Les systèmes agricoles à petite échelle, de même que les communautés qui en dépendent, se voient de plus en plus menacés par les changements climatiques à l’échelle mondiale. Given the increasing pressures exerted by climate change on small-scale agriculture, the importance of participatory modelling methodologies that can consider both the human and environmental components of these systems has become more and more evident.
Plusieurs approches de modélisation, dont nombreuses de format participatif (Chlous-Ducharme et Gourmelon, 2012 ; Diallo et al., 2014 ; Srinivasan et al., 2018 ; Bojórquez-Tapia et al., 2019 ; Iwanaga et al., 2020 ; Perrone et al., 2020), visent à améliorer notre compréhension de ces processus. Les systèmes agricoles à petite échelle étant particulièrement complexes et comprenant des relations et de nombreuses rétroactions entre les domaines environnemental, sociétal et économique, de plus en plus de travaux visant à analyser ces systèmes ont recours au cadre conceptuel de la modélisation des dynamiques des systèmes.
Cette méthodologie, qui permet de modéliser de manière explicite les variables socio-économiques autant qu’environnementales de même que les rétroactions entre ces variables et les comportements contre-intuitifs engendrés par ces dernières, connaît ainsi une popularité croissante dans le domaine de la modélisation participative des systèmes agricoles. Une revue détaillée de l’utilisation de la modélisation des dynamiques des systèmes afin de représenter les systèmes socio-économiques fut présentée par Elsawah et al.
De nombreuses études précédentes font également appel à la méthodologie des dynamiques des systèmes pour analyser les relations entre les changements climatiques et la résilience des systèmes socio-environnementaux. Parmi celles-ci, nous recensons les travaux de Chapman et Darby (2016), qui l’ont utilisée pour analyser la durabilité de différentes méthodes de culture du riz au Vietnam, de même que ceux de Stojkovic et Simonovic (2019) qui l’ont appliquée pour prédire la génération d’hydroélectricité d’un barrage en Serbie sous différents scénarios climatiques.
Ces études analysent les processus par lesquels les humains interagissent avec les systèmes agricoles et environnementaux dont ils dépendent et les manières dont ceux-ci répondent aux influences humaines. Elles peuvent aussi démontrer comment les sociétés humaines tentent de s’adapter aux changements climatiques et visent à identifier là où les limites sociétales et environnementales à l’adaptation risquent d’être franchies, comme le démontre une analyse de la résilience du système socio-économique estuaire du Bangladesh aux changements économiques et climatiques (Hossain et al., 2017).
Modélisation des Systèmes Alimentaires Mayas
Des études précédentes par les auteurs du présent article (Malard et al., 2023a ; 2023b) présentent le développement participatif d’un modèle des dynamiques des systèmes pour les régions de « l’altiplano » (le plateau) guatémaltèque, analyse qui comporte une étude de cas dans la municipalité de Concepción au Tz’olöj Ya’ (aussi connue sous le nom de Sololá selon son appellation hispanophone). Les modèles des dynamiques des systèmes présentent cependant d’importantes limitations dans le contexte de la modélisation des systèmes physiques tels que la croissance des cultures ou les changements climatiques (Malard et al., 2017 ; Ammar et Davies, 2019), pour lesquels il existe déjà de nombreux modèles spécialisés.
Les études ayant recours à la modélisation des dynamiques des systèmes dans de tels contextes se voient donc en majeure partie limitées à une représentation simpliste du domaine environnemental lorsque celui-ci est implémenté dans le langage de simulation des dynamiques des systèmes. Tandis que de telles représentations peuvent être suffisantes pour une analyse générale des dynamiques, processus et tendances du système (Stojkovic et Simonovic, 2019), elles s’avèrent insuffisantes lorsque l’on désire analyser la réponse du système face à des conditions plus complexes, tel l’impact des changements climatiques sur les cultures.
