Chapitre 12 - Modélisation des processus décisionnels : application à la gestion de l’eau
p. 179-190
Texte intégral
1Sur les territoires, différents acteurs prennent des décisions qui impactent les ressources en eau : les agriculteurs pour commencer la campagne d’irrigation ou réaliser un traitement phytosanitaire, le gestionnaire de retenues pour lâcher de l’eau en soutien au débit d’étiage, le préfet pour interdire les prélèvements d’eau ou rendre obligatoire un programme de reconquête de la qualité de l’eau sur un captage d’eau potable. Pouvoir modéliser ces décisions et simuler les actions qui en résultent est important afin de bien comprendre et simuler le fonctionnement du système socio-hydro-agronomique. C’est un préalable nécessaire à des applications utiles destinées par exemple :
d’une part, aux gestionnaires et aux décideurs publics pour évaluer les décisions actuelles au regard de nouveaux contextes climatiques ou réglementaires et pour élaborer une vision prospective de la gestion de l’eau ;
d’autre part, aux techniciens de chambre d’agriculture et des instituts techniques pour aider à la formulation de conseils renouvelés suite à des changements de contexte.
2Comme tout modèle, les modèles de décision sont des représentations partisanes et simplifiées (Bouleau, 1999) de la réalité confinée à l’objet d’étude, ici la gestion intégrée de l’eau à différentes échelles d’espace, de temps et d’entités de gestion. Ce chapitre a pour but de montrer comment modéliser les décisions des acteurs et comment la simulation des actions qui en résultent contribue à l’analyse du fonctionnement des socio-hydro-agrosystèmes. Nous nous appuierons essentiellement sur des exemples concernant des décisions de conduite des productions dans les exploitations agricoles ayant un impact sur la ressource en eau à l’échelle des territoires.
3Ce chapitre est structuré en cinq sections. La première section montre, à travers un exemple, l’importance de modéliser les décisions. La deuxième section, plus théorique, s’intéresse aux questions de rationalité des acteurs et aux temporalités d’action. La troisième section présente les principaux formalismes de modélisation des décisions. La quatrième section développe la construction même du modèle de décision. Enfin, la cinquième section s’intéresse à l’utilisation d’un modèle de décision pour résoudre un problème de décision.
De l’importance de modéliser les décisions : exemple
4Prenons un exemple simple : un agriculteur doit débuter une campagne d’irrigation sur une sole de maïs. Dans de nombreux modèles, modèles de culture ou modèles de territoire pour gérer une ressource, la prise de décision correspond au choix d’une date d’arrosage et d’une quantité d’eau à apporter. Ainsi, la décision de l’agriculteur serait représentée par « débuter la campagne d’irrigation le 15 juin avec un apport de 30 mm d’eau correspondant à un tour d’eau moyen avec enrouleur ». En réalité, les choix de la date et de la quantité d’eau dépendent :
des contraintes externes à l’exploitation agricole liées au contexte de l’année. Ainsi, les conditions climatiques influent sur l’importance et la précocité des besoins en irrigation – liés à la pluie et l’ETP, au développement foliaire et à la quantité d’eau disponible dans le sol – et sur le développement du maïs résultant de la somme de températures actives. L’eau disponible pour l’agriculteur dépend également des conditions climatiques annuelles, en particulier du niveau de remplissage de sa retenue et des décisions de restriction ou d’interdiction de prélèvement dans les rivières ou les nappes prises par le gestionnaire de la retenue ;
des contraintes internes à l’exploitation agricole. Elles sont notamment liées aux décisions de l’agriculteur concernant la conduite technique de sa sole de maïs, l’évolution des caractéristiques structurelles de l’exploitation et les compromis à réaliser entre production, impact environnemental et viabilité du système. L’agriculteur peut modifier les besoins d’irrigation de sa culture en jouant sur la précocité du maïs semé car l’atteinte des stades de forte sensibilité au déficit en eau dépend de la précocité des variétés. L’agriculteur peut aussi décider de satisfaire pleinement ou non la demande en eau de sa culture en fonction de son objectif de réduire ou non les coûts des intrants (énergie de fonctionnement, coûts de l’eau) et les investissements. Par exemple, il peut investir dans du matériel d’irrigation permettant de réaliser des apports importants et rapidement et ainsi de décaler les calendriers d’irrigation.
