation.
Je remercie mes très chers parents pour leur amour, tendresse, et d’avoir fait de
moi ce que je suis aujourd’hui, mes quatre frères, et mes trois sœurs pour le
courage et le soutien qu’il m’en toujours accordé, surtout, surtout, ma sœur
Malida qui j’aime beaucoup.
Je remercie la personne qui établit le sourire sur mon visage et qu’il m'a donné le
bonheur même en mauvais moments de ma vie, ma meilleure amie de la Pologne
Magdalina.
Mes dernières pensées, et non les moindres, vont à toutes les personnes qui à
titres divers, de près ou de loin, ont contribué à la réalisation de ce travail.
Merci pour tout !
Fatima
Dédicaces
*Plus que jamais je dédie ce modeste travail à mes parents et j’aimerai qu’il soit
le témoignage de leurs consécrations et leurs fois en moi, aux êtres qui me sont les
plus chers à mon cœur ; qui m’ont soutenus tout au long de ma vie quotidienne et
scolaire.
* A celle qui m’a imprégnée de l’essence de son être, de sa générosité et de sa

gentillesse : A toi maman, qui n’a jamais cessé d’être là pour moi je dédie ce
travail qui est le fruit de ta patience et de ton éducation.
* A celui qui n’a guère cessé de me procurer son aide durant mes années de
scolarité et qui a sacrifié sa vie pour donner sens à la mienne : à toi mon père.
* A mes quatre très chers frères :(Taher, Samir, Nabil et Zoubir) pour toute la
gratitude qui me l’ont illustrée durant ces cinq ans ; de loin ou de prés et surtout
pour leurs soutien dans des moments très difficiles et pour mes trois sœurs
(Malida, Samiha et Hanane) pour leurs courage aussi.
* A ma très chère grand-mère.
* A ma tante fadila.
*A ma chère amie, ex copine de chambre : A. Ilham : ♥ zahoo
*Un spéciale dédicace va à celle que je tiens beaucoup à son amitié ; Magdalina ♥
* A tout l’ensemble de mes amis : d’enfance, de scolarité, de cité, de la résidence

« Fatima Zahra ben Samra _BEZ 02 » : Samra, Zahra, Rania, Wafa, Nacira,
Naima, Hadjer, Rafika, Yasmina, Fouzia, Zineb, Samiha…et tous ceux que je
connaisse.
* A tous les étudiants de la 5ème année PAV de la Promo 2013/2014.
Fatima
Table des matières
Remerciements
Dédicace
Table de matières
Liste des notations et abréviation
Liste des tableaux
Liste des figures
Introduction
Chapitre I
Revue bibliographique
I.1. Les différents modèles de culture utilisés en agriculture………………………1
I.1.1. Historique…………………………………………………………………….1
I.1.2. Modèle………………………………………………………………………..1
I.1.3. Typologie des modèles des cultures………………………………………….2
I.1.4. la structuration d’un modèle de culture………………………………………3
I.1.4.1. variable et paramètre……………………………………………………….3
I.1.4.2. Module..........................................................................................................3
I.1.5. Etapes de simulation…………………………………………………………4
I.1.5.1. Analyse du contexte………………………………………………………..4
I.1.5.2. Choix du modèle…………………………………………………………...4
I.1.5.3. Ajustement…………………………………………………………………4
I.1.5.4. Validation…………………………………………………………………..5
I.1.6. les critères de validation des modèles………………………………………..5
I.1.7. Utilisation de modèle………………………………………………………...8
I.1.8. L’utilité des modèles…………………………………………………………9

I.1.8.1. Les modèles comme outils de recherche…………………………………...9
I.1.8.2. Les modèles comme outils d’aide à la décision……………………………9
I.1.8.3. Les modèles comme outils d’enseignement………………………………10
I.1.9.Limites d’utilisation des modèles de cultures……………………………….10
I.2. La céréaliculture………………………………………………………………11
I.2.1. Origine géographique et génétique du blé………………………………….11
I.2. 2. L’importance économique dans le monde………………...........................11
I.2.2.1. L’importance économique en Algérie……………………………………11
I.2.2.2. L’importance économique de la céréaliculture à Sétif…………………..13
I.3. Le semis direct………………………………………………………………..14
I.3.1. Définition………………………………………………………………….14
I.3.2. Historique…………………………………………………………………..14
I. 3.3.L’objectif du semis direct…………………………………………………..14
I.3.4. Système du semis direct et ses perspectives en Algérie…………………..15
I.3.5. Les avantages du semis direct sous couverture végétale………………….15
a. Aspects environnementaux……………………………………………………16
b. Aspects socio-économiques…………………………………………………….16
I.3.6. Les inconvénients du semis direct………………………………………..16

Chapitre II
Matériels et méthodes
II. Matériels et méthodes………………………………………………………….18
II.1.. La situation géographique…………………………………………………18
II.2. Les conditions climatiques du site…………………………………………18
II.3. Le matériel végétal…………………………………………………………19
II.4. Les conditions et l’installation de l’essai………………………………….19
II.5. Suivi et notations sur champ……………………………………………….19
II.5.1. Notation des stades phénologiques……………………………………….19
II.5.2. Suivi de la culture et des conditions du milieu…………………………20
II.5.2.1. Paramètres agronomiques………………………………………………..20
II.6. Description du modèle APSIM………………………………………………20
II.6.1. Paramétrage du logiciel……………………………………………………22
II.6.1.1. Les paramètres climatiques……………………………………………22
II.6.1.2. Les paramètres de la culture……………………………………………23
II.6.1.3. Les paramètres édaphiques…………………………………………….23
II.7. La description du modèle AQUACROP…………………………………….24
II.7.1. Paramétrage du logiciel…………………………………………………..26
II.7.1.1. Les paramètres conservatifs……………………………………………26
II.7.1.2. Les paramètres climatiques……………………………………………26
A. L’évapotranspiration de référence……………………………………………27
II.7.1.3. Les paramètres de la culture…………………………………………..27
II.7.1.4. Les paramètres édaphiques…………………………………………….27

Chapitre III
Résultats et discussions
III. Résultats et discussion………………………………………………………28
III.1. Résultats climatiques………………………………………………………28
III.1.1. la pluviométrie……………………………………………………………28
III.1.2. Les températures maximales et minimales……………………………….28
III.2.Résultats du modèle AQUACROP………………………………………….29
III.2.1. Simulation du bilan hydrique…………………………………………….29
A. Coefficient de réponse du rendement au manque d’eau (Ky)……………..29
B. Calcul l’efficacité d’utilisation de l’eau et ses composantes………………30
III.2.2. Simulation de l’humidité du sol………………………………………….31
III.2.2.1. Humidité de la première profondeur 0-15cm…………………………..31
III.2.2.2. Humidité de la deuxième profondeur 15-35cm………………………...31
III.2.2.3. Humidité de la troisième profondeur 35-50 cm………………………32
III.3. Les différents stress hydrique simulés……………………………………..33
III.4. Fraction du couvert CC…………………………………………………….34
III.5. simulation des composantes du rendement……………………………..34
III.6. Indice de stress hydrique (1- (ETR/ETM), le rendement grain et biomasse.35
III.7. Résultats du modèle Apsim………………………………………………..37
III.7.1. la simulation des rendements………………………………………….37
III.7.2 Le rendement et ses composantes………………………………………37

III.7.2.1. Poids de mille grains (PMG)………………………………………..37
III.7.3. Indice de la Surface Foliaire (Leaf area index Lai)…………………..38
III.7.4. l'absorption racinaire du blé…………………………………………..38
III.7.5. profondeur des racines………………………………………………...39
III.7.6 : La hauteur de la plante……………………………………………….40
III.7.7 : grain protéine…………………………………………………………40
III.7.8 : La couverture végétale……………………………………………….41

III.8. La comparaison entre les résultats de l’AquaCrop et l’Apsim……………42
Conclusion
Références bibliographiques
Résumé
Liste des notions et
abréviations
APSIM : Agricultural production systems simulator
APSRU : Agricultural production system research (l’unité de recherche sur les

systèmes de production agricole)
Biomass : Cumulative biomass produced
CC : couvert végétal
CNIS : Centre national de l’informatique et des statistiques
DAS: Days after sowing [day]
DSA: Direction statistique agricole
EF: L’efficience
EP: Plant water uptake (l’absorption racinaire des plantes)
ET: Evapotranspiration
ETM: Evapotranspiration maximale
ETR: Evapotranspiration réelle
EUE: L’efficacité de l’utilisation de l’eau
ExpStr Average leaf expansion stress (moyenne de stress de l’expansion foliaire)
FAO : Food and Agriculture Organisation
Ha: Hectare
HI: L’indice de récolte de référence HI0.
HI0: Reference harvest index [percent or fraction]
INCO-MED: la direction générale de la recherche de la commission européenne
INRA : Institut national de la recherche agronomique
ISF : Indice de la surface foliaire

JAS : Jour après semis
Ky : Coefficient de réponse du rendement au manque d’eau
LAI: Leaf Area Index
MADR: Ministère de l’agriculture et du développement rural
NE: nombre d’épis par mètre carrée
NGE : nombre de grains par épis
NGM : nombre de grains par mètre carrée
P: Précipitation or rainfall [mm]
PF: Poids Frais
PMG: Poids de mille grains
R² : Coefficient de détermination
RDT: Rendement en grain
RMSE: L’erreur moyenne quadratique
SAT: Point de saturation du sol
SAU : Surface agricole utile
St0Str : Average stomatal stress (moyenne de stress stomatique)
TAW : Total Available soil Water (between FC and PWP), equivalent to the soil
water holding capacity in the root zone [mm/m]
TempStr: Average temperature stress (affecting biomass) (moyenne de stress

de la température (Affectant la biomasse))
WP : Crop biomass water productivity [Tonne of biomass per ha and per mm of

water transpired or kg of biomass per m³ of water transpired]
YM: Rendement simulé
YR: Rendement observé

Liste des tableaux
Tableau I.1 : Critères utilisés pour juger de la qualité des modèles.
Tableau I.2 : Consommation moyenne (kg/hab/an) algérienne de céréales entre 1961-

2005. (FAO, 2007).
Tableau I.3 : Evolution de la production céréalière (10³ t) des pays méditerranéens
(Hervieu et al., 2006)
Tableau I.4 : Blé d’hiver : superficie moissonnée et production (DSA, 2011)
Tableau II.1: tableau récapitulatif des informations agronomiques des parcelles

d’expérimentation.
Tableau II.2 : Les caractéristiques du sol (Apsim)
Tableau II.3 : caractéristiques du sol (AquaCrop).
Tableau III.1 : Evapotranspiration réelle et maximale simulées par AQUACROP
Tableau III.2. Le rendement observé (YR) et le rendement simulé (YM).
Tableau III.3 : Efficacité d’utilisation de l’eau
Tableau III.4 : Erreurs moyennes quadratiques, efficiences du modèle et coefficients

d’ajustements obtenus lors des simulations de l’humidité du sol.
Tableau III.5 : Résultat de simulation les moyenne des stress.
Tableau III.6 : La comparaison entre l’AquaCrop et l’Apsim

Liste des figures
Figure II.1 : situation géographique du site expérimental.
Figure II.2 : Arborescence et structure du modèle APSIM
Figure II.3: Arbre de configuration de simulation.
Figure II.4. L’interface du modèle AquaCrop.
Figure III.1. Précipitations mensuelles de la compagne 2012-2013
Figure III.2 : Evolution des températures extrêmes journalières de la campagne

2012-2013.
Figure III.3 : comparaison entre humidité observé avec simulé à la profondeur de 0-

15 cm
35 cm
50 cm
Figure III.6 : Evolution de la biomasse, du rendement et la couverture végétale.
Figure III.7 : Comparaison entre les rendements simulés et observés.
Figure III.8 : Evolution de l’indice de stress hydrique, de la biomasse et du

rendement grain durant le cycle végétatif.
Figure III.9 : comparaison entre les rendements grain et biomasse simulés et
observés.
Figure III.10 : Evolution de l'ISF selon le modèle APSIM
Figure III.11 : Evolution de l'absorption racinaire selon le modèle APSIM

Figure III.12 : Evolution de la profondeur des racines
Figure III.13 : la hauteur de la plante simulée par Apsim.
Figure III.14 : la teneur d’un grain en protéine simulée.
Figure III.15 : L’évolution de la couverture végétale simulée

