These Julien MOEYS

Spacial variability and agro-pedological determinisms of
an herbicide fate in the surface horizon - an application

to isoproturon in an agricultural catchment of the
”Beauce chartraine” region, France
Julien Moeys
To cite this version:

Julien Moeys. Spacial variability and agro-pedological determinisms of an herbicide fate in the
surface horizon - an application to isoproturon in an agricultural catchment of the ”Beauce
chartraine” region, France. Sciences of the Universe. AgroParisTech, 2007. English. <NNT :
2007AGPT0063>. <pastel-00004448>
HAL Id: pastel-00004448

https://pastel.archives-ouvertes.fr/pastel-00004448
Submitted on 20 Mar 2009
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
THÈSE
pour obtenir le grade de
Docteur
n° /__/__/__/__/__/__/__/__/__/__/
de
l’Institut des Sciences et Industries du Vivant et de l’Environnement
– AgroParisTech –
Spécialité : sciences du sol
Variabilité spatiale et déterminismes

agro–pédologiques du devenir d’un
herbicide dans l’horizon de surface
application au cas de l'isoproturon

dans un secteur agricole
de Beauce chartraine
présentée et soutenue publiquement par
Julien MOEYS
le 20 décembre 2007
devant un jury composé de
M. Rafael ANGULO-JARAMILLO C.R. ENTPE Rapporteur

M. Guy SOULAS D.R. INRA Rapporteur
MME Liliane BEL M.C. AgroParisTech Examinateur
M. Dominique KING D.R. INRA Examinateur
M. Ludovic LOISEAU Dr. AFSSA Examinateur
M. Yves COQUET Pr. AgroParisTech Directeur de thèse
travail réalisé au sein de l’UMR 1091 INRA / AgroParisTech

Environnement et Grandes Cultures, 78850 Thiverval-Grignon
J. Moeys
[...] The soil technology era ended when we had to

ask and answer questions on the landscape scale.
The research questions had to change. Natural
variability had to be taken into account, and lack of
equilibrium had to be accepted. [...]
WARKENTIN, 1992, Soil Science For Environmental-Quality - How

Do We Know What We Know? Journal of Environmental Quality 21,
p. 163-166. (Cité par Baveye et al., 2006)
« L’aire de la technologie du sol s’est achevée quand nous avons eu à définir et

résoudre des questions à l’échelle du paysage. Les questions de recherche ont dû
évoluer. Il a fallu prendre en compte la variabilité naturelle et accepter l’absence
d’équilibre. »
2
J. Moeys Sommaire
◊ Sommaire abrégé
Partie I Étude bibliographique .......................24

Partie II Le secteur agricole de Ouarville ......71
Partie III Matériels & méthodes ....................86
Partie IV Résultats.........................................148
Partie V Discussion & conclusions ................239
Partie VI Annexes..........................................274
◊ Sommaire général
◊ SOMMAIRE ABRÉGÉ ................................................. 3
◊ SOMMAIRE GÉNÉRAL ............................................... 3
1 AVANT PROPOS & REMERCIEMENTS ......................... 13
2 INTRODUCTION, CONTEXTE ...................................... 16
■ 2.1 Problématique ................................................................. 16
■ 2.2 Processus en jeu ............................................................. 17
■ 2.3 Solutions envisageables .................................................. 18
■ 2.4 Programme de recherche ESHEL.................................... 19
■ 2.5 Limites méthodologiques ................................................. 19
3 OBJECTIFS .............................................................. 21
■ 3.1 Choix méthodologiques initiaux ....................................... 21
■ 3.2 Objectifs du travail de thèse............................................. 22
■ 3.3 Organisation du mémoire de thèse .................................. 23

1 LE SOL : CONSTITUANTS & ORGANISATION ............... 25
■ 1.1 Phase solide, phase liquide et phase gazeuse du sol ...... 25
3
J. Moeys Sommaire
■ 1.2 Phase solide du sol : constituants.................................... 26

■ Granulométrie des constituants : texture du sol..................................................... 27
■ Constituants organiques......................................................................................... 28
■ Complexe argilo-humique ..................................................................................... 29
■ Masse volumique de la phase solide...................................................................... 30
■ Niveaux d’organisation du sol et structure ............................................................ 30
■ Masse volumique apparente................................................................................... 31
■ Variabilité temporelle de la structure..................................................................... 33
■ Phase solide, pédogenèse et variabilité spatiale..................................................... 34
■ 1.3 Organisation du sol en horizons....................................... 34
■ Caractéristiques...................................................................................................... 34
■ 1.4 Agencement tridimensionnel des horizons : la couverture
pédologique ..................................................................... 35
■ Caractéristiques...................................................................................................... 35
■ Description des variations latérales du sol............................................................. 35
■ 1.5 Stratification verticale et latérale de l'horizon travaillé : le
profil cultural .................................................................... 36
■ Stratification latérale du profil cultural.................................................................. 36
■ Stratification verticale du profil cultural................................................................ 36
■ États internes du profil cultural.............................................................................. 37
2 LES PROCESSUS DE LIXIVIATION DES PRODUITS
PHYTOSANITAIRES DANS LES SOLS ........................... 37
■ 2.1 Présentation des processus et de leurs interactions ........ 37
■ 2.2 Processus hydrologiques................................................. 40
■ Teneurs en eau massiques et volumiques .............................................................. 40
■ Teneur en eau et potentiel matriciel....................................................................... 41
■ Rétention en eau..................................................................................................... 42
□ Modèle de Brooks et Corey (1964) pour θ(h).....................................................................43
□ Modèle simplifié de Campbell (1974) pour θ(h).................................................................43
□ Exemples de méthodes de mesure des paramètres .............................................................44
□ Ordres de grandeur, variabilité spatiale et déterminismes agro-pédologiques .................45
■ L’eau du sol et la plante : notion de réserve utile .................................................. 46
■ Flux et conductivité hydraulique en régime non saturé ......................................... 47
□ Modèle de Brooks et Corey pour K(h)................................................................................48
□ Modèle de Campbell (1974) pour K(h)...............................................................................48
□ Aperçu des méthodes de mesure des paramètres................................................................49
■ La sorptivité ........................................................................................................... 51
■ 2.3 Transport de soluté .......................................................... 51
■ Équation de convection-dispersion........................................................................ 51
■ Flux préférentiels ................................................................................................... 53
□ Le modèle ‘eau mobile / eau immobile’ (MIM) ..................................................................54
■ 2.4 Processus physiques, chimiques et biologiques subis par
les produits phytosanitaires.............................................. 56
■ L’adsorption de solutés organiques par la phase solide du sol .............................. 56
□ Représentation par le modèle linéaire................................................................................57
□ Représentation par le modèle de Freundlich......................................................................57
□ Normalisation de l’adsorption par le carbone organique..................................................58
□ Aperçu des méthodes de mesure .........................................................................................59
4
J. Moeys Sommaire
■ Dégradation des pesticides dans le sol................................................................... 60

□ Représentation par une cinétique exponentielle d’ordre 1.................................................60
□ Représentation par une cinétique bi-exponentielle.............................................................61
□ Aperçu des méthodes de mesure des cinétiques de dégradation§.......................................62
3 L'ISOPROTURON ...................................................... 62
■ 3.1 Structure chimique de l’isoproturon et de ses métabolites 63
■ 3.2 Propriétés physico-chimiques .......................................... 64
■ 3.3 Homologations des usages.............................................. 64
■ 3.4 Évaluation de son comportement dans les sols ............... 65
■ Informations fournies par les bases de données et les ouvrages de référence ....... 65
□ Adsorption (KOC) ................................................................................................................65
□ Dégradation : DT50 au laboratoire.....................................................................................66
■ Adsorption et vitesse de dégradation : variabilité et déterminismes rapportés par
la littérature scientifique ........................................................................................ 66
□ Adsorption (KOC) ................................................................................................................66
□ Dégradation (DT50) ............................................................................................................68
■ 3.5 Occurrences de l’isoproturon dans les eaux de surface et
souterraines..................................................................... 69

1 LOCALISATION GÉOGRAPHIQUE................................ 72
■ 1.1 Localisation...................................................................... 72
■ 1.2 Extension......................................................................... 72
■ 1.3 Géographie...................................................................... 73
2 DONNÉES MÉTÉOROLOGIQUES ................................. 75
■ Type de climat ....................................................................................................... 75
■ Températures moyennes ........................................................................................ 75
■ Précipitations moyennes, répartition mensuelle .................................................... 76
■ Évènements exceptionnels : précipitations ............................................................ 77
3 ACTIVITÉS AGRICOLES ............................................. 78
4 CONTEXTE GÉOLOGIQUE.......................................... 78
■ 4.1 Géologie et hydrogéologie de la Beauce ......................... 78
■ Le calcaire de Beauce ............................................................................................ 78
■ La nappe de Beauce ............................................................................................... 78
■ 4.2 Contexte géologique local................................................ 79
5 CONTEXTE PÉDOLOGIQUE ........................................ 81
■ 5.1 Carte des sols du secteur réalisée par un bureau d’étude
indépendant..................................................................... 81
■ 5.2 Horizons caractéristiques des types pédologiques de la
carte ................................................................................ 84
5
J. Moeys Sommaire
1 DÉMARCHE GÉNÉRALE ............................................ 87

2 PLAN D'ÉCHANTILLONNAGE ..................................... 87
■ 2.1 Nombre d’échantillons ..................................................... 87
■ 2.2 Stratification verticale....................................................... 88
■ 2.3 Éléments utilisés pour la stratification .............................. 89
■ Principe .................................................................................................................. 89
■ Réalisation ............................................................................................................. 90
■ Adaptation aux conditions de terrain ..................................................................... 90
■ 2.4 Localisation géographique des sites – recherche des
sites visés ........................................................................ 91
■ 2.5 Échantillonnage du sol : protocole ................................... 91
■ 2.6 Résultats : stratification obtenue ...................................... 92
■ Période et condition de prélèvement...................................................................... 92
■ État du sol et culture en place au moment du prélèvement.................................... 93
■ Localisation géographique des sites prélevés ........................................................ 94
■ Stratification par rapport au type pédologique indiqué par la carte de sol............. 95
■ Stratification par rapport au type de travail du sol................................................. 95
■ Stratification par rapport à la géologie................................................................... 95
■ Nombre d’exploitants agricoles concernés par les prélèvements .......................... 95
3 LE SOL : CONSTITUANTS ET ORGANISATION .............. 96
■ 3.1 Propriétés physico-chimiques des sols ............................ 96
■ Analyses physiques et physico-chimiques............................................................. 96
■ Masse volumique apparente au cylindre................................................................ 97
□ Principe général de la mesure............................................................................................97
□ Protocole de mesure ...........................................................................................................97
■ 3.2 Étude pédologique à l'aide de sondages tarière............... 97
4 LES PROPRIÉTÉS HYDRAULIQUES ............................. 99
■ 4.1 Détermination des paramètres de la rétention en eau sur
des échantillons de sol .................................................... 99
■ Principe .................................................................................................................. 99
■ Détermination de la teneur en eau à un potentiel donné avec une presse de
Richard................................................................................................................... 99
□ Protocole de mesure ...........................................................................................................100
■ 4.2 Détermination des paramètres de la conductivité
hydraulique in situ............................................................ 100
■ Principe .................................................................................................................. 100
■ Détermination de la conductivité hydraulique au voisinage de la saturation avec
un infiltromètre à disque ........................................................................................ 100
□ Détermination de la teneur en eau volumique initiale et finale.........................................103
□ Processus intervenant lors d’une mesure d’infiltration......................................................103
□ La solution analytique de Wooding (1968), base théorique de l’infiltrométrie..................104
□ Calcul de S et K par la méthode de White et Sully (1987)..................................................106
□ Calcul de S et K par la méthode de Haverkamp et al. (1994) ............................................109
□ Modifications du calcul de S par la méthode de White et Sully (1987) ..............................111
□ Temps caractéristiques de l’infiltration..............................................................................113
□ Équation de Haverkamp et al. (1994) pour le régime permanent ......................................115
□ Calcul de S et K par ajustement direct sur le régime transitoire et/ou le régime
6
J. Moeys Sommaire
permanent...........................................................................................................................115
□ Comparaison avec les mesures à la parcelle (Millot, 2004) ..............................................119
■ 4.3 Fraction d'eau immobile................................................... 120
■ Principe .................................................................................................................. 120
■ Protocole ................................................................................................................ 121
5 PRÉPARATION DES ÉCHANTILLONS DE SOL AVANT
LES MESURES AVEC L’ISOPROTURON ........................ 122
■ 5.1 Tamisage et détermination de la teneur en eau au
prélèvement..................................................................... 122
■ 5.2 Détermination de la teneur en eau à pF 2 après
tamisage .......................................................................... 122
6 ADSORPTION DE L’ISOPROTURON ............................. 123
■ 6.1 Adsorption linéaire de l'isoproturon sur les sols ............... 123
■ Principe .................................................................................................................. 123
■ Protocole ................................................................................................................ 124
■ 6.2 KD des horizons de surface et profonds de la parcelle
d’étude............................................................................. 125
7 DÉGRADATION DE L'ISOPROTURON........................... 126
■ 7.1 Suivi de la dégradation et de la minéralisation sur des
incubations au laboratoire................................................ 126
■ Principe .................................................................................................................. 126
■ Protocole général ................................................................................................... 126
■ Cinétique de dégradation et de minéralisation....................................................... 131
■ 7.2 Estimation des demi-vies de dégradation et de
minéralisation .................................................................. 131
■ Ajustement linéaire ................................................................................................ 132
□ Fixer ou ajuster la concentration initiale ...........................................................................132
■ Ajustement direct, non linéaire.............................................................................. 133
8 MÉTHODES STATISTIQUES UTILISÉES POUR LA
CARACTÉRISATION DE LA VARIABILITÉ SPATIALE DES
PROPRIÉTÉS AGRO-PÉDOLOGIQUES ......................... 133
■ 8.1 Hiérarchie des propriétés................................................. 134
■ 8.2 Statistiques descriptives................................................... 135
■ Graphiques ‘box & whisker’.................................................................................. 135
■ Statistiques de distribution..................................................................................... 136
□ Skewness & Kurtosis ..........................................................................................................136
□ Test de normalité de Shapiro..............................................................................................137
■ 8.3 Statistiques sur des propriétés non-normales .................. 137
■ Cas des populations bi- ou plurimodales ............................................................... 138
■ Cas des propriétés intrinsèquement non-normales ................................................ 138
■ Tests statistiques non paramétriques...................................................................... 138
■ 8.4 Corrélations entre propriétés quantitatives....................... 139
■ 8.5 Étude des liens entre propriétés qualitatives et propriétés
7
J. Moeys Sommaire
quantitatives par analyse de la variance .......................... 140

■ 8.6 Étude de la variabilité par Analyse en Composantes
Principales ....................................................................... 141
■ 8.7 Prédiction des propriétés à l’aide de classes ou de
fonctions de pédotransfert locales ................................... 142
■ Classes de pédotransfert locales............................................................................. 143
■ Fonctions de pédotransfert locales......................................................................... 143
□ Approche par régression multivariée : PLSR.....................................................................144
□ Approche par régression multivariée : GIFI-PLSR............................................................145
1 CONSTITUANTS ET ORGANISATION DES SOLS ............ 149
■ 1.1 Propriétés physiques et physico-chimiques des sols ....... 149
■ Analyses physiques et physico-chimiques............................................................. 149
□ Granulométries fine et grossière ........................................................................................149
□ Carbone, azote organique et rapport C sur N ....................................................................151
□ Teneur en carbonate de calcium (CaCO3) .........................................................................153
□ pH 153
■ Masse volumique apparente au cylindre................................................................ 154
■ 1.2 Description des sondages tarière..................................... 154
■ Matériaux parentaux et substrats ........................................................................... 154
□ Matériaux et successions identifiés ....................................................................................154
□ Profondeur d’apparition du substrat..................................................................................156
■ Charges en éléments grossiers ............................................................................... 157
■ Types de sol identifiés ........................................................................................... 158
■ Modalité de travail du sol (conventionnel – simplifié) .......................................... 159
■ Répartition spatiale des sols et de ses propriétés physico-chimiques .................... 159
■ 1.3 Synthèse, discussion et conclusion intermédiaire ............ 161
2 PROPRIÉTÉS HYDRIQUES DU SOL ............................. 162
■ 2.1 Rétention en eau ............................................................. 162
■ Relation potentiel matriciel – teneur en eau .......................................................... 163
■ Paramètres de la fonction de rétention de Campbell.............................................. 164
■ 2.2 Conductivité hydraulique.................................................. 165
■ Estimation de la conductivité au voisinage de la saturation : infiltrométrie
monopotentiel ........................................................................................................ 165
□ Calculs par la méthode de White et Sully (1987) ...............................................................165
□ Calculs par la méthode de Haverkamp et al. (1994) ..........................................................169
■ Paramètres de la fonction de conductivité hydraulique de Campbell .................... 182
■ 2.3 Fraction d’eau immobile................................................... 183
■ Précision des mesures et respect des hypothèses................................................... 183
■ Valeurs de fraction d’eau immobile....................................................................... 184
3 COMPORTEMENT DE L'ISOPROTURON DANS LES
SOLS ....................................................................... 188
■ 3.1 Adsorption de l'isoproturon dans les sols ......................... 188
■ Coefficient d'adsorption linéaire............................................................................ 188
8
J. Moeys Sommaire
■ Coefficient d'adsorption normalisé par le carbone organique................................ 189

■ KD des horizons de surface et profonds de la parcelle d’étude .............................. 189
□ Horizons de surface de la parcelle .....................................................................................189
□ Horizons profonds de la parcelle .......................................................................................190
■ 3.2 Dégradation de l’isoproturon............................................ 191
■ Calcul par régression linéaire ................................................................................ 191
□ Influence de la concentration initiale : calculée ou imposée ?...........................................191
■ Calcul par ajustement direct de la fonction de dégradation ................................... 194
□ Influence de l'algorithme d'optimisation et de la fonction d'erreur à minimiser pour
l'optimisation ......................................................................................................................194
■ Choix d’une des méthodes testées ......................................................................... 197
□ Analyse a posteriori des fonctions d’erreur .......................................................................197
□ Comparaison visuelle des résultats ....................................................................................198
□ Choix d’une méthode..........................................................................................................199
■ Demi-vie de minéralisation de l’isoproturon ......................................................... 200
4 ÉTUDE STATISTIQUE DE LA VARIABILITÉ SPATIALE ET
DES DÉTERMINISMES AGRO-PÉDOLOGIQUES ............. 202
■ 4.1 Transformer les propriétés non-normales ? ..................... 203
■ 4.2 Corrélations entre propriétés caractéristiques du
système pédologique....................................................... 203
■ Cohérence du système pédologique....................................................................... 203
■ Propriétés liées aux pratiques agronomiques......................................................... 205
■ Propriétés de rétention en eau du sol ..................................................................... 205
□ Corrélations des propriétés entre elles...............................................................................205
□ Corrélations des propriétés avec d’autres propriétés agro-pédologiques. ........................206
■ Propriétés hydrodynamiques.................................................................................. 206
■ Fraction d’eau immobile (pour h = –1 cm)............................................................ 207
■ Adsorption de l’isoproturon sur les sols : KD & KOC ............................................. 208
■ Dégradation et minéralisation de l’isoproturon dans les sols (DT50) ..................... 208
■ 4.3 Approche graphique des covariations avec la texture de
surface............................................................................. 209
■ 4.4 Importance des propriétés agro-pédologiques
qualitatives : analyses de la variance............................... 210
■ Analyses de la variance à un facteur contrôlé........................................................ 211
□ Seuillage de propriétés quantitatives..................................................................................211
□ Effets des propriétés agronomiques et pédologiques qualitatives sur la masse volumique
apparente et la teneur en matière organique du sol ...........................................................211
□ Effets des propriétés agronomiques et pédologiques qualitatives sur les propriétés
hydriques du sol et sur les interactions sol-isoproturon.....................................................214
■ Analyses de la variance à plusieurs facteurs contrôlés .......................................... 217
■ 4.5 Étude de la variabilité par Analyse en Composantes
Principales ....................................................................... 219
■ Abréviations des noms de propriétés ..................................................................... 220
■ Variabilité des propriétés physico-chimiques & de rétention en eau des
échantillons ............................................................................................................ 220
■ Variabilité des propriétés physico-chimiques et de la fraction d’eau immobile.... 223
■ Variabilité des propriétés physico-chimiques et de la conductivité hydraulique
(K–1cm et KS.) .......................................................................................................... 224
□ Conductivité hydraulique à saturation (KS.) .......................................................................224
9
J. Moeys Sommaire
□ Conductivité hydraulique à – 1 cm (K-1 cm).........................................................................225

■ Variabilité des propriétés physico-chimiques et de l’adsorption de l’isoproturon 226
□ Coefficient d’adsorption linéaire (KD) ...............................................................................226
□ Coefficient d’adsorption normalisé par la fraction de carbone organique (KOC) ..............228
■ Variabilité des propriétés physico-chimiques, de la dégradation et de la
minéralisation de l’isoproturon.............................................................................. 229
■ 4.6 Prédiction des propriétés à l’aide de classes ou de
fonctions de pédotransfert locales : faisabilité.................. 230
■ Classes de pédotransfert locales............................................................................. 230
□ Classes de pédotransfert pour le KS ou K-1 cm .....................................................................231
□ Classes de pédotransfert pour le KOC .................................................................................231
□ Classes de pédotransfert pour la DT50 de l’isoproturon.....................................................232
□ Classes de pédotransfert pour d’autres propriétés.............................................................232
□ Conclusions sur les classes de pédotransfert .....................................................................232
■ Fonctions de pédotransfert locales......................................................................... 233
□ Approche par régression multivariée : PLSR.....................................................................233
□ Approche par régression multivariée : GIFI-PLSR............................................................237

1 DISCUSSION ............................................................ 240
■ 1.1 Identification des problèmes rencontrés........................... 240
■ 1.2 Répercussions des problèmes rencontrés ....................... 243
2 CONCLUSION GÉNÉRALE.......................................... 244
◊ RÉFÉRENCES BIBLIOGRAPHIQUES ............................ 248
◊ LISTE DES FIGURES ................................................. 261
◊ LISTE DES TABLEAUX ............................................... 265
◊ LISTE DES ÉQUATIONS ............................................. 270
1 TERMINOLOGIE ........................................................ 275
■ 1.1 Termes de pédologie ....................................................... 275
■ 1.2 Termes spécifiques à l'étude............................................ 276
■ 1.3 Termes relatifs à l'échantillonnage ................................... 276
■ 1.4 Termes relatifs aux modèles ............................................ 277
■ 1.5 Termes relatifs aux tests statistiques................................ 279
■ 1.6 Termes de programmation ............................................... 279
2 STRATIFICATION DE L’ÉCHANTILLONNAGE :
OBJECTIFS .............................................................. 280
■ 2.1 Type de sol ...................................................................... 280
10
J. Moeys Sommaire
■ 2.2 Classe de profondeur ...................................................... 280

■ 2.3 Formation géologique ...................................................... 280
■ 2.4 Classe de clarté sur une image satellite........................... 281
■ 2.5 Distance entre les sites.................................................... 281
■ 2.6 Pondération des différents critères................................... 281
3 PROTOCOLES DE MESURE ........................................ 282
■ 3.1 Masse volumique apparente au cylindre.......................... 282
■ 3.2 Mesure de la relation θ(h) – Presses de Richards ........... 284
■ Prélèvement de cylindres de sol non perturbés...................................................... 284
■ Humectation et saturation en eau des échantillons de sol non perturbés ............... 284
■ Mesure de la teneur en eau à un potentiel imposé ................................................. 285
■ Séchage à 105°C et mesure du poids sec............................................................... 285
4 PRÉCISIONS SUR L’ORGANISATION ET LA GESTION
DES DONNÉES ......................................................... 286
■ 4.1 Stockage et organisation des données ............................ 286
■ Base de données des mesures ................................................................................ 286
■ Base de données des sondages tarière.................................................................... 286
■ 4.2 Traitement des données .................................................. 287
5 QUALITÉ DES AJUSTEMENTS : LES FONCTIONS
D'ERREUR ............................................................... 288
■ 5.1 Racine carrée de l'erreur quadratique moyenne .............. 288
■ 5.2 Racine carrée de l'erreur relative au carré ....................... 289
■ Erreur relative à l’importance de la variable.......................................................... 289
■ Erreur relative à l’importance du résidu de la variable.......................................... 289
■ 5.3 Pourcentage d'erreur moyen en valeur absolue............... 290
■ 5.4 Estimation des erreurs par validation croisée................... 290
■ Estimation de l’erreur avec les données de calibration du modèle ou avec des
données indépendantes .......................................................................................... 290
■ Validation croisée ‘leave-one-out’ ou ‘leave-some-out’........................................ 290
6 TRANSFORMATIONS DE VARIABLES : QUELQUES
EXEMPLES ............................................................... 291
■ 6.1 Centrage et réduction d’une variable ............................... 291
■ 6.2 Transformation inverse négative ...................................... 292
■ 6.3 Transformation logarithmique .......................................... 292
7 CHOIX DU NOMBRE DE COMPOSANTES ET DE
VARIABLES POUR LA PLSR...................................... 292
■ Méthode de sélection du nombre de composantes................................................. 292
■ Méthodes de sélection des variables prédictives ................................................... 293
□ Méthode de sélection ‘backward’ .......................................................................................293
□ Méthode de sélection ‘forward’..........................................................................................294
□ Choix de la variable explicative initiale avec la méthode forward ....................................295
11
J. Moeys Sommaire
□ Cas de résultats divergents entre les méthodes backward et forward ................................295

■ Constitution de sous-ensembles de variables prédictives à tester dans les
analyses par PLSR ................................................................................................. 296
8 HISTOIRE GÉOLOGIQUE ET PÉDOLOGIQUE DU SITE DE
OUARVILLE : SYNTHÈSE ET HYPOTHÈSES ................. 298
■ 8.1 Histoire géologique pré-glaciaire...................................... 298
■ 8.2 Histoire géologique glaciaire............................................ 299
■ 8.3 Pédogenèse récente et facteurs anthropiques................. 299
■ Pédogenèse ............................................................................................................ 299
■ Mise en culture des terres ...................................................................................... 300
9 TYPOLOGIE DES VARIABLES DES MODÈLES DE
TRANSFERT ............................................................. 302
10 FICHE DES SONDAGES TARIÈRE ................................ 303
11 CARTES DES PROPRIÉTÉS QUANTITATIVES
MESURÉES .............................................................. 304
■ 11.1 Propriétés pédologiques et physico-chimiques ................ 304
■ 11.2 Propriétés hydrologiques ................................................. 305
■ 11.3 Carbone organique et propriétés d’adsorption et de
dégradation de l’isoproturon ............................................ 306
◊ ABSTRACT .............................................................. 307
◊ RÉSUMÉ .................................................................. 308
12
J. Moeys Avant propos et remerciements
1 Avant propos &

remerciements
—— ooOOoo ——
À André Moeys, mon grand-père.
À celles et ceux qui aiment

éduquer et enseigner,
...
même aux enfants distraits
et un peu paresseux
merci
—— ooOOoo ——
(Toc... ... Toc... ... Toc... ... )
Maigre espace de liberté dans le cadre de l’exercice très codifié que constitue la rédaction d’un
manuscrit de thèse, l’écriture des remerciements est un exercice de style destiné à lui donner un parfum
plus inhumain. La thèse est une longue pièce de théâtre qui, partant d’une banale tranche de vie, oscille
parfois entre tragédie, comédie et farce absurde. Seuls les interprètes peuvent démêler vérité et légende
dans le « synopsis » officieux et humoristique que constitue l’avant propos...
Des trois actes de la thèse (mise en place de l’intrigue – perte de contrôle et basculement – épilogue),
je commencerai comme le veut la tradition par la chute fin, puisque celle-ci n’est normalement que le
début d’une autre pièce, que l’on souhaite plus longue, mais tout aussi riche en rebondissements.
C’est donc avec un grand plaisir que j’adresse mes sincères remerciements à Yves COQUET (Pr.
AgroParisTech, Grignon), mon directeur de thèse, qui fût tout à la fois co-scénariste et, jusqu’au bout, un
discret mais efficace metteur en scène. J’ose ici évoquer ce surnom qui n’est pas volé, « la flèche », tant
Yves a toujours cerné mes questions les plus ardues avec une rapidité et une pertinence déconcertantes,
tel un « deus ex machina » qui aurait anticipé les questions et les doutes que ne manque pas d’avoir son
doctorant ! J’ai aussi beaucoup apprécié la patience avec laquelle Yves a tenté d’éclaircir éclairci les
subtilités de l’hydrologie du sol que j’avais parfois du mal à comprendre.
A la fois critiques et spectateurs résignés privilégiés, le jury de soutenance de thèse mérite lui aussi
une mention spéciale.
Je remercie chaleureusement le président du jury, Dominique KING (D.R. INRA, Orléans), qui a eu
la délicate mission d’accorder les différentes voix présentes dans le jury, chacune représentant une
discipline distincte de l’univers hétéroclite qu’est la science du sol. L’expérience d’un spécialiste reconnu
de l’« approche spatiale de la couverture pédologique », domaine ô combien pluridisciplinaire, ne
pouvait mieux convenir à ce rôle, et a permis de mettre en perspective efficacement l’ensemble du travail.
Je remercie également, et avec beaucoup d’admiration, les deux rapporteurs de cette thèse, Rafael
ANGULO-JARAMILLO (C.R., ENTPE, Lyon) et Guy SOULAS (D.R. INRA, Bordeaux). Ils ont eu la
13
délicate mission de lire avec attention ce pavé manuscrit, chacun avec un regard différent : hydrologie
des sols pour le premier, et comportement des pesticides dans le sol pour le second. Je reconnais
volontiers que le scénario, quoique passionnant, traîne parfois en longueur. Mais loin de s’y enliser, les
rapporteurs ont su repérer les aspects les plus critiquables critiques de ce travail, et apporter ainsi à la
soutenance le recul si difficile à prendre en fin de thèse.
Je ne saurais trop remercier Liliane BEL (M.C., AgroParisTech, Paris), qui a accepté de s’écarter
un peu de son domaine de recherche habituel et d’apporter une voix plus « statistique » à ce jury. Tel un
pasteur-missionnaire à la recherche de ses brebis égarées, le statisticien qui s’attaque à aborde la
science du sol sait qu’il lui faudra souvent faire preuve de patience et de pédagogie, tant les a priori
ésotériques sont nombreux. Si elles n’étaient pas toujours indispensables aux pionniers qui ont fondé la
pédologie, les statistiques sont désormais un ingrédient essentiel au progrès de la science des sols.
Enfin, j’ai également beaucoup apprécié que Ludovic LOISEAU (Dr., AFSSA) participe à ce jury.
Après la mise en orbite du candidat au doctorat par les questions pointilleuses pointues du jury, il est
délicat de le ramener vers des questions plus pragmatiques sans risquer un atterrissage d’urgence. Ça
n’en est pas moins indispensable, tant les questions soulevées par la problématique « sol-eau-pesticide »
sont importantes pour notre société.
Mais n’oublions pas qu’avant le jury de soutenance de thèse, et en parallèle du directeur de thèse,
intervient un groupe plus discret, mais dont le rôle est non moins essentiel à toutes les étapes de la thèse
et d’une pièce, le comité de sages pilotage.
Je remercie donc tout spécialement Hocine BOURENNANE (INRA, Orléans), Isabelle COUSIN
(INRA, Orléans), Igor DUBUS (BRGM, Orléans), Jean-Marc GILLIOT (AgroParisTech, Grignon),
Christian GUYOT (Bayer CropScience) et Emmanuelle VAUDOUR-DUPUIS (AgroParisTech,
Grignon) pour s’être penché à deux reprises sur ce travail. Les membres du comité de pilotage jouent
successivement le rôle de pyromanes et de pompiers : ils doivent dans un premier temps éclairer le
doctorant sur les nombreuses pistes qui s’offrent à lui, et les chausse-trapes dans lesquelles il ne doit pas
tomber ; puis, dans un second temps, l’aider à rassembler et à valoriser ses trouvailles, et à sortir des
chausse-trapes dans lesquelles il n’a pas manqué de tomber.
Mais revenons à notre pièce de théâtre. Celle-ci doit comme chacun sait répondre à 3 contraintes :
unité de temps (3 ans, voir plus si affinités), unité de lieu (si possible un endroit isolé, propice au huis
clos) et unité d’action (la thèse, encore la thèse, et rien que la thèse).
Passons rapidement sur l’unité de temps, qui a été à peu près respectée. L’unité de lieu a pleinement
bénéficié de la situation exceptionnelle de Thiverval-Grignon, écrin de verdure isolé au milieu du « Far
West » parisien. Ce décor a servi à merveille la pièce, tout en autorisant de sains et reposants
« entractes ». L’unité de recherche « Environnement et Grandes Cultures » (INRA, AgroParisTech) a vu
se dérouler l’essentiel de l’action. Je remercie au passage ses directeurs d’unité successifs, Pierre
CELLIER et Enrique BARRIUSO, ainsi que Sabine HOUOT, responsable de l’équipe Sol, pour leur
accueil et pour leur capacité d’écoute très appréciable. La page de Grignon sera assurément difficile à
tourner. Il faut aussi souligner la diligence et le pragmatisme très appréciable des ‘promoteurs’, l’École
Doctorale ABIES, qui contribue indéniablement au bon déroulement des thèses (et plus encore de
l’après-thèse).
Le secteur de Ouarville, en Beauce, est l’ « objet » principal des travaux présentés ici. L’étude aurait
certainement bénéficié d’une présence plus assidue sur le « terrain », mais il est vrai que chaque heure
passée in situ implique de longues heures d’un ennuyeux patient travail de laboratoire, puis de traitement
des données... Ainsi va la recherche. Je n’oublie pas de remercier très sincèrement les exploitants
agricoles de Ouarville et de ses environs, qui ont accepté sans sourcilier que nous fassions des
prélèvements et des mesures sur leur parcelle, malgré le caractère « médiatiquement sensible » du sujet
étudié. Merci aussi a Sébastien SALÉ (Chambre d’Agriculture d’Eure-et-Loir) qui a toujours répondu
avec beaucoup d’enthousiasme à mes questions « agronomiques », malgré certains atermoiements du
programme sur ce point.
En coulisse de la pièce se tiennent de proches collaborateurs, dont le rôle parfois plus discret cache
en fait une contribution importante au numéro d’équilibriste du doctorant :
14
Un grand merci à Christophe LABAT (terrain & labo de physique), Valérie BERGHEAUD et Pierre
BENOÎT (labo pesticides), et Nathalie BERNET-LEMPEREUR (labo de chimie).
J'attribue un prix spécial à l’ensemble de l’équipe Sol pour l’état d’esprit professionnel, agréable et
détendu durant les pauses café le travail.
L’unité d’action est plus délicate. Elle doit être de préférence servie par des interprètes au caractère
ouvert, affirmé et original (appelés « chercheurs »). Comme dans les meilleures épopées, l’interprète
principal doit tenir son rôle tandis que se déroulent autour de lui des drames parallèles, mais pas
toujours synchrones. Il côtoie ainsi d’autres acteurs secondaires dits « doctorants », qui sont autant de
miroirs narcissiques sur son état présent (doctorant en régime de croisière), son passé récent
(insouciance heureuse du doctorant qui joue le prologue de sa thèse), ou son futur immédiat (état de
décomposition avancée du doctorant en phase terminale de rédaction).
Les doctorants « synchrones » sont bien entendu les principaux complices, pour le meilleur comme
pour le pire... J’envoie donc une mention toute personnelle à deux piliers sans qui rien n’aurait été
possible (enfin, presque rien) : Lionel ALLETTO et Xavier TROLLE. Cher Lionel, il est bien difficile de
travailler à ta suite sur un sujet, tant en matière de boulot tu n’as rien à envier à Stakhanov ou Hercule
(enfin, on sait qu’Hercule était une légende, et Stakhanov un outil de propagande !). Mais tant qu’à
choisir entre plier sous le travail et se plier de rire, j’accepte sans rancune bien volontiers ton invitation
à prolonger nos discussions autour d’une bonne bière (ou d’un bon vin d’chez toi) ! Quant à Xavier, tu
sais que ces « remerciements » ne sont qu’une vile façade pour cacher mes prudes talents d’actrice
acteur, mais tu ne me feras pas chanter sur ce point (salut au passage à toute l’équipe des
Agricompnteurs !). Là aussi, je prolongerai bien volontiers nos interminables discussions métaphysiques,
élément indispensable à la bonne santé psychologique du doctorant...
Les voisins de bureau et autres intermittents de la recherche sont eux aussi exposés aux aléas du huis
clos (parfois trop clos). Merci à ceux qui ont subit égayé mon passage à Grignon : (dans l’ordre
alphabétique) Marie ALEXIS, Maha CHALHOUB, Bruno CHEVIRON, Diego COSENTINO, Elsa
COUCHENEY, Lionel BERTHIER, Magalie DELMAS, Jeremy DOUBLET, Nadia ELYEZNASNI,
Muriel JOLY, Théodore KABORE, HongJian GAO, Gwenaëlle LASHERMES, Thomas LERCH,
Mercedes MENDEZ, Christophe MONI, Jean-Christophe PITRES, Clément PELTRES, GuyFang QI
(et bien d’autres que j’ai volontairement certainement oublié !)...
Mais comment oublier l’élément sans lequel une pièce thèse ne serait rien : le public les amis, et la
famille !
Je ne saurais faire ici la liste de tous les voisins de la résidence Jacques Ratineau (aka la fine équipe
de « move’n’Grignon »), avec qui j’ai eu le plaisir de partager chaque soir (ou presque) mes repas, et
bien d’autres bon moments. Merci à tous infiniment, et au plaisir de vous retrouver pour un « mercredi
sans spaghetti » ou autour d’un bon feu et une bonne grillade au « bassin des anglais » (c’est interdit ?
vous en êtes sur ?). Merci aussi à mon ami Benoît MERLOT (aka « DJ Ben ») qui, tout comme Xavier, a
en plus eu la charge de se farcir relire avec un regard « neuf » la première partie de ce document !
A ma famille, mes parents Benoît et Christine, ma sœur Marie et mon frère Charles, merci
infiniment pour votre soutien (pour cette thèse, et pour tout ce qui a précédé !), quand bien vous fûtes fort
négligés du fait de mes activités scientifiques de plus en plus passionnantes...
A tous, bon vent, et au plaisir !
(Rideau)
15
J. Moeys Introduction, contexte
2 Introduction, contexte
■ 2.1 Problématique
Les produits phytosanitaires de protection des cultures – plus communément
appelés pesticides – sont un des piliers de la production végétale d’une
agriculture intensive (certains diront ‘productiviste’).
Les plantes cultivées ont généralement été sélectionnées pour leur capacité à
produire des rendements élevés quand elles sont semées dans un sol qui leur fournit
en suffisance l’eau, l’azote et les autres éléments nutritifs qui sont nécessaires à leur
croissance. La fertilisation adéquate du sol par l’agriculteur (fertilisation ‘raisonnée’)
permet de subvenir aux exigences des plantes cultivées. Seulement, la sélection
variétale est souvent accompagnée d’un corollaire indésirable : la plante est
généralement moins résistante aux maladies1, elle se défend moins bien contre les
ravageurs2 et elle est moins apte à concurrencer les plantes adventices qui
s’accaparent les ressources en eau, éléments minéraux et lumière.
Les variétés à haute performance ne nécessitent donc pas seulement une
fertilisation optimale, elles ont aussi besoin d’être protégées par des traitements
pesticides adéquats : herbicides, fongicides, insecticides et autres produits
phytosanitaires sont indispensables à leur croissance.
Une partie du produit phytosanitaire apporté lors du traitement n’atteint jamais sa
cible. Une part importante du produit résiduel est dégradée par les micro-organismes
du sol, par la lumière ou par d’autres phénomènes physiques et/ou chimiques. Une
faible proportion peut aussi échapper à cette dégradation, et être emportée dans l’air,
ou avec l’eau qui circule dans le sol. Cette dernière fraction se retrouve par la suite
dans les milieux aquatiques de surface ou les nappes phréatiques.
Les produits phytosanitaires étant souvent coûteux, ces pertes ont un coût
économique pour l’agriculteur (l’efficacité du traitement est réduite). Plus grave, la
faible fraction du produit qui s’échappe parfois vers l’air ou les ressources en eau peut
ensuite être inhalée/ingérée par des organismes vivants (plantes et animaux) et aussi
par l’homme.
Les produits phytosanitaires étant des molécules chimiquement réactives, il arrive
qu’elles aient un effet toxique (immédiat ou chronique) sur certains organismes vivants
non-ciblés quand elles sont ingérées en quantité trop importante. D’un problème
agro-économique, les pertes de produits phytosanitaires deviennent un
problème environnemental, voire un problème de santé publique.
Face à ce problème, plusieurs solutions sont envisageables, mais avant de les
exposer, il est important de rappeler les processus biologiques, physiques et chimiques
qui aboutissent à ces pertes inopinées de produits phytosanitaires.
L’étude présentée ici est focalisée sur la pollution diffuse des ressources en
eau souterraines par les produits phytosanitaires, et plus particulièrement sur
l’initiation de ces transferts dans la couche la plus superficielle de la croûte
terrestre, le sol.
1
Attaques fongiques ou virales.
2
Insectes, gastéropodes et rongeurs.
16
■ 2.2 Processus en jeu

A l’origine des transferts de produits phytosanitaires vers les ressources en eau se
trouvent plusieurs phénomènes majeurs de transport des molécules par l’eau :
– (i) le ruissellement de l’eau à la surface des champs cultivés3, qui peut emporter
les molécules vers les cours d’eau et les milieux aquatiques terrestres et maritimes ;
– (ii) la percolation (le drainage) de l’eau à travers le sol, qui peut emporter les
molécules vers les nappes phréatiques, les nappes alluviales ou les nappes
perchées ;
– (iii) l’entraînement de particules organo-minérales par les phénomènes d’érosion
(lors du ruissellement) ou de transport de colloïdes (lors de la percolation) peut
contribuer au transport de molécules phytosanitaires si ces dernières sont
adsorbées sur les particules.
Les conséquences de ces phénomènes de transport sont atténuées – ou parfois
accentuées – par des processus spécifiques aux sols :
– (a) Processus physiques, avec les caractéristiques complexes des flux d’eau en
surface et dans le sol. Ces caractéristiques déterminent le mouvement des solutés
(molécules en solution) dans la porosité du sol relativement aux flux d’eau :
convection, dispersion, piégeage par diffusion, flux préférentiels, etc. Ces
caractéristiques déterminent la quantité d’eau qui percole à travers le sol et sa
vitesse.
– (b) Processus chimiques, avec l’adsorption des molécules sur la phase solide du
sol. Cette adsorption temporise le transport des molécules par l’eau du sol, qui
pourront alternativement être ‘immobilisée’ sur la phase solide du sol ou ‘mobilisées’
depuis cette dernière. L’adsorption est aussi à l’origine du transport de molécules
sur les particules de sol lors des phénomènes d’érosion. Certaines molécules voient
aussi leur forme évoluer en fonction des conditions de pH et de potentiel rédox (Eh)
du sol.
– (c) Processus biologiques, avec la dégradation des molécules par les
micro-organismes du sol (mais aussi parfois par des phénomènes chimiques ou
physico-chimiques comme l’hydrolyse ou la photolyse). Plus cette dégradation est
lente, plus les risques de transferts de molécules vers les nappes sont élevés (si la
molécule est mobilisable).
– (d) Les molécules phytosanitaires, ou de leurs dérivés, peuvent aussi subir des
phénomènes d’immobilisation sous forme de ‘résidus liés’ dans la phase solide
du sol, par des processus physiques, chimiques ou biologiques encore mal connus.
Ces derniers peuvent être à l’origine d’une dynamique de stockage et de relargage
de molécules sur des temps plus longs que les phénomènes et processus exposés
ci-dessus.
L’ensemble de ces phénomènes est modulé en fonction des variations
climatiques quotidiennes et saisonnières (évaporation, pluviométrie, température),
des opérations culturales (labour, semis...) et de la croissance des plantes
cultivées (transpiration).
3
Ou de toute autre surface ayant reçu un traitement par un produit phytosanitaire : bords de routes,
voies ferrées, allées engravées, pelouses de particuliers ou de terrains de sport...
17
■ 2.3 Solutions envisageables

Il existe un large éventail de solutions qui pourraient potentiellement aider à
résoudre les problèmes de pollution des ressources en eau par les produits
phytosanitaires :
– (1) Il est possible de durcir les procédures d’homologation des produits
phytosanitaires. Cela revient implicitement à réduire le nombre de molécules
pouvant être homologuées. Ce cas extrême est une solution au problème
environnemental, mais il touche aussi des enjeux agronomiques, sociaux et
économiques qui dépassent largement le cadre de cette étude ;
– (2) Il est possible de réévaluer l’impact environnemental et toxicologique des
molécules déjà homologuées, et d’interdire celles qui posent le plus de problème.
Les enjeux sont les mêmes que dans le cas précédent ;
– (3) L’industrie phytopharmaceutique peut tenter, dans la mesure du possible,
d’obtenir des substances actives qui sont moins toxiques pour les organismes
vivants non ciblés par le traitement phytosanitaire.
– (4) L’industrie peut aussi tenter de trouver des molécules plus efficaces, et donc
applicables à des doses plus faibles ;
– (5) Pour une molécule d’activité / d’efficacité donnée, l’agronome et l’agriculteur
peuvent tenter d’appliquer le produit phytosanitaire à des doses plus faibles que les
doses usuelles / préconisées ;
Une telle mesure doit – pour espérer être efficace – s’accompagner de mesures
agronomiques visant à augmenter la compétitivité de la culture : sélection de
cultivars plus résistants et compétitifs ; augmentation des densités de semis
(herbicide) ; rotations ; implantation d’un couvert végétal secondaire / en inter-
culture ; Fertilisation ciblée,... (e.g. Blackshaw et al., 2006).
– (6) Le moment de l’apport peut être modulé en fonction des prévisions
météorologiques à court terme, notamment en fonction des évènements pluvieux
possibles ;
– (7) La dose appliquée peut être modulée en fonction de la sensibilité du milieu
agricole et naturel aux transferts de pesticides.
L’étude présentée ici s’inscrit dans le cadre de cette dernière possibilité. La
stratégie de raisonnement de l’apport en fonction du milieu peut elle-même se décliner
en plusieurs stratégies, se distinguant autant par leur précision que par le coût de leur
mise en œuvre (et donc leur faisabilité) :
– (i) Il est possible de combiner une approche bibliographique (état des lieux des
connaissances actuelles) à une expertise régionale / locale des sols et des
problèmes de pollution diffuse par les pesticides ;
– (ii) Il est possible d’utiliser des indicateurs de risque. Ces indicateurs fournissent
une estimation des risques en fonction de données simples à obtenir, mais ils ne
permettent pas de prédictions quantitatives (importance des fuites en fonction du
sol, de la météo...).
– (iii) L’approche la plus complexe, et donc la plus lourde à mettre en œuvre consiste
à utiliser des modèles4 pour (tenter de) prédire les quantités de produit
4
Programmes informatiques reproduisant les processus en jeu.
18
phytosanitaire pouvant être transférées vers les ressources en eau, suivant

différentes conditions agronomiques, pédologiques et géologiques.
L’étude présentée ici s’inscrit dans le cadre d’une approche d’évaluation du
risque par modélisation mécaniste des transferts de produits phytosanitaires
dans les sols (point iii).
■ 2.4 Programme de recherche ESHEL
figure 1 – Articulation entre le travail de thèse et le programme ESHEL.

Le travail de thèse présenté dans ce document s’inscrit dans le cadre d’un
programme d’évaluation des risques de lixiviation des produits phytosanitaires à
travers le sol. Ce programme de recherche, le programme ESHEL, porte sur un secteur
agricole de Beauce chartraine de 2600 ha, centré autour de la commune de Ouarville.
La figure 1 ci-dessus montre l’articulation entre le programme ESHEL et le travail de
thèse.
Ce programme de recherche intervient en complément de plans d’actions de lutte
contre les pollutions diffuses par les produits phytosanitaires menés par les instances
agricoles départementales, régionales et nationales (Ministère en charge de
l’agriculture, ministère en charge des questions d’environnement, GREPPPES,
Chambre d’Agriculture d’Eure-et-Loir...).
■ 2.5 Limites méthodologiques

Les processus physiques, chimiques et biologiques exposés ci-dessus sont
théoriquement ‘valables’ dans la plupart des zones cultivées (tempérées) de la planète.
Leur importance relative dans le transfert de produits phytosanitaires est cependant
modulée très fortement par les caractéristiques locales du milieu naturel, ainsi
que par les caractéristiques de la molécule. Certains phénomènes peuvent être
atténués, jusqu’à devenir négligeables, si le contexte leur est ‘défavorable’ (et
inversement). Ainsi les phénomènes de ruissellement et d’érosion sont moins
importants quand le relief est peu marqué. De la même manière, les phénomènes de
transport de molécules par convection sont moindres quand celles-ci sont très
19
fortement adsorbées sur la phase solide du sol.

Les processus importants pour les transferts de pesticides font généralement l’objet
de plusieurs ‘modèles’ (équations) de fonctionnement. Ces modèles ont des conditions
d’application, des hypothèses sous-jacentes et une complexité variables. Le choix de
l’une ou l’autre équation dépend du contexte dans lequel elle doit être utilisée
(propriétés du milieu, moyens disponibles...).
Pour toutes ces raisons les travaux d’évaluation des risques de transfert de
pesticides dans les sols (puis vers la ressource en eau) sont intrinsèquement et
fortement limités. En effet :
– (a) Il est techniquement et financièrement inenvisageable de mesurer les
propriétés d’interaction avec le sol de toutes les molécules phytosanitaires
utilisées dans un secteur agricole donné. Il faut nécessairement en choisir une
(ou quelques-unes) en fonction de ses/leurs caractéristiques physico-chimiques,
des enjeux sanitaires locaux, et des objectifs scientifiques de l’étude.
– (b) Une caractérisation parfaite de la couverture pédologique est
rigoureusement impossible. La représentation du sol et de ses variations passe
forcément par un échantillonnage portant sur une portion très limitée du sol (au
regard de son volume total) et par des choix techniques et scientifiques très ciblés
sur la nature du ‘modèle de variation’ envisagé. Cette limitation et les choix qui en
découlent ont des conséquences fortes sur les incertitudes liées à la
représentation du sol.
– (c) Il est techniquement inenvisageable de prendre en compte tous les
processus (et leurs solutions) possibles pour expliquer – ou prédire – le
‘comportement’ des pesticides dans les sols. Le choix des processus étudiés
doit être guidé par les caractéristiques de la couverture pédologique et des
pratiques agronomiques, par les propriétés de la molécule, et par les objectifs
scientifiques de l’étude. Comme pour la représentation du sol, ces choix ont des
conséquences fortes sur les incertitudes liées à la représentation des processus.
– (d) Chacun des 3 points exposés ci-dessus ne peut être traité indépendamment des
autres, du fait des interactions fortes entre les caractéristiques de la molécule et
celles du sol ainsi qu’entre la représentation des processus et celle du sol.
De ce fait, les objectifs de ce travail, exposés ci-dessous, sont cadrés par des choix
méthodologiques initiaux, reposant sur des hypothèses préalables quant aux sols
étudiés et aux processus en jeu. Ces choix méthodologiques sont bien sûr
discutables sur le plan scientifique, ils n’en conditionnement pas moins les
résultats et la portée de l’étude.
20
J. Moeys Objectifs
3 Objectifs
■ 3.1 Choix méthodologiques initiaux
Les objectifs du travail de thèse ont été définis à partir de choix méthodologiques
initiaux permettant de cadrer les recherches.
Le travail porte sur les sols d’un secteur agricole de 2600 ha centré autour de la
commune de Ouarville, en Beauce chartraine. La nappe de Beauce était (et est
toujours) contaminée à des niveaux variables par des produits phytosanitaires,
notamment dans le secteur étudié.
– Une seule molécule est étudiée, l’isoproturon. La molécule est largement utilisée
et, au même titre que le chlortoluron (de la même famille des urées substituées),
elle est fréquemment retrouvée dans les eaux souterraines.
– Le travail porte essentiellement sur la couche de sol cultivée, et non sur les
couches de sol sous-jacentes. L’horizon de surface est en effet crucial pour
l’adsorption et la dégradation des pesticides.
– En parallèle des objectifs exposés ci-dessous, le travail doit permettre l’acquisition
d’un jeu de mesures permettant de paramétrer un modèle de transfert de
pesticides dans les sols. La modélisation permet, une fois les propriétés
importantes mesurées, d’évaluer leurs effets combinés sur les transferts de
pesticides.
Ce modèle doit être basé sur des équations à base physique (modèle dit
mécaniste) permettant de rendre compte :
– Des transferts d’eau verticaux ;
– Du transport de soluté par convection ;
– De l’adsorption du soluté sur la phase solide du sol ;
– De la dégradation du soluté dans le sol.
En raison du contexte pédologique et topographique local, le travail de thèse ne
porte pas sur :
– Les transferts5 par ruissellement et érosion. Le relief local étant très peu
marqué, on estime que les pertes d'eau, de sol et de solutés par ruissellement et
érosion sont négligeables ;
– Les transferts via les fissures ou les macropores. Un précédent travail a permis
de montrer que les flux de macropores sont probablement négligeables dans le
secteur étudié. La molécule étudiée est appliquée à l'automne, et la période
critique des transferts va de l'automne au printemps. Aucune fissuration du sol
n'a été observée à cette période, le sol étant relativement humide et peu
'gonflant' (des fissures sont par contre observées en été à la surface du sol) ;
– Le transport colloïdal. Cet aspect est négligé autant pour des raisons de
moyens que pour l'absence d'évidence de transport profond de colloïdes.
5
Transferts d’eau et de soluté.
21
J. Moeys Objectifs
– La réalisation d’un ‘modèle spatial des sols’ cohérent avec la variabilité spatiale
des sols et des processus étudiés. Il s'agit d'un autre volet du programme
ESHEL.
– Quand différentes équations sont possibles pour rendre compte des processus
étudiés ci-dessus, les solutions les plus simples à paramétrer ont été choisies ;
– Le corollaire du point précédent est que ce travail doit privilégier l’évaluation de
la variabilité spatiale des propriétés du sol et de l’interaction sol-isoproturon
plutôt que la complexité locale des processus, en restant dans le cadre d’une
modélisation mécaniste. Une des conséquences de ce choix est un nombre plus
important d’échantillons évalués, mais une moindre complexité des méthodes de
mesure choisies.
En effet, la recherche sur les transferts de pesticides dans les sols peut privilégier
deux options : (a) Mieux comprendre et mieux décrire les processus en jeu ou (b)
mieux comprendre et mieux décrire la variabilité spatiale des processus. Ces
deux options sont complémentaires : dans une optique de recherche appliquée, il est
inutile de mieux rendre compte des processus si on ne sait pas les évaluer à une
échelle large, mais il est aussi inutile de réaliser des évaluations à une échelle plus
large si certains processus essentiels sont mal pris en compte... La limitation des
moyens oblige à privilégier alternativement l’une ou l’autre des options, et c’est la
deuxième qui a été choisie pour ce travail. Le programme ESHEL, situé quant à lui à
l’interface de ces deux options complémentaires, a pour but d’établir des connections
(transferts d’échelle) entre plusieurs échelles de mesures : Le profil de sol, la parcelle
agricole et une portion de bassin versant (‘secteur agricole’).
Les flux d’eau préférentiels6 sont soupçonnés d’expliquer une partie des pollutions
diffuses par les produits phytosanitaires. Des travaux antérieurs dans le secteur de
Ouarville ont permis de mettre en lumière certaines limitations des modèles de
transport de pesticides qui ne tiennent pas compte de ces flux préférentiels, ou qui les
décrivent par une compartimentation entre une microporosité et une macroporosité. Il a
été choisi d’explorer une troisième voie : les modèles hydriques à eaux mobile et
immobile.
■ 3.2 Objectifs du travail de thèse

Le travail de thèse cherche à répondre aux questions et objectifs suivants :
– Quel est le niveau de variabilité spatiale des processus étudiés ?
– Parmi les propriétés du sol mesurées et les paramètres agronomiques pris en
compte, lesquels sont déterminants pour les processus étudiés ?
– Parmi les processus étudiés, lesquels pourraient être prépondérants, au vu de
leur intensité et de leur variabilité spatiale, dans les transferts de l’isoproturon à
l’échelle du secteur agricole étudié ?
Les conclusions sur cet aspect doivent par la suite être validées par une
modélisation des transferts d'isoproturon à l'échelle du secteur étudié.
– Quelles sont les conséquences du choix méthodologique privilégiant
l’estimation de la variabilité spatiale au détriment de la complexité des
processus suivis, et notamment :
6
Flux préférentiels : Flux d’eau se produisant à une vitesse plus rapide que ce qui est envisageable
avec la théorie classique de Richards. Voir le paragraphe « Flux préférentiels », p. 53.
22
J. Moeys Objectifs
– Les incertitudes liées aux mesures et méthodes choisies ;

– Les biais éventuels dans la modélisation des processus.
La réponse à ces questions doit permettre de dégager des hypothèses sur les
perspectives du travail :
– Quelles sont les conséquences des niveaux de variabilité spatiale des propriétés du
sol et des processus sur la pertinence des différentes solutions de ‘modèle spatial
des propriétés du sol’ ;
– Au vu des niveaux de variabilité spatiale des propriétés du sol et des processus,
l’utilisation de modèles à base physique est-elle l’option la plus pertinente pour les
travaux d’évaluation à l'échelle du bassin versant ?
■ 3.3 Organisation du mémoire de thèse

Le mémoire de thèse présenté ici est organisé en suivant le schéma très classique
« Introduction – revue bibliographique – matériels et méthodes, résultats –
Discussion, conclusion et perspectives ». Le secteur agricole étudié, ses
caractéristiques géographiques, climatiques, géologiques et pédologiques, peuvent
être vus comme un ‘matériel’ étudié ou comme une revue de la bibliographie locale. Il a
donc fait l’objet d’une partie dédiée, séparée, après la revue bibliographique et avant
les matériels et méthodes : « Le secteur agricole de Ouarville ». L’isoproturon peut
aussi être vu comme un ‘matériel’ et faire l’objet d’une revue bibliographique de son
comportement dans les sols : il a été intégré à la revue bibliographique. Par ailleurs,
certains aspects de la bibliographie, spécifiques aux méthodes employées, sont
présentés avec ces dernières (matériels et méthodes) plutôt que dans la revue
bibliographique.
Les 3 grandes parties « revue bibliographique – matériels et méthodes, résultats »
suivent la même organisation interne, dans le sens d’une hauteur de vue croissante
sur le travail. On s’intéresse (a) dans un premier temps aux constituants de base du
sol, (b) puis à la structuration et à l’organisation de ces constituants, (c) ensuite à la
manière dont l’eau circule dans les sols, (d) à la manière dont les solutés se
comportent avec l’eau ; (e) Le comportement des pesticides en général et de
l’isoproturon en particulier dans le sol est ensuite examiné, avec son adsorption et sa
dégradation ; (f) Enfin, le relations des différentes propriétés les unes par rapport aux
autres sont examinées par différents tests statistiques, dans un ordre de complexité
croissante : relation des propriétés deux à deux, approche multivariée, mise en œuvre
et examen critique d’une modélisation statistique des relations entre propriétés.
Des éléments de synthèse et de discussion sont introduits progressivement dans
les résultats, à la fin de chacune des parties présentées ci dessus. Les aspects les
plus transversaux de la synthèse et de la discussion sont exposés dans la
partie V, accompagnés des perspectives.
23
J. Moeys Partie I
Partie I Étude
bibliographique
Flux d'eau et transferts de
pesticides dans les sols : les
processus et leur variabilité
spatiale
24
J. Moeys Partie I
1 Le sol : constituants &

organisation
Le sol est constitué de 3 phases, une phase solide, une phase liquide et une
phase gazeuse. Chacune de ces phases peut être caractérisée indépendamment des
autres, mais elles sont en réalité intimement mêlées. Ce mélange n’est pas
‘amorphe’, et on distingue différents niveaux (différentes échelles) d’organisation
dans l’agencement de ces constituants. Le sol est un milieu tridimensionnel
organisé, structuré, qui peut être observé sur des échelles dont les dimensions varient
de plusieurs ordres de grandeur, depuis l’agencement des feuillets minéraux des
argiles qui composent sa phase solide, jusqu’à l’agencement complexe des couches
de sol qui constituent la couverture pédologique.
La définition des différents niveaux d’organisation du sol permet de mieux
comprendre quelles parties de ce dernier sont étudiées (dans le cadre de ce travail),
quand les apparences ne montrent qu’un milieu continu et hautement hétérogène.
■ 1.1 Phase solide, phase liquide et phase gazeuse

du sol
figure 2 – Volumes et masses des constituants solides, liquides et gazeux du sol.

Avec V.tot [V] le volume total du sol (phase solide, liquide et gazeuse), aussi noté Vtot ; V.A [V] le
volume occupé par l’air, noté VA ; V.E [V] le volume occupé par l’eau, noté VE ; V.S [V] le
volume occupé par le solide, noté VS ; M.tot [M] la masse totale du sol (phases solide, liquide et
gazeuse), notée Mtot ; M.A [M] la masse de l’air, le plus souvent considérée comme nulle ; M.E
[M] la masse de l’eau, notée ME ; M.S [M] la masse de solide, notée MS ; Les pores sont l’espace
laissé vide entre les particules solides, et rempli par de l’air ou de l’eau.
A la pression atmosphérique et aux températures compatibles avec la croissance
des plantes, le sol est constitué de 3 phases entremêlées. Une phase solide,
constituée de minéraux, d’associations de minéraux et de constituants organiques ;
une phase liquide constituée d’eau, aussi appelée solution du sol ; et une phase
gazeuse, aussi appelée l’atmosphère du sol, dont la constitution est proche de l’air
atmosphérique.
Bien que ces trois phases soient entremêlées, chacune d’elle peut être définie par
25
J. Moeys Partie I
sa masse, et par le volume qu’elle occupe dans le sol. La figure 2 illustre la répartition
des masses et des volumes du sol, comme deux points de vue sur un même objet.
Les particules minérales et les constituants organiques qui constituent la phase
solide ne sont pas regroupés en bloc comme le suggère la figure 2, mais sont
disposées selon un arrangement complexe qui dégage des espaces libres, la
porosité, parfois appelée abusivement ‘vides’ du sol. Le volume total du sol est donc
constitué du volume occupé par la phase solide, et du volume des espaces laissés
libres.
Les volumes libres sont occupés par la phase liquide (l’eau) et par la phase
gazeuse du sol (l’air). La phase liquide remplit une partie des espaces libres, et la
phase gazeuse remplit les espaces laissés libres par le solide et par la phase liquide.
Si l’eau vient à percoler ou à s’évaporer, de l’air la remplace. Si de l’eau
supplémentaire s’infiltre dans le sol, elle chasse l’air des espaces libres. En résumé, la
phase solide (minérale) occupe un volume constant (ou considéré comme tel à court
terme) dans le sol. La phase liquide (eau), en quantité très variable, occupe tout ou
partie du volume laissé libre par la phase solide. La phase gazeuse (air) occupe
l’espace restant.
Le ‘sol sec’ est une appellation commune pour désigner le sol sans sa phase
liquide (remplacée par de l’air). On obtient ce sol sec par un séchage prolongé à 105°C,
mais le terme désigne aussi communément la phase solide d’un sol (sol qui n’a pas
forcément été séché). Ainsi, on exprimera l’abondance des différentes fractions qui
constituent la phase solide du sol en unité de masse par unité de masse de sol sec
(e.g. : g de CaCO3 . kg de sol sec-1).
La solution du sol désigne la phase liquide du sol et les éléments solubles ou en
suspension qui s’y trouvent. Ces éléments peuvent être des substances chimiques,
des molécules organiques ou des particules en suspension (colloïdes).
■ 1.2 Phase solide du sol : constituants

La phase solide du sol peut être décrite par deux propriétés essentielles :
– Les natures lithologiques / minéralogiques des constituants minéraux, et la
nature biochimique des constituants organiques ;
– Les caractéristiques de la distribution des tailles des particules qui le constituent.
Cette distribution est segmentée en fractions granulométriques (classes de tailles
de particules) dont les tailles limites sont normalisées7.
figure 3 – Fractions granulométriques fines et grossières du sol.

Les tailles de particules sont représentées sur une échelle logarithmique. Avec A : argile ; LF :
limons fins ; LG : limons grossiers ; SF : sables fins ; SG : sables grossiers ; GR : graviers ; CX :
cailloux [2cm;7,5cm]. Il existe d’autres fractions grossières non représentées ici : Les pierres
[7,5 cm;25 cm] et les blocs (> 25 cm). AFNOR X 31-003, 1998b.
L’étude de la nature minéralogique des constituants est essentielle pour
7
Au niveau national. La ‘norme’ varie malheureusement d’un pays à l’autre.
26
J. Moeys Partie I
comprendre l’origine géologique et pédogénétique du sol. Elle n’est cependant pas

étudiée systématiquement quand ces questions sont secondaires.
La granulométrie du sol est étudiée systématiquement. On distingue les fractions
fines (inférieures à 2 mm) des fractions grossières (supérieures à 2 mm). Fractions
fines et fractions grossières sont elles même subdivisées, comme illustré par la figure
3.
L’abondance relative des fractions argileuses, limoneuses et sableuses est
exprimée en grammes de fraction (sèche) par kilogramme de terre fine totale (sèche)
[g.kg-1] ou en pourcentage de la terre fine totale.
La norme X 31-107 (AFNOR 2003), présente la méthode d’« analyse
granulométrique par sédimentation » et fournir les tailles limites de différentes fractions
granulométriques de le terre fine < 2 mm. La norme NF X 31-003, (AFNOR 1998b),
présente la méthode de « description du sol » et donne les tailles limites des
différentes fractions grossières.
■ Granulométrie des constituants : texture du sol
figure 4 – Triangle des textures de la Chambre d’Agriculture de l’Aisne et ses 15 classes de

textures.
Les classes de textures sont figurées en grisé ; Avec ALO : argile lourde ; AS : argile sableuse ;
A : argile ; AL : argile limoneuse ; SA : sable argileux ; LSA : limon sablo-argileux ; LAS :
limon argilo-sableux ; LA : limon argileux ; S ; sable ; SL : sable limoneux ; LS : limon sableux ;
LMS : limon moyen sableux ; LM : limon moyen ; LLS : limon léger sableux ; LL limon léger.
En regroupant les limons fins et les limons grossiers sous l’appellation ‘limons
totaux’ ou ‘limon’, et en regroupant les sables fins et les sables grossiers sous
l’appellation ‘sables totaux’ ou ‘sable’, on aboutit à 3 fractions de terre fine (avec
l’argile) qui peuvent être représentées sur un graphique triangulaire à 3 axes (ou
alternativement sur 2 axes, la 3e fraction étant le complément à 100%). Ces
graphiques sont appelés triangles de texture. Les pédologues ont défini différentes
aires sur ces triangles de texture, les classes de texture, en fonction des
différences de texture qu’il est possible d’apprécier par des tests tactiles sur le
27
J. Moeys Partie I
terrain.
La figure 4 présente le triangle des textures établi par la Chambre d’Agriculture de
l’Aisne, qui est le triangle des textures utilisé pour cette étude (Jamagne, 1967).
On peut représenter les caractéristiques granulométriques d’un échantillon sur le
triangle par un point positionné en fonction de ses proportions d’argile, de limon et de
sable. Cela permet d’attribuer une classe de texture à un échantillon, et de comparer
visuellement la granulométrie de plusieurs échantillons. Sur le terrain, c’est le procédé
inverse qui est utilisé. Les sensations tactiles et le comportement de l’échantillon
déterminent sa classe de texture. On peut alors estimer sa granulométrie à partir des
teneurs moyennes en argile, limon et sable de sa classe.
Mulla et McBratney (2002) indiquent que le coefficient de variation (CV) de la teneur
en argile est classiquement compris entre 16 et 53%, relativement en accord avec les
variabilités indiquées par Vauclin (1982) ou Warrick et Nielsen (1980).
■ Constituants organiques
La phase solide du sol est constituée de deux parties de nature chimique distinctes.
Une partie minérale, de loin la plus abondante8, qui dérive des matériaux géologiques
aux dépens desquels le sol s'est développé, et une partie organique, qui dérive des
débris végétaux tombés au sol et progressivement altérés et intégrés à celui-ci. Une
partie de ces débris est intégrée par la faune ou la microflore du sol. Un autre pool de
produits de l'altération des résidus végétaux forme de nouvelles molécules organiques,
par altération et/ou par condensation éventuelle d'une partie des produits de
l'altération, ou produite par les microorganismes du sol. Cette formation de
molécules organiques est appelée humification (Gobat et al., 2003). La phase ultime
de l'altération des matières organiques du sol est sa minéralisation (transformation en
molécules inorganiques), soit directement lors de son altération (minéralisation
primaire), soit à partir des matières organiques humifiées (minéralisation secondaire).
La macrofaune du sol (vers de terre, arthropodes, etc.), et la microflore (bactéries,
champignons, etc.), morte ou vivante, et leurs sécrétions / excrétions, ont un rôle de
premier plan sur le fonctionnement et les propriétés de cette matière organique. La
quantité de débris végétaux qui arrive au sol chaque année, et les vitesses des
différents processus (intégration biologique, humification, minéralisation) déterminent
l'équilibre qui s'établit entre eux et la quantité globale de matières organiques stockée
dans le sol. Les natures biochimiques des matières organiques sont très variées,
de même que leur temps moyen de résidence dans le sol (lié à leur stabilité). La
nature biochimique des matières organiques et les processus qui aboutissent à leur
formation et leur minéralisation ne sont pas développés ici, du fait notamment de leur
complexité. La nature biochimique des matières organiques n'en est pas moins
essentielle, notamment pour la réactivité du sol vis-à-vis des substances organiques
anthropiques / exogènes qui peuvent y être apportées (e.g. Ahmad et al., 2006).
La partie organique du sol est caractérisée en premier lieu par son
abondance, exprimée en grammes de matières organiques par kilogramme de terre
fine [g.kg-1], comme pour les fractions granulométriques. Le carbone est un élément
majeur dans la constitution des molécules organiques. Le dosage du carbone
organique du sol est plus aisé que celui de la matière organique totale. Pour cette
raison, on utilise souvent la teneur en carbone organique comme expression de
l’importance de la partie organique du sol (exprimée aussi en [g.kg-1]). Le rapport entre
la teneur en matière organique et la teneur en carbone organique est relativement
constant. Ce rapport se situe en général autour de 1,72 g de matières organiques par
8
À l’exception notoire des sols de tourbes et des horizons de surface sous forêt.
28
J. Moeys Partie I
g de carbone organique. Ce rapport est généralement utilisé pour estimer la teneur

en matière organique à partir de la teneur en carbone organique.
La teneur en matière organique des sols cultivés est un paramètre fortement
dépendant des pratiques culturales, notamment du retour des débris végétaux au
sol (pailles exportées ou non) et de la profondeur d’homogénéisation de la couche de
sol travaillée. A titre d’exemple, Jenkinson et Coleman (1994) ont déterminé, sur des
expériences à long terme menées en Angleterre (dont l’expérience de Rothamsted),
que l’apport de carbone organique peut varier de 0,15 g.ha.an-1 sur un sol nu et
désherbé à 2,95 g.ha.an-1 sur un sol cultivé et fertilisé, la teneur en carbone organique
de ces mêmes sols passant de 14,2 à 7,9 g.kg-1 et de 10,6 à 11,3 g.kg-1 (entre 1870 et
1969 et entre 1955 et 1971, respectivement). L'effet des pratiques culturales sur la
teneur en carbone organique peut modifier les 'qualités' agronomiques d'un sol
(Loveland et Webb, 2003).
La teneur en carbone organique est un paramètre dont la variabilité spatiale est
moyenne à élevée (relativement aux autres propriétés du sol). Mulla et McBratney
(2002) indiquent ainsi que le coefficient de variation (CV) de la teneur en matière
organique varie entre 21 et 41 %. Sur 1,5 ha, Lafrance et Banton (1995) mesurent une
teneur en carbone organique de 1,9 % (de la masse totale du sol) avec un CV de 30 %
(n = 110 échantillons). Vauclin (1982) rapporte des teneurs de 0,3 % et de 2,2 %, avec
des CV de 100 % et 54 % (citant Luxmoore et Sharma, 1980 et Cipra et al. 1972). Sur
1,8 ha et 99 échantillons, Lennartz (1999) mesure une teneur en carbone organique de
1,19 % avec un CV de 26 %. Sur 5 ha et 20 échantillons Walker et al. (2001) reportent
une teneur en carbone organique moyenne de 1,5 % avec un CV de 9%*. Non loin de
là, sur 1,44 ha et 20 échantillons, Rodriguez-Cruz et al. (2006) mesurent 1,67 % de
carbone organique, en moyenne, avec un CV de 26,9 %. Sur 9 horizons-référence, du
sol de surface d’un bassin versant de 250 ha, Morvan et al. (2004) mesurent une teneur
en carbone organique entre 0,12 et 3,3 %, et un CV inter horizon-types de 67,4%*. Sur
différents types de sols présents en Lorraine (n = 13), Boivin et al. (2006) mesurent des
teneurs en carbone organique (de surface) entre 0,63 % et 3,51 %, avec un CV de
47,2 %*. A une échelle nationale ou supranationale, Nemes et al. (2005) reportent des
teneurs moyennes en carbone organique de 1,27 %, 2,05 % et 0,64 %, avec des CV
de 94,5 %, 74,6 % et 123,4 % pour les bases de données européenne (HYPRES,
Wösten et al., 1999, n = 1108), hongroises (HUNSODA, Nemes, 2002, n = 131) et nord-
américaine (Rawls et al., 1998, n = 886). [* : calculs à partir des données de la
publication]
Il ressort de cette analyse (incomplète) de la littérature que la teneur en carbone
organique des sols cultivés est moyennement variable à l’échelle de la parcelle,
moyennement à très variable à l’échelle du secteur agricole (inter parcelle) et
probablement très variable aux grandes échelles où les différences agronomiques
comme pédologiques sont importantes.
Mulla et McBratney (2002) indiquent que la portée (variographique) de la teneur en
matière organique varie entre 112 et 250 m. Il parait évident que ces données doivent
être relativisées en fonction du contexte agronomique, notamment pour intégrer l'effet
de la taille moyenne des parcelles, de la diversité des pratiques culturales locales et/ou
de leur évolutions récentes (sur ce dernier point, voir Chevallier et al., 2000).
■ Complexe argilo-humique
La matière organique est intimement mêlée à la matière minérale du sol, notamment
les fractions les plus fines (argiles), et forme avec elles ce que l’on appelle le
complexe argilo-humique (e.g. Gobat et al., 2003 ; Bronick et Lal, 2005). Outre le fait
qu'il est l'un des principaux liguant / ciment qui soude les particules de plus grande
29
J. Moeys Partie I
taille (limon, sable) entre elles, le complexe a une importance capitale pour les
interactions entre la phase solide du sol et les molécules solubilisées dans sa
phase liquide (soluté de la solution du sol).
L’approche retenue dans ce travail néglige les aspects relatifs à la nature
minéralogique ou biochimique du complexe argilo humique, au profit d’autres
propriétés agronomiques et pédologiques du sol. Pour cette raison, les
caractéristiques du complexe argilo-humique ne sont pas détaillées.
■ Masse volumique de la phase solide
équation 1 – Masse volumique de la phase solide du sol.

Avec ρS [M.L-3] (kg.m-3) la masse volumique réelle du solide, qui est aussi la masse volumique
moyenne des différents minéraux et constituants organiques qui constituent la phase solide ; MS
[M] (kg) la masse de solide ; VS [L3] (m3) le volume occupé par le solide.
La masse volumique de la phase solide du sol désigne la masse de la phase solide
rapportée au volume qu’elle occupe, sans les vides éventuels. On assimile
communément, mais abusivement, la masse volumique du solide à sa densité.
Cette dernière, adimensionnelle, est égale à la masse volumique du solide rapportée à
la masse volumique de l’eau. Comme la masse volumique de l’eau est égale à
1 g.cm-3, masse volumique et densité apparente ne différent souvent que par l’unité
dans laquelle elles sont exprimées.
Il est possible en séchant le sol de connaître la masse de la phase solide. Accéder
au volume de cette phase solide requiert un dispositif expérimental plus complexe, qui
n’est généralement pas mis en œuvre. On mesure rarement la masse volumique du
solide. Cette dernière est pourtant utile pour estimer d’autres propriétés du sol, comme
le volume des vides.
La phase solide des sols des régions tempérées a une masse volumique
généralement située entre 2,6 et 2,7 g.cm-3, avec une moyenne proche de 2,65 g.cm-3, la
masse volumique du quartz (Kutílek et Nielsen, 1994).
■ Niveaux d’organisation du sol et structure

L’agencement entre les constituants (organiques et minéraux) de la phase solide du
sol et les espaces libres qu’ils délimitent (abstraction faite des phases liquides et
gazeuses) peut être décrit à différentes échelles.
Le premier niveau d’organisation est celui de l’agencement de particule à particule,
qui laisse des espaces interparticulaires libres. Sous l’effet des racines et de la
macrofaune du sol, des espaces aux formes généralement arrondies se distinguent.
Ces derniers sont appelés pores biologiques de taille variable dont l’agencement
forme un réseau. La microflore du sol, sa macrofaune et les racines qui s’y implantent
ou qui la créent sont aussi à l’origine d’une agrégation des particules de sol entre
elles, notamment sous l’effet de sécrétions diverses. Le volume de la phase liquide du
sol est très variable. Celui-ci subit des cycles d’humectation et de dessiccation répétés
au fil des évènements météorologiques et des saisons. Les fractions les plus fines
(et/ou les plus organiques) de la phase solide du sol n’ont pas un volume fixe. Les
alternances d’humectation et de dessiccation provoquent de faibles variations de
volume des fractions fines qui aboutissent finalement à l’individualisation de surfaces
de fissuration. L’agrégation des particules et les espaces libres qui les individualisent
30
J. Moeys Partie I
désignent la structure du sol au sens pédologique du terme. Cette dernière

s’exprime sur des échelles variées, depuis l’échelle infra-millimétrique à l’échelle
décimétrique.
L’ensemble des espaces libres du sol est communément appelé porosité du
sol. Ces espaces libres étant pour la plupart interconnectés, on utilise aussi le terme
de réseau poral.
C’est à travers cette porosité que l’eau du sol circule. La manière dont l’eau
est retenue par le sol, et la manière dont elle circule dans le sol sont
intrinsèquement liées aux caractéristiques de cette porosité (diamètres des pores,
géométrie ; e.g. Connolly, 1998 ; Crawford, 1994 ; Kutílek, 2004), ainsi qu’aux
propriétés de la phase solide du sol (par exemple l'hydrophobicité des matières
organiques).
La structure du sol est influencée conjointement par la granulométrie du sol et la
minéralogie des argiles, par la composition chimique de la solution du sol
(cations, en relation avec la CEC), par les matières organiques, par le couvert
végétal et le fonctionnement biologique du sol. La structure varie avec la
profondeur et elle est modulée par le climat et les pratiques agronomiques (cf. Kay
et Angers, 2002).
■ Masse volumique apparente

La masse volumique apparente du sol est la masse de la phase solide du sol par
unité de volume total du sol. Le volume total du sol est le volume occupé par la phase
solide plus le volume occupé par les espaces libres (volume d’eau et volume d’air).
équation 2 – Masse volumique apparente du sol.

Avec ρapp [M.L-3] (kg.m-3) la densité apparente du sol ; MS [M] (kg) la masse de solide ; VS [L3]
(m3) le volume occupé par le solide ; VE, le volume occupé par la phase liquide (Eau) ; VA, le
volume occupé par la phase gazeuse (Air).
Si on connaît la masse volumique apparente, et qu’on estime la masse volumique
du solide, on peut avoir une estimation de la porosité du sol. Plus la masse
volumique apparente est faible, plus la porosité est élevée, et inversement.
L’estimation de la porosité établit un lien indirect entre la masse volumique apparente
et les propriétés hydriques du sol (rétention et circulation de l’eau dans le sol). Ce lien
est toutefois limité car la densité apparente ne renseigne en rien sur les
caractéristiques intrinsèques de la porosité, comme les diamètres de pores ou la
tortuosité du réseau poral, ni sur la phase solide du sol qui joue aussi un rôle sur les
flux d’eau.
équation 3 – Estimation de la porosité du sol.

La porosité est exprimée ici en [L3 de pores . L-3 total] ou (m3.m-3) ; Vlibre [L3 ]ou (m3) est le
volume de la porosité ; Vtot. [L3 ] est le volume total du sol ; VE, le volume occupé par la phase
liquide (Eau) ; VA, le volume occupé par la phase gazeuse (Air). ρapp [M. L-3] ou (kg.m-3) la masse
volumique apparente du sol ; ρS [M. L-3] la masse volumique réelle du solide, estimée à
2,65 g.cm-3.
Vauclin (1982) classe la masse volumique apparente comme faiblement variable. Si
31
J. Moeys Partie I
l’on combine cette revue bibliographique à celle de Warrick et Nielsen (1980) (sources
citées : Gumaa, 1978 ; Nielsen et al., 1973 ; Cassel et Bauer, 1975 ; Gajem et al.,
1981 ; Luxmoore et Sharma, 1980 ; Bascomb et Jarvis, 1976 ; Vauclin et al., 1982) les
valeurs moyennes des masses volumiques apparentes s’étalent de 1,25 à 1,63 kg.dm-3,
avec des coefficients de variation (CV) entre 4 % et 14,5 %. Sur 0,02 ha Luxmoore et
Sharma (1980) mesurent une masse volumique apparente moyenne de 1,63 g.kg-1 avec
un CV de 10,4 %. Sur 0,4 ha, Vauclin et al. (1982) obtiennent une masse volumique
moyenne de 1,29 g.kg-1, et un CV de 4 %. Sur 1,8 ha et n = 99 échantillons, Lennartz
(1999) mesure une masse volumique apparente moyenne de 1,42 g.kg-1 avec un CV de
6,2 %. Gumaa (1978), Gajem et al. (1981), et Nielsen et al. (1973) obtiennent des
masses volumiques apparentes moyennes de 1,3, 1,38, et 1,4 g.kg-1 et des CV de 6,9 %
14,5 %, et 6,8 % pour 15, 85 et 150 ha, respectivement. Sur 250 ha et 9 sols-types,
Morvan et al. (2004) mesurent une masse volumique apparente moyenne de 1,42 g.kg-1
avec un CV de 6,7 % (inter types), ou entre 1,16 à 1,68 kg.dm-3 et 0,6 et 13,7 % (intra
type). Aux échelles nationales, Nemes et al. (2005) obtiennent des valeurs moyennes
de 1,38, 1,25 et 1,63 g.kg-1 et des CV de 7,9 %, 4 % et 14,5 % pour des bases de
données européenne, hongroise et nord-américaine (voir le paragraphe Constituants
organiques, p. 27). Enfin, signalons que Gajem et al. (1981) et Webster (1977) (cités
par Vauclin, 1982) trouvent des longueurs d’autocorrélations de 2 et 33,3 mètres pour la
masse volumique apparente.
De cette analyse il ressort que (i) la masse volumique apparente a une variabilité
plutôt faible. Cette faible variabilité est à mettre en relation avec la gamme de valeurs
restreinte que peut prendre la masse volumique apparente d’un sol cultivable. En effet,
si l’on se réfère à l’équation 3, un sol ayant une masse volumique de 0,9 kg.dm-3 à une
porosité de 66 %, ce qui est beaucoup, et un sol ayant une masse volumique de
1,9 kg.dm-3 à une porosité de 28 %, ce qui est très faible (basées sur les valeurs
extrêmes citées par Nemes et al., 2005). Un calcul empirique simple (effectué à l'aide
d'un logiciel statistique) montre qu’une population de masses volumiques apparentes
ayant une distribution de probabilité uniforme entre 0,9 et 1,9 a un CV proche de 20 %.
(ii) la variabilité spatiale de la masse volumique apparente ne semble pas liée à
l’échelle considérée. Une variabilité importante est possible à l’échelle d’une petite
parcelle agricole comme à l’échelle nationale.
Se basant sur une revue de fonctions de pédotransfert, Tranter et al. (2007)
proposent un modèle conceptuel de la masse volumique apparente du sol :
équation 4 – Modèle conceptuel de la masse volumique apparente de Tranter et al. (2007).