En ce sens, le modèle des cultures développé lors d’études précédentes au Guatemala (Malard et al., 2023a ; 2023b) demeure relativement simpliste et n’inclut, selon la méthodologie d’Inam et al. (2017a), que l’impact du déficit d’évapotranspiration annuel afin de calculer le rendement du maïs, culture centrale aux systèmes alimentaires locaux et nationaux. Le couplage entre les modèles des dynamiques des systèmes et les modèles physiques peut ainsi faciliter le développement de meilleurs modèles socio-environnementaux intégrés (Inam et al., 2017a ; 2017b ; Malard et al., 2017).
Lors de cette approche, les relations socio-économiques sont représentées dans le modèle (graphique) des dynamiques des systèmes, tandis que les processus physiques et environnementaux se voient relégués à un modèle physique externe, les résultats des deux composantes étant ensuite échangés de manière dynamique entre les modèles couplés lors de la simulation. 8Cette étude propose donc deux objectifs.
Étude de Cas : Concepción, Guatemala
L’étude présente se déroule dans la municipalité de Concepción, au Tz’olöj Ya’ du Guatemala. Cette région est fortement dépendante de l’agriculture (commerciale autant que d’autosuffisance) et recense une très forte présence indigène (99,67% en 2018) (INE, 2019). Le modèle des dynamiques des systèmes a été élaboré selon la méthodologie participative originalement développée et appliquée au Pakistan (Inam et al., 2015 ; Halbe et al., 2018) et ensuite au Guatemala (Malard et al., 2023a ; 2023b).
Lors de la première étape du processus participatif, une série d’entrevues individuelles de construction de diagrammes de boucles causales a été effectuée avec la participation de diverses parties prenantes de la région (organisations agricoles, organismes à but non lucratif et représentants gouvernementaux de différents niveaux des départements de sécurité alimentaire, d’agriculture, d’environnement et d’éducation). Les boucles causales ainsi développées par les parties prenantes elles-mêmes ont ensuite été combinées en un seul modèle unifié représentant les points de vue de chaque partie prenante. Figure 1.
Le modèle final inclut des modules d’agriculture, d’utilisation du territoire, de population, d’alimentation et d’économie locale. Le modèle agricole modélise le rendement du maïs, culture importante du système dit awan (aussi connu selon son nom hispanophone de milpa) de co-culture de maïs avec d’autres plantes telles les cucurbitacées et les légumineuses. L’utilisation du territoire inclut trois différentes utilisations des terres (forêt, agriculture et arbustes).
Une description complète de chaque module est présentée dans une étude précédente (Malard et al., 2023b). Un seul changement a été apporté au modèle afin d’effectuer la connexion avec le modèle des cultures externe, soit l’équation déterminant le rendement du maïs.
15Où R est le rendement du maïs, R_externe la valeur fournie par le modèle externe, R0 le rendement maximal selon la formule initiale et F le facteur de perte par stress hydrique selon la formule initiale. L’initialisation de R_externe avec une valeur par défaut négative assure que le modèle des dynamiques des systèmes utilise le rendement du modèle externe uniquement lorsque le modèle est simulé en configuration couplée et utilise la formule initiale lorsqu’il est simulé seul. 1 Il s’agit de la version 5.4.2.
Modélisation de la Croissance des Cultures avec PCSE
Le modèle PCSE (de « Python Crop Simulation Environment » en anglais ou « Environnement de modélisation des cultures Python » en français)1 a été choisi pour implémenter les processus de croissance des cultures du modèle (de Wit et al., 2019). Ce choix découle en majeure partie du fait que PCSE a été implémenté en Python, ce qui facilite de manière importante son intégration avec les outils Python utilisés au cours des analyses de la présente étude.
Afin d’effectuer une simulation, PCSE nécessite des données du sol, du climat, de la phénologie de la plante elle-même, et des options de gestion. Pour les sols, les paramètres du sol « EC3-medium fine » de la base de données GGMCI2 de de Wit ont été empruntés.
Un défi important à la modélisation des systèmes agricoles à petite échelle est la quantité limitée de jeux de paramètres calibrés disponibles dans la littérature existante pour les variétés des cultures utilisées par les agricultrices et agriculteurs à petite échelle, comparativement à ce qui est disponible pour les variétés utilisées dans les grandes cultures. Ainsi, et suivant une méthodologie précédemment appliquée pour une situation similaire au Mexique (Parsons et al., 2011b), des simulations initiales ont été effectuées avec un jeu de paramètres PCSE disponible pour une variété de maïs tropicale.