Introduction :
La céréaliculture a été depuis longtemps une spéculation la plus dominante de l’agriculture
algérienne, de part l’importance stratégique des produits céréaliers qui constituent l’essentiel de la
ration alimentaire quotidienne de la population et l’importance des superficies qu’elle occupe. La
superficie réservée aux céréales occupe environ 80% de la superficie agricole utile (SAU) du pays,
La superficie emblavée annuellement en céréales se situe entre 3 et 3,5 million d’hectares. Cette
superficie ensemencée se répartie entre l’orge (43%), le blé dur (38%), le blé tendre (9.67%) et
l’avoine (8.06%). Malgré l’importance des superficies emblavées les rendements demeurent faibles.
Pour faire face à cette situation et pallier au déficit alimentaire et la demande d’une population qui
augmente chaque année, L’Algérie a recours aux importations qui la classe parmi les grands
importateurs de blé dans le monde. La quantité des céréales importées durant les dix premiers mois
de 2013 a atteint 8,381 millions de tonnes, contre 8,161 millions de tonnes, en hausse de près de
2,7%, durant la même période de l’année précédente. (CNIS, 2013). L’Algérie a produit 4,9
millions de tonnes de céréales durant la saison 2012-2013 contre 5,12 millions de tonnes lors de la
campagne 2011-2012, 4,24 millions de tonnes en 2010-2011 et 4,5 millions de tonnes en 2009-
2010, alors qu’une production record de 6,12 millions de tonnes avait été enregistrée en 2008-
2009. Les besoins de l’Algérie en céréales sont estimés à environ 8 millions de tonnes par an.
Les caractéristiques climatiques de nos zones céréalières font que la culture du blé se trouve en
général exposé aux contraintes liées à une sécheresse intermittente et a des températures élevées.
Dans les régions arides et semi-arides, la disponibilité en eau est le principal facteur limitant de la
production des céréales. L’Algérie fait partie de ces régions où les ressources en eau sont faibles et
les céréales représentent l’ossature de l’agriculture. Ces ressources en eau sont caractérisées par une
forte sensibilité aux aléas climatiques. Les prévisions climatiques montrent que l’Algérie entrera
vers les années 2025-2030 dans la pénurie hydraulique (Anonyme, 2013). Il s’avère donc nécessaire
de réfléchir à l’élaboration de nouvelles stratégies fiables pour anticiper ces problèmes. Dans ce
contexte, la communauté scientifique s’est mobilisée autour de vastes programmes de recherche
(Goutorbe et al., 1997a), (Chehbouni et al., 2000 ; Goodrich et al., 2000) SUDMED (Chehbouni et
al., 2006) afin de comprendre et évaluer les impacts environnementaux de la surexploitation des
ressources hydriques notamment par le développement de modèles (STICS, FAO-56, CERES) et
d’outils d’aide à la décision en agriculture. Ces outils permettent de simuler le comportement d’une
culture en fonction d’un certain nombre d’entrées liées au climat, aux caractéristiques du sol, aux
pratiques agricoles ainsi qu’aux paramètres variétaux caractérisant la plante. Ils permettent
d’estimer les besoins en eau de la culture et donc de mieux gérer les ressources hydriques. La
prévision du rendement final permet aux agriculteurs de réorienter la conduite des cultures. Les
modèles permettent également aux décideurs d’avoir une idée préalable sur le manque ou l’excès
d’un produit agricole lorsque des études régionales sont réalisées.
Dans ce travail, nous allons simuler une culture de blé dur (Triticum durum desf) conduite sous un
semi direct en milieu semi-aride local par le modèle de culture « Apsim » ce dernier, développé par
l’APSRU en Australie. Le but de ce travail est de comparer les outputs de la présente simulation
avec les résultats d’une autre simulation conduite en 2012-2013 par l’AquaCropV3.1 sur la même
culture et dans les mêmes conditions. L’ancien modèle « AquaCropV3.1 » ; fût développé par la
FAO en 2010 et a été testé à maintes reprises dans les conditions semi arides. La simulation a porté
sur les composantes de rendement et le bilan hydrique du sol. Les résultats obtenus par l’AquaCrop
en 2012-13 semblent encourageants. A cet effet, l’objectif principal de cette étude vise à comparer
les simulations des deux modèles de cultures et de porter un jugement sur l’adéquation du modèle le
plus pertinent relativement aux conditions culturales locales.
CHAPITRE : I
REVUE
BIBLIOGRAPHIQUE
Chapitre I: Revue bibliographique
I. 1. Les différents modèles de culture utilisés en agriculture
I. 1. 1. Historique
La modélisation est devenue un outil très utilisé dans différents domaines scientifiques et
techniques. Depuis plus de 25 ans, l’utilisation des modèles en agronomie ne cesse de s’accroitre
permettant ainsi d’étudier les différents aspects liés à la croissance et au développement des
plantes. Les premiers modèles développés concernent la valorisation des travaux sur la
photosynthèse, la respiration et la mise en relation de la biomasse accumulée et les processus
instantanés (Wit et al., 1970). Par la suite, on assiste à l’appropriation de concepts existants
(Monteith, 1972) et à l’émergence de nouveaux concepts (Spaeth et Sinclair, 1985) qui vont
constituer un référentiel pour l’ensemble des modèles de culture.
En 1984, le premier modèle générique EPIC a été développé pour répondre à des préoccupations
agro-environnementales. IL a ensuite donné naissance au modèle CROPSYST. Au début des
années 1990, des modèles à vocation uniquement environnementale apparaissent tels que
DAISY et PASTIS. En 1996, le nouveau modèle agronomique STICS a vu le jour (Brisson et al,
1998, 2003, 2009), qui a été développé à l’INRA - France. Les américains ont par la suite,
développé les modèles GOSSYM/GLICYM et CERES sur lesquels repose la famille du modèle
CROPGRO développé par des chercheurs en Australie. Ces derniers ont commencé à introduire
les pratiques agricoles pour se rapprocher d’avantage des objectifs agronomiques.
La tendance actuelle consiste en la mise au point de modèles génériques et agro-

environnementaux qui prennent en compte l’effet des pratiques agricoles. C’est le cas du modèle
AQUACROP, développé au sein de la FAO (Organisation pour l’alimentation et l’agriculture
des Nations Unies), et qui est destiné à la prédiction de la production des cultures sous des
conditions de stress hydrique. Il a pour but aussi de développer des capacités de mise au point de
stratégies de gestion des exploitations agricoles, de rationalisation de l’utilisation des ressources
en pour améliorer la productivité.
I. 1. 2. Modèle
Le mot « modèle » correspond à la définition suivante : « représentation mathématique d'un

phénomène (physique, biologique, social, etc.) réalisé dans le but d'étudier celui-ci plus
aisément ». Souvent on parle plutôt de « système » à la place de « phénomène » car la prétention
des modèles de culture est en effet de représenter un ensemble de phénomène physique et
biologique caractérisant le fonctionnement du système cultural, d'après la définition de
1
Bonhomme et al (1995, in Hadria, 2006). Un modèle de croissance d'une culture est un ensemble
de relations mathématiques qui permet de rendre compte, de façon simplifiée, du fonctionnement
d'une culture donnée. Il se compose d'un ensemble de variables et de paramètres d'entrée, de
variables de sortie et de fonctions faisant lien entre les deux. Les équations mathématiques (ou
formalisme) utilisées dans un modèle peuvent décrire les processus physiologiques à l’origine de
l’évolution du système au cours du temps : on parlera de modèle mécaniste. Mais elles peuvent
également décrire la relation entre deux processus et se placer à une échelle de description plus
intégratrice : on parlera de modèle empirique (Monteith, 1996; Whisler et al., 1986). La
description d’un système en utilisant ces deux types de modèles mathématiques est une
alternative couramment utilisée dans les modèles de culture qui décrivent un grand nombre de
mécanismes dynamiques et sont appelés modèles fonctionnels (Brisson et al., 2003). Ces
modèles comme EPICphase (Cabelguenne et al., 1999), ou STICS (Brisson et al., 2003) sont des
modèles de culture génériques développés pour simuler la croissance et le développement de
plusieurs types de cultures.
I. 1. 3. Typologie des modèles des cultures
Comme pour tout modèle, on distingue trois approches possibles pour représenter les processus
associés au fonctionnement des cultures (Leenhardt et al, 1995 in Hadria, 2006) :
- Approche analogue où les processus sont représentés par d'autres processus considérés
comme similaires. La représentation analogique utilise le rapport de similitude entre des
grandeurs mesurables dans la réalité et leurs représentants en termes de modélisation (variables
et processus associés). Dans ce type d'approche, on représente par exemple, le transfert du flux
de sève le long d'une tige de manière similaire à un courant électrique.
- Approche empirique reliant les facteurs explicatifs aux variables à expliquer au moyen
d'une loi ajustée à des résultats expérimentaux. De telle loi n'ayant pas nécessairement de
signification physique.
- Approche mécaniste (modèle de connaissances) qui décrit chaque processus en accord

avec les lois physiques et biologiques qui le contrôlent. Les modèles basés sur cette approche
sont très utilisés, en particulier, en raison de leur capacité à prendre en compte des conditions
aux limites complexes.
2
En regard des différents niveaux de complexité des processus simulés et /ou de la précision
attendue, un modèle de cultures peut regrouper les trois approches décrites auparavant. Les
simplifications mises en œuvre dans les modèles sont liées, d'une part aux limites de
connaissances concernant certains phénomènes biophysiques, et d'autre part à la simplification
ou à l'élimination délibérée de certains processus considérés moins importants aux échelles
d'espace et de temps considérées ou à l'objectif fixé.
I.1.4. La structuration d’un modèle de culture
1.1.4.1 Variable et paramètre
Ce sont deux types de grandeurs servant à décrire un phénomène modélisé. Quand l'objet de
l'étude est fixé, les variables peuvent changer ; les paramètres, quand à eux, sont fixés. Une
variable est en quelque sorte un élément de base ou une caractéristique à laquelle on peut
attribuer différentes valeurs et qui entre dans l'élaboration d'un ensemble. On voit que la
distinction entre variable et paramètre n'est pas toujours très nette.
1.1.4.2. Module
Un modèle à structure modulaire est devisé en plusieurs modules ou sous-programme qui

communiquent entre eux. Dans ce cas, toutes les variables d'entrée du modèle peuvent ne pas
agir sur tous les modules, mais seulement sur ceux qui leurs correspondent. Les variables de
sorties sont aussi propres à chaque module ; leurs valeurs sont directement influencées par les
valeurs renseignées en entrées. Les modèles de simulation de grandes cultures sont souvent
organisés en trois modules (Gate, 1995).
- Un module phénologique qui met en évidence la chronologie d'apparition des organes

(succession des stades de développement), afin de conduire leur priorité. Les variables
nécessaires au fonctionnement de ce module sont d'ordre climatique (température en premier
lieu) et variétaux (besoin en vernalisation, seuil d'apparition des stades phénologiques)
- Un module de répartition et de redistribution de la biomasse produite, régi par les

priorités de croissance des différents organes établis par le module phénologique.
- Un module de contraintes (ou facteurs limitants), qui interviennent en modifiant les

principales fonctions du module de croissance avec des effets plus au moins marqués selon le
3
stade de développement. Généralement, les contraintes sont à caractères hydrique, thermique,

azoté ou phytosanitaire.
I.1.5. Etapes de simulation
La réussite d'un travail de simulation dépend fortement de la stratégie suivie par le modélisateur
ou l'utilisateur. La qualité du résultat final est directement liée à la robustesse de cette stratégie.
Indépendamment du domaine d'application d'un modèle, les principales règles à respecter pour
réussir un travail de simulation peuvent être résumées comme suit :
I.1.5.1.- Analyse du contexte
L'identification du phénomène à modéliser et l'analyse des objectifs attendus représentent les

premières étapes d'une modélisation. Les enjeux sociaux et scientifiques d'un exercice de
simulation doivent être connus pour valoriser le recours à un modèle. C'est à ce niveau que le
système doit être décrit et ses conditions aux limites bien définies.
I.1.5.2. Choix du modèle
Le choix du modèle à utiliser est très important. Il est bien connu que la complexité et la
précision change d'un modèle à l'autre. C'est à l'utilisateur de faire un choix judicieux de l'outil à
utiliser. Ce choix dépendra de la complexité des processus à modéliser, des objectifs attendus, de
la précision souhaitée ainsi que des données disponibles.
I.1.5.3. Ajustement
Avant d'utiliser un modèle, il faut garder à l'esprit que sa conception est fondée sur un ensemble
d'hypothèses et qu'il n'a pas été forcement testé pour les conditions de travail de l'utilisateur. Les
valeurs des paramètres n'étant pas universelles, il est nécessaire de les ajuster pour adapter le
modèle à la situation à modéliser. De plus, le nombre de paramètre d'entrée est souvent élevé et
la plus part d'entre eux ne sont pas directement mesurables (Metselaar, 1999 in Hadria, 2006). Il
est nécessaire d'estimer leurs valeurs, donc de mettre au point ou d'utiliser des méthodes
d'estimation (Wallach et al, 2002 in Hadria, 2006). Le choix des paramètres à ajuster est souvent
précédé d'une étude de sensibilité dont le principe consiste à estimer l'influence des valeurs des
paramètres sur les variables internes ou de sorties du modèles (Saltelli et al, 1999 ; Saltelli et al,
2000 in Hadria, 2006). Cette étape d'justement est souvent appelée étalonnage ou calibration du
modèle.
4
I.1.5.4. Validation
Une fois que le modèle est calibré sur un jeu de données, sa validation consiste à l'appliquer à
d'autres jeux de données indépendants pour juger la qualité de sa calibration.
L'ajustement est satisfaisant si le modèle arrive à reproduire les variables d'intérêt de sortie et
leurs tendances ou si les écarts entre la simulation et l'observation sont conservés. Sinon, un
travail supplémentaire de réétalonnage est nécessaire.
I.1.6. Les critères de validation des modèles
La validation d’un modèle est une étape cruciale, comme en attestent les nombreuses définitions
existant au travers de la littérature. D’une manière générale, un modèle de culture n’est qu’une
bonne représentation de la réalité que s’il peut être utilisé pour prédire un phénomène
observable, à l’intérieur de la gamme pour laquelle il est calibré, avec suffisamment d’exactitude
(Loague et al., 1991). La mise en œuvre de cette assertion implique de définir les critères qui
permettent de considérer qu’un modèle est « acceptable » en fonction des objectifs qu’il poursuit
et ensuite de le tester en fonction de ces critères. En première approche vient la comparaison, au
moyen d’un test statistique, des moyennes des valeurs mesurées et simulées, accompagnées de
leur écart-type. Les performances d’un modèle pourront être jugées acceptables s’il n’est pas
possible de rejeter l’hypothèse de non-différence des valeurs observées et prédites. En utilisant
ce type de test, deux types d’erreurs majeures peuvent se produire :
– erreur de type I : c’est l’erreur portant sur le développement du modèle, elle correspond au
rejet d’une hypothèse vraie. Les équations constituant le modèle sont exactes, mais le modèle est
mal paramétré, donc il lui est impossible de simuler correctement le phénomène ;
– erreur de type II : c’est l’erreur portant sur l’utilisation du modèle, elle correspond à
l’acceptation d’une hypothèse fausse : le modèle est faux / incomplet, mais permet toutefois de
simuler de manière acceptable le phénomène dans la gamme de valeurs pour laquelle il a été
paramétré.
Un second type d’évaluation des performances est souvent considéré, à savoir l’analyse des
erreurs résiduelles entre les valeurs simulées et observées. Une synthèse des principaux critères
utilisés dans l’analyse des discordances entre mesures et simulations est faite ici. Il s’agit des
critères les plus couramment employés en simulation agronomique. Une liste plus exhaustive de
5
critères a été établie par Loague et al. (1991) ou encore par Wallach et al. (2006). Le critère le
plus simple pour mesurer les performances d’un modèle consiste à calculer, pour chaque couple i
de valeurs mesurées et modélisées, la différence entre la variable mesurée Y i et la valeur
correspondant Ŷi estimée par le modèle :
Les valeurs de Di peuvent être synthétisées en calculant leur moyenne, connue sous le nom de
biais du modèle :
Où N est le nombre total de couples de valeurs correspondant à un même cas d’étude, d’une part
mesuré, d’autre part simulé. Le biais n’est pas une mesure suffisante de la qualité d’un modèle.
En effet, un faible biais peut traduire de très faibles erreurs dans toutes les situations ou peut au
contraire résulter de grandes erreurs qui se compensent mutuellement. La racine carrée de
l’erreur quadratique moyenne (RMSE, Rootmean square error) permet d’éliminer ce dernier
problème:
L’avantage de la RMSE est qu’elle s’exprime dans les mêmes unités que Y i, ce qui facilite son
interprétation. Cependant, la mise au carré de Di donne un poids plus important aux erreurs les
plus grandes. Il convient donc d’être vigilant lors de l’interprétation car une grande RMSE peut
être le fruit d’une ou deux grandes différences seulement. La RMSE peut être exprimée sous
forme relative en la divisant par la moyenne des valeurs observées, le quotient est appelé
coefficient moyen de variation :
L’erreur maximale est donnée par :
6
L’efficience de modèle et le coefficient de corrélation présentent une borne inférieure et/ou

