« La spectroscopie proche infrarouge en Sciences du Sol »

Transcription

6èmes rencontres HélioSPIR
Colloque
« La spectroscopie proche infrarouge
en Sciences du Sol »
25 et 26 Octobre 2007, Grenoble
1
« La spectroscopie proche infrarouge en Sciences du sol », 25-26 Octobre 2007, Grenoble – France
Site internet du colloque : http://spirsolgrenoble2007.free.fr
Contexte et Objectifs du colloque
La SPIR est une technique utilisée depuis environ 20 ans dans le domaine des Sciences du Sol,
principalement pour sa capacité à prédire la décomposabilité de matériaux végétaux dans le sol
ou la teneur en C et N d'échantillons de sol.
Récemment de nouvelles applications ont été testées tant au niveau quantitatif (prédiction de
multiples paramètres physico-chimiques et biologiques du sol) que qualitatif (discrimination des
macro-agrégats du sol, évaluation de la qualité du sol, des composts, spatialisation des propriétés
du sol), mettant parfois en oeuvre de nouvelles techniques de chimiométrie.
Le but de ce colloque est de rassembler les différents utilisateurs de la technologie SPIR en
Sciences du Sol autour de plusieurs objectifs :
−standardiser
les étapes de préparation des échantillons et d’acquisition des spectres
−faire le point sur les techniques de chimiométrie pour traiter les spectres PIR
−présenter les applications les plus récentes de la SPIR en Sciences du Sol
Comité Scientifique
Bernard Barthès
(Ingénieur de Recherche, IRD Montpellier)
Véronique Bellon-Maurel
(Directrice UMR ITAP, Cemagref Montpellier)
Jean-Jacques Brun
(Directeur de Recherche, Cemagref Grenoble)
Comité d’organisation
Jean-Jacques Brun
Lauric Cécillon
(Cemagref Grenoble)
(ADEME, Cemagref Grenoble)
Sébastien De Danieli
(Cemagref Grenoble)
Site internet du colloque
http://spirsolgrenoble2007.free.fr
2
Programme du colloque
Journée 1
Jeudi 25 Octobre 2007
Matinée
(10h – 12h30)
Conférences
Présentations de
travaux de recherche
Après-midi
(14h - 18h)
Fin des conférences
Présentations de travaux de recherche
Table ronde
La SPIR en Sciences du Sol

9h30 – 10h
Accueil des participants – Café

10h – 10h15
Présentation du colloque, du comité scientifique et des participants

10h15
Conférences thème « Spatialisation »
10h15 – 10h45 Spatialisation de propriétés du sol par Spectroscopie Visible et Proche Infrarouge
C. Gomez & Ph. Lagacherie
10h45 – 11h15 Prédiction spatiale des teneurs en carbone organique des sols par couplage de télédétection
et de spectroscopie visible-proche infrarouge
E. Vaudour & L. Berthier
11h15 – 11h45 Laboratory, field and airborne spectroscopy for monitoring organic carbon content in
agricultural soil
A. Stevens, B. Van Wesemael, H. Bartholomeus, D. Rosillon, B. Tychon & E. Ben-Dor

11h45
Conférences thème « Prédiction de propriétés physico-chimiques du sol »
11h45 – 12h15 Le mode de calibrage local pour prédire, par spectroscopie proche infrarouge, la CEC et le
taux de carbone organique total des échantillons de terre. Application en Région wallonne
(Belgique)
V. Genot, G. Colinet, P. Dardenne, D. Vanvyyve & L. Bock

12h15
Pause déjeuner
3

14h
14h – 14h30

14h30
Conférences thème « Prédiction de propriétés physico-chimiques du sol »
Détermination de la distribution du carbone et de l’azote dans les fractions
granulométriques d’après le spectre proche infrarouge du sol total
B. G. Barthès, D. Brunet, E. Hien, F. Enjalric, S. Conche, G. T. Freschet, R. d’Annunzio
& J. Toucet-Louri
Conférences thème « Ecologie du sol »
14h30 – 15h
Prédiction de propriétés biologiques du sol et application de la SPIR en écologie du sol
L. Cécillon, N. Cassagne, S. Czarnes, R. Gros & J.-J. Brun
15h – 15h30
Identification de la source végétale de la matière organique des sols par SPIR
D. Ertlen, D. Schwartz, D. Brunet

15h30
Pause café (15 minutes)

15h45
Conférences thème « Applications »
15h45 – 16h15 Prédiction des transformations d’apports organiques agro-industriels aux sols
L. Thuriès
16h15 – 16h45 Application de la spectroscopie proche infrarouge (SPIR) dans un réseau de laboratoires
d’analyses de terre et de conseil
V. Genot, G. Colinet, P. Dardenne, D. Vanvyyve & L. Bock

16h45
Table ronde « La SPIR en Sciences du Sol » (1 heure)

17h45
Présentation de la journée 2 (15 minutes)

18h
Fin de la journée 1
4
Journée 2
Vendredi 26 Octobre 2007
Matinée
(9h – 12h)
Atelier pratique
Comparaison des performances de
différentes techniques de régression sous
plusieurs logiciels à partir d’un jeu de
données SPIR d’échantillons de sol
Après-midi
(13h30 - 15h)
Séance poster et restitution atelier
Discussions
Normalisation des analyses de sol par SPIR?
Une base de donnée commune pour étalonner
les spectromètres?

