1. Contexte

Les différentes couches de données présentes dans cette série ont été produites dans le cadre de la subvention CARBIOSOL III (carbone organique, biomasse et activité microbienne des sols - SPW-Agriculture, Ressources naturelles et Environnement). Les couches ultérieures ont été produites par REQUASUD sur base des développements géomatiques hérités du projet CARBIOSOL. Leur conception se base sur une méthodologie de cartographie des teneurs en Carbone Organique Total mise au point dans le cadre du projet CARBIOSOL I et adaptée pour les stocks dans le cadre de CARBIOSOL II. Cette méthode a été développée par l'UCLouvain et l'ULiège.

2. Modèle

La méthodologie d'ajustement des modèles spatiaux est similaire quelle que soit la variable d'intérêt étudiée (teneurs ou stocks). Ce sont les données utilisées en entrée et les paramètres des modèles qui engendrent une spécificité des produits cartographiques finaux.

La production des incertitudes va, quant à elle, être différente entre teneurs et stocks. Les incertitudes des modèles liés aux teneurs intègrent l’incertitude de modélisation uniquement. Les incertitudes liées aux stocks intègrent également celles liées aux calculs des stocks observés (en effet, ce calcul intègre les mesures de la teneur en COT, de la densité apparente du sol et de la pierrosité).

D'une manière générale, la méthode de spatialisation des teneurs et des stocks s’appuie sur des techniques de cartographie numérique des sols (Digital Soil Mapping ou DSM). Des simulations aléatoires basées sur la méthode dite "Monte-Carlo" sont ajoutées dans le cadre de l’estimation des stocks de COT afin d’estimer les incertitudes liées aux calculs des stocks observés. La chaine de traitement peut se décomposer en 4 grandes étapes :

a. Constitution d'une base de données en entrée
-----------------------------------------------
Cette base de données comprend, d'une part, les mesures d'observation de la variable étudiée et d'autre part, de nombreuses co-variables environnementales indépendantes ayant une influence potentielle sur cette variable.

La source de données concernant les observations varie en fonction de la variable et de la période temporelle envisagées.

Les co-variables environnementales sont des couches disponibles sous un format continu dans l'espace (en raster). Elles sont relatives au relief, à la nature des sols, au climat ou encore à l’activité humaine. La résolution spatiale de ces couches de co-variables influence la résolution des couches finales, 90m pour les teneurs et 40m pour les stocks.

Pour plus de détails sur les données utilisées en entrée dans chaque modèle, veuillez vous reporter à la généalogie reprise dans les métadonnées des couches de données individuelles.

b. Ajustement de Modèles Additifs Généralisés (GAM)
---------------------------------------------------
Un modèle GAM est une généralisation du modèle de régression linéaire multiple et consiste à préserver la nature additive du modèle mais en remplaçant les coefficients par des fonctions de lissage des co-variables. Ces fonctions permettent de prendre en compte le caractère non-linéaire de la relation qu’il peut y avoir entre la variable dépendante (teneurs ou stocks) et les co-variables.

Une analyse des relations entre variable cible et co-variables environnementales permet d’ajuster un modèle GAM : le modèle moyen. Un modèle moyen a donc été développé pour chaque variable d'intérêt et pour chaque type d’occupation du sol, à savoir les cultures et les prairies permanentes. Pour chaque occupation de sol, ce modèle a été ajusté sur un jeu de calibration contenant deux tiers des points d’observation concernés, et validé sur le tiers restant.

Une fois le modèle validé, il est appliqué à l’ensemble des couches continues des co-variables environnementales impliquées dans le modèle afin d’obtenir une représentation en continu de la variabilité spatiale de la variable.

c. Simulations Monte-Carlo (uniquement dans le cas des stocks)
---------------------------------------------------------------
Ces simulations permettent de rendre compte des incertitudes associées au calcul des stocks et à la modélisation :
- Le coefficient de variation des stocks (CV = ES/moyenne*100) observés en Wallonie pour le réseau CARBOSOL est connu pour différents sols à l’échelle sub-parcellaire. Sur base de ces coefficients de variation, 100 simulations Monte-Carlo ont été réalisées et, pour chacune d'entre elles, le modèle GAM moyen a été réajusté. De ce fait, 100 modèles GAM ont été produits;
- Pour chacun des 100 modèles réajustés ci-dessus, 100 simulations Monte-Carlo ont été réalisées sur base des intervalles de confiance des paramètres du modèle. Cela a donc donné lieu à la constitution de 10.000 couches GAM (100x100) de données indépendantes pour les stocks.

d. Estimation spatiale et incertitudes de prédiction
------------------------------------------------------
Quand il s’agit de teneurs, le modèle moyen est utilisé pour l’estimation de la couche finale. Les incertitudes liées à la modélisation (ici coefficient de variation - CV) sont calculées en utilisant les intervalles de confiance des paramètres du modèle moyen (estimés selon une approche bayésienne).

Pour les stocks, les 10.000 couches indépendantes sont utilisées pour calculer des statistiques. La médiane est retenue comme valeur prédite. Les incertitudes sont calculées tel que préconisé par le projet GlobalSoilMap (*): les incertitudes de prédiction à 90% correspondent à la différence entre le 95ème percentile et le 5ème percentile. Les couches raster en sortie constituent les produits cartographiques finaux.

3. Les outils

L'ensemble des analyses spatiales et des simulations numériques ont été effectuées sous le logiciel R via le développement de scripts informatiques.

Les couches finales ont été transformées dans ArcGis 10.x afin de les compiler dans une géodatabase (.gdb).

Réf. scientifique : Chartin, C., Stevens, A., Goidts, E., Krüger, I., Carnol, M., van Wesemael, B. Mapping Soil Organic Carbon stocks and estimating uncertainties at the regional scale following a legacy sampling strategy (Southern Belgium, Wallonia). Geoderma Regional, In press. http://dx.doi.org/10.1016/j.geodrs.2016.12.006

(*) Référence : Heuvelink, G.B.M, 2014. Uncertainty quantification of GlobalSoilMap products, in : Arrouays, D., McKenzie, N., Hempel, J., Richer de Forges, 1., McBratney, A. (Eds.), GlobalSoilMap: Basis of the global spatial soil information system. CRC Press, 335-340.