5En fonction de ces différentes contraintes, la date de la première irrigation peut fortement changer d’une exploitation agricole à une autre, d’une situation géographique à une autre ; de même que la dose d’eau apportée lors de la première irrigation. Au niveau d’un bassin versant, l’hétérogénéité d’apports (en dose ou en temporalité) peut avoir un impact fort sur les demandes en eau et donc, sur la gestion des lâchers des retenues (Maton et al., 2005).
Rationalités et temporalités
Rationalités
6La décision d’un acteur, quel qu’il soit, dépend de différents éléments (figure 12.1). Tout d’abord, l’acteur a des objectifs propres et des contraintes qui peuvent être très divers. Ainsi, un agriculteur peut chercher à maximiser son revenu, tout en essayant de conserver du temps libre pour sa famille et limiter l’impact de ses pratiques sur l’environnement. Un préfet, quant à lui, doit faire respecter la loi tout en maintenant une paix sociale sur le territoire dont il est responsable. Un gestionnaire de l’eau voudra satisfaire les besoins des différents usagers tout en optimisant la quantité d’eau disponible dans sa ressource – ne pas trop en utiliser, mais ne pas trop en laisser – et en veillant à sa qualité.
Figure 12.1. Fonctionnement du processus de décision menant à l’action d’un acteur (Attonaty et Cerf, 2001).
7Ensuite, l’acteur possède une vision du futur. Cette vision peut être à quelques jours – le climat dans les prochains jours – ou beaucoup plus lointaine en fonction des décisions à prendre – évolution des surfaces en cultures irriguées dans les dix prochaines années par exemple. En fonction des moyens dont il dispose – moyens pouvant être internes (cognitifs, financiers) ou externes (réseaux) –, et d’un processus de décision, l’acteur va décider d’une action. La décision est prise dans un environnement incertain : climat, disponibilité en eau, risque de panne d’un équipement, etc. Cette action aura un impact sur le socio-hydro-agrosystème. Les différents résultats de l’action compléteront la base de connaissances de l’acteur.
Temporalités
8Souvent, trois niveaux de décision sont différenciés, ils correspondent à des temporalités différentes (Risbey et al., 1999) avec néanmoins des variations selon les acteurs concernés.
9La décision stratégique. La décision est prise pour un futur assez éloigné. Pour un gestionnaire de l’eau, il peut s’agir de la construction d’une retenue. Pour un agriculteur, cela peut être l’achat d’un équipement d’irrigation, d’un équipement pour la réalisation des traitements phytosanitaires ou du choix entre production conventionnelle et production biologique. Il s’agit fréquemment d’un choix sur plusieurs années.
10La décision tactique. Il peut s’agir d’une révision de la stratégie à l’aune de nouvelles informations ou d’une décision à un horizon de temps plus proche. Pour un gestionnaire, la décision peut concerner un planning de lâchers. Pour un agriculteur, la décision peut être en rapport avec le choix d’un assolement irrigué ou non irrigué afin d’économiser des quantités d’eau d’irrigation, de gérer les adventices, ou un choix de techniques d’entretien du sol.
11La décision opérationnelle. Il s’agit d’une décision pour l’action immédiate : interdire une irrigation ou définir les dates de traitement obligatoire de la vigne contre le vecteur de la flavescence dorée (préfet), faire un lâcher de barrage (gestionnaire de l’eau), décider d’irriguer ou de réaliser un désherbage chimique (agriculteur), etc.
12Ces trois types de décision diffèrent dans l’immédiateté et dans le type d’informations mobilisées. Ainsi, les décisions stratégiques mobilisent des informations sur un futur inconnu. Il s’agit donc plus particulièrement de tendances ou de prévisions à long terme. Les décisions tactiques mobilisent des données à caractère un peu moins tendanciel. Quant aux décisions opérationnelles, elles mobilisent des données en temps réel ou presque. Le modèle Namaste présenté dans l’encadré 12.1 (Robert et al., 2018) mobilise ces trois temporalités pour simuler les décisions d’agriculteurs face à la raréfaction de la ressource en eau en Inde.
Du formalisme de la règle de décision à l’élaboration de différentes structures de modèle de décision
13Un modèle de décision permet de simuler les actions des acteurs. La base du modèle de décision est la règle de décision. Dans sa forme la plus simple, il s’agit d’une fonction qui relie l’état d’un système à une action (Bergez et al., 2006b) :
Si <Indicateur> <Opérateur> <Seuil> Alors <Action 1> Sinon <Action 2>
14Pour un agriculteur, le système sera par exemple constitué de son système de production et son environnement externe.
15Les indicateurs sont des variables ou des combinaisons de variables du système. Ils représentent l’état du système à un moment donné, le moment de la décision. Ils peuvent être très variés. Le choix des indicateurs au sein des règles de décision est une étape importante de la modélisation. Une première contrainte est qu’ils soient directement issus de l’observation, de bases de données telles que les bulletins d’avertissements agricoles par exemple ou d’une simulation réalisée à partir d’un modèle. Outre son aspect accessible, l’indicateur doit être porteur de sens pour les acteurs lorsque l’on veut valider auprès d’eux la représentation de leurs décisions.
16Les opérateurs sont classiquement du type « égal à », « supérieur à », « inférieur à » et « entre ».
17Les seuils correspondent aux niveaux atteints par l’indicateur pour effectuer ou non l’action et/ou appliquer une modalité particulière de réalisation.
18Un exemple de règles est donné dans l’encadré 12.2 présentant le modèle Divhine (Martin-Clouaire et al., 2016).
19Une modélisation à l’aide de règles de décision permet de créer par simulation une variabilité des modalités et des dates des opérations techniques réalisées par les agriculteurs d’un territoire. Cela revient à augmenter le réalisme de la simulation obtenue par rapport à la représentation d’une conduite homogène sur le territoire ou pour les différentes années climatiques (modalité et date constantes pour chaque opération technique). En effet, conduire une culture nécessite de s’adapter continuellement. D’une année à l’autre, l’agriculteur ou le gestionnaire ne fait pas les mêmes choix aux mêmes moments. Le climat varie, les pressions parasitaires changent, les ressources évoluent, les contraintes aussi, etc.
Encadré 12.1. Exemple d’un modèle de type biodécisionnel : le modèle Namaste. Le modèle Namaste (Robert et al., 2018) est un modèle dynamique de type biodécisionnel, c’est-à-dire un modèle qui couple un modèle du système biophysique et un modèle de décision des acteurs du système. Il a été développé pour simuler les prises de décision d’agriculteurs face à la raréfaction de la ressource en eau au sein d’un bassin versant en Inde en raison du changement climatique et de la surexploitation de la nappe. Pour représenter la décision des agriculteurs, un recueil de données issues d’une enquête auprès de 700 agriculteurs a été nécessaire, ainsi qu’un entretien d’approfondissement avec une trentaine d’entre eux (Robert et al., 2017b). L’originalité du modèle Namaste est de représenter les trois étapes de décisions suivantes pour chaque agriculteur. La décision stratégique La décision stratégique concerne le choix d’investir ou non dans du matériel d’irrigation, par exemple creuser un nouveau puits de forage ou se procurer une nouvelle pompe et le choix du système de culture permettant de valoriser l’investissement ou le non-investissement. Ces choix sont effectués en maximisant une fonction d’utilité basée sur le revenu de l’agriculteur (Robert et al., 2017a). Ils tiennent compte de la vision de l’agriculteur sur l’évolution du climat, de l’état de la nappe et des prix à long terme. Cette étape de décision est révisée tous les ans. Elle a un effet à long terme sur toute l’exploitation agricole en raison de la longue durée des prêts et de la durée de vie des équipements. Le système de culture est décliné sous forme d’un plan d’action décrivant l’assolement et la succession d’opérations culturales prévues pour chaque culture. La décision tactique Décrite sous forme de règles de décision, la décision tactique permet d’adapter en début de saison culturale le plan d’action concernant l’assolement choisi au niveau stratégique aux conditions de l’année en cours (climat, niveau de la nappe, prix observés). Une règle de décision de changement de plan est par exemple : « Si pas de pluie depuis trois mois, je diminue la sole de curcurma irriguée » ou « je prévois de ne pas irriguer telle culture » ; Les décisions opérationnelles Elles correspondent à la mise en œuvre du plan d’action au cours de la saison culturale. À ce niveau, ce plan d’action est précisé sous forme de règles de décision qui permettent d’adapter les opérations culturales à mener en fonction de l’état du système biophysique et des contraintes de ressources. Cette étape de décision couvre toute la saison sur un pas de temps quotidien. Une autre caractéristique originale est l’interaction dynamique intégrée de différents sous-systèmes qui construisent le système de production de l’exploitation agricole :
|
20Un modèle de décision correspond à l’agrégation de plusieurs règles de décision, de types variés dépendant du problème à résoudre. Ainsi, pour la conduite technique de la sole d’une culture, Aubry et al. (1998) ont proposé un modèle conceptuel basé sur l’identification de cinq types de règles de décision :
des règles d’ordonnancement chronologique des opérations à réaliser ;
des règles de constitution des modalités d’intrants (natures et quantités d’intrants pour chaque opération) et de chantiers (combinaisons de matériel et main-d’œuvre nécessaires à la réalisation des différentes opérations) ;
des règles de déclenchement et de fin indiquant quand commencer une opération et quand l’arrêter ;
des règles d’arbitrage pour ordonner les opérations à mener sur différentes cultures ou différentes parcelles lorsque les positionnements temporels souhaitables se recoupent et que les moyens en matériels et main-d’œuvre ne permettent pas de les réaliser simultanément ;
des règles d’attribution des différentes modalités à des groupes de parcelles lorsque plusieurs modalités sont possibles pour une même opération. Les itinéraires techniques mis en œuvre une année donnée sur les différentes parcelles de la sole résultent de la mise en œuvre de ces règles.
Encadré 12.2. Exemple d’un modèle de décision : le modèle divhine. La réduction des risques de contamination des eaux de surface et souterraines par les pesticides est un enjeu important en région viticole méditerranéenne, du fait de risques élevés liés à l’importance des écoulements de surface et aux usages de pesticides. Le modèle Divhine (Martin-Clouaire et al., 2016) a été développé pour simuler les itinéraires techniques sur vigne résultant des stratégies de conduite du vignoble dans les exploitations d’un bassin versant viticole. Le but est l’évaluation de leurs impacts sur les flux de ruissellement polluants (Biarnès et al., 2017 ; voir chapitre 19). Présentation du modèle Divhine Dans le modèle Divhine, les itinéraires techniques sont simulés conjointement pour chacune des parcelles d’une exploitation viticole ou de plusieurs exploitations viticoles. Pour chaque exploitation, les itinéraires techniques sont le résultat de la mise en œuvre d’une stratégie de conduite du vignoble, dans un contexte climatique et phytosanitaire donné, sous contrainte des ressources en matériel et main-d’œuvre de l’exploitation et des caractéristiques de son vignoble. La stratégie de conduite est basée sur :
Exemple de règles de décision Un exemple de règles de décision est donné dans le tableau 12.1 pour les traitements anti-oïdium « de base » sur vigne dans une exploitation localisée sur la commune l’Alignan-du-Vent (département de l’Hérault). Les traitements anti-oïdium comprennent des traitements systématiquement réalisés (dits « de base ») et des traitements optionnels. Tableau 12.1. Règles de décisions pour les traitements anti-oïdum « de base ». Les règles présentées ci-dessus concernent la définition des modalités possibles du chantier et les dates des différents traitements. Dans l’exemple présenté, le Carignan est utilisé comme cépage guide pour le choix des dates de démarrage et d’arrêt des traitements sur l’ensemble du vignoble de l’exploitation. Les dates de changement des stades phénologiques du cépage guide sont issues d’une base de données régionale. Les avertissements agricoles régionaux (Performance vigne®) sont utilisés pour apprécier le niveau de pression sanitaire (Paré, 2011). Les règles portant sur la constitution des modalités d’intrants – le choix des produits et des quantités appliquées – ne sont pas présentées. Les dates simulées par le modèle pour les différents traitements anti-oïdium de base et les différentes parcelles dépendent des règles présentées dans le tableau 12.1, mais également des conditions de faisabilité du chantier, sous la dépendance de seuils de cumul de pluie, de la vitesse du chantier, et de la surface à traiter. Parmi les chantiers listés dans le plan d’action, certains sont systématiquement réalisés, d’autres sont optionnels. Dans l’exploitation prise ici en exemple, le chantier optionnel de traitement anti-oïdium n’est mis en oeuvre que lorsque trois conditions sont atteintes : le niveau de pression sanitaire oïdium est élevé, l’intervalle entre la date du jour et la date du traitement de base précédent est supérieur à six jours, l’intervalle entre la date du jour et la date prévue pour le traitement de base suivant est supérieure à trois jours. Ce chantier optionnel ne concerne que le cépage Carignan en raison de sa grande sensibilité à l’oïdium. |
21La complexité et la forme d’un modèle de décision dépendent de l’objectif poursuivi et des actions à modéliser. Quand la finalité du modèle est de représenter des actions peu nombreuses et facilement prévisibles, il est possible de décrire l’ensemble des actions à mener par un enchaînement de règles de décision simples. C’est le cas du modèle Moderato (Bergez et al., 2001) qui simule la décision d’irrigation sur du maïs. Le modèle de décision est constitué par une règle de décision pour commencer l’irrigation, une autre pour prendre en compte le climat, une troisième pour décider quand recommencer un tour d’eau et une dernière pour décider quand arrêter l’irrigation.
22Quand les règles deviennent très nombreuses ou très complexes en raison de nombreux ajustements possibles aux conditions du moment, on peut structurer le modèle de décision sous la forme d’un plan d’action. Un plan d’action est alors vu comme une liste flexible d’actions à réaliser selon un jeu de règles de décision. Les actions listées dans le plan s’organisent au cours de la simulation en fonction de règles de décision qui définissent, pour chaque action, l’opportunité de la réaliser et de quelle façon la réaliser (où, quand, comment, …). L’exemple d’un tel modèle construit pour simuler les itinéraires techniques mis en œuvre dans une exploitation viticole est donné dans l’encadré 12.2.
Comment définir les règles de décision ?
23Comme pour de nombreux modèles, il est nécessaire d’acquérir des données pour construire le modèle de décision des acteurs. En effet, il faut obtenir les indicateurs mobilisés, les logiques d’actions, les priorisations, etc. On distingue trois approches.
24La première approche est basée sur « l’élicitation », c’est-à-dire la révélation ou la mise à jour des décisions des acteurs par des scénarisations adéquates (Eisenhardt et Graebner, 2007). Beaucoup de modèles de décision sont construits ainsi. Par exemple, on peut proposer à un gestionnaire différents cas d’état d’une ressource et lui demander, pour chacune des situations, quelles actions il mènerait. Pour aider à la construction des modèles de décision en vue d’une implémentation informatique, Robert et al. (2016) ont spécifiquement élaboré un cadre méthodologique basé sur quatre grandes étapes :
définition du problème de décision ;
sélection des cas d’étude ;
collecte des données et étude précise des situations particulières ;
développement du modèle conceptuel.
25La deuxième approche consiste à mobiliser des méthodes basées sur les préférences révélées (Koundouri, 2004). À partir d’une base de données d’actions réalisées, les conditions ayant déclenché les actions enregistrées sont recherchées. Ainsi, la mise en relation de la chronique des lâchers d’eau d’une retenue par le gestionnaire avec les débits des cours d’eau permet de définir les critères de lâchers en mobilisant l’indicateur débit.
26La troisième approche provient de l’intelligence artificielle (Reinforcement learning et QR learning). Elle cherche directement le jeu de règles optimisant une fonction « objectif ». Dans cette approche, on ne part pas d’un a priori sur la structuration des règles. Seul l’espace des indicateurs d’intérêt est défini. Chaque décision est liée à un gain que l’on cherche à optimiser sur l’ensemble de la simulation. Une telle approche a été testée sur la décision d’irrigation du maïs en utilisant une méthode de QR learning (Bergez et al., 2006a). Dans cette étude, la décision de déclencher la campagne d’irrigation était associée à une maximisation du revenu de l’agriculteur. L’espace des indicateurs choisis pour cette étude était l’humidité du sol et le développement de la culture. La règle trouvée alors correspondait à « Si développement de la culture supérieur à 650 °C ∙ jour et le déficit en eau du sol supérieur à 80 mm, alors on déclenche l’irrigation ». Cette approche est souvent très coûteuse en temps de simulation. Par ailleurs, elle fait abstraction d’une part de la connaissance experte. Son intérêt est de permettre de tester de nouveaux indicateurs potentiels et de définir des règles associées à leur usage.