9h
Présentation des ateliers pratiques (15 minutes)

9h15
Début des deux ateliers pratiques parallèles
9h15 – 12h15
Atelier 1 : Initiation à la SPIR en Sciences du Sol
- Acquisition des spectres sous Antaris II (Thermo electron)
- Traitements qualitatifs (R, package ade4 et signal)
- Régression PLS (R, package pls)
Animateurs : J.-J. Brun, S. De Danieli
9h15 – 12h15
Atelier 2 : Analyses quantitatives : régressions linéaire et non linéaire
- Régression PLS sous WinISI et R
- PLS en mode local (WinISI)
- Sélection des variables par méthode VIP (R, package pls)
- Machine à vecteurs de support : régression SVR (R, package e1071)
Animateurs : L. Cécillon et participants

12h15
Pause déjeuner

13h15
Restitution des ateliers (25 minutes)

13h40
Séance de présentations courtes (20 minutes)
13h40 – 13h45 Effects of five earthworm species on soil structure and organic matter in LUVISOLs
M. Hedde, L. Cécillon, F. Bureau & T. Decaëns
13h45 – 13h50 The response of Pinus nigra's root system to slope : implication for plant anchorage
M. Burylo, F. Grassein & F. Rey
13h50 – 13h55 Application SPIR dans le projet BioCatch :
Influence des pratiques pastorales sur la qualité de la matière organique du sol
J.C. Clément, R. Denoits, L. Cécillon & collaborateurs du projet BioCatch
13h55 – 14h
Traçage et caractérisation de la matière organique : le projet ANR RPE-Dynamonts
(Lien SPIR – MIR – Pyrolyse)
B. Pépin-Donat, J. Poulenard, Y. Perrette, B. Fanget, B. Mourier, B. Picart & L. Cécillon
5