Trois paramètres du module des cultures de PCSE, notamment TSUM1, TSUM2 et CV0, ont ensuite été ajustés manuellement afin d’assurer que le développement du maïs simulé lors d’une année à conditions climatiques typiques s’apparente au rendement maximal observé et au calendrier de développement tel que rapporté par le ministère de l’Agriculture, de l’Élevage et de l’Alimentation du Guatemala (MAGA)3 pour la région du pays correspondant à notre étude de cas.
La simulation du modèle des cultures a été configurée pour débuter le 1er décembre de la première année de simulation du modèle couplé, le maïs étant semé le 1er mai, suivi par une récolte à maturité ou au plus tard après 240 jours.
Implémentation avec Tinamït
Les simulations ont été implémentées avec le logiciel Tinamït, un paquet Python qui facilite la construction et la simulation des modèles des dynamiques des systèmes couplés à un modèle physique (Malard et al., 2017). En comparaison avec les autres méthodes disponibles pour coupler des modèles des dynamiques des systèmes avec des modèles physiques externes, l’approche de Tinamït offre l’avantage d’être plus flexible et rapide à implémenter, tandis que les méthodes utilisant des macros en Excel (Inam et al., 2017a ; 2017b) ou des extensions pour Vensim (Patrick Smith et al., 2005 ; Parsons et al., 2011b) ont été utilisées dans le même but par le passé.
Ces approches sont généralement peu flexibles et nécessitent la modification du code source (et possiblement une recompilation) à chaque modification d’une variable connectée. Au contraire, Tinamït permet une connexion automatisée des variables des deux modèles et se charge ensuite d’échanger leurs valeurs lorsqu’une simulation est amorcée. 5 Version 7.3.5.
Le modèle des dynamiques des systèmes a été construit avec le logiciel visuel de modélisation des dynamiques des systèmes Vensim PLE5, mais toutes les simulations ont été effectuées par l’entremise de Tinamït et de son moteur de simulation par défaut, le simulateur de modèles des dynamiques des systèmes en Python PySD (Houghton et Siegel, 2015). Tandis que Tinamït peut également simuler des modèles couplés avec l’engin de simulation de Vensim, ces fonctionnalités nécessitent les librairies uniquement disponibles dans la version payante DSS du logiciel Vensim, librairies qui, en tout cas, ne fonctionnent que sur le système d’exploitation Windows.
Pour permettre la connexion du modèle des cultures PCSE et du modèle des dynamiques des systèmes en Vensim avec Tinamït, une « enveloppe » spécifique à l’utilisation du modèle PCSE dans cette étude a été développée selon la spécification de Tinamït. Cette enveloppe gère la création du modèle PCSE pour une région donnée du Guatemala et effectue les connexions nécessaires entre Tinamït et PCSE pour le transfert des données des variables climatiques et du rendement modélisé chaque année. Le Tableau 1 ci-dessous résume les variables échangées entre les différentes composantes du modèle couplé.
| Variable | Source | Destination |
|---|---|---|
| Données climatiques | Tinamït | PCSE |
| Rendement modélisé | PCSE | MDS (Modèle des Dynamiques des Systèmes) |
PCSE indique le modèle des cultures et MDS le modèle des dynamiques des systèmes. Les données climatiques historiques ont été obtenues depuis la base de données d’observations satellitaires NASA Prediction of Worldwide Energy Resources (NASA POWER)6, tandis que les prévisions climatiques ont été obtenues du Projet de comparaison de modèles couplés (PCMC phase 5) du Programme mondial de recherche sur le climat (PMRC) par l’entremise du logiciel MarkSim (Jones et Thornton, 2000).
Un défi important lors de l’application de prévisions climatiques des modèles globaux au niveau local concerne la correction du biais intrinsèque des prévisions à grande échelle comparées aux observations locales. En somme, la moyenne autant que la variabilité des prévisions générées avec un scénario sans changements climatiques devraient s’apparenter à celles des observations historiques correspondantes pour la région.
Pour la température, la méthode de correction linéaire telle que présentée ...
TAG: