Modéliser l'impact de la sécheresse sur la production fourragère par le modèle STICS

Les effets de la sécheresse sur la production fourragère peuvent être estimés par les modèles de culture tels que STICS, et ce, à différentes échelles spatiales correspondant à différents degrés de précision de renseignement des entrées du modèle. STICS, dans sa version 3, de 1998, est employé depuis début 2000 pour estimer des variations interannuelles de production de petites zones géographiques nommées régions fourragères. Pour cet usage, il est muni d'un jeu de paramètres construit à partir de multiples situations de plaine au printemps et en été, et alimenté par une base de données caractérisant le sol et les pratiques (fauches ou pâturages, fertilisation), ainsi que le climat dont le référentiel est modifié périodiquement (par exemple l'introduction de l'année 2003 modifie le positionnement relatif des années sèches). Cet outil donne de bonnes estimations des variations interannuelles de production, y compris pour les années très sèches que nous avons connues récemment. Cependant, si les estimations sur l'ensemble de l'année sont satisfaisantes, les dynamiques annuelles le sont nettement moins, en particulier pour ce qui concerne la reprise après sécheresse, généralement trop tardive. En s'approchant des processus grâce à des ajouts ou des raffinements de fonctions, on espère améliorer les estimations pendant l'ensemble de la période estivale, qu'elle soit légèrement productive ou non productive. Dans ce dernier cas, on cherchera à mieux représenter les processus d'entrée en période non productive, de survie et de redémarrage au retour des pluies, y compris d'éventuelles mortalités de talles observées de plus en plus fréquemment sur le terrain. Un certain nombre de nouveaux processus ont été introduits ou sont en cours de formalisation et doivent être paramétrés, testés, validés pour élargir la zone d'utilisation possible du modèle aux conditions méditerranéennes ainsi qu'aux périodes futures. Par ailleurs, l'ajout de fonctions plus mécanistes, plus sensibles aux effets du milieu et nécessitant des données d'entrée plus précises doit être étudié soigneusement avant leur utilisation dans des applications spatialisées.