Résolution d’un problème de gestion
27Si le modèle de décision est construit et couplé ou chaîné avec des modèles biophysiques, c’est-à-dire qu’il est implémenté sous forme d’un modèle ou de plusieurs modèles informatiques permettant de relier les états du système d’intérêt et les actions des agents, il peut alors être utilisé pour aider à résoudre un problème de gestion. Plusieurs approches existent.
Approches participatives et jeux sérieux
28Les démarches participatives mobilisant des modèles qui relient l’état du système et les actions des agents sont assez classiquement utilisées pour résoudre des problèmes de gestion de l’eau. Dans ces approches, la recherche de décisions adaptées au problème de gestion et la recherche de compromis entre différents acteurs se font par essai-erreur, en analysant les conséquences des décisions prises sur le fonctionnement du système. Une telle approche peut passer par des jeux de simulation (serious game) dans lesquels chaque participant joue le rôle d’un acteur et doit prendre des décisions ayant un impact sur le système étudié.
29De nombreux jeux sur la gestion de l’eau existent. Un recensement sur l’Internet permet d’en trouver plusieurs dizaines73. Certains jeux ne comprennent pas de règles de décision. Les décisions des joueurs et leur impact sur le système sont tracés et permettent d’en extraire a posteriori un ensemble de règles74. Dans d’autres jeux, certaines règles de décision et plans d’action sont codés et les actions qui en découlent sont activées en fonction de l’état du système ; ce type de jeu permet par exemple de jouer le rôle d’un acteur particulier, alors que le modèle joue pour les autres acteurs impactant le système75.
30Sans aller jusqu’à la construction d’un jeu de simulation, d’autres démarches utilisent la chaîne de modélisation pour produire des connaissances, pouvant être des résultats quantifiés, sur l’effet des décisions sur le système. Par exemple, le modèle de décision dhivine (encadré 12.2) simule les itinéraires techniques sur un ensemble de parcelles de vigne. Il a été chaîné avec un modèle d’évolution de l’infiltrabilité du sol et un modèle de transfert des polluants pour simuler l’impact de différentes stratégies de réduction de l’usage d’herbicides sur la contamination des eaux de surfaces dans un bassin viticole (Biarnès et al., 2017 ; chapitre 19). En prenant en compte une gamme de décisions et de contextes (climatiques, réglementaires, etc.), les connaissances produites peuvent servir de base de discussion avec les acteurs d’un territoire et s’insérer dans une dynamique de coconstruction de nouveaux modes de gestion.
Approche par optimisation numérique
31L’approche numérique vise à sélectionner des seuils d’indicateurs de décisions permettant de résoudre le problème de gestion. Ces seuils d’indicateurs de décisions peuvent ensuite être discutés avec les acteurs concernés. Dans cette approche, on cherche à optimiser les seuils des indicateurs utilisés dans certaines décisions pour optimiser une fonction objectif. De nombreuses méthodes d’optimisation sont disponibles, leurs qualités dépendent notamment de la dimension du problème à résoudre (nombre de seuils d’indicateurs de décision). Il peut s’agir :
de méthodes systématiques de recherche sur grille (Bergez et al., 2002) ;
de méthodes de décomposition hiérarchique du domaine des paramètres avec des heuristiques de choix de régions prometteuses décomposées en k plus petits domaines (Crespo et al., 2011) ;
de méthodes d’optimisation plus récentes telles que les algorithmes génétiques pour les domaines discrets (Lehmann et al., 2013).
Conclusion
32La modélisation des décisions permet de reproduire les situations de décision des agents et de simuler les actions qui en résultent. L’approche par règles de décision est une approche déterministe qui permet de reproduire la variabilité des actions des agents et leurs adaptations en lien avec les états du système. Elle est mobilisable dans une large gamme de modèles allant de représentations schématiques des actions des agents basées sur l’enchaînement de quelques règles de décision à des représentations complexes mobilisant des jeux de règles de décision en interaction.
33Même lorsqu’il est complexe, un modèle de décision ne prétend pas reproduire fidèlement la réalité. Il semble impossible de prévoir toutes les situations de décision possibles, notamment parce que ces décisions sont prises dans un contexte incertain, avec des sources d’incertitude qui ne sont ni toutes connues et ni toutes évaluables ou probabilisables par avance. Par ailleurs, les indicateurs utilisés dans les règles de décision peuvent eux-mêmes être une approximation de ceux utilisés par les agents. De ce fait, ils génèrent des différences entre les actions réelles et les actions simulées.
34Comme pour tout modèle, un modèle de décision vise plus raisonnablement la reproduction des grandes tendances dans les actions des agents, par exemple, les motifs de distribution spatio-temporelle des opérations culturales sur un territoire donné. Un tel modèle peut alors être couplé ou chaîné à des modèles biophysiques pour évaluer l’impact des décisions des agents sur les ressources en eau. De ce fait, il peut aider à la résolution d’un problème de gestion des ressources, sous réserve néanmoins qu’il soit compris, validé et accepté par les acteurs du terrain qui le mobilisent.
Bibliographie
Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.
Format
- APA
- Chicago
- MLA
Attonaty J.M., Cerf M., 2001. Dispositifs de recherche et conduite de projets pour la production de méthodes et d’outils d’aide à la décision. École chercheur « Aide à la décision », La Londe les Maures, mai 2001.
Aubry C., Papy F., Capillon A., 1998. Modelling decision-making processes for annual crop management. Agricultural systems, 56(1): 45-65.
10.1016/S0308-521X(97)00034-6 :Bergez J.E., Debaeke P., Deumier J.M., Lacroix B., Leenhardt D., Leroy P., Wallach D., 2001. Moderato: an object-oriented decision model to help on irrigation scheduling for corn crop. Ecological modelling, 137: 43-60.
Bergez J.E., Deumier J.M., Lacroix B., Leroy P., Wallach D., 2002. Improving irrigation schedules by using a biophysical and a decisional model. European journal of agronomy, 16: 123-135. doi:10.1016/S1161-0301(01)00124-1 .
10.1016/S1161-0301(01)00124-1 :Bergez J.E., Garcia F., Leenhardt D., Maton L., 2006a. Optimising irrigation management at the plot scale to participate at the regional scale water resource management. In: Castelletti A., Soncini Sessa R., (eds). Topics on systems analysis and integrated water resources management (IWRM). Amsterdam: Elsevier, 141-160.
10.1016/B978-008044967-8/50007-5 :Bergez J.E., Garcia F., Wallach D., 2006b. Representing and optimizing management decisions with crop models. In: Wallach D., Makowski D., Jones J.W., (eds.). Working with dynamic crop models: evaluating, analyzing, parameterizing and using them. Amsterdam: Elsevier, 175-210.
Biarnès A., Andrieux P., Barbier J.-M., Bonnefoy A., Compagnone C., Delpuech X., Gary C., Metay A., Rellier J.P., Voltz M., 2017. Evaluer par modélisation des stratégies de réduction des usages d’herbicides dans les bassins versants viticoles. Innovations agronomiques, 57 : 141-152.
Bouleau N., 1999. Philosophies des mathématiques et de la modélisation : du chercheur à l’ingénieur. Paris : l’Harmattan.
Crespo O., Bergez J.E., Garcia F., 2011. P2 hierarchical decomposition procedure: Application to irrigation strategies design. Operational research, 11: 19-39. doi:10.1007/s12351-009-0040-z .
10.1007/s12351-009009-0040-z :Eisenhardt K., Graebner M., 2007. Theory building from cases: opportunities and challenges. Academy of management journal, 50: 25-32.
10.5465/amj.2007.24160888 :Koundouri P., 2004. Econometrics informing natural resources management: selected empirical analyses. New horizons in environmental economics. Cheltenham: Edward Elgare editors.
Lehmann N., Finger R., Klein T., Calanca P., Walter A., 2013. Adapting crop management practices to climate change: Modeling optimal solutions at the field scale. Agricultural systems, 117: 55-65. doi:10.1016/j.agsy.2012.12.011 .
10.1016/j.agsy.2012.12.011 :Martin-Clouaire R., Rellier J.P., Paré N., Voltz M., Biarnès A., 2016. Modelling management practices in viticulture while considering resource limitations: the Dhivine model. Plos one, 11(3): e0151952. doi:10.1371/journal.pone.0151952 .
10.1371/journal.pone.0151952 :Maton L., Leenhardt D., Goulard M., Bergez J.E., 2005. Assessing the irrigation strategies over a wide geographical area from structural data about farming systems. Agricultural systems, 86: 293-311. doi:10.1016/j.agsy.2004.09.010 .
10.1016/j.agsy.2004.09.010 :Paré N., 2011. Pollution de l’eau par les pesticides en milieu viticole languedocien. Construction d’un modèle couplé pression-impact pour l’expérimentation virtuelle de pratiques culturales à l’échelle de petits bassins versants. Thèse de doctorat. Montpellier : Supagro.
Risbey J., Kandlikar M., Dowlatabadi H., 1999. Scale, context, and decision making in agricultural adaptation to climate variability and change. Mitigation and adaptation strategies for global change, 4: 137-165.
Robert M., Bergez J.E., Thomas A., 2017a. A stochastic dynamic programming approach to analyze adaptation to climate change: application to groundwater irrigation in India. European journal of operational research, 265(3): 1 033-1 045. doi:10.1016/j.ejor.2017.08.029 .
10.1016/j.ejor.2017.08.029 :Robert M., Thomas A., Sekhar M., Badiger S., Ruiz L., Raynal H., Bergez J.E., 2017b. Adaptive and dynamic decision-making processes: a conceptual model of production systems on Indian farms. Agricultural systems, 157: 279-291. doi:10.1016/j.agsy.2016.08.001 .
10.1016/j.agsy.2016.08.001 :Robert M., Thomas A., Sekhar M., Raynal H., Casellas E., Casel P., Chabrier P., Joannon A., Bergez J.E., 2018. A dynamic model for water management at the farm level integrating strategic, tactical and operational decisions. Environmental modelling and software, 100: 123-135. doi:10.1016/j.envsoft.2017.11.013 .
10.1016/j.envsoft.2017.11.013 :Robert M., Dury J., Thomas A., Therond O., Sekhar M., Badiger S., Ruiz L., Bergez J.E., 2016. CMFDM: a methodology to guide the design of a conceptual model of farmers’ decision-making processes. Agricultural systems, 148: 86-94. doi:10.1016/j.agsy.2016.07.010 .
10.1016/j.agsy.2016.07.010 :Notes de bas de page
73 www.genevawaterhub.org/resource/serious-games .
74 Des jeux de règles comme « wat-a-game » sont accessibles à www.sites.google.com/site/waghistory/ ).
75 C’est le cas du jeu Aquarepublica accessible à www.aquarepublica.com .
Auteurs
UMR 1248 AGIR, INRAE, université de Toulouse, Castanet-Tolosan
LISAH, université Montpellier, INRAE, IRD, Montpellier-SupAgro
Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.
Apprendre à innover dans un monde incertain
Concevoir les futurs de l’agriculture et de l’alimentation
Émilie Coudel, Hubert Devautour, Christophe-Toussaint Soulard et al. (dir.)
2012
Transformations agricoles et agroalimentaires
Entre écologie et capitalisme
Gilles Allaire et Benoit Daviron (dir.)
2017
Innovation et développement dans les systèmes agricoles et alimentaires
Guy Faure, Yuna Chiffoleau, Frédéric Goulet et al. (dir.)
2018
One health, une seule santé
Théorie et pratique des approches intégrées de la santé
Jakob Zinsstag, Esther Schelling, David Waltner-Toews et al. (dir.) Josette Derangère et Isabelle Thibaudière (trad.)
2020
Agriculture et qualité de l'air
Comprendre, évaluer, agir
Carole Bedos, Sophie Génermont, Jean-François Castell et al. (dir.)
2019
L'eau en milieu agricole
Outils et méthodes pour une gestion intégrée et territoriale
Delphine Leenhardt, Marc Voltz et Olivier Barreteau (dir.)
2020
Alerter la population face aux crues rapides
Compréhension et évaluation d’un processus en mutation
Johnny Douvinet
2020
Consommation et digestion des végétaux
Rôles des microbiotes et fonctions essentielles à la biodiversité
Gérard Fonty, Annick Bernalier-Donadille, Évelyne Forano et al.
2019
La fabrique de l’agronomie
De 1945 à nos jours
Jean Boiffin, Thierry Doré, François Kockmann et al. (dir.)
2022