supérieure, ce qui facilite leur interprétation et les rend pertinents pour comparer des modèles.
L’efficience du modèle est donnée par :
Si le modèle est parfait, alors Yi = Ŷi pour toutes les valeurs de i et EF = 1. De par sa forme
mathématique, l’efficience de modèle permet de juger la performance globale du modèle par
rapport à une prédiction qui serait simplement égale à la moyenne des observations. Le
coefficient de corrélation de Pearson est donné par :
Où σ2Y, σ2Ŷ, σYŶ sont respectivement les variances de Y, de Ŷ et la covariance de Y et Ŷ. Une

valeur r = 1 indique une relation parfaitement linéaire entre Yi et Ŷi, mais ne signifie pas que les
valeurs prédites sont proches des valeurs observées. Supposons par exemple que Ŷi = 0,5 Yi pour
toutes les valeurs de i. Le coefficient de corrélation r = 1, alors que le modèle prédit
systématiquement des valeurs qui sont la moitié des valeurs observées.
La déviation normalisée (ND), parfois trouvée dans la littérature sous l’appellation de biais
moyen (MB, Meanbias), peut être positive ou négative, mais est idéalement nulle :
Les critères donnés aux équations (1) à (8) sont rarement utilisés seuls pour évaluer la qualité
d’un modèle. Brisson et al. (2002) et Beaudoin et al. (2008) utilisent conjointement RMSE, EF,
ND et considèrent que la calibration ou la validation est adéquate si :
7
Les critères les plus couramment utilisés, leurs gammes de valeurs, les valeurs idéales et les
valeurs utilisées en pratique sont synthétisées au (tableau I.1). Par ailleurs, il est possible de
décomposer le RMSE entre d’une part l’erreur quadratique moyenne systématique RMSE s et
d’autre part, l’erreur quadratique moyenne non systématique RMSEu, comme l’ont fait Houlès et
al. (2004). Cette décomposition permet de faire la distinction entre la composante systématique
de l’erreur due à un biais du modèle et une erreur aléatoire :
10
11
Tableau I.1: critères utilisés pour juger de la qualité des modèles.
critère Gamme de valeurs Valeurs idéales Valeurs pratiques

Di [-∞ ; +∞] 0
Biais [-∞ ; +∞] 0
RMSE [0 ; +∞] 0
PRMSE [0 ; +∞] 0
ME [0 ; +∞] 0
EF [-∞ ; 1] 1 EF≥0.5
Y [-1 ; +1] ±1
ND [-∞ ; +∞] 0 INDl≤0.1
I.1.7. Utilisation de modèle
Théoriquement, un modèle calibré et validé est considéré prêt à être utilisé pour réaliser des
prédictions ou des études de scénarios. La qualité des résultats obtenus est sensée être conservée
si les conditions d'utilisation du modèle ne sont pas très différentes de celles de sa calibration et
de sa validation. Mais dans la pratique, et surtout dans le domaine de l'agronomie, il est
important de savoir qu'un modèle doit toujours rester un simple outil de prédiction et de
diagnostic qui n'est pas forcement censé reproduire finement la réalité (Hadria, 2006).
8
I.1.8.L'utilité des modèles
L'utilité des modèles peut être envisagée sous différents aspects : comme outils de recherche,
d'aide à la décision ou d'enseignement.
I.1.8.1. Les modèles comme outils de recherche
Les modèles permettent d'identifier les lacunes dans nos connaissances ; les fausses hypothèses
et de fournir de nouveaux aperçus. Ils permettent aussi de générer et tester des hypothèses et
aider à concevoir les expérimentations, ... (Ezui, 2001 ; Sinclair et Seligman, 1996). Ainsi, les
modèles sont utilisés dans la recherche fondamentale où ils aident à faire des prévisions de
récolte, des analyses de risques (effets des dates de semis), à mettre au point des priorités pour la
recherche appliquées, à réduire les coûts de la recherche empirique et même à mener des
expériences théoriques au cas où les expériences pratiques ne sont pas faisables.
I.1.8.2. Les modèles comme outils d'aide à la décision
Selon Matthews et al. (2000), beaucoup de modèles utilisés dans la recherche sont promus pour
leur aptitude à faciliter les prises de décision : exemples du choix des pratiques de gestion
optimale des terres, aider les paysans à déterminer le niveau optimal de semis, les doses d'engrais
et les protections sanitaires. Ils peuvent intervenir, d'après Penning de Vries (1990), dans trois
types de décisions définies à l'échelle temporelle : les décisions opérationnelles
(Prises au cours d'une saison de culture), des décisions tactiques (prises une fois par saison) et les
décisions stratégiques (prenant effet sur plusieurs saisons).
Les modèles peuvent également aider :
 à réduire les pertes d’éléments nutritifs par une meilleure évaluation des flux de
nutriments
 à une meilleure utilisation des ressources disponibles en identifiant par exemple les
sources de matières organiques qui peuvent être facilement compostées ou directement
appliquées comme mulch et source d'approvisionnement en nutriments ;
 à accroître une utilisation plus efficace des fertilisants à travers l’identification des
périodes idéales pour les apports de fumure en fonction de la variété cultivée et de la
date de semis.
9
 à faire des analyses de risques et de bénéfices qui sont très importants pour l'agriculteur.
Cependant, en raison de leurs limites, les outils d'aide à la décision doivent être employés avec
précaution et il est important de garder en l'esprit que les outils d'aide à la décision ne peuvent
suppléer l'activité de prise de décision.
I.1.8.3. Les modèles comme outils d'enseignement
L'utilisation des modèles est de grande importance aussi bien pour l'étudiant que pour
l'enseignant ; nous ne citerons ici que quelques exemples de l'utilité des modèles. Les modèles de
simulations peuvent être utilisés pour étudier le cycle de développement d'une plante (trop long à
suivre pour la durée d'un cours) ou pour contrôler l'effet des facteurs environnementaux -climats,
ravageurs, maladies, ...-(exemple de modèles : COTONS, DSSAT,).
I.1.9.Limites d’utilisation des modèles de cultures
L'utilisation des modèles n'est cependant pas sans risques. Les modèles présentent certaines
limites auxquelles les scientifiques doivent remédier (Penning de Vries et Rabbinge 1995) :
degré de précision des résultats inconnus, contrôle de qualité insuffisant par manque de critères
devant justifier cette qualité et une trop grande simplification des phénomènes réels. A ces
limites, nous pouvons également ajouter, la rareté des données d'entrée des modèles, en
particulier dans nos pays, la difficulté ou l'absence de collecte de données pour l'évaluation des
modèles, le manque d'outils informatiques adéquats, le nombre insuffisant de scientifiques
formés en la matière, etc. Aussi un modèle est-il souvent développé par rapport à des conditions
environnementales spécifiques d'une zone et sa simplification signifie que ces conditions, qui
sont difficilement trouvées dans la réalité, soient remplies avant que ces résultats ne puissent être
fiables. Nous pouvons enfin citer comme limites le manque de fiabilité de certaines données
(résultats d'essais, analyses chimiques de sol, analyses végétales,...) et la pertinence de la
structure du modèle (le modèle QUEFTS par exemple ne tient pas compte de la pluviométrie, de
la densité de semis, de la variété, de l'influence des mauvaises herbes, ...).
10
I.2. la céréaliculture
I.2.1. Origine géographique et génétique du blé
Les céréales sont cultivées depuis très longtemps, trouvées dans les restes des civilisations
anciennes (tombes des pharaons, Phénicie,…). (Belaid, 1986). Le passage d’une civilisation de
nomades (chasseurs, cueilleurs et éleveurs) à celle d’agriculteurs sédentarisés est le résultat de la
domestication progressive de graminées cultivées, dont la plus ancienne semble être le blé dur
dans le croissant fertile de la Mésopotamie. (Feillet, 2000). Le blé appartient à la famille des
graminées (Gramineae = Poaceae), qui comprend plus de 10000 espèces différentes (Mac Key,
2005). Plusieurs espèces de ploïdie différentes sont regroupées dans le genre Triticum qui est un
exemple classique d’allo polyploïdie, dont les génomes homologues dérivent de l’hybridation
inter espèces appartenant à la même famille (Levy et Feldman, 2002).
I.2.2. L’importance économique dans le monde
Le blé dur occupe 8 à 10% du total des terres réservées aux blés dur et tendre, dans le monde. La
superficie moyenne consacrée annuellement à la culture du blé dur est estimé à 8 millions
d’hectares, pour une production annuelle moyenne de 37.9 millions de tonnes, moyennes de la
période 2006-2010 (Ice, 2011). La culture du blé dur est concentrée au Moyen-Orient, en
Afrique du Nord, en Russie, aux Dakotas, au canada, l'Inde et l'Europe méditerranéenne. Avec
une production de 9.00 millions de tonnes par an, moyenne de la période 2006-2010, l’Union
européenne est le plus grand producteur de blé dur. Le Canada arrive au deuxième rang avec 4.8
millions de tonnes par an, suivi de la Turquie et des États-Unis, avec 1.99 et 2.67 millions de
tonnes métriques respectivement. Ces quatre pays fournissent à eux seuls les deux tiers de la
production mondiale (Ice, 2011).
I.2.2.1. L’importance économique en Algérie
La superficie totale de l’Algérie est de 238 millions d’hectares dont 191 millions sont occupés
par le Sahara. La superficie agricole représente 3% de ce total. La surface agricole utile est de
7.14 millions d’hectares, dont près de la moitié est laissée en jachère chaque compagne. Les
cultures herbacées couvrent 3.8 millions d’hectares. La céréaliculture constitue la principale
activité, notamment dans les zones arides et semi-arides. Les terres annuellement emblavées
représentent 3,6 millions d’hectares. Le blé dur est une ancienne culture dont l’origine remonte à
la venue des arabes (Ducellier, 1931). La superficie occupée par le blé dur est, en moyenne, de
11
1.3 millions d’hectares, durant la période 2000-2010 (MADR, 2011). L’importance des
superficies occupée par cette espèce, comparativement à la superficie occupée par l’orge, est
influencée par le prix à la production garanti par l’état. Ces prix sont de 4500, 3500 et 2500 DA
respectivement pour le blé dur, le blé tendre et l’orge.
Actuellement, le pays se classe au premier rang mondial pour la consommation des céréales avec
une moyenne dépassant largement les 180 kg/hab/an (Tableau I.1), comparativement à l’Egypte
dont la moyenne est de 131 kg/hab/an et à la France dont la moyenne est de 98 kg/hab/an (FAO,
2007). La croissance démographique, le changement de modèle de consommation et le soutien
des prix des produits de base, ont fait que le volume des céréales consommées a augmenté de
427%, entre 1961 et 2003, passant de 1.2 millions de tonnes à 6.4 MT (FAO, 2007).
Tableau I.2 : consommation moyenne (kg/hab/an) algérienne de céréales, entre 1961-2005

(FAO, 2007).
périodes 1961 1970 1980 1990 2000 2003 2005

consommation 110 120 182 190 193 201 215
Les rendements réalisés sont très bas, comparativement à la moyenne mondiale qui est de 29
q/ha, comparativement au rendement moyen des pays voisins qui est de 20 q/ha (FAO, 2007). Le
rendement de blé dur stagne à une moyenne de 10 q/ha, avec de fortes variations interannuelles.
(Hervieu et al.,2006) rapportent cependant des progrès sensible de la production algérienne de
céréale, qui a presque doublé au cours de la période 1961-2004 (Tableau I.3).
Tableau I.3 : Evolution de la production céréalière (10³ t) des pays méditerranéens

(Hervieu et al., 2006).
Accroissement moyenne de la période
1961-1965 1981-1985 2001-2004 (1963-2003) (%)
Espagne 8,674.7 16,097.4 21,43.9 2.29
France 25,331.2 50,967.2 63,614.5 2.33
Italie 14.046 18,566.4 20,503.1 0.94

Grèce 2,521.8 5,112.3 4,649.7 1.54
Portugal 1,609.1 1275 1,326.4 -0.48
Albanie 317.3 995.2 513.9 1.21
Malta 5.1 10.1 11.8 2.10
Algérie 1.770.9 1,805.7 3,189.8 1.48
12
Egypte 6,076.2 8,495.3 19,465.3 2.95

Liban 91.5 29.5 145.3 1.16
Maroc 3,159.1 3,939.8 6,594.1 1.86
Tunisie 926.6 1,329.9 1,465.1 1.15
Turquie 14,831.1 25,876.7 31,289.5 1.88
Totale 79,360.6 134,500.5 174,212.4
I.2.2.2. L’importance économique de la céréaliculture à Sétif
La céréaliculture au niveau des hautes plaines sétifiennes soufre de l’irrégularité des pluies, de la
sécheresse, des gelées tardive, et des siroccos. Elle se caractérise aussi par une grande diversité
dans les modes de conduite du point de vue précédent, date de semis, technique de mise en place,
densité de semis, désherbage et la fertilisation (Djaout, 1995). Les faibles rendements de céréale
dans ces régions ont toujours été attribués à l’aridité du climat, ce dernier est parmi les facteurs
limitant de la productivité (Tableau I.4). Au plan agronomique, et selon Lahmar (1991), il existe
d’autres facteurs limitant le rendement et qui sont liées au sol (nature, fertilités, propriétés et
comportement), au végétal (potentialités et exigences) et le mode de conduite des cultures
(itinéraires techniques et fumures).
Tableau I.4 : Blé d’hiver : superficie moissonnée et production (DSA, 2011).

Blé dur
Compagnes Superficie Production récoltée Rendement
agricoles moissonnée (en ha) (en qx) (en qx/ha)
1998-1999 39 350 335 800 8,53
1990-2000 36 844 257 170 6,97
2000-2001 65 347 612 148 9,36
2001-2002 22 326 161 400 7,22
2002-2003 76 560 1 171 669 15,30
2003-2004 88 177 203 5440 23,08
2004-2005 81 024 671 670 8,28
2005-2006 92 355 102 1889 11,06
2006-2007 92 988 111 4406 11,98
2007-2008 78 490 783 000 9,97
2008-2009 98 391 144 3300 14,66
2009-2010 98 873 144 4950 14,61
13
I.3. Le semis direct
I.3.1. Définition
Le semis direct est un système de conservation, de gestion des sols et des cultures, dans lequel la
semence placée directement dans le sol. Seul, un petit trou ont un sillon est ouvert, de profondeur
et de largeur suffisantes avec des outils spécialement conçus à cet effet pour garantir une bonne
couverture et un bon contact de la semence avec le sol. Aucune autre préparation du sol n’est
effectuée. L’élimination des mauvaises herbes, avant et après le semis et pendant la culture, est
faite avec des herbicides, les moins polluants possibles pour le sol qui doit toujours reste couvert
(Seguyet al., 2001). La technique de culture connue sous le nom de « semis direct » ou « non
labour » s’inscrit dans un ensemble des techniques connues en tant qu’agriculture de
conservation.
I.3.2. Historique
C’est dans les années soixante que sont nées des pratiques alliant deux principes: travail
minimum du sol et semis direct dans les résidus de récoltes. Aux Etats-Unis puis perfectionné au
Brésil, ce mouvement s’est ensuite étendu à une partie de l’Amérique latine, à l’Australie, en
Asie puis en Europe, et en enfin en Afrique et à Madagascar (Grosclande, 2006). Selon Seguyet
al., (2001); ce n’est qu’en 1995 que le semis direct a réellement prit son essor grâce en
particulier, aux travaux de Harry et Lawrence Young sur leur ferme à Hemdon dans le Kentucky
(Etats unis), qui ont rapidement fait des milliers d’opposants sur le territoire américain.
Simultanément à ces premières démonstrations convaincantes, le fabricant de machines
agricoles, Allischalmers créa en 1996, le premier semoir du semis direct.
I. 3.3.L’objectif du semis direct
Selon Arnal, (2006), l’objectif essentiel de technique du semis direct est de conserver,
d’améliorer et d’utiliser les ressources naturelles d’une façon plus efficiente par la gestion
intégrée du sol, de l’eau, des agents biologiques et des apports de produits externes. L’objectif
final est de mettre en place une agriculture durable qui ne dégrade pas les ressources naturelles,
sans renoncer pour autant à maintenir les niveaux de production. Aussi, il peut être plus ou
moins élaboré, du simple paillage a des plantes vivaces couvrant en permanence le sol, pour sa
diffusion en milieu agricole et son application en terme agronomique, technique et économique,
cela demande des conditions préalables plus ou moins exigeantes selon le degré de technique
visé, la fertilité initiale des sols et le niveau d’intensification de l’exploitation agricole (Raunet et
14
al., 1998). Cependant, l’objectif ultime du semis direct est d’assurer une production durable. il
est présenté comme solution pour surmonter les défis auxquels fait face l'agriculture
d’aujourd’hui, en particuliers ceux liés aux changements climatiques, à la mondialisation et à la
fluctuation des prix et aux coûts élevés des facteurs de production (El aissaoui et al., 2009 El
brahli, 2009 ; El brahli et al., 2009).
De ce fait, l’adoption de technique culturale simplifiées et du semis direct dans les conditions
décrites pourrait répondre à un double objectif : une meilleure durabilité de l’agriculture et une
préservation efficace de ressources naturelles et de l’environnement. Sa diffusion nécessite la
prise en compte de la spécificité du contexte rural avec ses opportunités et ses contraintes comme
la complémentarité de l’élevage et de l’agriculture dans les systèmes de production, le faible
niveau d’intensification de l’agriculture pluviale et le faible niveau de sensibilisation des
agriculteurs et de l’ensemble des acteurs du secteur agricole aux innovations (Zaghouane, 2006).
I.3.4. Système du semis direct et ses perspectives en Algérie
Les travaux de recherche et de développement sur l’agriculture de conservation et plus

particulièrement sur le semis direct en Algérie sont très limités. En fait, comparativement au
Maroc et à la Tunisie où ce système a été testé où les superficies réservées à ce système ne
cessent de s’accroître, l’Algérie, n’a démarré des études sur le système du semis direct que
depuis quelques années (Zaghouane et al., 2006).
Le semis direct a fait de grands progrès dans le monde et même dans les pays méditerranéens,
mais pas en Algérie. L’idée d’introduire ces techniques directement aux niveaux des
exploitations, a émergé suite à la soumission d’un projet sur l’efficience d’utilisation de l’eau
dans le cadre INCO-MED, au cours de l’année 2002. Cette idée a évoluée par la suite pour se
matérialiser en la création d’une association locale «trait d’union» pour une agriculture moderne
entre les chercheurs et les agriculteurs poursuivant le même objectif (Bouzerzour et al., 2006).
I.3.5. Les avantages du semis direct sous couverture végétale
Les performances techniques du semis direct se résument en :

 Améliore l’humidité du sol
 Prévient l'érosion
 Augmente l'infiltration
 Réduit l'évaporation
 Tamponne les températures.
15
 Développement de l'activité biologique

 Contrôle les adventices
 Contrôle de la faune
 Accroît le taux de matière organique du sol et fournit des nutriments aux plantes.
 Réduction de la fertilisation minérale par rapport à l'agriculture conventionnelle
 Rendement économiques et meilleurs par rapport au conventionnel en cas de sécheresse
a. Aspects environnementaux
 Contrôle de l’érosion, la protection des sols et la régénération de leur fertilité au moindre

coût
 La réduction de l’agriculture itinérante
 La réduction de la consommation d’eau pour la production agricole
 Efficacité accrue de l’utilisation des engrais et pesticides diminuant ainsi leur impact
polluant
 Effet tampon pour les flux d’eau et la réduction des risques d’inondation
 La récupération des sols marginaux
 La séquestration du carbone et la réduction de l’effet de serre.
b. Aspects socio-économiques
Outre les aspects positifs sur les plans technique et environnemental, un intérêt majeur de ces
systèmes est qu'ils sont particulièrement attractifs sur le plan économique du fait de la réduction
des temps de travaux et de leur pénibilité , de l'optimisation de l'organisation du travail avec un
accès facilité aux champs, mais aussi de la réduction de la consommation en carburant pour les
grandes exploitations, des intrants (engrais, pesticides), et des investissements (tracteur, charrue,
etc.)
I.3.6. Les inconvénients du semis direct
 Difficultés de contrôle des mauvaises herbes

 Utilisation trop importante
 La présence d’une grande quantité de résidus en surface ou leur mauvaise gestion, rend le
sol plus froid et la croissance initiale de la plante plus lente
 Ces résidus favorisent une prolifération des limaces qui affectent la levée des plantes.
16
 Incidence des maladies causées par les champignons qui peut augmenter avec des
températures plus fraiches et une humidité très élevée.
17
CHAPITRE : II
MATERIELS ET
METHODES
Chapitre II : Matériels et Méthodes
II. Matériels et méthodes
II.1. Site expérimental
II.1.1. La situation géographique
Le site expérimental est situé à l’exploitation agricole individuelle (Boukari Ahmed) sise à la
commune de MEZLOUG (36.09° N, 5.33° E) à une altitude de 927m. Le site se caractérise par
un relief plat et homogène.
Figure II.1 : situation géographique du site expérimental.
II.1.2. Les conditions climatiques du site
Le climat du site est soumise à un climat semi-aride caractérisé par deux saisons, une saison
froide et humide, l’autre saison est chaude et sèche. Les pluies sont faibles et irrégulières, elles
sont de l’ordre de 300-400mm par an (Benniou et al., 2006). La plus grande partie des
précipitations tombeau cours de la période octobre-avril. Les températures se distinguent par des
variations fortes et importantes pouvant aller jusqu’à -10°C en période hivernale et plus de 40°C
en été.
18
II.2. Le matériel végétal
La variété de blé dur Bousselam dont le pedigree est Heider/Martes/Huevo de Oro a été utilisée
comme matériel végétal. Cette variété a été sélectionnée par la station Expérimentale Agricole de
l’Institut Technique des Grandes Cultures (ITGC) de Sétif. Elle présente un cycle végétatif tardif
de 5 jours en moyenne par rapport à la variété Waha et précoce de 15 jours en moyenne par
rapport à la variété Mohamed Ben Bachir (Annichiarico et al., 2005). C’est une variété à paille
haute, présentant des épis blancs. Elle se caractérise par une forte capacité de tallage herbacé.
Elle montre aussi une performance de rendement plus élevée que celles de Waha et Mohamed
Ben Bachir, qui sont toutes les trois largement cultivées dans la régions de Sétif (Annichiarico et
al., 2005).
II.3. Les conditions et l’installation de l’essai
Le dispositif adopté est un dispositif complètement aléatoire avec trois répétitions, mené en
condition pluvial locales. En effet, le dispositif n'a pas un objectif purement statistique, mais il
vise seulement à avoir des données les plus représentatives possibles de la culture à travers
l'adoption des répétitions. Les parcelles élémentaires sont constituées de six rangs de 3m de
longueur. Le semis a été effectué le 01/12/2013 par un semoir syrien, ce dernier est conçu
spécialement pour le semis direct. En effet, la densité de semis est à l’ordre de 333 grain/m². Le
désherbage chimique a été effectué juste avant l’opération de semis avec le glyphosphate à 31%.
L’apport d’engrais sous forme d’urée à 46%, suivi du désherbage au pyroxulam, à raison de 45
grammes mélangés dans 0,5 L d’eau/hectare, ont été réalisés au stade levée.
II.4. Suivi et notations sur champ
II.4.1. notation des stades phénologiques
Le suivi sur le terrain s'est porté sur la notation des stades phénologiques, à savoir :
La date de levée, date de floraison, date d’épiaison et date de maturité.
19
II.4.2. suivi de la culture et des conditions du milieu
II.4.2.1. paramètres agronomiques
Une fois que la culture atteint son stade de maturité, une opération de moisson consiste à récolter
les parcelles à l’aide d’une faucille. Ensuite toute la récolte est acheminée vers les laboratoires de
l’ITGC afin de définir les composantes de rendement.
 Nombre d’épis par mètre carré (NE/m²)

 Nombre de grain par épi (NG/E)
 Nombre de grain par mètre carré (NG/m²)
 Le poids de mille grains (PMG)
 La biomasse
 Rendement en grain RDT
 IR, IR= (RDT/bio) × 100
II.5. Description du modèle APSIM
Le logiciel APSIM (Agricultural Production Systems sIMulator) est un simulateur de cultures

qui repose sur la simulation modulaire, il a été développé par l'Initiative APSIM et son
prédécesseur l'Unité de recherche sur les systèmes de production agricole (APSRU) en Australie.
APSIM a été développé pour simuler les processus biophysiques dans les systèmes agricoles, en
particulier en ce qui concerne les résultats économiques et écologiques des pratiques de gestion
face aux risques climatiques APSIM est structuré en trois modules essentiels : module plante,
sol et gestion. Ces modules incluent un large éventail de cultures, de pâturages et de plantation.
Les processus du sol incluent bien entendu, le bilan hydrique et les échange d’azote et du
phosphore, le pH du sol, l'érosion et une gamme complète de contrôles de gestion. APSIM est
issu d'un besoin d'outils fournissant des prévisions précises de la production agricole par rapport
au climat, le génotype, le sol et les facteurs de gestion ; tout en abordant les questions de gestion
des ressources à long terme. Le cadre de modélisation de APSIM est constitué des composants
suivants:
•Un ensemble de modules biophysiques qui simulent les processus biologiques et physiques dans
les systèmes agricoles.
 Un ensemble de modules de gestion qui permettent à l'utilisateur de spécifier les règles de

gestion qui caractérisent les scénarios à simuler et qui contrôlent la simulation.
• divers modules pour faciliter l'entrée et la sortie de données vers et à partir de la simulation.
20
• un moteur de simulation qui commande le processus de simulation et facilite la communication

entre les modules indépendants.
Figure II.2 : Arborescence et structure du modèle APSIM
Outre les éléments d’architecture du simulateur APSIM, le modèle comprend également

différentes interfaces-utilisateur pour la construction du modèle, les tests et l'application, il
comprend aussi diverses interfaces et les outils de base de données permettant une visualisation
et une analyse plus poussée de la production.
APSIM a été conduit dans une large gamme d'applications, notamment:
• le soutien à la prise de décision au niveau de l’exploitation agricole,
• la conception de systèmes agricoles pour la production ou la gestion des ressources,
• l'évaluation de la tendance et de la prévision climatique saisonnière,
• l’analyse des problèmes de la chaîne d'approvisionnement dans l'industrie agroalimentaire,
• l’élaboration de lignes directrices de gestion des déchets,
• l'évaluation des risques pour l'élaboration des politiques ainsi il est considéré en tant que guide
pour les activités de recherche et d'enseignement.
L'un des principaux avantages d’APSIM est la capacité à intégrer des modèles dérivés dans les
efforts de recherche fragmentaires. Cela permet le transfert de connaissance d’un domaine de
recherche à un autre. Il facilite également la comparaison des modèles ou sous-modèles sur une
plate-forme commune.
21
Figure II.3: Arbre de configuration de simulation.
II.5.1. paramétrage du logiciel
II.5.1.1. les paramètres climatiques
Les données climatiques utilisées pour paramétrer Apsim sont issues de la station
météorologique sise à l’aéroport de Ain Arnat (36° 9'26.30''N, 5°22'17.78''E, altitude : 970). Et
ce sont notamment, les températures maximales, les températures minimales, la pluviométrie et
22
la radiation. Mais à cause du manque des mesures de cette dernière au niveau de la station météo,
on a utilisé des valeurs obtenues de six modèles climatiques généraux à savoir: ECHam5,
BCCR_BCM2.0, CNRM-CM3, CSIRO-MK3.5, INMCM3.0 et MIROC3.2.Relativement à la
campagne 2012-2013.
II.5.1.2. les paramètres de la culture
Les informations agronomiques et expérimentales doivent être également fournies au modèle

comme données d’entrée. Ce sont notamment : la date de semis, l’espace entre les lignes, la
densité de semis.
Tableau II.1: tableau récapitulatif des informations agronomiques des parcelles d’expérimentation.
Paramètres agronomiques liés à la culture valeur

La date de semis 01/12/2012
La date de la récolte 23/06/2013
La durée du cycle (jour) 205
La levée (JAS) 33
Max couvert canopée (JAS) 151
Sénescence (JAS) 181
Floraison (JAS) 178
Maturité (JAS) 200
La durée de la floraison (jour) 12
Type de méthode de la plantation Semis direct
La densité de semis 290 plantes/m²
Profondeur maximale d’enracinement efficace (m) 0,80cm
La fraction du couvert CC 80%
Baisse canopée 35%
La productivité de l’eau 15 g/m²
Référence de l’indice de la récolte IR0 50%
II.5.1.3. les paramètres édaphiques
Le type de sol expérimenté est de type argilo-limoneux. En fait, le paramétrage des conditions
est présenté au (tableau II.2).
23
Tableau II.2 : Les caractéristiques du sol (Apsim)
La profondeur EC PH NO3 NH4

(cm) (1 : 5 ds/m) (1 : 5 water)
0-15 0,200 8,400 6,503 0,599
15-30 0,250 8,800 2,201 0,100
30-60 0,310 9,000 2,201 0,100
60-90 0,400 9,200 1,701 0,100
II.6. La description du modèle AquaCrop
AquaCrop est un modèle de cultures, développé par la division des terres et des eaux de la FAO
depuis 1998. Ce modèle a subi plusieurs modifications avant que ses développeurs ne le mettent
sous sa dernière version (Version 4.0) publiée en juillet 2012. Le modèle AquaCrop simule le
comportement du système sol-plante durant une ou plusieurs saisons agricoles. Ce système est,
d’une part, limité supérieurement par l’atmosphère, caractérisée par les variables climatiques
standards (températures maximale et minimale de l’air, rayonnement net, pluie, vitesse du vent et
évapotranspiration de référence) et d’autre part, il est limité inférieurement par l’interface sol. La
culture est caractérisée principalement par ses biomasses souterraines et aériennes (dont celles
des organes récoltées) ainsi que par sa fraction de couvert défini comme étant la surface totale
des feuilles par unité de surface du sol et mesurée en m²/m² (Watson, 1947). La croissance des
plantes est basée sur la fertilisation du sol, la température (degré-jours) et la photopériode
contrôlent la phénologie de la culture. Le module de la culture est utilisé pour simuler la
dynamique de fraction de couvert ainsi que le rendement. Le sol est considéré comme une
succession de couches horizontales, caractérisées par la teneur en eau, les points de flétrissement
et les capacités au champ. Les racines, qui assurent l’interaction plante-sol, sont définies par leur
distribution en longueur dans le profil du sol.
Les principaux processus simulés sont l’évapotranspiration réelle puis la croissance du couvert.
Seuls quelques paramètres de certaines fonctions, décrivant principalement l’élaboration du
rendement, requièrent une adaptation spécifique. La teneur en eau dans la zone racinaire est
simulée à travers la quantification des flux d’eau en entrée et en sortie du système, en
considérant le sol comme étant un réservoir d’eau constitué de plusieurs couches.
En outre, AquaCrop utilise le pourcentage de couverture du sol au lieu de l’indice foliaire (utilisé
par Apsim). La réponse de la culture au stress hydrique modulée par le développement de la
24
couverture foliaire, la conductance stomatique, la sénescence et l’indice de récolte. La simulation

de la transpiration détermine l’accumulation journalière de la biomasse, au moyen de la
productivité de l’eau de la culture. Ce dernier paramètre est normalisé pour l’évapotranspiration
de référence et pour le CO2, permettant ainsi de faire des simulations en zones, selon des
périodes différentes, et pour des scénarios climatiques futurs. Les options du module «Crop» du
modèle AquaCROP sont utilisées pour estimer la fraction du couvert initial (CC0), le taux de
semis, le poids des graines, le nombre des graines et le taux de germination. Les taux
d’expansions du couvert sont automatiquement estimés par le modèle après avoir introduit des
dates phénologiques, telles que la date de l’émergence, de CC maximum, de la sénescence et de
la maturité. La date et la durée de floraison, l’indice de récolte de référence HI0 et sa période de
construction sont aussi spécifiés pour calculer le rendement en grain.
Ce modèle a une structure modulaire évolutive. Il est organisé sous forme de plusieurs modules
représentant chacun, un ou plusieurs processus liés au système sol-plante-atmosphère. Chaque
module fait appel à un certain nombre de sous-programmes (ou sous-modules) traitant des
mécanismes spécifiques. Le premier ensemble, intitulé « Environnement » est composé de quatre
modules, et a pour but le traitement du climat, de la culture, de la gestion et du composant sol, le
second ensemble est composé de deux modules qui décrivent la période de simulation et les
conditions initiales. En fin, le troisième ensemble, dit « projet », constitue l’étape finale du
traitement des données. Schématiquement la figure suivante reflète l’interface du modèle
AquaCrop.
25
Figure II.4. L’interface du modèle AquaCrop.
II.6.1. paramétrage du logiciel
II.6.1.1. Les paramètres conservatifs
Des études réalisées par Hsiao et al. En 2009 ont démontré que parmi les paramètres de la
culture dans AquaCrop, 21 paramètres d’entre eux sont conservatifs (constants). Ils sont
supposés être applicables dans une large gamme de conditions et non liés à une variété donnée.
II.6.1.2. les paramètres climatiques
Les données climatiques utilisées pour paramétrer AquaCrop sont issues de la station
météorologique sise à l’aéroport d’Ain Arnat. En effet, le logiciel ET0 calculator exige un certain
26
nombre de paramètres climatiques pour estimer l’évapotranspiration de référence (Keffi et

Sebaihi, 2013). Ce sont notamment, les températures maximales et minimales, les vents et
l’insolation. Par ailleurs, la pluviométrie est introduite directement sur AquaCrop.
A. L’évapotranspiration de référence
L’évapotranspiration de référence est un facteur clé dans la détermination des besoins de la

plante, AquaCrop utilise la formule FAO penman-Monteith pour l’estimation de
l’évapotranspiration (Allen et al., 1998) car l’utilisation d’une autre méthode pourrait conduire à
des écarts entres les valeurs simulé de biomasse, d’autant plus que la biomasse dépend de la
transpiration de la culture. A partir du logiciel ET0 calculator développé par Raes (2003) nous
avons estimé l’évapotranspiration de référence.
II.6.1.3. les paramètres de la culture
Les informations agronomiques et expérimentales doivent être également fournies au modèle

comme données d’entrée. Ce sont notamment : la date de semis, la densité de semis, date de
levée, les phases végétatives (début floraison, début sénescence) et leurs durées ainsi que la date
de récolte.
II.6.1.4. les paramètres édaphiques
Les propriétés hydrauliques de chaque couche du sol sont indispensables à la simulation avec
AquaCrop. A défaut d’information, la teneur en eau initiale du profil a été maintenue à la
capacité au champ. Le type du sol expérimenté est de type argilo-limoneux. En fait, le
paramétrage des conditions est présenté au (Tableau II.3).
Tableau II.3 : caractéristiques du sol (AquaCrop).
Humidité du sol à la
Horizon- Epaisseur (m) CC PF SAT TAW(mm/m)

description
Argilo-limoneuse 1 19 32 52 130
27
CHAPITRE : III
RESULTATS ET
DISCUSSION
Chapitre III : Résultats et discussion
III. Résultats et discussion
III.1. Résultats climatiques
III.1.1. la pluviométrie
La somme des précipitations durant la compagne 2012-2013 enregistre 427,4 mm, elle dépasse la
moyenne de la période 1981-2012 de 375,45 mm, ce qui qualifie cette compagne de pluvieuse, le
maximum des précipitations moyenne mensuelles est observé au mois de Janvier avec 83 mm.
Le minimum des précipitations moyennes mensuelles est observé au mois de Juin avec 4 mm.
p(mm)
90
80
70
60
50
40
p(mm)
30
20
10
0
Figure III.1. Précipitations mensuelles de la compagne 2012-2013
III.1.2. Les températures maximales et minimales
Les températures maximales et minimales de la période 2012-2013 sont représentatives d'une

saison assez ordinaire, en fait, l'amplitude thermique tourne autour de 10°C le long de la
campagne. Tandis que, la fin du cycle enregistre des amplitudes très remarquables qui peuvent
affranchir dans certains cas 30°C. Cette occurrence de températures extrêmes aura des
répercussions certaines sur le remplissage du grain, l'accentuation des stress de fin de saison et
par conséquent une baisse du rendement des cultures (Houghton et al ., 2001).
28
60
50
40
30
maxt (oC)
20 mint (oC)
10
-10
Figure III.2 : Evolution des températures extrêmes journalières de la campagne 2012-2013.
III.2.Résultats du modèle AQUACROP
III.2.1. Simulation du bilan hydrique
A l’échelle du cycle cultural entier, les résultats de la simulation du bilan hydrique par le modèle
AquaCrop indiquent que l'évapotranspiration réelle enregistre 372,2mm, alors que
l'évapotranspiration maximale était de 561mm, soit une différence de 188,8mm. Ceci indique un
grand besoin hydrique de la culture durant son cycle végétatif. Malheureusement, à la validation
du logiciel en ce qui concerne les résultats de l'évapotranspiration, ne pourra pas être établie à
cause du manque d'appareils de mesure de l'ET sur site. .
Tableau III.1 : Evapotranspiration réelle et maximale simulées par AQUACROP
ETM (mm) ETR (mm)

561 372,2
A. Coefficient de réponse du rendement au manque d’eau (Ky)
Tableau III.2. Le rendement observé (YR) et le rendement simulé (YM).
Rendement observé (YR) t/ha Rendement simulé (YM) t/ha

5.24 4.23
29
1-(YR /YM) = KY 1-(ETR/ETM)
KY= 1-(5 .24/6.6)/1-(372.2/561)= 0.61
le KY proposé par FAO (KY=1.05) pour le blé, semble être trop différent dans le cas de notre
culture à cause de la sur estimation de l’ETM (561mm).
B. Calcul l’efficacité d’utilisation de l’eau et ses composantes
La notion de l’efficacité d’utilisation d’eau est abordée dans la littérature sous plusieurs modèles
et elle est variable dans le temps et dans l’espace et dépend des types de culture, des conditions
édaphiques et les pratiques culturales incluant la fertilisation et les conditions climatiques
(Hatfield et al., 2001 ; Cox et al., 2002).Selon, Turner (1997).
Généralement l'efficacité d'utilisation de l'eau (EUE) exprime le rapport de la matière sèche

totale produite à l'évapotranspiration pendant une période donnée (Richards et al., 2002) Si cette
période est spécifique au cycle cultural, on parle d'efficacité d'utilisation nette (EUE nette); si
elle s'étale durant toute l'année, on parle d'efficacité d'utilisation brute (EUE brute) (Bos, 1985).
Lorsque la production considérée n'est pas la biomasse totale, mais une partie de celle-ci, telles
que les grains ou les fruits, on parle alors d'efficacité d'utilisation de l'eau pour le rendement.
D'un point de vue économique, l'efficacité de l'eau est définie comme le rapport du rendement
économique à la quantité d'eau utilisée (Gardner et al., 1985).
EUE biomasse = matière sèche/évapotranspiration.

