Réservoir utile des sols de la France métropolitaine

Contexte Le Réservoir utile des sols (RU) correspond à la quantité maximale qu’un sol peut retenir et restituer aux plantes. Les prédictions spatiales du RU par cartographie numérique à haute résolution sur le territoire métropolitain fournissent des informations pertinentes pour leur utilisation par des modèles écologiques et hydrologiques sur de vastes territoires et pour l'évaluation des services écosystémiques des sols tels que la régulation des flux d’eau, la séquestration du carbone et la fourniture de nourriture et de matières premières. Cependant, les prédictions spatiales du RU sont sujettes aux erreurs et aux incertitudes. De plus, la cartographie numérique des sols nécessite l'utilisation de fonctions de pédotransfert (FPT) en raison du manque de mesures géoréférencées suffisantes des limites supérieures (c'est-à-dire l'humidité du sol à la capacité au champ, θCC) et inférieures (c'est-à-dire l’humidité au point de flétrissement permanent, θPFP) de la teneur en eau du sol définissant le RU. Les objectifs de cette étude sont : 1) de prédire le RU pour la France métropolitaine en suivant les spécifications du projet GlobalSoilMap (GSM), et 2) de quantifier les incertitudes d’estimation du RU correspondant à celles des variables d’entrée et à celles des coefficients des FPT. Méthodes L’approche utilisée de cartographie numérique consiste à prédire la teneur en argile et en sable pour les 6 couches GSM d’intervalles de profondeur 0-5, 5-15, 15-30, 30-60, 60-100 et 100-200 cm en combinant des modèles de régression et des modèles géostatistiques. Tout d’abord, les données granulométriques de calibration sont transformées par la transformation en log ratio additive afin d’obtenir calyalr et siltalr. Puis, des modèles de régression utilisant l’algorithme Cubist et 44 covariables descriptives des facteurs SCORPAN (sol, climat, végétation, relief et matériau parental) ont été ajustés. Les résidus des modèles ont été calculés aux points de calibration et un modèle linéaire de corégionalisation a été ajusté entre ces résidus pour les deux variables et pour chaque couche GSM. Les résidus de argilealr et siltalr ont ensuite été interpolés par co-krigeage ordinaire en utilisant les 10 observations les plus proches. Les prédictions finales ont été calculées par addition des résidus krigés aux prédictions Cubist (i.e. régression-krigeage), puis retransformées dans l’échelle d’origine des données granulométriques. Ainsi, dans un premier temps nous avons obtenu argilealr, siltalr, argile, limon et sable. La variance de krigeage des résidus des variables alr était également un sous-produit de la procédure de krigeage. Les éléments grossiers (volume d'éléments grossiers en %) ont été modélisés avec des forêts de régressions quantiles, prédisant la moyenne, le 5e centile, le 95e centile et l'écart type des éléments grossiers par profondeur GSM. Les propriétés hydriques ont été calculées dans un deuxième temps. La teneur volumétrique en eau du sol (cm3 cm-3) à la capacité au champ ou pF = 2.0 (θCC), et au point de flétrissement permanent ou pF = 4.2 (θPFP) ont été estimées en utilisant les FPT développées par Román Dobarco et al. (2019) avec la base de données française SOLHYDRO (Al Majou et al., 2008). Ces FPT utilise la teneur en argile (%) et en sable (%) comme prédicteurs : ΘCC= 0,278 + 2,45 10-3argile – 1,35 10-3sable ΘPFP= 0,08 + 4,01 10-3 argile – 2,93 10-4sable Pour chaque couche GSM, le RU élémentaire et le RU en mm ont été calculés. Avec l’hypothèse que les éléments grossiers n’apportent pas d’eau au RU, Le RU for un volume de sol unitaire, ou RU élémentaire, est défini comme : RU élémentaire (cm3 cm-3)=(θCC- θPFP )(1-Rv ) Pour une couche de sol ou un profil, le RU total est calculé avec la formule suivante : RU (mm)=(θCC- θPFP )(1-Rv )p Où θCC est la teneur volumétrique en eau à la capacité au champ (cm3 cm-3), θPFP est la teneur volumétrique en eau au point de flétrissement permanent (cm3 cm-3), Rv est la fraction volumique en éléments grossiers, and p est la profondeur du profil ou l’épaisseur de la couche de sol considérée (mm). Finalement, les prédictions spatiales du RU pour chaque couche sont sommées sur la profondeur du sol prédite provenant d’une modélisation réalisée par Lacoste et al. (2016), sur une profondeur maximale de 2 m : RU= ∑h=16)(1-Rh)(θCCh-θPFPh) eh Où h = 1,…,6 représente les 6 couches GSM de sol, Rh est la fraction volumétrique des éléments grossiers de l’horizon h, θCCh est la teneur volumétrique en eau à la capacité au champ (cm3 cm-3) de l’horizon h, θPFPhest la teneur volumétrique en eau au point de flétrissement permanent (cm3 cm-3), et eh est l’épaisseur (i.e. tronquée en utilisant la profondeur du sol estimée) de l’horizon h en mm. Une analyse de Taylor de premier ordre a été appliquée pour calculer la variance des estimations de θCC (i.e., θ2.0), de θPFP (i.e., θ4,2), des RU élémentaires et des RU totaux. Ces variances sont considérées comme une approximation de l’incertitude d’estimation. Résultats Une évaluation indépendante indique que l’argile a le plus faible R2 (R2 argile = 0,.27, R2 limon = 0,43 et R2 sable = 0,46) et la plus faible RMSE (RMSE argile = 128 g kg-1, RMSE limon = 139 g kg-1 and RMSE sable = 172 g kg-1) des trois classes granulométriques. Cependant, le modèle pour les éléments grossiers présente les plus mauvaises performances prédictives (R2 = 0,14 and RMSE = 21%) parmi l’ensemble des variables d’entrée du RU. Les prédictions de θCC et de θPFP ont un R2 de 0,21 et 0,29. Lorsque les FPT ont été appliquées sur les prédictions spatiales d’argile et sable, la RMSE pour θCC et θPFP ont augmentées de 25% et 36% respectivement comparées à celles obtenues lorsqu’elles sont appliquées sur les données mesurées. Sur la grande majorité de la France métropolitaine, les principales sources d’incertitudes des RU élémentaires sont les éléments grossiers et la texture mais la contribution des incertitudes des coefficients des FPT augmentent dans les zones dominées par des textures très sableuses ou argileuses. Les cartes produites de θCC, θPFP et RU ont comme avantage de permettre à l’utilisateur d’incorporer les incertitudes associées dans leurs modèles écologiques ou agronomiques ou leur processus de décision utilisés pour la gestion des sols et des eaux.