Avec ρb la masse volumique apparente du sol ; ρm la masse volumique ‘typique’ de la phase solide
minérale ; ∆ρ la variation de masse volumique associée à la structure du sol ; ε le résidu (part de
variation non expliquée par le modèle) ; granulométrie : la distribution de taille de particules ; PS
la profondeur considérée ; CORG la teneur en carbone organique ; CECNa/CECtot. la proportion de
sodium échangeable ; WS le travail du sol.
La masse volumique du sol dépend ainsi de la masse volumique des minéraux qui
le constituent, leur granulométrie, de la proportion des constituants essentiels pour la
structuration du sol comme la teneur en matière organique, de la quantité des cations
monovalents échangeables et, bien sûr, par le travail du sol. La teneur en carbone
organique est généralement négativement corrélée à la masse volumique apparente
du sol, notamment dans les sols forestiers où la matière organique est
32
J. Moeys Partie I
quantitativement plus importante que dans les sols cultivés (de Vos et al., 2005).
Tranter et al. (2007) considèrent la part de variabilité de la masse volumique apparente
‘non-expliquée’ par les modèles comme essentiellement liée à la structure du sol, qui
est rarement intégrée dans ces modèles, rejoignant en cela le constat fait par
Pachepsky et al. (2006) sur les fonctions de pédotransfert hydrologiques.
■ Variabilité temporelle de la structure

Les caractéristiques de la structure du sol varient à différentes échelles de temps.
Si l'on réserve généralement les termes de 'stabilité structurale' et de 'résilience de la
structure' aux effets des contraintes liées directement ou indirectement aux activités
anthropiques (tassement par les engins agricoles, gestion des matières organiques),
l'évolution de la structure du sol n'est pas uniquement liée à l'homme. Les facteurs
influençant l'évolution temporelle de la structure sont le climat, l'activité
biologique et les activités anthropiques. Si le climat et l'activité biologique agissent à
toutes les échelles de temps (depuis la journée à la durée de la pédogenèse), les
activités anthropiques agissent surtout à court et moyen terme (de la journée au
siècle). Les effets de ces trois facteurs sur l'évolution de la structure diminuent avec la
profondeur du sol. La teneur en matière organique du sol, considérée comme un
facteur essentiel de la stabilité structurale, module les effets de ces facteurs.
Les effets directs ou indirects du climat se font par les précipitations, l'évaporation
(accompagnée de la transpiration des plantes), la température et le flux de radiation
solaire. Les précipitations agissent par l'effet des gouttes de pluie sur le sol et
l'éventuelle genèse de la séquence « ruissellement – érosion – sédimentation », mais
aussi par l'augmentation de la teneur en eau du sol, qui peut provoquer un éclatement
mécanique des agrégats (par compression de l’air qu’ils contiennent initialement), ou
une fermeture des fissures par gonflement des particules argileuses du sol. Les
précipitations tendent donc à dégrader la structure du sol et à augmenter sa masse
volumique. A l'inverse, l'évapotranspiration provoque l'apparition de plan de fissuration
par rétraction des particules argileuses. La teneur en eau du sol, indirectement
influencée par le climat, module les activités biologiques essentielles des plantes, de la
faune du sol et de la microflore. La température et le flux de radiation solaire agissent
en modulant l'évapotranspiration et l'activité biologique. Le gel est un important facteur
de désagrégation du sol.
L'activité biologique du sol agit à court et long terme sur la structure du sol. L'activité
des microorganismes agit indirectement sur la stabilité de la structure, par son action
sur la dégradation ou l'humification du sol, et par les exsudats et les hyphes fongiques
qui participent à la cohérence interparticulaire. La faune du sol est un facteur de
pédoturbation essentiel, notamment par l'effet des vers de terre (Gobat et al., 2003) qui
participent activement à la création du réseau de macropores, à la formation
d'agrégats organo-minéraux via leurs turricules et au déplacement de matière qu'ils
engendrent. Les plantes agissent directement sur la structure par la création d'un
réseau de pores de taille intermédiaire, et par leur action sur la teneur en eau du sol
(transpiration, et donc les cycles d'humectation-dessiccation, et la formation des plans
de fissuration par retrait des particules argileuses ; cf. Kay et Angers, 2002).
Pour les sols cultivés, s'ajoutent aux effets décrits ci-dessus les effets des pratiques
culturales (e.g. Connolly, 1998 ; Roger-Estrade et al., 2004 ; Bronick et Lal, 2005) :
modalité de travail du sol, cultures implantées et leur rotation, gestion des résidus
végétaux, fertilisation et amendements calciques ou organiques. Le travail du sol vise
normalement à la création d'une macroporosité structurale. Il a aussi pour effet local ou
accidentel de provoquer des tassements du sol, et donc une réduction de la porosité,
et pour effet indirect une homogénéisation des premiers centimètres du sol. Certaines
33
J. Moeys Partie I
opérations de travail du sol aboutissent à une fragmentation importante des premiers

centimètres du sol (lors du semis), qui accentuent les effets de la désagrégation par la
pluie et favorisent ainsi la battance. Si la mise en culture provoque généralement une
baisse de la teneur en matière organique (par rapport à une prairie ou un sol forestier),
la gestion des résidus végétaux, le choix des cultures implantées et des rotations
modulent de manière importante le stock global de matière organique et sa dynamique,
et donc la stabilité de la structure dans le temps.
La structure et la masse volumique apparente de l’horizon cultivé ne peuvent donc
être considérés comme constantes que dans un intervalle de temps limité (quelques
jours à quelques semaines) consécutif à une opération de travail du sol. La longueur
de cet intervalle dépend de fait de l’intensité des évènements climatiques qui suivent le
travail du sol. Toutes les propriétés du sol influencées par la structure (propriétés
hydriques notamment; e.g. Logson et Jaynes, 1996 ; Angulo-Jaramillo et al., 1997;
van Es et al., 1999) sont susceptibles d'être affectées par les variations
temporelles de cette dernière. En pratique, la variabilité spatiale et la variabilité
temporelle des propriétés du sol sont rarement évaluées conjointement, du fait des
moyens importants que cela demande. Il est fréquent que les propriétés du sol soient
considérées comme constantes sur la durée d’une étude portant sur une saison
culturale. Cela n'en est pas moins une hypothèse discutable.
■ Phase solide, pédogenèse et variabilité spatiale

La constitution minéralogique (et dans une moindre mesure organique) de la phase
solide du sol, ainsi que sa granulométrie fine et grossière, sont des propriétés
essentielles de ce dernier. Les 'déterminismes' des caractéristiques de la phase solide
sont les facteurs de formation du sol dans son ensemble. La variabilité spatiale des
propriétés de la phase solide est donc liée à la variabilité spatiale des sols (au
sens pédologique du terme). Les déterminismes sont la/les formations géologique/s
(matériau/x) dans laquelle/lesquels le sol s'est développé, les phénomènes d'érosion
et de redistribution qui ont affecté ces matériaux (et les sols) et les processus
pédogénétiques qui ont donné naissance aux sols. Par conséquence, les propriétés
de la phase solide du sol dépendent du climat actuel et passé, de l'âge du sol, de la
position topographique (et indirectement géographique), et du/des biotope/s (faune
et flore) qui s'y est/sont développé/s. Ces facteurs ont été définis sous forme d'un
modèle conceptuel, initié par Jenny (1941). Ce modèle est largement employé et
développé depuis (e.g. McBratney et al., 2003 ; Salvador-Blanes et al., 2007).
Si la structuration (l'organisation interne) de la phase solide du sol et les
caractéristiques de ses constituants organiques sont pour partie dépendant de facteurs
agissant à des échelles de temps plus courtes (variations saisonnières du climat,
facteurs anthropiques), sa stratification verticale et ses variations latérales (≥ échelle
métrique) sont intimement liées à la pédogenèse.
■ 1.3 Organisation du sol en horizons
■ Caractéristiques
Un sol se développe aux dépens / à partir d’un ou de plusieurs matériaux parentaux
(matériaux géologiques). Sous l’action de la pédogenèse, ces matériaux vont évoluer.
Ils s’altèrent et se structurent. Des mouvements d’éléments dissous et de particules en
suspension s’opèrent parfois, avec des phénomènes d’appauvrissement et
d’enrichissement relatif (depuis la partie du sol qui perd des constituants, vers la partie
du sol ou du sous-sol qui en gagne).
34
J. Moeys Partie I
Les éventuelles différences initiales de matériaux parentaux et la pédogenèse

différencient progressivement plusieurs sous-ensembles dans le sol. Ces sous-
ensembles, généralement stratifiés verticalement, parallèlement à la surface du
sol, sont appelés horizons. Une définition plus exacte de l’horizon est donnée dans
le glossaire en fin de document (« Termes de pédologie », p. 275).
Bien que les horizons se différencient généralement verticalement, ils peuvent aussi
se différencier latéralement, ou constituer des inclusions dans d’autres horizons
(poches, glosses...).
Les caractéristiques principales des horizons, telles que décrites sur un sondage
tarière, sont données dans la partie correspondante des matériels et méthodes (p. 97
et p. 303).
Il est souvent nécessaire d’examiner les caractéristiques morphologiques
(constituants, structuration) de tous les horizons qui se succèdent dans un profil de sol
pour estimer les processus pédogénétiques et les matériaux parentaux de chacun
d’eux. La morphologie et la pédogenèse d’un horizon permettent de le rattacher à un
type pédologique particulier (comme ceux définis par le Référentiel Pédologique
français de 1995, ou par la classification internationale « World reference base for soil
resources », FAO, 1998). La succession des types pédologiques d’horizons, et
éventuellement le matériau parental de chacun d’eux permet de rattacher le sol dans
son ensemble à un type pédologique (selon les référentiels cités ci-dessus).
■ 1.4 Agencement tridimensionnel des horizons : la

couverture pédologique
■ Caractéristiques
Le type de sol est déterminé à partir d’une succession verticale d’horizons. Cette
succession, et donc la notion de types de sols est liée à une vision parfois
monodimensionnelles du sol (sondage à la tarière), parfois bidimensionnelle (profil de
sol) ou tridimensionnelle (le pédon), mais toujours localisée, limitée à une surface de
quelques mètres carrés.
L’agencement réel des horizons est défini dans les 3 dimensions de l’espace, pour
former un milieu continu qui recouvre les matériaux géologiques sous-jacents. Cet
agencement est appelé couverture pédologique9. La discipline qui porte sur l’étude
de sa formation et de son organisation est appelée 'analyse structurale'. Du fait des
moyens importants nécessaires à sa mise en œuvre, l’analyse structurale est rarement
appliquée sur de grandes étendues. Elle est plutôt utilisée à des fins de
compréhension des règles de répartition des sols dans le paysage, règles qui
peuvent ensuite être utilisées à une échelle plus petite (sur une surface plus grande).
■ Description des variations latérales du sol

Comme exposé dans l’introduction, une caractérisation et une représentation10
exacte du sol sont rigoureusement impossibles, quelle que soit l’échelle à laquelle
il est observé. Partant de ce constant, représenter le sol passe forcément par une
simplification de l’information disponible. Il est tout d’abord nécessaire de simplifier
la description locale du sol. C’est le rôle des typologies des sols locales, nationales ou
mondiales. Il faut ensuite estimer les propriétés du sol aux endroits où ce dernier n’a
9
Pour une bonne illustration de ces concepts, voir Girard (1983), partie ‘introduction’.
10
Les termes de cartographie (numérique) des sols ou de modèle de la couverture pédologique
pourraient également être employés.
35
J. Moeys Partie I
pas été observé, c’est le rôle des méthodes d’interpolation, qu’elles soient numériques
ou réalisées par expertise empirique. Il faut enfin simplifier la géométrie des objets
ainsi définis, c’est le rôle des plages cartographiques ou des pixels des représentations
en grille systématique (raster). Les trois étapes sont étroitement liées, les choix
méthodologiques de l’une déterminant les choix possibles pour les autres.
Ainsi, même quand les études portant sur le sol n’ont pas la précision nécessaire à
une analyse structurale, elles doivent néanmoins tenir compte de la manière dont sont
agencés les horizons, de la manière dont ils se répartissent dans le paysage et des
niveaux de variabilité spatiale du sol11, afin de choisir au mieux les simplifications
appliquées à la représentation du sol.
■ 1.5 Stratification verticale et latérale de l'horizon

travaillé : le profil cultural
Dans les sols cultivés, à la stratification naturelle du sol en horizon s'ajoute une
stratification verticale et latérale de l'horizon travaillé. Cette stratification s'opère sous
l'effet des passages successifs d'outils de travail du sol, et des tassements localisés
sous les passages de roue des engins agricoles. Le profil cultural désigne à la fois
cette stratification et la méthode employée pour la mettre en évidence (voir Manichon,
1982 ou Roger-Estrade et al., 2004).
La profondeur du profil cultural est la profondeur du sol touchée par le travail du sol
et/ou par les tassements. La largeur du profil est au moins celle de l'outil agricole le
plus large. Un profil cultural est positionné et décrit sur cette largeur.
■ Stratification latérale du profil cultural

Les tassements occasionnés par le passage des engins agricoles provoquent une
stratification latérale de l'horizon travaillé, et parfois des quelques décimètres de sol
sous jacent. Diverses zones sont ainsi distinguées, selon 3 types : (1) le sol situé sous
le passage de roue. Tassé, sa masse volumique apparente est plus élevée et sa
porosité est réduite dans les mêmes proportions. Les passages de roue sont au
nombre de deux (ou plus) par passage d'engin ; (2) le sol situé entre les passages de
roues ; (3) le sol situé à l'extérieur des passages de roues. Ces deux derniers sont
moins tassés que les passages de roue.
Les tassements sont d'autant plus forts que l'engin est lourd, que ses pneus ont une
surface de contact faible et qu’ils sont gonflés à une pression élevée, et que le sol est
humide.
■ Stratification verticale du profil cultural

Les opérations de travail du sol créent aussi une stratification verticale dans le profil
cultural. Après la récolte, les résidus de culture sont souvent enfouis sur une dizaine de
centimètres avec un outil de déchaumage, ce qui provoque une fragmentation de cette
partie de l'horizon de surface. Ensuite, le sol de surface est ameubli par le travail du
sol, par retournement s'il s'agit d'un sol labouré, ou par soulèvement et fissuration s'il
s'agit d'un sol en travail simplifié. Cette étape, lorsqu'elle s'opère par retournement,
efface une partie des effets du déchaumage. Enfin, l'opération de semis s'accompagne
généralement d'un travail du sol superficiel, visant à obtenir une structure fine qui
assure un bon contact entre le sol et la graine.
11
Dans les limites de ce qu’on en connaît ou de ce qu’on peut en connaître.
36
J. Moeys Partie I
■ États internes du profil cultural

Au-delà des strates latérales et verticales décrites ci-dessus, les opérations de
travail du sol créent des hétérogénéités au sein du profil:
– Le labour provoque un partitionnement oblique entre les 'bandes' de sol découpées
et retournées par le labour, et la couche de débris végétaux initialement en surface
qui se retrouve coincée entre les bandes de labour.
– Dans certains sols, le labour peut engendrer un lissage et un tassement du sol à sa
base, d'échelle centimétrique, appelé semelle de labour.
– Si les profondeurs de labour (ou de travail du sol) a été réduite d'une année à
l'autre, on a sous le labour le plus récent une zone de quelques centimètres
correspondant à l'ancien labour.
– Les passages de roues d'engin agricole provoquent des tassements du sol localisé.
Sous l'effet du labour qui suit immédiatement, ou du labour de l'année suivante, ces
zones tassées sont fragmentées en mottes. Les mottes tassées obtenues sont
appelées mottes delta (∆), tandis que les mottes friables incluant de la
macroporosité visible sont appelée mottes gamma (Γ) et l'état intermédiaire mottes
phi (Φ).
Ces stratifications latérales, verticales et internes du profil cultural ne sont pas sans
conséquences sur les flux d'eau dans l'horizon de surface (voir par exemple Coutadeur
et al., 2002).
2 Les processus de lixiviation

des produits phytosanitaires
dans les sols
Les raisons de l’utilisation des produits phytosanitaires en agriculture, ainsi que les
principales causes des transferts diffus vers les ressources en eau d’une faible fraction
des molécules apportées au champ ont été introduites au début de ce document
(p. 16). Les processus biologiques, physiques et chimiques qui sont à l’origine des
transferts de produits phytosanitaires sont détaillés dans les paragraphes ci-dessous.
Dans cette revue bibliographique, les propriétés du sol et de l’interaction sol-
isoproturon, et les processus qu’elles influencent sont détaillées, mais certains
aspects qui relèvent plus de la modélisation (intégration des différents processus)
ne seront pas présentés.
Les équations qui sont liées plus spécifiquement aux méthodes de mesure
employées sont exposées dans les matériels et méthodes.
■ 2.1 Présentation des processus et de leurs

interactions
Les processus en jeu, bien que de natures très diverses – physiques, chimiques ou
biologiques – et localisés dans différentes phases du sol, interagissent très fortement,
comme illustré par la figure 5 ci-dessous. Les pesticides présents dans le sol se
répartissent entre les 3 phases du sol (phase gazeuse, phase liquide et phase solide),
37
J. Moeys Partie I
dans des proportions différentes selon leur volatilité, leur solubilité ou leur affinité pour
la phase solide du sol. Le rôle de la phase solide du sol est particulier, car les
molécules se répartissent généralement en surface de cette dernière, à l’interface
entre la phase liquide et la phase gazeuse : il s’agit du phénomène d’adsorption. Enfin,
une incorporation dans la phase solide du sol se produit parfois pour certaines
molécules. Ce phénomène appelé immobilisation, qui aboutit à la formation de résidus
liés (résidus non extractibles), a lieu sur des échelles de temps supérieures à ce qui
est présenté ici (Barriuso et Benoît, 2007, figure 26).
On peut considérer schématiquement 4 niveaux d’observation des pesticides
dans le sol :
– (i) Les compartiments dans lesquels les pesticides se répartissent, phase
gazeuse, liquide et solide ;
– (ii) Les processus qui gouvernent la répartition (équilibre) des pesticides dans les
différents compartiments en l’absence de mouvements de solution : la diffusion
et l'adsorption.
– (iii) Les processus qui gouvernent les transferts des pesticides dans une solution
en mouvement (mouvement dans la porosité du sol), cette dernière ‘emportant’ une
partie des solutés, par convection (accompagnée de dispersion) ;
– (iv) Les processus physiques, chimiques et/ou biologiques qui aboutissent à la
transformation des pesticides (dégradation, aboutissant à la formation de
métabolites), et au final à leur minéralisation.
figure 5 – Les processus de transport, d’adsorption et de dégradation des pesticides dans les
différentes phases du sol.
Adapté et modifié d’après Meiwirth (2003). NB : ce schéma ne présente pas les processus de
transport en surface du sol, par ruissellement et érosion.
L’eau est un des éléments clés pour expliquer le comportement des pesticides dans
les sols. Même en l’absence de mouvements d’eau dans le sol (hydrostatique), la
quantité d’eau présente dans le sol est cruciale car elle détermine le rapport
volumique ou massique entre l’eau et la phase solide, et de là :
38
J. Moeys Partie I
– Le potentiel matriciel du sol, ce dernier est en effet intimement lié à la teneur en

eau (massique ou volumique) du sol (voir « Teneur en eau et potentiel matriciel »,
p. 41) ;
– La répartition des molécules de pesticide entre la phase liquide et la surface de la
phase solide (« L’adsorption de solutés organiques par la phase solide du sol »,
p. 56) ;
– L’activité des micro-organismes du sol, et donc indirectement leur capacité à
dégrader les molécules organiques présentes dans le sol (« Dégradation des
pesticides dans le sol », p. 60) ;
– La biodisponibilité des molécules pesticides pour ces micro-organismes.
Les différences de potentiel hydrique total qui existent entre les différentes couches
de sol, ou au sein de ces dernières, sont à l’origine de mouvement de la phase
liquide du sol des zones de potentiel bas (très négatif) vers les zones de potentiel
plus élevé (plus proche de zéro) (« Flux et conductivité hydraulique en régime non
saturé », p. 47). L’intensité des flux d’eau générés par les différences de potentiel
hydrique dépend d'un paramètre, la conductivité hydraulique, qui varie en fonction
du potentiel, et donc de la teneur en eau.
Les éléments ‘moteurs’12 de ces flux d’eau – et donc de l’ensemble des processus
impliqués dans les transferts de molécules pesticides – sont l’évaporation en surface
du sol (et donc le rayonnement solaire et la température extérieure), le prélèvement
d’eau racinaire puis sa transpiration par les plantes cultivées, la hauteur des
précipitations, ainsi que le drainage vertical ou latéral d’une partie de l’eau du sol
sous l’effet de la gravité. Les aspects météorologiques des transferts de pesticides
dans les sols ne sont évoqués qu’indirectement dans ce document, mais les
caractéristiques climatiques de la zone d’étude sont exposées dans la partie
« Données météorologiques », p. 74.
Les mouvements d’eau dans le sol entraînent avec eux les molécules en solution.
Ce phénomène, appelé convection, a plusieurs conséquences :
– Il s’opère un transfert de masse des molécules d’une partie du sol à une autre.
Une partie des molécules pesticides peut ainsi quitter le sol et se retrouver dans la
zone non saturée, puis dans la nappe phréatique ;
– Les caractéristiques géométriques de la porosité du sol dans laquelle circulent l’eau
et les solutés provoquent une dispersion des molécules (on parle de phénomènes
de convection-dispersion). Concrètement, un ensemble de molécules partant au
même moment d’une profondeur A du sol n’arriveront pas en même temps à la
profondeur B.
Avec ou sans mouvements d’eau dans le sol, il existe généralement des
différences de concentration en soluté (d’un horizon à un autre, d’une gamme de
porosité à une autre...). Ces différences engendrent une diffusion des molécules en
solution depuis les zones où la solution est plus concentrée vers les zones où la
solution est solution moins concentrée : c’est la diffusion. La diffusion et la
dispersion mécanique présentée plus haut contribuent toutes deux à ‘disperser’
l’apport de molécule initial.
12
La figure 96, p. 302, en annexe de ce document, illustre les différents types de variables et leur rôle
dans les modèles informatiques de transferts de pesticides. Ces variables sont le pendant ‘numérique’
des propriétés du sol, des molécules et des processus exposés ici.
39
J. Moeys Partie I
– Les molécules organiques en solution peuvent s’adsorber sur la phase solide du

sol. Ce phénomène cause une dispersion supplémentaire des molécules par rapport
à la ‘lame d’eau’ lors du drainage, ce qui aboutit à un ‘effet retard’ des transferts de
molécules.
– Avec les mouvements d’eau et de pesticides, les teneurs en eau et les
concentrations en pesticides dans la phase liquide (à un endroit donné) évoluent.
L’équilibre entre les molécules adsorbées et les molécules en solution est
modifié, et il doit progressivement se remettre en place.
– De la même manière, la biodisponibilité des molécules pesticides évolue, ce qui
va parfois modifier la manière dont ces dernières sont dégradées par la
microflore du sol. Cette dégradation peut en effet être fonction de la disponibilité de
la molécule (mais pas toujours), et la molécule peut se déplacer dans des couches
du sol où sa vitesse de dégradation par la microflore est différente.
La dégradation des molécules pesticides dans les sols est un phénomène
complexe, soumis à un ou plusieurs processus d’origines physique, chimique ou
biologique. En plus de dépendre de la teneur en eau, elle est modulée par la
température du sol, qui dépend elle-même du climat et des propriétés du sol. La
dégradation des pesticides permet une atténuation des transferts de ces derniers vers
la base du sol.
Il faut signaler que les molécules pesticides ioniques voient leur forme chimique
évoluer en fonction du pH du sol. Ces changements de forme chimique peuvent
affecter l’adsorption de la molécule sur la phase solide du sol, ainsi que sa dégradation
par les micro-organismes.
■ 2.2 Processus hydrologiques
■ Teneurs en eau massiques et volumiques

La quantité d’eau présente dans le sol est exprimée en masse d’eau ramenée à la
masse de sol sec (phase solide) ou en volume d’eau ramené au volume de sol total. La
première est la teneur en eau massique, la seconde est la teneur en eau volumique.
A – Teneur en eau massique B – Teneur en eau volumique

équation 5 – Teneur en eau volumique et massique du sol.
Avec w [M.M-1] ou (kg.kg-1) la teneur en eau massique ; θ [L3.L-3] ou (m3.m-3) la teneur en eau
volumique ; Comme la masse volumique de l'eau ρE a une valeur de 998,2071 kg.m-3 à 20°C, le
volume d'eau est généralement estimé par pesée, avec VE = ME / ρE ≈ ME / 1000. Voir plus haut
pour la définition des autres variables.
La teneur en eau volumique est généralement préférée à la teneur en eau
massique. L’estimation de la teneur en eau massique est cependant plus simple à
réaliser, car elle ne demande pas un prélèvement non perturbé de volume connu.
L’utilisation de la teneur en eau massique peut aussi se justifier pour des mesures
portant sur du sol remanié (tamisé par exemple).
En combinant l'équation 2 et l'équation 5 on obtient une équation liant la teneur en
eau massique, la teneur en eau volumique et la densité apparente :
40
J. Moeys Partie I
équation 6 – Relation entre teneur en eau massique, teneur en eau volumique et masse
volumique apparente.
Un sol ayant une masse volumique apparente de 1,2 g.cm-3 aura donc une teneur en
eau volumique égale à 1,2 fois sa teneur en eau massique.
L’équation 5 permet aussi, connaissant la teneur en eau massique d’un sol ou d’un
échantillon, de passer de la masse ‘équivalent sol sec’ à sa masse humide et vice
versa :
équation 7 – Conversions de la masse ‘équivalent sol sec’ (MS) à la masse de sol humide
(Mtot) ou de Mtot vers MS.
■ Teneur en eau et potentiel matriciel

L’eau présente dans le sol n’est pas seulement caractérisée par son abondance
relative. Quand le sol n’est pas à l’état de saturation, l’eau du sol n’occupe qu’une
partie de la porosité et des phénomènes de tension superficielle ont lieu à l’interface
solide, liquide, gaz. Cette tension superficielle se manifeste sous la forme d’une
différence de pression entre les différentes phases13 (loi de Laplace-Young). Dans un
milieu finement poreux comme le sol, cette tension superficielle donne lieu à des
phénomènes de capillarité importants. L’eau présente dans un pore est soumise à
une dépression à l’interface solide – eau – air. Si la porosité du sol est représentée de
manière (très) simplifiée comme un capillaire vertical dont la base plonge dans une
surface d’eau libre, la loi de Jurin permet de connaître la hauteur d’ascension de l’eau
dans ce capillaire / pore. Cette hauteur d’eau a un poids qui compense la dépression
créée par la tension superficielle :
équation 8 – Application de la loi de Jurin à l’ascension de l’eau dans un pore.

Avec h [L] ou (m) la hauteur d’eau dans le capillaire / pore ; σ [M.T-2], (N.m-1) ou (kg.s-2) la
tension superficielle de l’eau (égale à 2,78.10-2 kg.s-2 à 20°C et à pression atmosphérique) ; γ
l’angle de contact entre l’interface liquide-gaz et l’interface liquide-solide (considéré
arbitrairement comme égal à 0) ; ρw [M.L-3] ou (kg.m-3) la masse volumique de l’eau (égale à
998,2071 kg.m-3 à 20°C) ; g [L.T-2] ou (m.s-2) l’accélération de la pesanteur (égale à 9,81 m.s-2) ; r
[L] ou (m) le rayon du pore / capillaire considéré. D’après Kutílek et Nielsen (1994).
Si la loi de Jurin est une approximation de ce qui se passe réellement dans le sol,
elle illustre le fait que l’eau du sol est en dépression, du fait des forces capillaires. A
une échelle plus large que le capillaire ou le pore, la somme des effets de la capillarité
est appelée potentiel matriciel du sol. Le potentiel matriciel peut être exprimé en
unité de pression (Pa ~ N.m-2), il est alors symbolisé par la lettre minuscule ψ. Il est
aussi souvent exprimé en hauteur d'eau équivalente et est alors symbolisé par la
lettre minuscule h. Une autre formulation explicite du potentiel matriciel est le rayon de
pore équivalent, qui exprime le plus grand rayon de pore (cylindrique, rectiligne)
rempli de solution dans le sol si celui-ci est considéré comme un ensemble de
capillaires de même taille. Le rayon de pore équivalent est calculé avec l'équation 8 :
13
Elle varie selon le/les rayon(s) de courbure (ou l’angle de contact) à l’interface entre deux phases.
41
J. Moeys Partie I
r = 0,000015/|h| (r et h exprimés en m), ou r = 0,15/|h| (r et h exprimés en cm).

En simplifiant quelque peu les phénomènes qui ont lieu dans la porosité du sol14, et
en considérant le sol comme un milieu rigide, on considère généralement qu’à une
teneur en eau donnée correspond un potentiel matriciel, et donc qu’il existe une
relation directe entre ces deux grandeurs.
La conversion d’une hauteur d’eau équivalente en pression se fait en suivant
l’équation suivante :
équation 9 – Conversion d’une hauteur équivalente à une pression.

Avec ψ [M.L-1.T-2], (kg.m-1.s-2) ou (Pa) le potentiel exprimé en unité de pression ; h [L] ou (m) la
hauteur d’eau équivalente ; g [L.T-2] ou (m.s-2) l’accélération de la pesanteur (égale à 9,81 m.s-2) ;
ρw [M.L-3] ou (kg.m-3) la masse volumique de l’eau.
Le potentiel hydrique 'total' du sol ne dépend pas uniquement des effets capillaires.
L'eau du sol est aussi soumise à la gravité, à une pression d'origine osmotique, à la
pression de l'air dans les pores et à la pression des couches géologiques ou
pédologiques (Kutílek et Nielsen, 1994). Mais, sauf cas particuliers, seuls le potentiel
capillaire et le potentiel gravitaire sont généralement pris en compte, on définit alors :
équation 10 – Potentiel hydrique total du sol (expression simplifiée).

Avec ψ [M.L.T-2] et H [L] deux expressions du potentiel total; ψcapillaire [M.L.T-2] et hcapillaire [L] le
potentiel matriciel ; ψgravitaire [M.L.T-2] et hgravitaire [L] le potentiel gravitaire.
Les variations de potentiel matriciel pouvant s'étaler sur plusieurs ordres de
grandeur dans les sols (e.g., les potentiels 'caractéristiques' : h=-3,16 m, h=-158,49 m), il
est fréquemment ré-exprimé en pF, une fonction logarithmique du potentiel, ce qui
permet de 'linéariser' l'expression de ces variations :
équation 11 - Le pF, une expression logarithmique du potentiel matriciel.

Avec h le potentiel matriciel exprimé en mètres ; et pF son expression logarithmique.
Les potentiels caractéristiques présentés ci-dessus deviennent ainsi égaux à pF 2,5
et pF 4,2 respectivement. Leur signification est expliquée plus loin.
■ Rétention en eau
La relation entre la teneur en eau volumique du sol θ et son potentiel matriciel h est
fortement non-linéaire : une multiplication ou une division par 2 de θ provoque une
variation d’un ordre de grandeur (multiplié ou divisé par 10) de h. Ainsi pour un sol
limono-argileux, le passage d’une teneur en eau de 0,43 à 0,22 puis 0,12 m3.m-3 fait
passer le potentiel de –1, à –10 puis –100 m (pF2, 3 et 4 respectivement ; exemples de
valeurs possibles).
Les mesures expérimentales de la relation entre la teneur en eau et le potentiel
matriciel présentent une forme à double asymptote : la teneur en eau tend vers un
maximum quand le potentiel tend vers 0 et un minimum quand le potentiel est élevé
(pF > 6). Les fonctions ajustées aux mesures expérimentales doivent présenter une ou
plusieurs des caractéristiques suivantes : (i) reproduire correctement la courbe et ses
deux asymptotes (ii) se baser sur un nombre de paramètres raisonnables, auxquels on
14
Notamment les phénomènes d'hystérésis, qui font que la relation θ(h) varie aussi selon le sens des
variations de θ, si le sol est en cours d'humectation ou de dessiccation.
42
J. Moeys Partie I
peut trouver une signification ‘physique’ (iii) établir un lien entre les propriétés de
rétention en eau du sol et sa conductivité hydraulique, par l’intermédiaire de certains
paramètres communs.
□ Modèle de Brooks et Corey (1964) pour θ(h)

De nombreuses fonctions ont été proposées pour la rétention en eau, qui répondent
plus ou moins bien à ces critères. La plus connue est celle de van Genuchten (1980),
mais seules les fonctions de Brooks et Corey (1964) et de Campbell (1974) sont
présentées ici. La seconde est une simplification de la première, dont l’avantage
principal est le faible nombre de paramètres.
Toutes ces méthodes utilisent la teneur en eau volumique (par opposition à la
teneur en eau massique).
Le potentiel au point d'entrée d'air hA est le potentiel en deçà duquel le sol
commence à ne plus être saturé en eau, quand la phase gazeuse du sol apparaît. La
teneur en eau résiduelle θR est la limite inférieure de la teneur en eau du sol (aux
potentiels très négatifs).
L’équation de rétention en eau de Brooks et Corey exprime l'indice de saturation en
eau du sol en fonction de l’inverse du rapport entre le potentiel matriciel du sol et le
potentiel au point d’entrée d’air à la puissance λ.
avec quand h < hA
et quand hA ≤ h < 0
équation 12 – Modèle de Brooks et Corey θ(h).
Avec θE [-] l'indice de saturation en eau ; hA [L] ou (m) le potentiel matriciel au point d'entrée
d'air ; λ [-] un paramètre de forme, l'index de distribution de la taille des pores ; θR [L3.L-3] la
teneur en eau résiduelle et θS [L3.L-3] la teneur en eau à saturation du sol, quand h ≥ hA.
On notera que cette fonction est continue, en deux domaines, et présente une
rupture de pente. La valeur de θ est fixe quand hA ≤ h < 0, ce qui simplifie
artificiellement le comportement du sol observé au voisinage de la saturation.
□ Modèle simplifié de Campbell (1974) pour θ(h)

En 1974, Campbell propose une équation simplifiée dérivée de l’équation de Brooks
et Corey (1964), dans laquelle il considère le paramètre θR comme nul.
Cette équation, qui ne s’applique qu’à une gamme limitée de teneurs en eau, peut
se reformuler :
quand h < hA
équation 13 – Modèle de Campbell 1974 reformulé en θ(h).
On constate que le paramètre λ de Brooks et Corey correspond à (1/b).
On constate aussi que la transformation des variables en ln(θ) = f( ln(h) ) permet de
dériver les paramètres b et hA par simple régression linéaire (voir l’équation 30 p. 99).
On constate que θS module la hauteur du palier sur l’axe des teneurs en eau, hA
43
J. Moeys Partie I
module l’amplitude de ce palier sur l’axe des potentiels et -b module la pente de

décroissance des teneurs en eau pour les potentiels inférieurs à hA.
figure 6 – Allure de la fonction de Campbell (1974) de θ en fonction de h.

Les abscisses donnent h en valeur absolue, et les 2 axes sont en log10-log10.
□ Exemples de méthodes de mesure des paramètres

Déterminer les paramètres des fonctions décrivant la relation entre θ (volumique) et
h demande de disposer de mesures simultanées des deux paramètres à différentes
teneurs en eau et donc différents potentiels matriciels. Comme souvent en science du
sol, il existe des méthodes de mesures en conditions réelles, in situ, et des
méthodes de mesure en conditions contrôlées de laboratoire.
Les méthodes in situ nécessitent une mesure simultanée et non destructive de θ
et h, puisqu'aucun de ces deux paramètres ne peut être contrôlé, et elles nécessitent
un suivi de ces paramètres sur une période permettant de balayer une gamme
convenable de valeurs de θ.
Une des méthodes les plus répandue de mesure de la teneur en eau volumique
est la réflectométrie dans le domaine temporel (en anglais: TDR, Time Domain
Reflectometry). La méthode consiste à mesurer le temps de transit/de retour d'une
onde électromagnétique dans le sol au moyen d'un appareillage dédié, pour en déduire
la constante diélectrique du sol. Cette dernière est bien corrélée à la teneur en eau du
sol, et la relation entre les deux propriétés peut être calibrée de manière fiable pour un
sol (ou un type de sol) donné (voir Noborio, 2001 ou Wraith et al., 2005). Les sondes à
neutrons ont été très employées, mais sont de moins en moins utilisées pour des
raisons de contraintes de sécurité. Il faut aussi citer les méthodes géophysiques que
sont la mesure de la réflectance du sol (et/ou l’utilisation d’images satellites), les
méthodes basées sur la résistivité électrique, ou les méthodes capacitives (voir Or et
Wraith, 2002 ou Kutílek et Nielsen, 1994).
Le potentiel du sol est mesuré in situ au moyen de céramiques poreuses reliées à
44
J. Moeys Partie I
un dispositif de mesure de la pression (manomètre à mercure ou mécanique),

l'ensemble étant appelé tensiomètre. Un tube fermé, rigide, rempli d'eau, et dont une
des extrémités est une pièce de céramique poreuse est implanté dans le sol. Le
potentiel de l'eau dans le tube s'équilibre avec celui du sol alentour par l'intermédiaire
de la bougie poreuse. Un tube fin, semi-rigide et rempli d'eau sort du tube et est
connecté à un dispositif de mesure de la (dé)pression, le plus simple étant un tube
vertical plongeant dans un réservoir de mercure. Le poids de la colonne de mercure
soulevée est alors égal au potentiel matriciel du sol plus la dépression induite par la
différence de hauteur entre la céramique poreuse et le haut du réservoir de mercure.
Cette méthode ne fonctionne que pour les potentiels faibles à modérés (de h = -1 cm à
h = -10 m ; cf. Or et Wraith, 2002). L’utilisation de capteurs psychrométriques est une
autre méthode de mesure du potentiel in situ.
Les méthodes en conditions contrôlées de laboratoire consistent à imposer un
potentiel matriciel connu à un échantillon de sol non perturbé, puis à en mesurer la
teneur en eau par double pesée (sol humide et sol séché à 105°C). Ces méthodes ont
l'avantage d'avoir des conditions bien contrôlées, mais elles nécessitent le prélèvement
d'un échantillon théoriquement représentatif et non-perturbé, et nécessitent d'attendre
qu'un équilibre s'établisse. Ce dernier met généralement plusieurs heures (potentiels
proche de 0), voir plusieurs jours à s'établir (potentiel bas). Le potentiel peut être
imposé en posant les échantillons de sol sur un bac de sable fin (ou de billes de verre)
dont la base est connectée à une surface d'eau libre située en dessous de la surface
du sable. La différence de hauteur entre les deux surfaces détermine le potentiel
imposé (valable de h = 0 à h = -1 m). Aux potentiels plus bas, il est nécessaire d'utiliser
des presses à plaques ou à membranes. Ces dernières permettent d'imposer une
pression connue à un échantillon de sol, pression avec laquelle le potentiel va
s'équilibrer (h = -P). Il existe aussi des méthodes reposant sur l'évaporation libre à la
surface d'un échantillon non perturbé et préalablement saturé. A intervalles réguliers,
le poids de l'échantillon est mesuré (qui permet par la suite de connaître sa teneur en
eau volumique), ainsi que le potentiel matriciel à plusieurs hauteurs (micro-
tensiomètres). Il est nécessaire d'utiliser une méthode d'inversion numérique pour
estimer les propriétés hydriques du sol (rétention en eau, mais aussi conductivité
hydraulique, voir Wind, 1968 ou Tamari et al., 1993). Plus récemment une méthode
basée sur le processus inverse, l’infiltration progressive d’eau dans un cylindre de sol
(dont le potentiel matriciel et le poids total est contrôlé) a été mise au point et testée
(Bruckler et al., 2002).
La rétention en eau et la conductivité hydraulique des sols sont notoirement
affectées par la fraction granulométrique grossière (> 2 mm ; éléments grossiers),
quand celle-ci est importante. La nature lithologique des éléments grossiers,
l’abondance et la géométrie de leurs pores, ainsi que leur position dans le profil peut
moduler l’effet de la fraction grossière sur les propriétés hydriques du sol (e.g. Cousin
et al., 2003, Sauer et Logson, 2002). Malgré la relative importance des sols caillouteux,
y compris en Beauce (Aillot et Verbeque, 1995) et dans le secteur agricole étudié ici,
peu d’études portent sur la prise en compte des éléments grossiers dans l’hydrologie
des sols.
□ Ordres de grandeur, variabilité spatiale et déterminismes

agro-pédologiques
Vauclin (1982) classe la teneur en eau à saturation comme faiblement variable, et
les teneurs en eau à la capacité au champ et au point de flétrissement permanent
comme ayant une variabilité moyenne. Les données de cette revue bibliographique
comprennent des données de Cameron (1978), Nielsen et al. (1973) et Imbernon
45
J. Moeys Partie I
(1981), et recoupent et développent la revue effectuée par Warrick et Nielsen (1980).

Les valeurs obtenues par Lafrance et Banton (1995), Coquet et al. (2004), Russo et
Bouton (1992) et Walker et Austin (2004) ont aussi été examinées. Ces sources
permettent d’avoir un aperçu (incomplet) de la variabilité de la teneur en eau à
saturation. Le paramètre varie entre 0,30 et 0,48 cm3.cm-3 (valeurs moyennes), avec une
moyenne de 0,42 cm3.cm-3. Les coefficients de variation (CV) indiqués sont modérés,
avec des valeurs entre 2,3% et 13,6%, sur des surfaces très variables. On note que
Cameron (1978) et Nielsen et al. (1973) obtiennent des CV très proche (10 et 11%) sur
des surfaces très différentes (0,02 contre 150 ha).
Russo et Bresler (1981) trouvent une distance maximale d’autocorrélation de
76 mètres pour θS, dans une parcelle de 80 x 120 m.
Les propriétés du sol qui influencent les caractéristiques de la rétention en eau ont
été utilisées dans de nombreuses fonctions de pédotransfert. Williams et al. (1992, cité
par Cresswell et al., 2006), utilisent la teneur en argile, en limon et en sable fin pour
prédire les paramètres hA et b de la fonction de Campbell (1974), et la densité
apparente pour prédire θS. La fonction de pédotransfert de Hall et al. (1977, cité par
Morvan et al., 2004) utilise les mêmes paramètres, à l’exception de la teneur en sable
fin, et se base aussi sur la teneur en carbone organique pour les horizons de sub-
surface. Bastet (1999) se base sur les mêmes paramètres, tandis que Vereecken
(1989) n’utilise que les teneurs en argile, sable et carbone organique (références citées
par Morvan et al. 2004). Bruand et al. (2003) proposent une approche par classe de
pédotransfert reposant sur la classe de texture (5 classes, triangle FAO) et la classe
de masse volumique apparente (déterminée sur mottes). Pachepsky et al. (2006) ont
établi des fonctions de pédotransfert (arbres de régression) à partir de la teneur en
argile du sol et de différents descripteurs de la structure du sol : sa netteté, sa taille
et sa forme. Les auteurs soulignent la nécessité de mieux intégrer les descripteurs de
structure dans les fonctions de pédotransfert et de développer des méthodes
quantitatives de caractérisation de la structure.
■ L’eau du sol et la plante : notion de réserve utile

Le fait qu’il existe une relation directe – mais fortement non-linéaire – entre la teneur
en eau du sol et son potentiel matriciel a une conséquence directe et mécanique pour
les plantes qui prélèvent l’eau de ce sol : plus le potentiel matriciel est bas (négatif),
plus l’eau est (1) peu abondante (2) difficile à prélever, et inversement aux
potentiels élevés (proches de zéro).
Cependant, quand le sol est proche de la saturation, le potentiel matriciel est proche
de zéro, la force exercée par la gravité domine et l’eau du sol s’écoule vers le bas :
c’est le drainage. Quand le sol se rapproche de la saturation, l’eau située dans les
pores les plus gros, c’est à dire l’eau la moins retenue (selon l’équation 8), s’évacue en
quelques jours sous l’effet de la gravité, elle est donc peu disponible pour les plantes.
Le potentiel au-dessus duquel l’eau s’écoule par gravité est appelé capacité au
champ, il est fixé par convention à pF2 ou pF2,5, c’est à dire –10 ou –33 kPa (0,1 ou
1/3 bar)
Aux teneurs en eau très basses, quand le potentiel matriciel passe sous un certain
seuil, les plantes ne sont plus capables de prélever l’eau ni de réguler leur transpiration
et la plante flétrit. Ce potentiel caractéristique est appelé « point de flétrissement
permanent ». Bien qu’il soit variable d’une plante à l’autre, il a été fixé par convention
à –1550 kPa (–15,5 bars), ce qui correspond approximativement à pF4,2 (voir par ex.
Kutílek et Nielsen, 1994).
La différence entre la teneur en eau à la capacité au champ (θpF2) et la teneur en
eau au point de flétrissement permanent (θpF4,2) donne la proportion (massique ou
46
J. Moeys Partie I
volumique) d’eau potentiellement15 disponible pour les plantes. Dans le cas d’une
plante cultivée, si on multiplie cette différence de teneurs en eau volumiques par la
profondeur d’enracinement, on obtient une estimation de la hauteur (quantité) d’eau
potentiellement utilisable par la plante dans le sol : cette hauteur d’eau est appelée
réserve utile du sol (RU). Si l’on ne considère qu’un seul horizon de sol, colonisable
sur toute son épaisseur par les racines, on peut parler de teneur en eau utile de
l’horizon, avec θU = (θpF2 – θpF4,2) (teneurs en eau volumiques).
■ Flux et conductivité hydraulique en régime non saturé

L'eau du sol se déplaçant des zones de potentiel hydraulique plus élevé vers les
zones de potentiel plus bas, toute différence de potentiel hydraulique engendre une
redistribution d'eau, c’est à dire un flux. Ce flux varie en fonction de la différence de
potentiel.
équation 14 – Flux en régime non saturé monodimensionnel ou tridimensionnel, d'après la

loi de Buckingham-Darcy.
La première équation est de forme monodimensionnelle, la seconde est de forme
multidimensionnelle. Avec q la densité de flux [L.T-1] ou (m.s-1) ; K(h) [L.T-1] la conductivité
hydraulique au potentiel h ; dH/dz [-] la dérivée partielle du potentiel hydraulique total H par
rapport à la distance z, au point considéré ; la densité de flux ; le gradient de potentiel H
au point considéré.
L'équation 14 est une forme généralisée de l'équation du flux en régime saturé
(Darcy, 1856), formulée par Buckingham (1907), et dite loi de Buckingham-Darcy. Elle
montre que le flux d'eau engendré par un gradient de potentiel est proportionnel à
K(h), conductivité hydraulique du sol au potentiel h (potentiel hydrique du sol au point
considéré).
Cette équation permet de décrire le transfert de l’eau liquide dans les sols saturés et
non saturés, en condition de régime permanent, c'est à dire dont les variables d’état
(flux, potentiel, teneur en eau) ne changent pas au cours du temps. Cette condition est
rarement rencontrée en réalité, car les flux, les teneurs en eau et les potentiels
matriciels varient généralement au cours du temps. L’adaptation de l'équation de
Buckingham-Darcy au régime transitoire (équation de Richards, 1931), et ses solutions
analytiques – importantes en modélisation – sont hors du contexte de ce document et
ne sont pas présentées ici.
La relation entre le potentiel matriciel h du sol et sa conductivité hydraulique
K est, elle aussi, fortement non-linéaire : une variation d’un ordre de grandeur de h
divise ou multiplie par 1000 la valeur de K. Ainsi, pour un sol limono-argileux, le
passage d’un potentiel de –1, à –10 puis à un potentiel de –100 m (pF 2, 3 et 4
respectivement) fait passer la conductivité de 1,3.10-1 à 1,5.10-4 puis 9,2.10-8 m.s-1
(exemples de valeurs).
Comme pour la relation entre θ et h, plusieurs fonctions ont été proposées pour
décrire la relation entre K et h. L'une des plus populaires est celle de van Genuchten
(1980), mais seuls les modèles de Brooks et Corey (1964) et sa simplification par
Campbell (1974) sont présentés ici. Ces deux modèles, comme celui de
van Genuchten 1980, utilisent des paramètres communs entre les fonctions θ(h) et les
fonctions K(h), établissant ainsi un lien entre ces 3 propriétés fondamentales pour la
15
Il s’agit d’une quantité ‘potentielle’ et non d’une ‘réserve réelle’. La quantité d’eau dans le sol fluctue au
cours de la saison culturale, selon la météo et les prélèvements racinaires par les plantes.
47
J. Moeys Partie I
description des processus hydrologiques dans les sols.
□ Modèle de Brooks et Corey pour K(h)

L’équation de conductivité hydraulique de Brooks et Corey (1964) exprime le rapport
entre la conductivité hydraulique à un potentiel h et la conductivité hydraulique à
saturation en fonction de l’inverse du rapport entre le potentiel h et le potentiel au point
d’entrée d’air élevé à la puissance m.
quand h < hA
équation 15 Modèle de Brooks et Corey de K en fonction de h.
Avec KS [L.T-1] ou (m.s-1) la conductivité hydraulique du sol à saturation ; hA [L] ou (m) le
potentiel matriciel au point d’entrée d’air ; m [-] un paramètre de forme dépendant de la
distribution de taille de pores.
□ Modèle de Campbell (1974) pour K(h)
figure 7 – Allure de la fonction de Campbell (1974) de K en fonction de h.

Les abscisses donnent h en valeur absolue, et les 2 axes sont en log10-log10. Les autres paramètres
de la fonction de Campbell sont identiques à ceux de la figure 6.
48
J. Moeys Partie I
La fonction de conductivité hydraulique s'écrit :
équation 16 – Modèle de Campbell (1974) de K en fonction de θ.

Avec KS [L.T-1] ou (m.s-1) la conductivité hydraulique du sol à saturation ; θS [M.L-3] ou (kg.m-3)
la teneur en volumique eau à saturation ; b [-] le paramètre de forme qui apparaît aussi dans la
fonction θ(h) (équation 13).
Avec l’équation 13, on peut reformuler le modèle de manière à exprimer K en
fonction de h, ce qui donne :
quand h < hA
équation 17 – Modèle de Campbell (1974) de K en fonction de h (reformulé).
On voit que le paramètre m de Brooks et Corey est égal à 2+3/b, et que les deux
modèles sont équivalents.
On constate que KS module la hauteur du palier sur l’axe des conductivités, hA
module l’amplitude de ce palier sur l’axe des potentiels et -(2+3/b) module la pente de
décroissance des conductivités pour les potentiels inférieurs à hA.
□ Aperçu des méthodes de mesure des paramètres

Les méthodes de détermination de la conductivité hydraulique (saturée ou non) et
des paramètres des fonctions K(h) sont nombreuses et de natures diverses. Comme
pour les paramètres de la rétention en eau, la détermination peut se faire in situ ou
dans des conditions contrôlées de laboratoire. Ces méthodes reposent sur la
détermination simultanée des valeurs de K et de h. Le plus souvent, h est connu et
imposé.
Le suivi des valeurs θ(h) in situ à l’aide de tensiomètres céramiques et de sondes
TDR, présenté plus haut, accompagné d’un suivi de la pluviométrie et de
l’évapotranspiration potentielle, permet aussi de déterminer les paramètres de la
fonction K(h) par modélisation inverse. La modélisation inverse consiste à rechercher
les paramètres des fonctions θ(h) et K(h) qui permettent de reproduire au mieux les
valeurs observées à l’aide d’un modèle numérique des flux d’eau dans le sol (e.g.
Junior et al., 2007 ; Bouraoui, 2007 ; Sheikh et van Loon, 2007).
Les méthodes d’infiltrométrie, sous charge, à saturation ou en régime non saturé,
permettent de réaliser des mesures plus nombreuses et sur des secteurs plus
importants. Les méthodes d’infiltrométrie consistent à infiltrer localement (sur une aire
bien délimitée) de l’eau depuis la surface du sol, en imposant une charge ou une
dépression. Les perméamètres réalisent une infiltration sous une charge faible, tandis
que les infiltromètres réalisent une infiltration sous succion. Les deux méthodes sont
limitées aux potentiels proches de la saturation (-15 < h< 10 cm), et contrôlent le
potentiel imposé par un dispositif appelé vase de Mariotte. L’interprétation des
mesures d’infiltration en surface du sol, et les calculs de K(h) qui en découlent, sont
notamment basés sur l’équation de Wooding (1968 ; équation 32, p. 105), solution de
l’équation de Richards pour les infiltrations axisymétriques à partir d’un disque de
rayon r, et de développements apportés par Philip (voir Radcliffe et Rasmussen, 2002).
49
J. Moeys Partie I
Les types de perméamètres et d’infiltromètres sont nombreux (e.g. perméamètre de

Guelph, Radcliffe et Rasmussen, 2002 ou Angulo-Jaramillo et al., 2000) et continuent
de se développer (e.g. infiltromètre de Hood : Schwärzel et Punzel, 2007). Certaines
méthodes d’infiltrométrie monopotentiel non-saturée sont décrites plus en détail
dans les matériels et méthodes (p. 100). Il faut aussi citer le développement de
méthodes d’infiltration sous faible charge par apport d’eau à la surface du sol dans un
‘anneau’ simple ou double, comme la méthode ‘Beerkan’ (Haverkamp et al., 1996, cité
par Lassabatère et al., 2006). Des méthodes de détermination des paramètres de la
conductivité hydraulique par ‘inversion’ de modèles hydriques sur des données
d’infiltration ont aussi été développées (Šimůnek et al., 1998).
Les méthodes de détermination de la conductivité hydraulique en conditions
contrôlées de laboratoire permettent un meilleur contrôle des conditions de potentiel,
mais supposent que l’on puisse prélever des échantillons de sol non perturbés et
représentatifs. La détermination de la conductivité hydraulique à saturation (KSAT)
repose sur des bases théoriques plus simples que les méthodes in situ, car elle repose
sur l’équation de Darcy en milieu saturé. En pratique, on fait circuler de l’eau dans un
échantillon de sol, de haut en bas ou de bas en haut, en contrôlant la charge (h > 0) qui
est imposée. L’application de plusieurs charges et la mesure des débits de sortie qui
en résultent permet de déterminer KSAT (voir Klute, 1965 ou Stolte, 1997). Les
méthodes de suivi de l’évaporation ou de l’infiltration à la surface d’un échantillon de
sol, présentées pour la détermination des paramètres de la rétention en eau,
permettent la détermination simultanée des paramètres de la conductivité hydraulique.
Enfin, l’inversion numérique de données d’infiltration, d’élution, de tensiomètrie et de
teneurs en eau obtenues par sondes TDR, obtenues sur des colonnes de sol non
perturbé est aussi utilisée pour déterminer ex situ les propriétés hydriques d’un sol.

agro-pédologiques
La conductivité hydraulique à saturation est un paramètre essentiel pour
comprendre le comportement hydrique des sols, mais il est (i) difficile à mesurer avec
précision, (ii) sa distribution s’écarte généralement fortement d'une loi normale
(Vauclin, 1982, Angulo-Jaramillo et al., 2000) et (iii) sa variabilité spatiale est grande
(ibid.).
Les revues de Warrick (1980) et de Vauclin (1982) présentent des valeurs de KSAT
issues de diverses études (Gumaa, 1978 ; Nielsen et al., 1973 ; Russo et Bresler,
1981) dont les valeurs moyennes vont de 2,31.10-3 mm.s-1 à 4,44.10-2 mm.s-1, avec des
coefficients de variation (CV) compris entre 36 % et 183 %, sur des surfaces de 0,8, 15
et 150 ha. Mulla et McBratney (2002) indiquent dans leur revue que le CV du KSAT varie
de 48 à 352 %. Clothier et Smetten (1990) mesurent un KSAT moyen sur deux profils de
6.10-2 mm.s-1 à 6,3.10-2 mm.s-1. Lafrance et Banton (1995) obtiennent un KSAT moyen de
3,08.10-2 mm.s-1 et un CV de 271 % sur 1,5 ha. Bosh et West (1998) mesurent un KSAT
moyen de 1,83.10-1 mm.s-1 avec un CV de 32 % (n=18 mesures). Sur différentes zones
d’un profil cultural, Coquet et al. 2001 mesurent des KSAT compris entre 1,36.10-2 mm.s-1
et 1,17.10-1 mm.s-1, avec une conductivité croissante depuis les mottes ∆ et les
passages de roue, les mottes Γ, le sol sous l’horizon travaillé, jusqu’au lit de semence.
Enfin, à des échelles nationales, Nemes et al. (2005) montrent que les conductivités
hydrauliques à saturation moyennes des bases de données européenne, hongroise et
nord-américaine sont respectivement de 1,50.10-2, 9,10.10-3 et 2,04.10-3 mm.s-1, avec des
coefficients de variation de 227 %, 172 % et 153 %.
Sur le même secteur agricole que celui étudié ici (Ouarville), Coquet et al. (2005b)
trouvent un coefficient de variation de KSAT de 226 % sur différents horizons de 3
50
J. Moeys Partie I
fosses pédologiques. Sur les horizons de surface de 4 autres fosses, situées dans une
même parcelle16 du secteur de Ouarville, Coquet et al. (2006) (mesures INRA
d’Orléans / I. Cousin) ont déterminé des conductivités hydrauliques avec la méthode
de Wind (1968) : les valeurs s’étalent de 6,28.10-3 mm.s-1 à 1,17.10-1 mm.s-1 (n=14). Sur
un transect réalisé dans la même parcelle, Coquet et al. (2006) (mesures
LTHE / R. Angulo-Jaramillo) ont déterminé des conductivités hydrauliques par la
méthode ‘Beerkan’ : dans l’inter-rang du blé, le KSAT va de 7,74.10-4 à 5,22.10-2 mm.s-1,
avec une moyenne de 1,36.10-2 mm.s-1 et un CV de 95 % (n = 24).
Mulla et McBratney (2002) classent la portée du variogramme de la conductivité
hydraulique à saturation entre 1 et 34 mètres. Vauclin (1982), analysant 5 publications
indique que la conductivité hydraulique à saturation a une portée ou une distance
d'autocorrélation comprise entre 2,5 et 50 mètres, avec une référence pour laquelle la
portée est inférieure à deux mètres (effet pépite). Russo et Bouton (1992) mesurent
des distances d'autocorrélations de 0,8 m, et citent les travaux de Byers et Stephens
(1983) et de Sudicky (1986) qui trouvent une distance d'autocorrélation entre 0,6 et
2,8 m. Logsdon et Janes (1996) trouvent une autocorrélation de KSAT sur 0,6-0,8 m.
■ La sorptivité
La sorptivité S [L.T-1/2] est un paramètre du sol qui reflète sa capacité à absorber
l’eau par capillarité, en fonction des teneurs en eau (et donc du potentiel) initiales
et finales lors d’un apport d’eau (comme c’est le cas lors d’une infiltration). Le
paramètre est exprimé en unité de longueur par unité de temps exprimée en √T. En
l’absence d’effets de la gravité sur l’infiltration d’eau dans le sol (ce qui est
approximativement le cas au début de cette dernière) la quantité d’eau infiltrée dans
le sol est fonction de la sorptivité et de la racine carrée du temps (cf. équation 37,
p. 107), ce qui traduit un ralentissement progressif des effets de la capillarité en
fonction du temps.
La sorptivité S est un paramètre essentiel pour la description de l’infiltration
de l’eau dans le sol, comme la conductivité hydraulique K(h). La sorptivité reflète
les effets de la capillarité sur l’infiltration, tandis que la conductivité reflète les effets de
la gravité, pour une différence de potentiel donné (cf. « Détermination des paramètres
de la conductivité hydraulique in situ », p. 100).
■ 2.3 Transport de soluté

Cette partie vise à présenter les équations physiques qui décrivent les processus de
transport de soluté dans l’eau du sol. Ces équations sont regroupées sous le terme
d’équations de convection-dispersion, dont les variantes dépendent des processus qui
sont pris en compte (convection, diffusion, dispersion, adsorption...) et du nombre de
dimensions de l’espace considérées (monodimensionnel vertical ou tridimensionnel).
Ces équations sont importantes pour décrire et mesurer les processus qui
aboutissent à des flux d’eau préférentiels, c’est à dire des flux de soluté qui ne sont
pas expliqués par les équations décrivant les mouvements d’eau dans le sol
(présentées plus haut).
■ Équation de convection-dispersion
En l'absence de tout phénomène de dispersion ou de diffusion, tout déplacement
d'eau dans le sol induit un déplacement de soluté par convection. A un endroit donné
du sol, la variation de masse du soluté est égale à la quantité de soluté exportée par le
16
Parcelle étudiée par Alletto (2004), Moeys (2004), Moeys et al. (2006) et Millot (2004).
51
J. Moeys Partie I
flux d'eau. Mais le sol est un milieu complexe et sa porosité un réseau tortueux qui
induit une dispersion des molécules en solution : (1) dispersion du fait du gradient de
vélocité de l'eau dans chaque pore (vélocité maximale au centre), (2) dispersion du fait
de flux différents dans les pores de tailles différentes, (3) dispersion du fait de
directions de flux inégales et enfin (4) dispersion du fait de trajets de longueur variable
pour parcourir une 'distance' de point à point similaire. Lorsque des différences de
concentration en soluté existent dans le sol, des phénomènes de diffusion se mettent
en œuvre pour rééquilibrer les concentrations dans la solution du sol.
Diffusion et dispersion ayant des effets similaires et difficiles à séparer, les deux
phénomènes sont résumés par un seul est même paramètre, le coefficient de
dispersion hydrodynamique.
Les phénomènes de convection et de dispersion-diffusion sont rassemblés dans
une même équation de conservation de la masse, équation aux dérivées partielles qui
exprime la variation de masse de soluté par rapport au temps en fonction de la
variation dans l’espace du flux convectif de soluté auquel on ajoute les effets de la
dispersion. Une fonction additionnelle 'puits' ou 'source' de soluté permet de prendre
en compte les phénomènes connexes de prélèvement de soluté (par les plantes), ou
de dégradation.
équation 18 – Équation de conservation de la masse pour un flux de soluté convectif et

dispersif, monodimensionnel, en régime transitoire.
Avec θ [L3.L-3] ou (m3.m-3) la teneur en eau volumique ; C [M.L-3] ou (kg.m-3) la concentration du
soluté dans la phase liquide du sol ; t le temps (s-1) ; x [L] ou (m) la dimension de l'espace
considérée, généralement la profondeur depuis la surface du sol ; JE [L.T-1] ou (m.s-1) la densité de
flux de l'eau ; D [L2.T-1] ou (m2.s-1) le coefficient de dispersion hydrodynamique, qui regroupe la
dispersion 'mécanique' (Ddis.) et la dispersion par diffusion (Ddif.) ; RS [M.L-3.T-1] ou (kg.m-3.s-1) est
une fonction 'puits' d'exportation du soluté, éventuellement égale à la somme de plusieurs
phénomènes d'exportation ou transformation du soluté. D’après Leij et van Genuchten (2002).
Si l'on se place dans le cas d'un régime permanent (θ, h et donc flux constant),
l'équation est remplacée par la suivante :
équation 19 – Équation de conservation de la masse pour un flux de soluté convectif et

dispersif, monodimensionnel, en régime permanent.
Avec ν [L.T-1] ou (m.s-1) la vélocité de l’eau dans la porosité du sol. D’après Leij et van Genuchten
(2002).
Dans le cas simple d'un soluté qui s'adsorbe sur la phase solide du sol, avec un
équilibre instantané et une adsorption linéaire, on a l'équation suivante :
équation 20 – Équation de conservation de la masse pour un flux convectif et dispersif de