14h
14h – 15h

15h
Discussions
Normalisation des analyses de sol par SPIR, construction de bases de données communes…
Premier bilan et fin du colloque (10 minutes)
6
Résumés des
communications orales
7
Spatialisation de propriétés du sol
par Spectroscopie Visible et Proche Infrarouge
C. Gomez1 & Ph. Lagacherie2
1
2
IRD, UMR LISAH, 34060 Montpellier
INRA, UMR LISAH, 34060 Montpellier
Historiquement les analyses physico-chimiques du sol réalisées en laboratoire constituent la
source d’informations principale nécessaire à la compréhension du sol et à l’estimation de sa
qualité et fonction. Face aux besoins de connaissances des sols nécessaires en modélisation de
processus environnementaux et en agriculture de précision, des techniques à moindres coûts et
plus efficaces en terme de temps de travail d’analyse des sols voient le jour. La Spectrométrie
Visible et Proche Infrarouge (PIR) représente en cela une opportunité d’augmenter notre
capacité d’observation directe des sols. Plus particulièrement la télédétection satellitale et
aéroportée Visible et PIR tend à devenir un outil incontournable pour accéder aux propriétés du
sol. Ce papier expose deux exemples d’analyse de données de télédétection Visible et PIR pour la
spatialisation de propriétés du sol. Des résultats obtenus émergent des perspectives
intéressantes pour la cartographie de propriétés du sol sur de larges territoires et à grande
échelle.
La cartographie du taux d’Argile et de Carbonate de Calcium (CaCO3) a été réalisé à partir de
données Hyperspectrales aéroportées Hymap sur la Vallée de la Peyne (Languedoc, France). Une
relation a été mise en évidence entre l’argile et une bande d’absorption située à 2206 nm et
entre le CaCO3 et une bande d’absorption située à 2341 nm. Bien que l’analyse de données
enregistrées en laboratoire offre une estimation de ces propriétés plus précise que l’analyse de
données aéroportées, les données Hymap offre une estimation correcte des ces propriétés.
Le potentiel de la Spectrométrie Visible et PIR pour la cartographie du taux de Matière
Organique est actuellement en cours d’analyse sur la région de Namoi (NSW, Australia). La
méthode de Régression en Moindres Carrés Partiels est utilisée pour estimer le taux de Matière
Organique à partir de spectres de réflectance de laboratoire et de données Hyperspectrales
satellitales Hyperion.
8
Prédiction spatiale des teneurs en carbone organique
des sols par couplage de télédétection et de
spectroscopie visible-proche infrarouge
E. Vaudour1 & L. Berthier1
1
UMR INRA / Agro Paris Tech « Environnement et Grandes Cultures », Equipe Sol
Agro Paris Tech, Av. Lucien Brétignières, 78850 Thiverval-Grignon, France
La compréhension de la répartition spatiale du carbone organique (CO) est un enjeu
environnemental majeur, en lien notamment avec l’évaluation des stocks de carbone ou le
transfert des pesticides dans les sols. La télédétection permet le suivi de phénomènes
environnementaux à l’échelon de vastes territoires, par l’intermédiaire des propriétés spectrales
de surface, notamment liées à des propriétés de sols : cette étude se propose de relier la
réflectance du sol à la teneur en CO et de spatialiser celle-ci à l’aide d’imagerie satellitale SPOT
(Système Pour l’Observation de la Terre) au niveau d’un périmètre d’approvisionnement en eau
potable de la Beauce. Trois étapes composent ce travail : i) la teneur en CO est d’abord estimée à
l’aide d’une régression des moindres carrés partiels (Partial Least Squares Regression, PLSR, en
anglais) calculée sur 153 bandes décrivant 27 spectres de réflectance de terrain dans le domaine
visible-proche infrarouge (400-900 nm) ; ii) la teneur en CO est ensuite estimée à l’aide d’une
PLSR mise en œuvre sur les 3 bandes spectrales simulées du capteur Haute Résolution Visible
(HRV) du satellite SPOT ; iii) cette dernière relation est appliquée à une image SPOT
radiométriquement corrigée en réflectance, ce qui résulte en une spatialisation de la teneur en
CO. Un jeu de 10 sites indépendants est utilisé pour valider ces estimations spatialisées des
teneurs en CO. Seuls les spectres mesurés en conditions de terrain, et non ceux de laboratoire,
s’avèrent conduire à des modèles applicables aux images. Ainsi, par la PLSR basée sur 153 bandes
des spectres de terrain (400-900 nm), le modèle de prédiction des teneurs en CO est
performant, avec une valeur du coefficient de détermination R² élevée (0,78) et une erreur
quadratique moyenne de validation croisée (Root Mean Square Error of cross validation ou
RMSECV) faible, de 0,53 g.kg-1. Par la PLSR restreinte à 3 bandes SPOT simulées à partir des
spectres de terrain, le modèle de prédiction des teneurs en CO est certes moins performant
(R²=0,39 ; RMSECV= 1,02 g.kg-1) mais son application est possible : les valeurs prédites sur
l’image sont validées par une valeur de RMSE de 1,33 g.kg-1 de CO du sol.
9
Laboratory, Field and Airborne Spectroscopy for Monitoring
Organic Carbon Content in Agricultural Soil
A. Stevens1, B. Van Wesemael1, H. Bartholomeus2, D. Rosillon3, B. Tychon4 & E. Ben-Dor4
Department of Geography, Université catholique de Louvain, Place Pasteur, 3, 1348 Louvain-LaNeuve, Belgium
2
Centre for Geo-Information, Wageningen University, Droevendaalsesteeg 3, NL 6708 PB,
