Projet H2020 CLIM4CROP : Surveillance du climat et prévisions saisonnières pour la production agricole mondiale

Des informations précises et opportunes sur la sécheresse sont essentielles pour passer de la gestion des risques de sécheresse post-crise à la gestion des risques de sécheresse pré-impact. Plusieurs ensembles de données sur les sécheresses existent déjà. Ces études couvrent les trois dernières décennies et fournissent des données en temps quasi réel (en utilisant différentes sources), mais elles sont toutes « déterministes » (c'est-à-dire à exécution unique) et les résultats diffèrent quelque peu entre elles. Dans CLIM4CROP, nous évaluons d’abord la qualité des données climatiques continues et à long terme pour une surveillance rapide des sécheresses météorologiques, en tenant compte de l’indice de précipitations standardisé. Nous avons ensuite développé un nouvel ensemble de données terrestres mondiales quadrillées, mises à jour opérationnellement chaque mois, pour surveiller la sécheresse en utilisant une approche probabiliste (DROP) inspirée de l'approche multi-modèles dans la prévision météorologique et climatique. Nous présentons un outil de surveillance qui utilise un ensemble de données basées sur l’observation pour obtenir la meilleure estimation en temps quasi réel avec son incertitude associée. Cette approche permet de tirer le meilleur parti des informations disponibles et de les mettre à la disposition des utilisateurs finaux. Les informations probabilistes de haute qualité fournies par DROP sont utiles pour les applications de surveillance et peuvent aider à éclairer les décisions politiques mondiales sur les priorités d’adaptation pour atténuer les impacts de la sécheresse, en particulier dans les pays où la surveillance météorologique reste un défi. L'article décrivant l'ensemble de données DROP est actuellement en cours de révision dans le Bulletin de l'American Meteorological Society ; c'est-à-dire remplir la tâche de diffusion du projet.

Les liens entre les cultures et les facteurs de stress thermique/hydrique ont été analysés pour mieux comprendre leurs interactions et développer des modèles statistiques. Ces modèles seront utilisés pour explorer la prévisibilité saisonnière des rendements des cultures. Nous avons utilisé des données de rendement historiques pour les quatre principales cultures mondiales (maïs, riz, soja et blé) provenant du Global Historical Yield Dataset (Iizumi 2017), un ensemble de données quadrillées nouvellement développé et jamais utilisé auparavant pour ce type d'étude. Il est important de noter que nous avons établi une collaboration avec le développeur de cet ensemble de données, le Dr Iizumi, un agrométéorologue de renommée internationale.

Les données historiques sur les cultures et les prédicteurs climatiques potentiels ont été utilisés pour calibrer des modèles de régression parcimonieux, offrant une alternative rentable en termes de calcul aux modèles basés sur les processus qui nécessitent généralement une variété de variables à petite échelle comme entrées, où les prévisions saisonnières ne sont pas encore efficaces. Le chercheur a reçu une formation du personnel du CCR sur le développement de ces modèles, qui suivent et étendent les modèles développés par Zampieri et al. (2017, 2018, 2019a) et Ceglar et al. (2018).

Les nouveautés du modèle empirique développé reposent principalement sur (i) la prise en compte de l'effet potentiel des conditions climatiques antérieures (c'est-à-dire au cours de la saison de croissance) sur le rendement des cultures et (ii) le calibrage du modèle pour obtenir des prédictions de cultures hors échantillon basées sur la connaissance des données prédictives en dehors de la période utilisée pour former le modèle, en adoptant une méthode de validation croisée de type leave-one-out. Autrement dit, l’étalonnage des modèles cultures-climat et leur évaluation sont réalisés à l’aide d’une validation croisée pour évaluer les prédictions comme si elles étaient faites de manière opérationnelle. Plus précisément, la fusion des informations d’observation (pour les mois précédant les mois de récolte) avec les prévisions saisonnières pour le reste du calendrier de croissance des cultures (par exemple, les stades d’anthèse et de récolte) est une caractéristique particulière de notre approche qui peut contribuer à accroître la prévisibilité des cultures, en tirant le meilleur parti des meilleures informations disponibles pour les utilisateurs. Cela est particulièrement utile dans les domaines où les performances des systèmes de prévision dynamique sont encore affectées par des erreurs importantes (par exemple, en Europe). Les résultats préliminaires suggèrent que les relations décalées entre le climat et les cultures contribuent substantiellement au développement d’un système de prévision saisonnière qui permet une gestion plus efficace des cultures.

CLIM4CROP a été conçu pour offrir une opportunité unique de renforcer et d'élargir l'expérience multisectorielle du boursier, en reliant sa formation en météorologie et en études sur le changement climatique aux exigences théoriques et pratiques des applications de prévision climatique en agriculture. Par conséquent, ce MSCA a également abordé les objectifs de formation décrits dans la proposition sur la prévision saisonnière, où les conseils experts du superviseur du BSC (FJ Doblas-Reyes) ont été essentiels pour la mise en œuvre réussie du plan de travail. De plus, la formation dispensée par les collaborateurs du JRC sur les impacts du rendement des cultures lui a permis d’en apprendre davantage sur la production agricole et la sécurité alimentaire, et d’élargir ses compétences dans les aspects statistiques liés aux modèles d’impact climatique. De plus, les défis scientifiques dans le cadre de CLIM4CROP, tels que la recherche hautement coopérative, ont assuré le transfert bidirectionnel des connaissances nouvellement acquises, renforçant les compétences de tous les participants.