EUE rendement = rendement grains/évapotranspiration.
Tableau III.3 : Efficacité d’utilisation de l’eau
EUE (grain) (kg/ha/mm) EUE (biomasse) (kg/ha/mm)
14,07 22,30
30
III.2.2. Simulation de l’humidité du sol
III.2.2.1. Humidité de la première profondeur 0-15cm
Le nuage de points des valeurs observées et simulées pendant les 8 dates de notations, montre
une bonne association, avec un coefficient de détermination (R²) de 0,70. Par ailleurs, la valeur
d’efficience (EF) enregistre une valeur positive de 0,69. Cependant, l’erreur moyenne
quadratique (RMSE) affiche 10,71. Il est à signaler, lors de la sixième date ; une valeur
excédentaire qui dépasse la valeur observée de loin.
comparaison entre humidité observé avec simulé à la

profondeur de 0-15 cm
40
35
30
25
20
15
pluviométrie
10
5 H1 simulé
0
H1 observé
Figure III.3 : comparaison entre humidité observé avec simulé à la profondeur de 0-15 cm
III.2.2.2. Humidité de la deuxième profondeur 15-35cm
Les courbes d’évolution d’humidité de sol observées et simulées ont quasiment la même allure,
avec une légère sous-estimation des valeurs observées, le traitement statistique montre une faible
association, avec un coefficient de détermination (R²) de 0,28. Par ailleurs, la valeur d’efficience
(EF) enregistre une valeur positive de 0,89. Tandis que, l’erreur moyenne quadratique (RMSE)
affiche 8,11. Il est à noter, que la valeur de la première date enregistre une valeur aberrante, ceci
nous a mené à exclure cette valeur du traitement.
31
comparaison entre humidité observé avec simulé à la

profondeur de 15-35 cm
40
35
30
25
20
15
10 pluviométrie
5 H1 simulé
0 H1 observé
III.2.2.3. Humidité de la troisième profondeur 35-50 cm
Au niveau du troisième horizon, l’évolution de l’humidité du sol enregistre une tendance

similaire tant pour les valeurs simulées que pour les valeurs observées. A partir de la troisième
date de notation, les valeurs observées sont supérieures aux valeurs simulées, ceci indique une
sous-estimation du modèle. L’erreur moyenne quadratique RMSE est de 2,59 et l’efficience du
modèle EF est de 0,98 proche à 1, ce qui signifie que les résultats de simulation sont meilleurs.
Le coefficient de détermination affiche une valeur de 0,75 ce qui donne une bonne appréciation à
ce niveau de traitement.
comparaison entre humidité observé avec simulé à la profondeur

de 35-50 cm
40
35
30
25
20
15
pluviométrie
10
5 H1 simulé
0 H1 observé
32
Tableau III.4 : Erreurs moyennes quadratiques, efficiences du modèle et coefficients

d’ajustements obtenus lors des simulations de l’humidité du sol.
Horizon RMSE EF R2
H1 10,71 0,69 0,7
H2 8,11 0,28 0,89
H3 2,59 0,98 0,75
On peut résumer les incohérences entre les humidités mesurées avec celle simulées pour les
différentes profondeurs comme suit: l’une des raisons est liée aux conditions de mesure
expérimentales et la deuxième revient au modèle lui-même.
III.3. Les différents stress hydrique simulés
La date du début du stress hydrique qui affecte la surface foliaire débute au stade floraison
jusqu’à la première décade de maturité. Cependant, le stress affectant la fermeture des stomates
commence au stade levée-épiaison, il se poursuit jusqu’à la fin de cycle végétatif, il atteint un
taux de 70% durant la phase de floraison. Bien entendu, ces valeurs sont variables au cours du
cycle de développement, à cause aux variations des températures extrêmes. Par ailleurs, la
senescence des feuilles apparait à partir de 135 jours après semis. Ce stress devient de plus en
plus intense au fur et à mesure que les températures et le manque d’eau s’accentuent. Il atteint un
taux de 98% vers la fin du cycle. Par ailleurs, la majeure partie de la biomasse a été accumulée
au stade épiaison. Selon Mazouz, (2006), la biomasse aérienne accumulée au stade épiaison est
la résultante de la contribution de plusieurs caractères comme la hauteur de chaume, la durée de
la phase végétative, la vitesse de croissance végétative et le nombre de grains produits par unité
de surface de sol.
Tableau III.5 : Résultat de simulation les moyenne des stress.
TempStr% ExpStr% StoStr% BioMass ton/ha HI Yield ton/ha Wp(kg/m³)

33 18 21 10.767 39.3 4.23 1.14
33
III.4. Fraction du couvert CC
La fraction du couvert est considérée comme une caractéristique essentielle pour le modèle
AquaCrop, et ce, grâce à son expansion, le vieillissement, la conductance et la sénescence. Elle
détermine la quantité d’eau transpirée, qui a son tour, détermine la quantité de biomasse
produite. Nous observons que l’évolution de la couverture végétale continue jusqu’à 171 DAS.
Toutefois, il est à signaler que l’évolution de la biomasse tend à se stabiliser vers le stade de
floraison (178 DAS). Le couvert végétal tend à diminuer de la même façon juste au de la phase
de remplissage de grains.
Evolution de RDT grains et couvert végétal et biomasse

12
10 100
8 80
(%)
ton/ha
6 60 biomass
rendement grain
4 40
Biomasse
2 20
Rendement grain
0 0 CC
1
10
19
28
37
46
55
64
73
82
91
100
109
118
127
136
145
154
163
172
181
190
Figure III.6 : Evolution de la biomasse, du rendement et la couverture végétale.
III.5. simulation des composantes du rendement
Le rendement grain simulé est à l’ordre de 4.23 tonnes/ha, alors que le rendement observé est de
52,4 t/ha. Le rendement biomasse simulé est de 10.76 tonnes/ha, alors que, réellement le
rendement biomasse observé est de 10.23 tonnes/ha. Nous constatons que l’AQUACROP tend à
sous-estimer le rendement grain et à surestimer le rendement biomasse.
34
12
ton/ha
10
8
Bio simulée
Bio observée
6
Rdtg simulé
Rdtg observé
4
Figure III.7 : Comparaison entre les rendements simulés et observés.
III.6. Indice de stress hydrique (1- (ETR/ETM), le rendement grain et

biomasse
Nous avons pu observer que la durée de stress au début de cycle végétatif est de 13 à 37 jours
après semis. A partir de 127 à 133 jours après semis, nous constatons que le développement de
stress diminue progressivement grâce aux conditions favorables, à partir de 133 jours après
semis, le stress subi des pics et des baisses, où il atteint des valeurs allant de 0,6 à 0,8 jusqu’à fin
de cycle, à cause de l'aggravation des températures. En effet, le stress hydrique est le facteur le
plus limitant des rendements des céréales au nord-africain notamment aux hautes plaines de la
région de Sétif (Algérie) (Hafsi, 2001). En ce qui concerne, le remplissage grain, il commence à
partir de 180 jours après semis, il enregistre une période d'environ de 15 jours ce qui
relativement très court. Cependant, l'évolution de la biomasse commence dès le premier mois
après semis, elle continue à évoluer d'une manière progressive jusqu'à la maturité physiologique
soit 180 DAS, où elle enregistre un taux de 10,7 t/ha.
35
12 1,2
10 1
8 0,8
6 0,6
4 0,4
2 0,2
0 0
1
7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
103
109
115
121
127
133
139
145
151
157
163
169
175
181
187
193
199
Biomass YieldPart Intensité de stress
Figure III.8 : Evolution de l’indice de stress hydrique, de la biomasse et du rendement

grain durant le cycle végétatif.
36
III.7. Résultats du modèle Apsim
III.7.1. la simulation des rendements
Les rendements grains observé est de 5,24 tonnes/ha, tandis que le rendement biomasse est de
10,23 tonnes/ha. Par ailleurs, les rendements grain simulés sont à l’ordre de 3,92 tonnes/ha et de
11,8 tonnes/ha pour les rendements grain et biomasse respectivement. Apsim a tendance à sous-
estimer le rendement grain et surestimer le rendement biomasse.
14
ton/ha
12
10
Bio simulée
8 Bio observée
Rdtg simulé
6
Rdtg observé
4
Figure III.9 : comparaison entre les rendements grain et biomasse simulés et observés.
III.7.2 Le rendement et ses composantes
III.7.2.1. Poids de mille grains (PMG)
Le nombre de grains par unité de surface est la composante la plus liée aux variations du
rendement grain du blé et par conséquent, le poids moyen du grain peut être une importante
source de variation du rendement grain (Acevedo et al., 1999). Le PMG observé s'élève à 52,4g.
Ce taux considérable de PMG indique une année très favorable. Selon Rharrabti et al. (2003).
les conditions climatiques durant la période de remplissage du grain semblent être crucialement
importantes pour la détermination de la qualité du grain en environnement méditerranéen. Le
PMG simulé par l'APSIM est de 29g. Ce taux est considérablement sous-estimé par rapport à la
valeur réelle. En effet, le modèle APSIM tend à sous-estimer le PMG de la même manière que le
rendement grain. Fischer and Maurer, (1978) considèrent que la variation dans le rendement
grain est corrélée d'une manière consistante au nombre de grains plutôt qu'au poids du grain,
37
avec toutefois une plus grande diminution du poids du grain par rapport au nombre de grains en
cas de stress hydrique en post-anthèse.
III.7.3. Indice de la Surface Foliaire (Leaf area index Lai)
L'Indice de la Surface Foliaire (ISF) sert à quantifier de nombreux processus biologiques et

physiques tels la production primaire, la respiration des plantes, la transpiration, la photosynthèse
et les cycles de nutriments. L'ISF peut aussi se révéler utile dans l'identification des zones
brûlées. L'indice de surface foliaire se définit comme étant la moitié de la surface totale occupée
par les feuilles (les deux côtés de la feuille), par unité de surface au sol.
5
4,5
4
ISF (m²/m²)
3,5
3
2,5
2
1,5
1
0,5
0
Figure III.10 : Evolution de l'ISF selon le modèle APSIM
L’évolution a commencée à 22/11/2012. La valeur maximale de l’ISF enregistré est 4,6 (m²/m²)
à 25/03/2013. Cependant, la valeur minimale est 0,067 m²/m².
III.7.4. l'absorption racinaire du blé
L’optimisation de l’absorption d’eau est liée à un ensemble complexe de caractères

morphologiques des racines (Ramanjulu et al., 2002). La croissance racinaire en conditions
sèches peut être maintenue par l’ajustement osmotique qui limite la baisse du potentiel de
turgescence (Turner, 1986). L’absorption de l’eau dépend également de la résistance de la plante
au flux d’eau : ce dernier est d’autant plus élevé que la résistance de la plante est faible . En effet,
le modèle donne une absorption maximale de 4,74 mm par jour. Au cours du mois de mai, alors
que, nous constatons que les faible nombres d’ep étaient pendant les premiers mois jusqu’à la fin
du mars, et aussi, de la mi-mai jusqu’au dernier jour de juin.
38
5
4,5
4
3,5
Absorption racinaire mm)
3
2,5
2
1,5
1
0,5
0
Figure III.11 : Evolution de l'absorption racinaire selon le modèle APSIM
III.7.5. profondeur des racines

De nombreux travaux (SAHNOUNE et al., 2004 ; ADDA et al., 2005) montrent que le
déploiement en profondeur des racines et le temps de réaction de la variabilité que représente le
blé dur sont à l’origine d’une meilleure tolérance au déficit hydrique. Ainsi, LOPES et
REYNOLDS (2010) et LILLEY et KIRKEGAARD (2011) démontrent que l’amélioration en
conditions hydriques est conditionnée par une dynamique de croissance en longueur et une
ramification des racines, au niveau des horizons profonds, plus humides en conditions de
sécheresse prolongée.
2000
mm
1800
1600
1400
1200
1000
800
600
400
200
0
Figure III.12 : Evolution de la profondeur des racines
L’évolution de la profondeur des racines commence à 100 mm à la date de 15/11/2012, et elle est
diminuée après la date de 10/06/2013. Tandis que, la valeur maximale est de 1770.70 mm.
39
III.7.6 : La hauteur de la plante

Quoique la hauteur de la paille soit une caractéristique variétale, les valeurs simulées ne peuvent
en aucun cas être objet de comparaison, car généralement les variétés locales tardives et semi
tardives sont à paille haute, en l’occurrence, la variété testée Bousselam qui enregistre souvent
une hauteur supérieure à la valeur simulée qui est de 45.32cm. Ce qui nous importe en plus, c’est
bien la dynamique de croissance de la hauteur de la paille, qui atteint une vitesse de croisière au
cours du mois d’avril, soit de 0.75cm/jour, puis cette évolution prend un palier à partir de la fin
du mois de mai jusqu’à fin maturité. (La figure III.13)
500
450
400
350
300
250
200
Série1
150
100
50
0
Figure III.13 : la hauteur de la plante simulée par Apsim.
III.7.7 : grain protéine
L’évolution de la teneur d’un grain en protéine commence par une maximale valeur de 17% dès
le 28-04-2013, soit (166 DAS). Cette évolution stoppe durant les 9 jours suivants. Alors que, la
diminution des valeurs commence après ces 9 jours. Cette diminution continue d’une manière
stable jusqu’à 10% avec une vitesse de la baisse qui atteint à peu près 0,25%/j à la date de
maturité (208 DAS). Le grain de blé et principalement constitue de protéine (10 à 15% selon les
variétés et les conditions de culture) (Feillet., 2000).
40
18
16
14
12
10
8
6 Série1
4
2
0
Figure III.14 : la teneur d’un grain en protéine simulée.
III.7.8 : La couverture végétale

La couverture végétale vivante commence à inscrire des valeurs significatives dès le 22-11-2012
soit (38 DAS). Cette évolution continue d’une manière stable pour atteindre une valeur
maximale soit de 90% après 90DAS. Après, cette date, la couverture végétale commence à
diminuer jusqu’à la date de maturité (208 DAS). (La figure III.15).
1
0,9
0,8
0,7
0,6
0,5
0,4 Série1
0,3
0,2
0,1
0
Figure III.15 : L’évolution de la couverture végétale simulée
41
III.8. La comparaison entre les résultats de l’AquaCrop et l’Apsim

Les résultats obtenus des deux modèles (AquaCrop et Apsim) ont permis de nous faire une idée
sur les performances de chaque modèle vis-à-vis de la réalité. En effet, les comparaisons ont
porté sur les composantes de rendement et les stades phénologiques du blé simulé.
Tableau III.6 : La comparaison entre l’AquaCrop et l’Apsim

Paramètres de Données Simulation Différence Simulation Différence
comparaison observées par (AquaCrop- par Apsim (Apsim-
AquaCrop Observé) Observé)
date de levée 33 31 -2 jours 38 +5 jours
date de 178 175 -3 jours 166 -12 jours
floraison
Biomasse 10,23 10,76 +0.53 11,8 +1.57
tonnes/ha tonnes/ha tonnes/ha tonnes/ha tonnes/ha
Rendement 5,24 4,23 -1.01 3,92 -1,32
grain tonnes/ha tonnes/ha tonnes/ha tonnes/ha tonnes/ha
CC 80% 80% 0% 90% 10%
HI 51,22 39,31% -11.91% 33,22% -18%
date de 200 193 -7 jours 208 +8 jours
maturité
 La date de levée : la date de levée réelle était 33 DAS, l’AquaCrop signale une date vers
31DAS, soit deux jours en retard par rapport à la date observée. Alors que, l’Apsim
enregistre une date de levée 5 jours plus tard.
 La date de floraison : la date de floraison observée était 178 DAS, l’AquaCrop
enregistre une date 3 jours avant par rapport à la date réelle. Tandis que, l’Apsim signale
une date vers 166 DAS, soit 12 jours plus avant.
 La biomasse : la valeur réelle est de 10,23 tonnes/ha, les deux modèles sur estime la
biomasse observée. L’AquaCrop donne une valeur 0,53 tonnes/ha plus élevée par rapport
à la valeur réelle. Cependant, l’Apsim donne une valeur 1,57 tonnes/ha plus élevée.
 Le rendement grain : le rendement grain observé est 5,24 tonnes/ha, l’Apsim sous-
estime la valeur réelle 1,32 tonnes/ha. Alors que l’AquaCrop sous-estime la valeur
observée 1,01 tonnes/ha.
42
 Le couvert végétal vivant : la valeur réelle était 80%, c’est la même valeur enregistrée
par l’AquaCrop. Tandis que, l’Apsim signale une valeur vers 90%, soit 10% plus élevé
par rapport à la valeur observée.
 L’indice de récolte : l’indice de récolte présente une grande différence entre les données
observées et simulées. En effet, le HI observé est de 51,22%. Alors que, l’AquaCrop
donne une valeur 11,91% plus moins de la valeur réelle, et l’Apsim enregistre une valeur
18% plus moins du HI observé.
 La date de maturité : la date de maturité réelle était 200 DAS, l’AquaCrop signale une
date vers 193, soit 7 jours en retard par rapport à la date observée. Tandis que, l’Apsim
enregistre une date de maturité 8 jours plus avancés.
43
Conclusion
Les modèles de cultures sont utilisés pour explorer les effets induits sur le système modélisé de
changements dans les caractéristiques du sol, du climat, et des pratiques agricoles. En particulier
ils sont utilisés pour analyser l'impact des pratiques agricoles sur la production et
l’environnement, pour évaluer et concevoir des pratiques innovantes, en tant qu'outil d'aide à la
décision, ou pour aider à la planification d'expérimentations.
Dans cette étude, le modèle Apsim et AquaCrop ont été utilisé pour simuler le développement et
les composants du rendement du blé dur (triticum durum desf) en conditions semi-arides. En fait,
parmi les objectifs principaux est la comparaison des performances des deux modèles testés.
Le modèle AquaCrop s’est montré capable de simuler avec une précision assez bonne,
l’humidité et le rendement et la biomasse avec une assez bonne corrélation entre les valeurs
observées et les valeurs simulées pour les sols argilo-limoneux. Ainsi qu’il est capable de
simuler les stress hydriques (stress hydrique déclenchant la précocité de senescence de la
canopée, stress induisant la fermeture des stomates, stress réduisant l’expansion foliaire) même
le déficit de l’évapotranspiration relative qui permet de quantifier le stress hydrique durant le
cycle du blé dur.
Tandis que, le modèle Apsim a prouvé une performance de simulation relative moyenne par
rapport à Aquacrop. Notant que le modèle Apsim se caractérise par un nombre très important de
sorties (Outputs) qui s'élève à 1014. Comparativement à Aquacrop qui possède un nombre de
sorties réduit. La comparaison entre les deux modèles a montré qu'ils existent plusieurs
distinctions relativement aux composantes de rendements à savoir: le rendement grain qui est
sous estimé par les deux modèles, alors que le rendement biomasse est sur estimé par les deux
modèles. En ce qui concerne la simulation des stades phénologiques, les deux modèles
s'accordent à sous-estimer la date de floraison, alors qui se contredisent quant aux dates de levée
et maturité. Du point de vue convivialité et simplicité d'utilisation, le modèle Aquacrop nous
paraît plus pratique et plus simple à manipuler, tandis que le modèle Apsim est plus élaborer, il
possède une série de modules permettant des recherches plus approfondies dans les domaines des
changements climatiques et les domaines économiques pour prévoir une agriculture durable.
D'après la documentation consultée en vu d'avoir un constat sur l'utilisation des modèles de

culture dans le monde, il nous parait que le modèle Apsim est moins utilisé comparativement au
modèle Aquacrop. En effet, le modèle Aquacrop a été souvent utilisé en Algérie sur diverses
cultures, au contraire au modèle Apsim qui n'a jamais était testé en Algérie selon nos propres
recherches. Avec une utilisation itérative de ce modèle, qui peut lui permettre plus de
reconnaissance et d'importance. De façon générale, les outputs du modèle Aquacrop sont les plus
ajustées aux résultats réelles, ceci ne pourra jamais discréditer les résultats obtenus par le modèle
Apsim, à cause de son exigence en matière d'inputs qui sont généralement difficiles à fournir,
s'agissant des données d'analyses très poussées qui sont indisponibles à l'échelle locale.
Références
bibliographiques
1. Acevedo E.H., Silva P. C., Silva H. R., Solar B. R., 1999: Wheat production in
Mediterranean environments. In: Satorre, E.H., Slafer, G. A. (Eds.), Wheat: Ecology and
physiology of Yield Determination. The Haworth press Inc., New York, PP 295-331.
2. ADDA A., SAHNOUNE M., KAID-HARCHE M., MERAH O., 2005. Impact of water
deficit intensity on durum wheat seminal roots. C.R. Bilogies III. Plant biol. Path. 328 : 918-
927.
3. Anonyme2013, L’Algérie connaîtra une pénurie d’eau d’ici 2025, synthèse de Rayane,
http://www.algérie-dz.com/article7818.html, lundi 15 janvier 2007.
4. Arnal Atarés P., 2006. Semis direct dans la vallée moyenne de l’Ebre : Résumé des résultats
et analyse économique. Option Méditerranéennes, Série A, Numéro 69. Pp77-85.
5. Beaudoin N. et al., 2008. Evaluation of the soil crop model STICS over 8 years against the
“on farm” database of Bruyères catchment. Eur. J. Agron., 29, 46-57.
6. Belaid,D, 1986. Aspect de la céréaliculture algérienne. ED. OPU. Pp 75-86.
7. Bos , M.G. 1985. Summary of ICID definitions on irrigation efficiencies. In: Les besoins en
eau des cultures. Conférence internationale, Paris, 11-14 septembre 1984. Paris : Institut
national de la recherche agronomique (Inra), 889-99.
8. Bouzerzour H., S. Mahnane, M. Makhlouf, 2006. Une association pour une agriculture de
conservation sur les hautes plaines orientales semi-arides d’Algérie. Options
Méditerranéennes, Série, Numéro 69.PP 107-111.
9. BRISSON N., 2003. STICSEKOA?. INRA Avignon., 14p. BRISSON N., 2002. Notice
entrées- sorties. INRA Avignon., 42p.
10. Cabelguenne, M., P. Debaeke, and A. Bouniols. 1999. EPICphase, a version of the EPIC
model simulating the effects of water and nitrogen stress on biomass and yield, taking
account of developmental stages: Validation on maize, sunflower, sorghum, soybean, and
winter wheat. Agric. Systems 60(3): 175–196.
11. Chehbouni A., D.C. Goodrich, M.S. Moran, C.J. Watts, Y.H. kerr, G. Dedieu, W.G.
Kepner, W.J. Shuttleworth ET S. Sorooshian. A Preliminary Synthesis of Major Scientific
Results during the Salsa Program, Agricultural and Forest Meteorology, 2000. Vol, 105. Pp,
311-323.
12. Chehbouni A., Ezzahar, J., Watts, C., Rodriguez, J.-C., Garatuza-Payan, J., 2006.
Estimation Aea-Averaged Surface Fluxes Over Contrasted Agricultural PatchWaork In A
Semi-Aride Region. In J. Hill and A. Roder (Eds.), Advances in Remote Sensing and
Information Processing For Land Degradation Assement, Taylor and Francis.
13. Djaout L, 1995. Essai de synthèse sur les travaux effectués sur la date et densité de semis de
l’orge et la fertilisation azotée du blé dur dans les hauts plateaux de Sétif. Thèse. Ing. Agro.
Univ de Sétif. 60pp.
14. Djermoun, A.2009. La production céréalière en Algérie: les principales caractéristiques.

Revue Nature et Technologie. n° 01.Université de Hassiba Benbouali de Chlef, 46pp.
15. D.S.A, 2011. Direction de service Agricole. Evans, L.T., 1998. Feeding the ten billion,
Cambridge, UK, Cambridge University Press.
16. Ducellier L. 1931. Espèces et variétés de céréales cultivées en Algérie. Direction de

l’agricultureet de la colonisation, 130 pages.
17. El Aissaoui A., A. El Brahli, O. El Gharras, N. El Hantaoui, 2009. Le semis direct pour
une agriculture pluviale de conservation. Pp249-256 symposiume internationale «agriculture
Durable en région méditerranéenne (AGDUMED)», Rabat, Maroc, 14-16 mai 2009.
18. EZUI, K.S. 2001. Evaluation et adaptation du modèle QUEFTS dans la prédiction du
rendement de l'arachide dans les conditions agro-écologiques du Togo : cas typique de
Tsagba, Mémoire d'Ingénieur Agronome, UL-ESA, Lomé, 108 p.
19. FAO., 2007. AG : Agriculture de conservation (http:/ / www.fao.org/ag/ca/fr/1a.htm), 42 p.
20. Feillet P, 2000. Le grain du blé: composition et utilisation. Ed. INRA de France.
21. Gardner, F.P., Pearce, R.B., Michell, R.L. 1985. Physiology of crop plants. Ames (Iowa,
États- Unis): Iowa State University Press, ; 336 p.
22. Goutorbe J.P., T. Lebel, A.J. Dolman, P. Kabat, Y.H. Kerr, B. Monteny, S. D. Prince,
J.N.M. Stricker, A. Tinga Et J.S Wallace. An Overview of HAPEX-Sahel : A Study in
Climate and Desertification, Journal of Hydrology. 1997. 188-189, 4-17.
23. Grosclaude J., 2006. Lutte contre la désertification : L’apport d’une agriculture semis direct
sur couverture végétale permanente (SCV).
24. HADRIA R., 2006. Adaptation et spatialisation du modèle STICS pour la gestion d'un
périmètre céréalier irrigué en milieu semi-aride. Thèse doctorat. Université cadi ayyad.
Marrakech., 197p.
25. Hafsi, M. 2001. Adaptation du blé dur dans les conditions des hautes plaines sétifiennes.
Thèse de doctorat d’Etat. Faculté des sciences, UFAS, Sétif, Algérie, pp 80.
26. Hatfield, J.L., Sauer, T.J., Prueger, J.H., 2001, Managing soils to achieve greater water
use efficiency: a review. Agronomy J. 93 (March/April (2)), 271-280.
27. HOUGHTON J.T., DING Y., GRIGGS D.J., NOGUER M.,van der LINDEN P.J., DAI
X., MASKELL K. & JOHN-SON C.A., 2001. Climate change 2001 – The scientific basis.
Cambridge University Press, New York, 882 p.
28. Houlès V. et al., 2004. Evaluation of the ability of the crop model STICS to recommend
nitrogen fertilisation rates to agro-environmental criteria. Agronomie, 24, 339-349.
29. ICE.2011. https://www.theice.com/publicdocs/futures_canada /ICE Durum Wheat white paper.pdf.
30. GATE P., 1995. Ecophysiologie du blé : de la plante à la culture. Lavoisier, Paris. 429p.
31. Keffi et Sebaihi, 2013. La simulation d’une culture du blé dur (triticum durum desf.) Sous
un semis direct en milieu semi-aride.
32. Lahmar, 1991. Pour une relance agronomique des hautes plaines sétifiennes. Horizons du
juillet. 8pp.
33. Levy, A,A., M.Feldman. 2002. The impact of polyploidy on grass genome evolution. Plant
physiol. 130: 1587-1593.
34. LILLEY J.M., KIRKEGAARD J.A., 2011. Benefits of increased soil exploration by wheat
roots. Field Crops Res. 122, 118–130.
35. Loague K. & Green R.E., 1991. Statistical and graphical method for evaluating solute
transport models: overview and application. J. Contam. Hydrol., 7, 51-73.
36. LOPES, M.S., REYNOLDS, M.P., 2010. Partitioning of assimilates to deeper roots is
associated with cooler canopies and increased yield under drought in wheat. Functional
Plant Biology 37, 147–156.
37. Mac Key J. 2005. Wheat : Its concept, evolution, and taxonomy. In: Conxita, R., Nachit, M.,
di Fonzo, N., Araus, J.L., Pfeiffer, W.H., and Slafer, G.A. (eds.). durum wheat breeding:
current approaches and future strategies. Food product press. 3-61.
38. M.A.D.R. 2007. Ministère de l’Agriculture et du Développement Rural. Annuaire statistique,