Wageningen, The Netherlands
3
Department of Environmental Sciences and Management, University of Liège, Campus of Arlon,
185, avenue de Longwy, 6700 Arlon, Belgium
4
Department of Geography and Human Environment, Tel Aviv University, P.O. Box 39040 Ramant
Aviv, Tel Aviv, Israel 69978
e-mail: [email protected]
1
Introduction. Several difficulties in estimating SOC stocks and their temporal evolution in
agricultural soils remain challenging. One of them is linked to the spatial variability of SOC that
masks its slow accumulation or depletion. Current methods of soil analysis are too expensive and
time consuming to meet the amount of data required for statistical inference in soil monitoring.
Visible and Near InfraRed (VNIR) reflectance spectroscopy can be a suitable technique to
rapidly quantify various soil characteristics simultaneously. The performance of three different
instrumental settings (laboratory, field and airborne reflectance spectroscopy) have been
assessed
Materials and method. Three different study areas were monitored in the Belgian Ardennes and
Lorraine with various soil types and a wide range of SOC content (5-37 g C kg-1) during 2
different field campaign in 2003 and 2005. A total of 201 bare plots were sampled and analysed
for SOC content with the Walkley-Black method. The soil reflectance was measured in the
laboratory with a VNIR spectrometer (ASD) and in the field with (a) a portable ASD and (b) an
hyperspectral remote sensor (AHS160). After standard spectral pre-treatments, the
relationship between soil spectra and measured SOC content was calibrated with Partial Least
Square Regressions (PLSR) and validated
Results and discussion. RMSE in the validation of laboratory and field spectroscopy reaches
values of 1 g C kg-1. Those values are comparable to the limit of repeatability of the WalkleyBlack method. The remote instrument has some difficulties to reach such values. This lower
validation result was attributed to the poor quality of spectral data. Despite the low precision
achieved by the airborne sensor and to illustrate the mapping capabilities of IS, the SOC
content of the bare fields were predicted for each pixel (fig.1). The maps show some
differences between sampling points and predicted values but the overall variability is
10
respected. The carbon content means, as estimated by field samples and the remote sensor, are
equivalent (low bias, difference <1 C g kg-1).
The use of different datasets (field spectroscopy) from different study areas and field
campaigns showed that calibrations are currently site-specific and partly fail to predict, under a
proper test set validation procedure, samples belonging to another study area or falling outside
of the range of the calibration set. Further research is needed to develop regional spectral
libraries and standard spectral measurement protocols under field conditions in order to be able
to use VNIR spectroscopy as an operational robust analytical technique to instantaneously
measure the soil organic carbon content in the future.
Fig.1. SOC mapping of the two bare fields of the study area, with sampling points.
11
Le mode de calibrage local pour prédire,
par spectroscopie proche infrarouge, la CEC et le
taux de carbone organique total des échantillons de terre.
Application en Région wallonne (Belgique)
V. Genot1, G. Colinet1, P. Dardenne2, D. Vanvyyve3 & L. Bock1
Laboratoire de Géopédologie – Unité Sol-Ecologie-Territoire - FUSAGx (Gembloux - Belgique)
Département qualité – CRA-W (Gembloux - Belgique)
3
Laboratoire d’analyses de terre – Tinlot-Sry (Belgique)
1
2
La prédiction de propriétés de sol (capacité d’échange cationique et taux de carbone organique
total) par la spectroscopie proche infrarouge (SPIR) requiert le développement d’un modèle de
calibrage. Celui-ci peut être élaboré en mode global ou local. Dans le premier cas, une seule
équation est conçue et utilisée pour prédire tout nouvel échantillon provenant de la population
choisie. Au contraire, le mode local consiste en la réalisation d’une nouvelle équation pour chaque
échantillon à prédire. Le modèle construit se base sur une sélection de spectres, provenant du lot
de calibrage (base de données spectrales), sur base de leur corrélation avec le spectre de
l’échantillon à prédire.
La démarche suivie pour paramétrer le mode local est présentée ici. Le gain de précision obtenu
par rapport à l’approche global pour la prédiction des 2 propriétés de sol étudiées et les
améliorations possibles sont discutées.
12
Détermination de la distribution du carbone
et de l’azote dans les fractions granulométriques
d’après le spectre proche infrarouge du sol total
B. G. Barthès1*, D. Brunet1, E. Hien2, F. Enjalric3,
S. Conche1, G. T. Freschet1,4, R. d’Annunzio5 & J. Toucet-Louri1
IRD-SeqBio, Montpellier SupAgro, bât. 12, 2 place Viala, F-34060 Montpellier cedex 1.
Université de Ouagadougou, UFR SVT, 03 BP 7021 Ouagadougou 03, Burkina Faso.
3
UMR System, CIRAD-Persyst, Montpellier SupAgro, bât. 27, 2 place Viala, F-34060 Montpellier
cedex 1.
4
Adresse actuelle : Dept of Systems Ecology, Faculty of Earth and Life Sciences, Vrije
Universiteit Amsterdam, De Boelelaan 1085, 1081 HV Amsterdam, Pays-Bas.