背景 土壤有效水库（RU）指土壤可保留并供给植物的最大水量。通过法国本土高分辨率数字制图获得的RU空间预测结果，可为广域生态与水文模型应用、土壤生态系统服务评估（如水循环调节、碳封存及食物与原材料供给）提供关键信息。然而，RU空间预测存在误差与不确定性；且因缺乏足够地理参考实测数据（定义RU的土壤含水量上下限：田间持水量θCC与永久萎蔫点θPFP），土壤数字制图需借助土壤传递函数（FPT）。本研究目标为：1）遵循GlobalSoilMap（GSM）规范预测法国本土RU；2）量化RU估计的不确定性（含输入变量与FPT系数的不确定性）。方法 数字制图方法结合回归模型与地统计模型，预测GSM 6个深度层（0-5、5-15、15-30、30-60、60-100、100-200 cm）的黏土与砂含量。首先，校准用颗粒数据通过加性对数比变换转换为黏土加性对数比（argilealr）和粉砂加性对数比（siltalr）；随后采用Cubist算法与44个SCORPAN因子（土壤、气候、植被、地形及母质）协变量构建回归模型；计算校准点模型残差，并针对两变量及各GSM层拟合线性协同区域化模型；通过普通协同克里金法（使用最近10个观测值）插值argilealr与siltalr残差；最终预测值为Cubist预测值加克里金残差（即回归克里金法），再转回原始颗粒数据尺度，得到黏土、粉砂、砂含量及对应残差方差。粗颗粒（体积百分比）采用分位数回归森林模型，预测各GSM层的均值、5分位、95分位及标准差。水文性质计算：采用Román Dobarco等（2019）基于法国SOLHYDRO数据库（Al Majou等，2008）开发的FPT，估计田间持水量（θCC，pF=2.0）与永久萎蔫点（θPFP，pF=4.2）的体积含水量：θCC=0.278 + 2.45×10⁻³×黏土含量 – 1.35×10⁻³×砂含量；θPFP=0.08 + 4.01×10⁻³×黏土含量 – 2.93×10⁻⁴×砂含量。各GSM层的单位体积RU（RU élémentaire）与毫米级RU计算如下：假设粗颗粒不贡献RU，单位体积RU（cm³/cm³）=（θCC - θPFP）×(1-Rv)；土层或剖面总RU（mm）=（θCC - θPFP）×(1-Rv)×p（p为剖面深度或土层厚度，单位mm）。最终RU空间预测为各层预测值之和（基于Lacoste等2016年土壤深度模型，最大深度2米）：RU=∑ₕ₌₁⁶ (1-Rₕ)(θCCₕ-θPFPₕ)eₕ（h=1…6为6个GSM土层，Rₕ为h层粗颗粒体积分数，θCCₕ/θPFPₕ为h层田间持水量/永久萎蔫点体积含水量，eₕ为h层厚度（基于估算土壤深度截断，单位mm））。采用一阶泰勒分析计算θCC（θ2.0）、θPFP（θ4.2）、单位体积RU及总RU的估计方差（作为不确定性近似）。结果 独立评估显示，黏土的决定系数（R²）最低（黏土R²=0.27，粉砂=0.43，砂=0.46），均方根误差（RMSE）最小（黏土RMSE=128 g/kg，粉砂=139 g/kg，砂=172 g/kg）；但粗颗粒模型预测性能最差（R²=0.14，RMSE=21%）。θCC与θPFP的R²分别为0.21与0.29；将FPT应用于黏土与砂的空间预测值时，θCC与θPFP的RMSE较应用于实测数据时分别增加25%与36%。法国本土大部分区域单位体积RU的主要不确定性来源为粗颗粒与质地，但在极砂质或黏质区域，FPT系数的不确定性贡献显著增加。本研究生成的θCC、θPFP及RU地图的优势在于，用户可将相关不确定性纳入生态/农艺模型或土壤水资源管理决策过程。