Série B.
39. M.A.D.R. 2011. Bulletin statistiques de la campagne 2009-2010. Ministère de l’Agriculture

et du Développement Rural. 23 pages.
40. MATTHEWS, R., STEPHENS, W., HESS, T , TABITHA, M. and GRAVES, A. 2000.
Application of crop/soil simulation models in developing countries : Final Report, Institute
of Water and Environment Cranfield University, Siloe Bedfordshire MK45 4DT, United
Kingdom, 173 p.
41. Mazouz L, (2006). Etude de la contribution des paramètres phéno-morphologique dans

l’adaptation du blé dur (triticum durum Desf) dans l’étage bioclimatique semi-aride.
Mémoire de Magister Dèp. Agr.SCI Universit2 Hadj Lakhdar, Batna 70 pp.
42. Monteith, J., 1996. The quest for balance in crop modeling. Agron. J. 88, 695–697.
43. PENNING De VRIES, F.W.T et RABBINGE, R. 1995. Le rôle des modèles dans la
recherche, dans l'enseignement et dans la planification. In : Groot, J.J.R. and Coulibaly, A.,
eds, Les modèles de simulation de la croissance végétale comme outils de recherche
développement Rapports PSS N° 11, Compte rendu de séminaire à Bamako, Mali, du 7 au 8
Novembre 1994. Wageningen, pp 5-22.
44. Ramanjulu S., Bartels D., 2002. Drought and dessication-induced modulation of gene
expression in plants. Plant Cell and Environment 25, 141-151.
45. Raunet M., L. Seguy, C. Fovet Rabots, 1998. Semis direct sur couverture végétale
permanente du sol : de la technique au concept. Document obtenu sur le site Cirad du
réseau.
46. Rharrabti,Y., C.Royo, D. Villegas, N.Aparicio, and L.F.GarciadelMoral.2003.Durum
wheat quality in Mediterranean environments I.Quality expression under different zones,
latitudes and water regimes across Spain. Field Crop Res.80: 123-131.
47. Richards, R.A., Rebetzke, G.J, Condon, A.G, Van Herwaarden A.F. 2002. Breeding
opportunities for increasing the efficiency of water use and crop yield in temperate cereals.
Crop Sci ; 42 : 111- 21.
48. SAHNOUNE M., ADDA A., SOUALEM S., KAID-HARCHE M., MERAH O., 2004.
Early water deficit effect on seminal root barley. C.R. Bilogies III. Agron. 327 : 389-398.
49. Seguy., Bouziane S. et Maronzzi C. 2001. Système de culture et dynamique de la matière

organique. http// agroecologie. Cirad. Fr./ PDF/ postlsfr. Pdf.
50. SINCLAIR, T R. and SELIGMAN, N.G 1996. `'Crop modelling : from infancy to
maturity», Agronomy Journal, Vol. 88 (5), pp 698-703.
51. Spaeth, S.C., Sinclair, T.R., 1985. Linear increase in soybean harvest index during seed-
filling. Agron. J. 77, 207–211.
52. Turner N.C., 1986. Adaptation to water deficits: A changing perspective. Australian Journal
of Plant Physiology 13, 175-190.
53. Wallach D., Makowski D. & Jones J.W., 2006. Working with dynamics crop models.
Evaluation, analysis, parametrization and applications. Amsterdam, The Netherlands:
Elsevier.
54. Whistler, F., Acock, B., Baker, D., Fye, R., Hodges, H., Lambert, J., Lemmon, H., 54.
mcKinion, J., Reddy, V., 1986. Crop simulation models in agronomic systems. Adv.
Agron. 40, 142–208.
55. Zaghouane O., Z. Abdellaoui, D. Houassine, 2006. Quelles perspectives pour l’agriculture
de conservation dans les zones céréalières en conditions algériennes. Options
Méditerranéennes, Série A, Numéro 69. Pp 183-187.
Résumé
Cette étude a été conduite par l’emploi des données qui ont été obtenues à partir d’une étude
précédente qui a été faite à Mesloug -Sétif- en 2012-2013. Des champs du blé dur (la variété
Bousselam) ont été conduits en semis direct sous un régime pluvial. Le but de cette étude est la
comparaison entre les sorties de la nouvelle simulation par Apsim avec les résultats d’une autre
simulation réalisée durant la compagne 2012-2013 par le modèle AquaCrop sur la même culture
et dans les mêmes conditions.
Les résultats de la simulation obtenus par les deux modèles étaient différents. D’un côté
l’AquaCrop sous-estime les résultats observés des sorties suivantes (le rendement grain, la date
de levée, la date de floraison, la date de maturité et le HI) avec les différences successives
suivantes (1,01 tonnes/ha, 2 jours, 3 jours, 7 jours et 11,91%). D’autre côté, il surestime la
biomasse réelle (0,53 tonnes/ha), et donne la même valeur observée du couvert végétal vivant.
Alors que, et d’une part, l’Apsim sous-estime les outputs réels suivants (le rendement grain, la
date de floraison et le HI) avec les différences successives suivantes (1,32 tonnes/ha, 12 jours et
18%). D’autre part, il surestime les sorties réelles suivantes ; la biomasse (1,57 tonnes/ha), la
date de levée (5 jours), la date de maturité (8 jours) et le couvert végétal vivant (10%).
Les mots clés : Apsim, AquaCrop, la simulation, la comparaison, le semis direct, le rendement
grain.
‫اﻟﻤﻠﺨﺺ‬
‫ أﺛﻨﺎء‬-‫أﺟﺮﯾﺖ ھﺬه اﻟﺪراﺳﺔ ﻣﻦ ﺧﻼل ﺗﻮظﯿﻒ ﻣﻌﻄﯿﺎت ﺗﻢ اﻟﺤﺼﻮل ﻋﻠﯿﮭﺎ ﻣﻦ دراﺳﺔ ﺳﺎﺑﻘﺔ أﺟﺮﯾﺖ ﻓﻲ ﺣﻘﻮل ﻣﺰﻟﻮق – ﺳﻄﯿﻒ‬
‫ اﻟﮭﺪف ﻣﻦ ھﺬه اﻟﺪراﺳﺔ ھﻮ‬.‫ ﺣﯿﺚ أﺟﺮي اﻟﺒﺬر اﻟﻤﺒﺎﺷﺮ ﻟﻠﻘﻤﺢ اﻟﺼﻠﺐ )ﻧﻮﻋﯿﺔ ﺑﻮﺳﻼم( ﻓﻲ ﻧﻈﺎم ﻣﻄﺮي‬،2013 -2012 ‫اﻟﻤﻮﺳﻢ‬
‫اﻟﻤﻘﺎرﻧﺔ ﺑﯿﻦ ﻧﺘﺎﺋﺞ اﻟﻤﺤﺎﻛﺎة اﻟﺠﺪﯾﺪة ﻣﻦ طﺮف اﻟﻨﻤﻮذج أﺑﺴﯿﻢ ﻣﻊ ﻧﺘﺎﺋﺞ اﻟﻤﺤﺎﻛﺎة اﻟﺘﻲ ﺗﻢ إﺟﺮاؤھﺎ ﻣﻦ طﺮف اﻟﻨﻤﻮذج أﻛﻮاﻛﺮوب‬
.‫ ﻋﻠﻰ ﻧﻔﺲ اﻟﺰرع و ﻓﻲ ﻧﻔﺲ اﻟﺸﺮوط‬2013-2012 ‫ﺧﻼل اﻟﻤﻮﺳﻢ‬
‫ أﻛﻮاﻛﺮوب ﻗﺪم ﺗﻘﺪﯾﺮات أدﻧﻰ ﻣﻦ اﻟﻨﺘﺎﺋﺞ‬،‫ ﻣﻦ ﺟﮭﺔ‬.‫ﻧﺘﺎﺋﺞ اﻟﻤﺤﺎﻛﺎة اﻟﺘﻲ ﺗﻢ اﻟﺤﺼﻮل ﻋﻠﯿﮭﺎ ﻣﻦ طﺮف اﻟﻨﻤﻮذﺟﯿﻦ ﻛﺎﻧﺖ ﻣﺨﺘﻠﻔﺔ‬
‫ ﻣﻊ اﻻﺧﺘﻼﻓﺎت‬،(‫ ﺗﺎرﯾﺦ اﻟﻨﻀﻮج و ﻣﺆﺷﺮ اﻟﺤﺼﺎد‬،‫ ﺗﺎرﯾﺦ اﻹزھﺎر‬،‫ ﺗﺎرﯾﺦ اﻟﺒﺰوغ‬،‫اﻟﻮاﻗﻌﯿﺔ ﻟﻠﻤﺨﺮﺟﺎت اﻟﺘﺎﻟﯿﺔ ) ﻣﺮدود اﻟﺤﺐ‬
‫ ﻓﺈﻧﮫ ﻏﺎﻟﻰ ﻓﻲ ﺗﻘﺪﯾﺮ اﻟﻜﺘﻠﺔ اﻟﺤﯿﻮﯾﺔ‬،‫ ﻣﻦ ﺟﮭﺔ أﺧﺮى‬.(%11،91 ‫ أﯾﺎم و‬7 ،‫ أﯾﺎم‬3 ،‫ أﯾﺎم‬2 ،‫ھﻜﺘﺎر‬/‫ طﻦ‬1،01) ‫اﻟﻤﺘﺘﺎﻟﯿﺔ اﻵﺗﯿﺔ‬
‫ ﻓﻲ ﺣﯿﻦ أن اﻟﻨﻤﻮذج أﺑﺴﯿﻢ ﻗﺪم ﻣﻦ ﻧﺎﺣﯿﺔ ﺗﻘﺪﯾﺮات أدﻧﻰ‬.‫ و ﻗﺪم ﻧﻔﺲ اﻟﻘﯿﻤﺔ اﻟﺤﻘﯿﻘﯿﺔ ﻟﻠﻐﻄﺎء اﻟﻨﺒﺎﺗﻲ اﻟﺤﻲ‬، (‫ھﻜﺘﺎر‬/‫ طﻦ‬0،53)
،‫ھﻜﺘﺎر‬/‫ طﻦ‬1،32) ‫ ﺗﺎرﯾﺦ اﻹزھﺎر و ﻣﺆﺷﺮ اﻟﺤﺼﺎد( ﻣﻊ اﻻﺧﺘﻼﻓﺎت اﻟﻤﺘﺘﺎﻟﯿﺔ اﻵﺗﯿﺔ‬،‫ﻟﻠﻤﺨﺮﺟﺎت اﻟﺤﻘﯿﻘﯿﺔ اﻟﺘﺎﻟﯿﺔ )ﻣﺮدود اﻟﺤﺐ‬
،(‫ھﻜﺘﺎر‬/‫ طﻦ‬1،57) ‫ ﻓﺈﻧﮫ ﻏﺎﻟﻰ ﻓﻲ ﺗﻘﺪﯾﺮ اﻟﻤﺨﺮﺟﺎت اﻟﻤﻼﺣﻈﺔ اﻟﺘﺎﻟﯿﺔ ; اﻟﻜﺘﻠﺔ اﻟﺤﯿﻮﯾﺔ‬،‫ وﻣﻦ ﻧﺎﺣﯿﺔ أﺧﺮى‬.(%18 ‫ ﯾﻮم و‬12
.(%10) ‫ أﯾﺎم( و اﻟﻐﻄﺎء اﻟﻨﺒﺎﺗﻲ اﻟﺤﻲ‬8) ‫ ﺗﺎرﯾﺦ اﻟﻨﻀﻮج‬،(‫ أﯾﺎم‬5) ‫ﺗﺎرﯾﺦ اﻟﺒﺰوغ‬
.‫ ﻣﺮدود اﻟﺤﺐ‬،‫ اﻟﺒﺬر اﻟﻤﺒﺎﺷﺮ‬،‫ اﻟﻤﻘﺎرﻧﺔ‬،‫ اﻟﻤﺤﺎﻛﺎة‬،‫ أﻛﻮاﻛﺮوب‬،‫ أﺑﺴﯿﻢ‬:‫ﻛﻠﻤﺎت ﻣﻔﺘﺎﺣﯿﺔ‬

Simulation D'une Culture de Blé Dur Par Deux Modèles

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Simulation D'une Culture de Blé Dur Par Deux Modèles

Încărcat de

Drepturi de autor:

Formate disponibile

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA

Université Ferhat ABBAS –Sétif-1.

MEMOIRE DE FIN D’ETUDE

Option: Production et amélioration végétale

Simulation d'une culture de blé dur (Triticum durum desf)

Soutenu le : 04 Décembre 2014

Année universitaire 2013/2014

Ce travail a été réalisé sous la direction de mon Encadreur Mr. ROUABHI. A

Je tien à lui témoigner toute ma reconnaissance pour la confiance qu’il m’a

Qu’il me soit permis de remercier tous les enseignants du département

Merci pour tout !

* A celle qui m’a imprégnée de l’essence de son être, de sa générosité et de sa

* A ma très chère grand-mère.

*A ma chère amie, ex copine de chambre : A. Ilham : ♥ zahoo

* A tout l’ensemble de mes amis : d’enfance, de scolarité, de cité, de la résidence

* A tous les étudiants de la 5ème année PAV de la Promo 2013/2014.

Liste des notations et abréviation

Liste des tableaux

Liste des figures

I.1.3. Typologie des modèles des cultures………………………………………….2

I.1.4. la structuration d’un modèle de culture………………………………………3

I.1.4.1. variable et paramètre……………………………………………………….3

I.1.5. Etapes de simulation…………………………………………………………4

I.1.5.1. Analyse du contexte………………………………………………………..4

I.1.5.2. Choix du modèle…………………………………………………………...4

I.1.6. les critères de validation des modèles………………………………………..5

I.1.7. Utilisation de modèle………………………………………………………...8

I.1.8. L’utilité des modèles…………………………………………………………9

I.1.8.2. Les modèles comme outils d’aide à la décision……………………………9

I.1.8.3. Les modèles comme outils d’enseignement………………………………10

I.1.9.Limites d’utilisation des modèles de cultures……………………………….10

I.2.1. Origine géographique et génétique du blé………………………………….11

I.2. 2. L’importance économique dans le monde………………...........................11

I.2.2.1. L’importance économique en Algérie……………………………………11

I.2.2.2. L’importance économique de la céréaliculture à Sétif…………………..13

I.3. Le semis direct………………………………………………………………..14

I. 3.3.L’objectif du semis direct…………………………………………………..14

I.3.4. Système du semis direct et ses perspectives en Algérie…………………..15

I.3.5. Les avantages du semis direct sous couverture végétale………………….15

I.3.6. Les inconvénients du semis direct………………………………………..16

II.1.. La situation géographique…………………………………………………18

II.2. Les conditions climatiques du site…………………………………………18

II.3. Le matériel végétal…………………………………………………………19

II.4. Les conditions et l’installation de l’essai………………………………….19

II.5. Suivi et notations sur champ……………………………………………….19

II.5.1. Notation des stades phénologiques……………………………………….19

II.5.2. Suivi de la culture et des conditions du milieu…………………………20

II.5.2.1. Paramètres agronomiques………………………………………………..20

II.6. Description du modèle APSIM………………………………………………20

II.6.1. Paramétrage du logiciel……………………………………………………22

II.6.1.1. Les paramètres climatiques……………………………………………22

II.6.1.2. Les paramètres de la culture……………………………………………23

II.6.1.3. Les paramètres édaphiques…………………………………………….23

II.7. La description du modèle AQUACROP…………………………………….24

II.7.1. Paramétrage du logiciel…………………………………………………..26

II.7.1.1. Les paramètres conservatifs……………………………………………26

II.7.1.2. Les paramètres climatiques……………………………………………26

II.7.1.3. Les paramètres de la culture…………………………………………..27

II.7.1.4. Les paramètres édaphiques…………………………………………….27

III.1. Résultats climatiques………………………………………………………28

III.1.2. Les températures maximales et minimales……………………………….28

III.2.Résultats du modèle AQUACROP………………………………………….29