5
UMR LERFOB, INRA, route d’Amance, F-54280 Champenoux ; UPR ETP, CIRAD, Campus
international de Baillarguet, F-34398 Montpellier cedex 5.
* Auteur correspondant ; tél : 04.99.61.21.36; fax: 21.19; courriel : [email protected]
1
2
Un intérêt croissant est porté à la spectrométrie proche infrarouge (SPIR) pour caractériser la
matière organique du sol (MOS). La distribution granulométrique de la MOS est un déterminant
important de sa dynamique, mais très peu de travaux ont porté sur sa détermination par SPIR.
L’objectif de ce travail était d’évaluer le potentiel de la SPIR pour déterminer la distribution du
carbone (C) et de l’azote (N) dans les fractions granulométriques à partir du spectre du sol total.
L’étude a été réalisée sur une population de 193 échantillons prélevés dans des sols sableux sur
trois sites au Burkina Faso et un site au Congo-Brazzaville.
Lorsqu’on considère la population totale, la SPIR prédit correctement les masses des fractions
(texture), ainsi que les concentrations en C et N (en g kg-1 fraction) de la fraction < 20 µm (R² ³
0.80 et erreur standard de prédiction SEP £ 20% de la moyenne). Mais la prédiction des
concentrations en C et N des fractions > 200, 50-200 et 20-50 µm est décevante, de même que
la prédiction des contenus en C et N (en g kg-1 sol) de toutes les fractions. La prédiction du
rapport C/N est acceptable pour les deux fractions < 50 µm (R² > 0.68 et SEP < 14%), mais pas
pour les deux fractions > 50 µm.
Les prédictions sont généralement meilleures lorsqu’on considère seulement la population des 159
échantillons du Burkina. La prédiction du contenu en C et N de la fraction < 20 µm devient
correcte (R² = 0.87 et 0.71, et SEP = 24 et 19%, respectivement). Néanmoins, les contenus en C
et N des autres fractions restent médiocrement prédits, l’utilisation d’aliquotes différentes
pour le fractionnement et la SPIR ayant peut-être gêné les étalonnages. Toutefois, toutes les
13
prédictions (masse, C, N, C/N) étant correctes pour la fraction fine, qui inclut la plus grosse
partie de la MOS (50% en moyenne), la SPIR peut être considérée comme une voie prometteuse
pour caractériser rapidement la distribution de C et N dans les fractions granulométriques du
sol.
14
Prédiction de propriétés biologiques du sol et
application de la SPIR en écologie du sol
L. Cécillon1,2, N. Cassagne1, S. Czarnes3, R. Gros4 & J.-J. Brun1
Unité Ecosystèmes Montagnards, Cemagref Grenoble
ADEME, Angers
3
Laboratoire d’Ecologie Microbienne, Lyon
4
IMEP, Marseille
1
2
La détermination de propriétés biologiques est essentielle pour comprendre le fonctionnement
des sols et estimer leur qualité. La mesure de tels paramètres (biomasse microbienne, enzymes
du sol…) est souvent longue et coûteuse.
Les développements récents de la spectroscopie proche infrarouge (SPIR) semblent indiquer son
potentiel pour estimer la qualité globale des sols et pour prédire directement certains
paramètres biologiques du sol avec une précision moyenne à bonne. Les techniques de régression
multivariées employées utilisent généralement des méthodes linéaires (PLS) sur l’ensemble des
longueurs d’onde PIR.
L’objectif premier de notre étude était de tester une approche de sélection des variables PIR
utilisées dans une régression PLS pour améliorer la prédiction de paramètres biologiques du sol.
La méthode de sélection de variable utilisée est la méthode VIP (Variable importance in the
projection, Chong & Jun, 2005). Nous avons ainsi tenté de prédire 5 propriétés biologiques du sol
(deux enzymes du sol, nitrification et dénitrification potentielle, carbone microbien) sur un jeu
de 49 échantillons de sol et de turricules de vers de terre (Nicodrilus nocturnus) prélevés dans
25 placettes du massif des Maures (Var, France). La sélection des longueurs d’onde améliore les
performances de chaque modèle PLS et est supérieure aux PLS effectuées sur des intervalles de
longueurs d’onde PIR. Les résultats prometteurs obtenus par cette méthode PLS-VIP sont
discutés, notamment vis à vis du risque d’overfitting des modèles obtenus.
Le second objectif de cette étude était de tracer par SPIR l’impact de la répétition d’incendies
de forêts sur la qualité globale du sol et des structures biogéniques produites par Nicodrilus
nocturnus. Une analyse en composante principale des spectres de 98 échantillons permet de
mettre en évidence un effet feu marqué, le facteur le plus important étant la date du dernier
feu. Cette analyse discrimine également de manière satisfaisante sols et turricules. Les
corrélations entre variables PIR, physico-chimiques et biologiques sont confirmées par une
analyse de co-inertie. Ces résultats constituent une des première mise en évidence de l’effet
d’un facteur écologique sur la qualité globale du sol par SPIR.
Référence : Chong, I.G., Jun, C.H., 2005. Performance of some variable selection methods when multicollinearity is present.
Chemometrics and Intelligent Laboratory Systems 78, 103-112.
15
Identification de la source végétale
de la matière organique des sols par SPIR
D. Ertlen1, D. Schwartz1 & D. Brunet2
UMR 7011, CNRS/ULP, Laboratoire Image et Ville, 3, rue de l’Argonne 67000 Strasbourg,
[email protected]
2
UR SeqBio, IRD, ENSAM - Bâtiment 12, 2, place Viala, 34060 Montpellier Cedex 2,
[email protected]
1
Depuis quelques années la spectrométrie proche infrarouge (SPIR) s’est largement développée en
science du sol. Elle s’avère être un outil rapide et performant pour prédire des quantités
d’éléments organiques (C, N…) ou des propriétés chimiques et physiques du sol. L’objectif de nos
travaux est de vérifier si la SPIR est capable de discriminer la matière organique des sols (MOS)
en fonction de son origine végétale (forêt, prairie, cultures…). Ces travaux s’inscrivent dans un
projet plus vaste qui consiste à développer des outils performants pour reconstituer l’histoire de
la végétation et des paysages à l’holocène en s’appuyant sur les archives pédologiques. La phase
de test présentée ici consiste à mesurer le spectre PIR d’échantillons de sols de surface dont le
couvert végétal récent est stable et bien documenté depuis au minimum 150 ans.
Les sols échantillonnés présentent des propriétés physiques et chimiques, des types de substrats
et des situations géographiques bien différenciés répartis dans le massif vosgien. Les couvert
végétaux associés sont des hêtraies, des hêtraies sapinières, des pâturages d’altitude et des
prairies de fauches. Une ACP permet de montrer que des différences spectrales existent entre
les couverts forestiers et les milieux ouverts. Des différences spectrales apparaissent
également entre les différents types de forêts et les différents types de prairies. Cependant en
l’état actuel notre échantillonnage est encore trop faible pour garantir que les nuances entre les
types de forêts ou entre les types de prairies ne sont pas liées à d’autres variables physiques ou
chimiques des sols.
Pour vérifier qu’il est possible de prédire l’origine forestière ou prairial d’un échantillon
l’algorithme PLS habituellement utilisé pour des applications qualitatives est testé en attribuant
la valeur 0 aux sols sous prairies et la valeur 1 aux sols sous forêts. Différentes configurations
faisant varier la taille et la méthode de sélection du lot servant à la construction du modèle sont
testées en tenant compte des aspects qualitatifs des données de départ. Les taux de prédiction
élevés confirment les capacités de la SPIR à discriminer les MOS en fonction de leur origine
végétale. Les différents tests sur la construction du modèle montrent que les taux de prédiction
peuvent encore être améliorés en augmentant le nombre de situations de références.
16
Prédiction des transformations
d’apports organiques agro-industriels aux sols
Thuriès L.1
CIRAD, UPR Risque Environnemental Lié au Recyclage, TA B-78/01, 34398 Montpellier Cedex 5,
[email protected]
1
Le potentiel de transformation (dynamiques de minéralisation C et N) des matières organiques
ajoutées au sol (MOA) dépend en partie de leurs caractéristiques. Un déterminant important de
la minéralisation de C et N de ces substrats est la composition biochimique de ces MOA (Thuriès
et al., 2001), obtenue selon la méthode d’extraction séquentielle adaptée de Van Soest (1963).
Ces caractéristiques chimiques et biochimiques peuvent être les variables d’entrée de plusieurs
modèles dont TAO (Transformation des Apports Organiques ; Thuriès et al. 2002, Pansu et al.,
2002 ; Pansu et Thuriès, 2003).
Par une série d’opérations longues (1 semaine) et coûteuses (environ 250 euros par échantillon), il
est possible de déterminer la composition biochimique selon Van Soest, soit 5 fractions : soluble
au détergent neutre, hémicelluloses, cellulose et lignine. La Spectrométrie Proche InfraRouge
est une technique non destructive rapide (<5 minutes) et peu coûteuse (<10 euros) une fois
l’équipement acquis. Elle est a priori tout à fait applicable à ces déterminations.
Nous présentons quelques exemples d’utilisation du modèle TAO appliqué à des résidus végétaux
d’origine agro-industrielle, utilisés en tant que matières premières par l’industrie de la
fertilisation organique (ex : pulpes de raisin, tourteaux de café, tourteaux de cacao, tourteaux
de soja, pulpes d’olives). Nous comparons les performances des simulations de la dynamique de
minéralisation C par TAO-C avec deux jeux de données d’entrée, par rapport aux dynamiques
mesurées en incubations en conditions contrôlées.
Nous présentons également l’intérêt de la SPIR pour répondre aux nouvelles exigences
normatives appliquées aux fertilisants organiques.
17
Application de la spectroscopie proche infrarouge (SPIR) dans un
réseau de laboratoires d’analyses de terre
et de conseil
V. Genot1, G. Colinet1, P. Dardenne2, D. Vanvyyve3 & L. Bock1
Laboratoire de Géopédologie – Unité Sol-Ecologie-Territoire - FUSAGx (Gembloux - Belgique)
Département qualité – CRA-W (Gembloux - Belgique)
3
Laboratoire d’analyses de terre – Tinlot-Sry (Belgique)
1
2
Cet article décrit les différentes étapes préalables à une utilisation en routine de la SPIR pour
prédire certaines propriétés des sols (capacité d’échange cationique (CEC), pHeau, pHKCl, taux
de carbone organique total (COT) et d’argile) dans le cadre des analyses de terre et du conseil de
fumure (Région wallonne – Belgique).
Ainsi, la première étape consiste à établir les procédures de remplissage des coupelles et de
saisie des spectres qui devront être suivie durant la phase de calibrage et lors de l’application en
routine dans les laboratoires d’analyse.
Ensuite, le calibrage peut être conduit sur base d’un lot d’échantillons représentatif de la
population concernée, ici territoire de la Région wallonne. Ceci implique, préalablement, une
évaluation de la diversité de la population pour les paramètres étudiés.
La phase de calibrage accomplie, une étude de la répétabilité et de la reproductibilité de la
méthode d’analyse par SPIR pour chacun des paramètres doit être effectuée de manière à
évaluer la précision de cette approche.
Enfin, l’utilisation en routine peut débuter avec la possibilité d’améliorer en continu la qualité des
prédictions en ajoutant systématiquement les spectres infrarouge des échantillons non
correctement prédits à la base de données spectrales (BDS), ce qui implique la réalisation
d’analyses de référence sur ces échantillons.
18
Ateliers pratiques
19
Atelier « Initiation à la SPIR en Sciences du Sol »
Animateurs : J.-J Brun et S. De Danieli
1) Acquisition de spectres PIR d’échantillons de sol
L’unité EM du Cemagref Grenoble utilise un analyseur proche infrarouge à transformée de Fourier (FTNIR) Antaris II (Thermo electron corporation). Les mesures sont effectuées en réflexion diffuse de
10000 à 4000 cm-1 (1000 – 2500 nm) sur des échantillons de sol secs simplement tamisés à 2mm ou tamisés
puis broyés (broyeur Retsch ZM 200). La veille de la mesure, il est conseillé de mettre les sols à l’étuve
(30-40°C) durant la nuit afin de standardiser leur humidité puis de les faire refroidir le lendemain dans un
dessiccateur.
32 scans au minimum sont effectués pour chaque échantillon, le spectre enregistré est la moyenne de ces
spectres. La résolution de l’appareil peut aller jusqu’à 2cm-1 (on obtient alors pour chaque échantillon 6224
valeurs d’absorbance entre 10000 et 4000 cm-1). La mesure d’un échantillon prend environ 1 minute (dépend
de la résolution de mesure et du nombre de scans).
2) Analyse qualitative de spectres PIR d’échantillons de sol : pratique de l’ACP
Les parties 2 et 3 de l’atelier utilisent un jeu de données fourni par l’IRD Montpellier (B. Barthès et D.
Brunet) : il s’agit des spectres PIR de 159 échantillons de sol provenant de 3 sites : Banh, Saria, Torokoro.
Pour chaque échantillon, on dispose 700 valeurs d’absorbances entre 1100 et 2498 nm. Nous disposons
aussi des teneurs en carbone total (Ct) et en azote total (Nt) pour chaque échantillon.
Le but de cette analyse en composante principale (ACP) est double.
- Tout d’abord, une ACP va nous permettre d’identifier d’éventuels échantillons anormaux
« outliers » dont les spectres diffèrent de la population.
- Ensuite, l’ACP va permettre de visualiser l’existence ou non d’un effet « site » sur les spectres :
chaque site a-t-il une signature spectrale originale au niveau de ses sols ?
Le principe de l’ACP est de résumer en quelques composantes non corrélées la variance totale de la
population. Dans le cadre de cet atelier, nous allons travailler sur les spectres bruts ou leurs dérivées
première ou seconde. Les analyses sont effectuées sous l’environnement R avec les packages ade4 (ACP) et
signal (dérivée des spectres par filtre Savitsky-Golay).
Tutorial succinct
. Installer, puis ouvrir Tinn-R et R.
. Ouvrir le fichier de code R « atelier_initiation_nir_acp_pls.R »
20
. Spécifier le chemin (setwd) puis lire le fichier intitulé « donnees_atelier_ird_cn.txt ».
. Notre fichier de données est mis dans la variable dataird.
. Head : 6 premières lignes du fichier, dim donne la dimension du tableau
. On sépare alors les variables PIR en les mettant dans un tableau nir
. L’ACP est effectuée uniquement sur les données spectrales (tableau nir) : on utilise la librairie ade4
(fonction dudi.pca)
. l1 : scores normés des individus sur les composantes de l’ACP
. c1 : scores normés des variables sur les composantes de l’ACP
. pve donne le pourcentage de variance totale expliquée par chaque composante de l’ACP
. La fonction scatter résumé l’ACP (eigenvalues = valeurs propres de l’ACP)
. s.label donne la projection des individus sur les composantes 1 et 2 de l’ACP
. s.class permet de discriminer la provenance de chaque échantillon (pour chercher un effet site)
Les ACP peuvent également être conduites sur les dérivées des spectres (bien que rarement vu dans les
publications…). Il faut alors calculer les dérivées en utilisant le package signal. Les dérivées sont calculées
par filtre Savitsky-Golay. En chaque point du spectre, un polynôme de degré p est ajusté sur un segment
de longueur n (impair) autour du point pour calculer la dérivée de rang m.
3) Analyse quantitative de spectres PIR d’échantillons de sol : régression PLS
La régression partielle des moindres carrés (PLS) est une technique similaire à une ACP, mais prenant en
compte les valeurs d’une ou plusieurs variables que l’on cherche à prédire. La régression PLS est
particulièrement adaptée pour des situations ou l’on dispose de peu d’individus et de beaucoup de variables
colinéaires, ce qui est le cas de l’étalonnage multidimensionnel que l’on se propose de réaliser.
Nous allons tenter de prédire les teneurs en carbone total et en azote total des 159 échantillons de sol du
jeu de données fourni par l’IRD en utilisant la régression PLS. Encore une fois, nous utilisons
l’environnement R avec le package pls.
Tutorial succinct
. Mettre les valeurs carbone dans une variable
. On construit ensuite une variable contenant la valeur carbone et les données PIR (irdC)
. On ouvre la librairie pls
. On lance une plsr avec correction MSC ou non pour le carbone (cemapls)
. On regarde le PRESS, on choisit le nombre de composante pls pour lequel le PRESS atteint son premier
minimum local (pas un minimum absolu), c’est la fonction plot(RMSEP…)
. On trace le graphe de validation pour le nombre de composante pls (ncomp) choisi. C’est la fonction
plot(cemapls…)
. Il se peut qu’il apparaisse des « outliers » de concentrations, qu’il aurait fallu éliminer plus tôt…
. On calcule le R² pour le nombre de composantes choisi (ncomp)
. On affiche la RMSECV avec la fonction summary(cemapls), on note la RMSECV correspondant au ncomp
choisi sur le graphe de PRESS
. On procède de même pour l’azote (le mettre dans une variable, puis construire la variable irdN…)
. On peut refaire les PLS avec les dérivées à la place des spectres bruts
21
Atelier « Développement de méthodes de régression »
Animateur : L. Cécillon et les participants
Comme l’atelier initiation, l’atelier « développement de méthodes de régression » utilise un jeu de données
fourni par l’IRD Montpellier (B. Barthès et D. Brunet) : il s’agit des spectres PIR de 159 échantillons de sol
provenant de 3 sites : Banh, Saria, Torokoro. Pour chaque échantillon, on dispose 700 valeurs
d’absorbances entre 1100 et 2498 nm. Nous disposons aussi des teneurs en carbone total (Ct) et en azote
total (Nt) pour chaque échantillon, ainsi que des teneurs en C et N des différentes fractions
granulométriques du sol.
1) PLS sous R (package pls) et WinISI
Présentation de la méthode PLS sous différents logiciels. Discussions autour des techniques de
prétraitements des spectres.
2) PLS en mode local (WinISI)
Les sols provenant de trois sites, une pls en mode local pourrait s’avérer utile pour améliorer les
performances de prédiction des modèles.
3) Sélection de variables par méthode VIP (R, package pls)
L’algorithme de sélection de variable VIP (Variable Importance of the Projection) est mis en œuvre dans
les régressions PLS effectuées sous R avec le package PLS. L’algorithme utilise la formule de Chong & Jun
(2005). La sélection des variables peut parfois conduire à des modèles plus robustes (meilleurs Q², besoin
de moins de composantes pls pour construire les modèles).
4) Test d’une méthode de régression non linéaire : la régression SVR (R, package e1071)
Les phénomènes non linéaires ne peuvent être modélisés par une pls.
Dans le cas d’étude présenté dans cet atelier, la prédiction du Ct ou Nt dans des sols provenant de trois
sites différents peut être confrontée à de tels phénomènes non linéaire. Dans cette configuration, la
régression SVR peut constituer une bonne alternative aux pls en mode local.
22
Annuaire
des participants
23
Bernard Barthès
UMR SeqBio, IRD Montpellier
[email protected]
Véronique Bellon-Maurel
UMR ITAP, Cemagref Montpellier
[email protected]
Patrick Bernard-Moulin
ThermoFisher
[email protected]
Jean-Jacques Brun
UR EM, Cemagref Grenoble
[email protected]
Fabrice Bureau
ECODIV, Université de Rouen
[email protected]
Mélanie Burylo
[email protected]
Lauric Cécillon
UR EM, Cemagref Grenoble, ADEME
[email protected]
Sébastien De Danieli
[email protected]
Olivier Delfosse
INRA Laon
[email protected]
Damien Ertlen
Université de Strasbourg
[email protected]
24
Valérie Genot
Laboratoire de Géopédologie de Gembloux (Belgique)
[email protected]
Cécile Gomez
UMR LISAH, IRD Montpellier
[email protected]
René Guenon
IMEP, Marseille
[email protected]
Stéphane Lebras
ThermoFisher
[email protected]
Brigitte Mahaut
ARVALIS, Institut du Végétal
[email protected]
Jean Martins
LTHE, Grenoble
[email protected]
Clément Peltre
Agro Paris Tech, Grignon
[email protected]
Brigitte Pépin-Donat
CEA, Grenoble
[email protected]
Yves Perrette
EDYTEM, Université de Savoie
[email protected]
Jérôme Poulenard
INRA Thonon, Université de Savoie
[email protected]
25
Aïcha Rochdi
Université Hassan 1er, Faculté des Sciences et Techniques, Settat (Maroc)
[email protected]
Gaël Rolland
Buchi France
[email protected]
François Servain
Laboratoire Départemental d'Analyses et de Recherche, Laon
[email protected]
Alexandra Smesman
Laboratoire Départemental d'Analyses et de Recherche, Laon
Jose Martin Soriano
Université Miguel Hernandez, Elche (Espagne)
[email protected]
Thomas Spiegelberger
[email protected]
Antoine Stevens
Université Catholique de Louvain (Belgique)
[email protected]
Laurent Thuriès
CIRAD, Montpellier
[email protected]
Emmanuelle Vaudour
[email protected]
26

« La spectroscopie proche infrarouge en Sciences du Sol »

Transcription

Documents pareils

Support de cours - UVED

Fiche auteur - Grenoble Sciences

Fiche Auteur - Grenoble Sciences

Infrarouge mobile d`extérieur TRABIA OHT21

Microscopie infrarouge - pratique

AX200TF Barrière infrarouge ext. 60m

02328-maison de la culture grenoble

Radiateur électrique infrarouge mobile INFRA 2401

Louer appartement GRENOBLE 22.22m²

GRENOBLE (38) – COURS JEAN JAURES