soluté adsorbé, monodimensionnel, en régime permanent.
Avec RF [-] le facteur de retardement (en anglais: Retardation Factor). Cette équation n’est
valable que pour une adsorption linéaire avec un équilibre instantané. D’après Leij et
van Genuchten (2002) et Kutílek et Nielsen (1994).
52
J. Moeys Partie I
Le facteur de retardement introduit dans cette équation illustre le retard du flux de

soluté induit par son adsorption sur la phase solide du sol. Le facteur de retardement
est notoirement utilisé dans la formulation de l’indicateur de Rao et Hornsby (1985),
AF/RF (en anglais : Attenuation Factor / Retardation Factor), où le temps de demi-vie
de dégradation de la molécule joue comme un atténuateur de sa présence et
l'adsorption retarde son transfert.
Les équations du transport convectif-dispersif présentées ci-dessus considèrent que
le sol est homogène : il n’existe pas de différences internes de teneur en eau ou de
potentiel.
■ Flux préférentiels
Les études de dissipation des pesticides à l’échelle parcellaire ont montré que, dans
certains cas, le facteur ‘atténuation’ présenté ci-dessus ne semblait pas pertinent, dans
la mesure où des pesticides présentant des coefficients d’adsorption contrastés
atteignaient en même temps la base du sol (pour une revue, voir Flury, 1996). Si la
proportion totale de pesticide lixiviée est bien corrélée à ses propriétés d’adsorption et
de dégradation, la temporalité de certains flux d’eau et de pesticides est en désaccord
avec les équations du transport de l’eau.
Ces flux rapides et ‘non-expliqués’ par les théories classiques du transport d’eau et
des solutés sont appelés flux préférentiels. L’explication généralement donnée est
l’absence d’équilibre / d’homogénéité dans la porosité du sol. Le sol a une teneur en
eau et un potentiel global, mais il subsiste localement des différences, notamment liées
aux variations locales de porosité, ou de propriétés du sol (hydrophobicité). Cette
absence d’équilibre affecte la circulation de l’eau dans le sol, qui peut très localement
s’avérer plus rapide que le mouvement global prévu par les fonctions θ(h) et K(h).
Si l’on se réfère à Šimůnek et al. (2003), l’une des caractéristiques des flux
préférentiels est que « durant une phase d’humectation, une partie du front
d’humectation peut se propager rapidement à une profondeur significative, en court-
circuitant une large partie de l’espace poral de la matrice [du sol] ».
Les flux préférentiels sont en fait de nature variée. Radcliffe et Rasmussen (2002)
classent les modèles de flux préférentiels en 3 catégories :
– (i) Les flux préférentiels liés à la présence de macropores qui conduisent les flux
d’eau plus rapidement que la matrice lorsqu’ils sont saturés ;
– (ii) Les flux préférentiels liés aux contrastes de texture entre deux couches de sol
(horizon à granulométrie fine sur horizon à granulométrie plus grossière), ce qui
engendre un contraste de potentiel lors de l’infiltration, engendrant à son tour des
instabilités locales qui aboutissent à une infiltration par digitation dans l’horizon
à granulométrie grossière (en anglais : fingering) ;
– (iii) Les flux préférentiels liés à des contrastes de texture internes aux horizons
de sol ou aux matériaux de la zone non-saturée qui induisent des flux plus réduits
dans les zones de granulométrie plus grossière (en anglais : funneling).
La première catégorie peut être généralisée par les concepts de multi-porosité /
multi-perméabilité qui sous tendent de nombreux modèles physiques de flux
préférentiels. Le concept de double porosité peut par exemple refléter la présence de
macropores, dans le sens pédologique (pores les plus larges, fissures et conduits de
vers de terre...), au côté d’une porosité matricielle plus fine, mais n’est pas limité à ce
seul concept.
Une autre conséquence des flux préférentiels en ‘non-équilibre’, soulignée par
53
J. Moeys Partie I
Šimůnek et al. (2003), est le comportement encore moins ‘linéaire’ des flux d’eau et de
solutés au voisinage de la saturation (les fonctions K(h) ‘classiques’ induisant déjà une
non-linéarité des flux...).
C’est un des modèles les plus simples qui a été utilisé dans l’étude présentée ici, le
modèle à double porosité – double perméabilité eau mobile / eau immobile.
□ Le modèle ‘eau mobile / eau immobile’ (MIM)

En 1964, Coats et Smith proposent un modèle simple pour expliquer les
observations de transferts rapides de soluté. La porosité du sol se divise en deux
compartiments. Tandis que l'eau située dans le premier compartiment est mobile (‘eau
mobile’), comme dans le modèle classique de Darcy, l'eau située dans le deuxième
compartiment est immobile (‘eau immobile’). Les flux d'eau n'existent pas dans le
second compartiment (ni vers d'autres couches de sol, ni vers le compartiment
mobile), mais les compartiments mobiles et immobiles peuvent échanger des
solutés par diffusion. Le modèle est élaboré pour un flux en régime permanent, donc
ni θ, ni h ne changent au cours du temps.
La figure 8 illustre le principe du modèle d'eau mobile / eau immobile, dit modèle
MIM. La partition de la phase liquide est illustrée par l'équation 21.
équation 21 – Séparation de la phase liquide du sol en un compartiment mobile et un

compartiment immobile.
Avec θ la teneur en eau du sol [L3.L-3] ou (m3.m-3), à un potentiel donné ; θmob. la teneur en eau
mobile et θimm. la teneur en eau immobile.
Ce modèle est la version la plus simple du mobile MIM. La teneur en eau, le
potentiel et la teneur en eau immobile sont fixes, et seuls les transferts de soluté entre
la phase mobile et la phase immobile sont décrits. Pour une épaisseur de sol donnée,
le bilan de masse des solutés est le suivant :
équation 22 – Bilan de masse de soluté dans les parties mobile et immobile de la phase
liquide du sol.
Avec S le soluté considéré ; MS,totale [M] ou (kg) la masse totale de soluté dans la phase liquide;
MS,mob. la masse de soluté dans la phase mobile ; MS,imm. la masse de soluté dans la phase immobile
du sol ; Comme la masse est égale à la concentration fois le volume, on obtient la 2e équation, avec
CS,globale [M.L-3] ou (kg.m-3) la concentration en soluté globale, dans la phase liquide ; CS,mob. la
concentration en soluté dans la phase mobile du sol ; CS,imm. la concentration en soluté dans la
phase immobile.
Cette équation permet notamment de déduire la teneur en eau immobile à partir
d'expériences d'infiltration avec un traceur inerte (voir les matériels et méthodes,
p. 120).
54
J. Moeys Partie I
Lorsque l'on considère une phase liquide en mouvement, sur un axe vertical
(monodimensionnel) et en régime hydrodynamique permanent, la concentration en
soluté à la profondeur z et au temps t est décrite par les équations aux dérivées
partielles suivantes :
avec
équation 23 – Équations aux dérivées partielles des teneurs en eau mobile et immobile et de
leurs concentrations en soluté.
Avec z [L] ou (m) la profondeur ; t [T] ou (s) le temps ; D le coefficient de dispersion [L2.T-1] ou
(m2.s-1) du soluté dans la phase mobile et α le coefficient de diffusion (d'échange) [T-1] ou (s-1) du
soluté entre la partie mobile et la partie immobile.
Le modèle MIM présenté ci-dessus ne comprend pas explicitement de termes
décrivant une éventuelle variation de la teneur en eau ‘apparemment’ immobile en
fonction du potentiel h. Or il paraît évident que la fraction d’eau dite immobile peut
parfois évoluer avec les variations de teneur en eau, notamment si la fraction d’eau
immobile est importante : lorsque le sol sèche, la teneur en eau du sol peut parfois être
inférieure à la teneur en eau immobile mesurée à saturation. Pour ces raisons, il est
important de comparer des fractions d’eau immobile en tenant compte du
potentiel auquel elles ont été mesurées.
figure 8 – Schéma du modèle eau mobile – eau immobile.

agro-pédologiques
Clothier et al. (1992) ont mesuré une fraction d’eau immobile de 49 %, pour
h = -3 cm. Clothier et al. (1995) ont mesuré une fraction d’eau immobile égale à 36 %
pour h = -1,5 cm. Angulo-Jaramillo et al. (1996) ont mesuré une fraction d’eau immobile
de 63,5 % pour h = 0 cm. Sur le même site, ainsi que sur un second site distant du
premier, Angulo-Jaramillo et al. (1997) ont mesuré une fraction d’eau immobile de
76 % et de 38 % (h = -3 cm). Pour le premier site, la fraction d’eau immobile baisse
entre la période d’émergence de la culture et sa récolte. Casey et al. (1997) ont
mesuré une fraction d’eau immobile variant entre 39,4 % et 95,2 % (n = 47 ; h = -3 cm).
Sur la parcelle d’étude située dans le même secteur agricole que l’étude présentée
55
J. Moeys Partie I
ici, Alletto et al. (2006b) mesurent des fractions d’eau immobile variant entre 21,3 % et
88,2 % (n = 8 ; h = -1 cm), avec une des 3 fosses pédologiques étudiées présentant une
fraction d’eau immobile plus basse. La fraction d’eau immobile moyenne entre les 3
fosses est de 53,3 %. Sur la même parcelle, Millot (2004) a mesuré des fractions d’eau
immobile variant entre 0 et 93 % et entre 0 et 96 %, et de 53,3 % en moyenne sur deux
transects emboîtés (n = 19 et 24 ; h = -1 cm), dans un alignement parallèle à celui des 3
fosses caractérisées par Alletto et al. (2006b). Köhne et al. (2004) ont estimé par
inversion les paramètres de deux modèles de teneur en eau immobile complexes, à 8
et 10 paramètres, sur des colonnes de sol. Ils mesurent une fraction d’eau immobile à
saturation (h = 0 cm) entre 59 et 89 %.
Alletto et al. (2006b) ont évalué que, sur la parcelle étudiée (Ouarville), les effets de
la diffusion (α) entre la fraction mobile et la fraction immobile pouvaient être négligés
lors d’une mesure de la fraction d’eau immobile au voisinage de la saturation. Ils
mesurent une valeur de α entre 0,0006 to 0.0115 h-1. Ces valeurs apparaissent
relativement faibles au regard d’autres études que les auteurs citent (α entre 0,008 et
0,3 h-1).
Sur un transect de 58 m, avec 47 mesures, Casey et al. (1997) n’ont pas réussi à
mettre en évidence de structure spatiale de la fraction d’eau immobile ou du coefficient
d’échange α, malgré un espacement entre les mesures un peu supérieur à 1 m. Millot
(2004) a identifié une longueur caractéristique de corrélation de 88 m, pour des
mesures de fraction d’eau immobile espacées de 40 m.
■ 2.4 Processus physiques, chimiques et

biologiques subis par les produits
phytosanitaires
Les pesticides ne sont pas des molécules chimiquement inertes. Elles
interagissent avec la phase solide du sol (c’est l’adsorption) et sont dégradées
directement ou indirectement par la microflore du sol, ou par des réactions physiques
ou chimiques. Ces deux phénomènes ont une importance capitale pour le devenir
des pesticides dans les sols – ils rendent aussi leur comportement (et indirectement
leur transfert) hautement non-linéaire.
■ L’adsorption de solutés organiques par la phase solide

du sol
L’adsorption est un phénomène de rétention réversible d’une molécule sur la
phase solide du sol, qui aboutit à un équilibre entre les molécules adsorbées et les
molécules restées libres dans la solution. La désorption est la libération de molécules
adsorbées, suite à un changement dans la solution du sol. Un apport d’eau, ou un
départ de molécule avec le flux d’eau cause une désorption partielle jusqu’à un nouvel
équilibre. Une baisse de la teneur en eau, ou un nouvel apport de molécules, causent
une adsorption supplémentaire de molécules. Quand la rétention n’est pas réversible,
ou que les phénomènes d’adsorption–désorption jouent sur des intervalles de temps
longs, on parle plutôt d’immobilisation. Les phénomènes d’immobilisation ne sont
pas décrits ici (Barriuso et Benoît, 2006). Les phénomènes d’adsorption–désorption ne
sont pas instantanés : l’adsorption et la désorption agissent en suivant une cinétique
plus ou moins rapide. Les aspects cinétiques de l’adsorption ne sont pas non plus
présentés ici. Les effets du pH peuvent être importants pour l’adsorption des
molécules ionisables, mais ils ne sont pas présentés ici.
La matière organique et les particules fines du sol ont un rôle essentiel dans les
56
J. Moeys Partie I
phénomènes d’adsorption (Wauchope et al., 2002).

Les phénomènes d’adsorption ont des origines physiques ou chimiques diverses.
L’adsorption stricto sensu, dans le sens de la formation de liaisons chimiques faibles
entre les molécules et la phase solide du sol, est bien entendu un des principaux
phénomènes. L’adsorption apparente pourrait être due à la diffusion des molécules
dans la porosité la plus fine du sol, dans les agrégats de particules fines et les matières
organiques (Calvet et al., 2005). L’adsorption pourrait aussi avoir une origine
biologique, par absorption dans des organismes (plante, micro-organismes ; Calvet et
al., 2005).
L’adsorption étant un phénomène complexe, dépendant des propriétés des
molécules pesticides – très variées – et des propriétés des fractions organiques et
minérales fines du sol – très variées et mal connues pour les premières – elle est
difficile à modéliser au sens physico-chimique du terme (e.g. Wauchope et al., 2002 ;
Calvet et al., 2007). La représentation des phénomènes d’adsorption passe
généralement par des fonctions mathématiques qui en reproduisent le
comportement global, sans réellement expliquer le phénomène. Ces modèles
mathématiques doivent être calibrés expérimentalement via un ou plusieurs
paramètres qui dépendent à la fois de la molécule et du sol.
L’ordre de grandeur, la variabilité spatiale et les déterminismes des propriétés
d’adsorption de l’isoproturon dans les sols sont présentés dans le chapitre
« L'isoproturon », p. 62.
□ Représentation par le modèle linéaire

avec :
équation 24 – Relation linéaire pour l’adsorption à l’équilibre, entre Q (phase solide) et C

(phase liquide).
Avec Qeq. [M de molécules . M de sol sec-1] ou (kg.kg-1) la concentration de molécules sur la phase
solide à l’équilibre ; KD [V.M-1], (m3.kg-1), le coefficient d’adsorption/de partage/de distribution ;
Ceq. [M de molécules . V de solution-1] ou (kg.m-3) la concentration de molécules dans la phase
liquide ; Mpest.,S [M] ou (kg) la masse de pesticide adsorbée sur la phase solide ; MS la masse de la
phase solide ; Mpest.,E [M] la masse de pesticide en solution dans la phase liquide ; VE [V] ou (m3)
le volume de la phase liquide ; Mpest.,tot [M] la masse de pesticide totale dans le sol.
La manière la plus simple de décrire l’adsorption d’une molécule sur la phase solide
du sol consiste considérer le rapport entre la ‘concentration de molécules sur la phase
solide’ et la ‘concentration de molécules dans la phase liquide’ comme constant. Ce
rapport, le KD, est appelé 'coefficient de distribution', 'coefficient d’adsorption' ou
'coefficient de partage'. Le calcul du KD est donné par l’équation ci-dessous :
Cette relation suppose que l’équilibre entre la phase liquide et la phase solide est
soit instantané, soit considéré après un temps suffisant pour que l’équilibre soit établi.
Elle n’est valable qu’à une température donnée, d’où son nom d’isotherme.
□ Représentation par le modèle de Freundlich

La relation de Freundlich décrit l’adsorption d’une molécule sur la phase solide du
sol en fonction d’un coefficient (constant) entre la ‘concentration en molécule sur la
phase solide’ et la ‘concentration en molécule dans la phase liquide’, mais avec un
coefficient de puissance additionnel qui rend la relation non linéaire en fonction des
57
J. Moeys Partie I
variations de la concentration de la molécule dans la phase liquide.
équation 25 – Relation de Freundlich pour l’adsorption à l’équilibre, entre Q (phase solide)

et C (phase liquide).
Avec Qeq. [M.M-1] ou (kg.kg-1) la concentration de molécules sur la phase solide à l’équilibre ; KF
[V.M-1] ou (m3.kg-1) le coefficient d’adsorption/de partage de Freundlich ; Ceq. [M.V-1] ou (kg.m-3)
la concentration de molécules dans la phase liquide ; NF [-] le coefficient/exposant de Freundlich
qui décrit le degré de courbature de la fonction.
Quand le coefficient NF est égal à 1, la relation entre Qeq. et Ceq. devient linéaire
(équation 24).
figure 9 – Allure d’une isotherme de Freundlich pour différentes valeurs de NF et schéma

explicatif de l’adsorption.
On voit que quand on a NF > 1, le rapport entre la concentration sur la phase solide
et la concentration en solution augmente progressivement quand la concentration en
solution (et donc quand la concentration globale) augmente. La situation s’inverse
quand NF < 1, tandis que le rapport reste constant (égal à KF) quand NF = 1.
A quantité de molécule égale, on constate aussi qu’une diminution de la teneur en
eau du sol aura pour effet une augmentation de la quantité de molécules adsorbées.
En effet, cela revient à augmenter la concentration de la solution, qui provoque une
augmentation de la concentration sur la phase solide. Comme la masse de solide reste
constante, cela implique une augmentation de la quantité de molécule sur la phase
solide.
□ Normalisation de l’adsorption par le carbone organique

Dans les horizons de surface, les matières organiques du sol sont l’adsorbant le
plus important (avant la fraction argileuse). On constate expérimentalement que
58
J. Moeys Partie I
l’adsorption est proportionnelle à la quantité de matières organiques, et que la relation

entre les deux est assez linéaire (Wauchope, 2002). Pour cette raison, on normalise
souvent le KD par la quantité de carbone organique, ou la quantité de matière
organique du sol :
équation 26 – Relation entre le KD et la fraction de carbone (ou de matière) organique.

fOC [-] la fraction massique de carbone organique (organic carbon) du sol (M de carbone . M de
sol sec-1) ; KOC [V.M-1] ou (m3.kg-1) le coefficient d’adsorption linéaire normalisé par la fOC ; fOM
[-] la proportion de matière organique (en anglais : organic matter) du sol [M de matière
organique . M de sol sec-1] ; KOM [V.M-1] le coefficient d’adsorption linéaire normalisé par la
fOM.
Une grande partie de la variabilité spatiale du KD s’explique par les variations de la
teneur en matières organiques du sol. Cependant d’autres facteurs contribuent à
l’adsorption, si bien que le KOC lui-même est variable dans l’espace (en fonction de la
teneur en argile ou de variations locales des propriétés des matières organiques), mais
dans des proportions moindres que le KD.
En faisant l’hypothèse simplificatrice que le KD ne dépend que de la quantité de
matières organiques, le KOC peut être vu comme une fonction de pédotransfert
permettant d’estimer le KD à partir de mesures de teneur en matières organique et
d’une estimation de KOC mesurée par ailleurs ou issue de la littérature (voir par
exemple Coquet et al., 2005a).
□ Aperçu des méthodes de mesure

L’adsorption d’un pesticide sur le sol est généralement mesurée en conditions
contrôlées de laboratoire. La méthode générale consiste à mettre en contact du sol à
une certaine teneur en eau avec une quantité connue de molécule pesticide, de laisser
le système s’équilibrer, puis de mesurer la concentration en pesticide dans la phase
liquide. La quantité de molécule adsorbée est connue par différence entre la quantité
apportée et la quantité en solution, ce qui permet de calculer le coefficient d’adsorption.
Le cas échéant, ces méthodes présupposent que la molécule n’est pas dégradée sur
l’intervalle de temps de l’expérience.
Les méthodes diffèrent par le rapport sol/eau (Masse de sol / Masse d’eau) du
système, et par l’utilisation d’une ou de plusieurs concentrations en pesticide au
moment de l’apport (pour déduire le coefficient Kf). La méthode la plus fréquente est la
méthode dite ‘en batch’, où l’adsorption est mesurée dans une boue liquide (excès
d’eau par rapport au sol) qui est agitée. Elle a l’avantage d’être relativement facile à
mettre en œuvre, mais l’inconvénient de se baser sur un rapport sol/eau et une
déstructuration des agrégats absolument irréaliste par rapport à un sol réel.
L’adsorption peut être mesurée sur de petites colonnes de sol, non perturbées ou
reconstituées, dans lesquelles a été éluée une solution contenant le pesticide. Elles ont
l’avantage d’être moins simplistes que la méthode en batch (rapport sol/eau réaliste,
prise en compte de la structure du sol, prise en compte des effets des flux d’eau sur
l’adsorption), mais elles sont plus complexes à interpréter (e.g. Guimont et al., 2005).
Des méthodes intermédiaires ont été développées, qui consistent à mettre une solution
de pesticide en contact avec un échantillon de sol, avec un rapport sol / eau élevé,
avec de la solution contenant du pesticide, puis à extraire une partie de la solution du
sol par centrifugation (e.g. Guimont et al., 2005 ; Kah et Brown, 2007).
59
J. Moeys Partie I
■ Dégradation des pesticides dans le sol

La dégradation des pesticides dans les sols peut résulter de processus physico-
chimiques (photolyse), chimiques (hydrolyses, oxydations...) ou biologiques. La
dégradation de l’isoproturon étant essentiellement d’origine biologique, les
phénomènes physico-chimiques et chimiques ne sont pas exposés ici.
La dégradation biologique des molécules pesticides dans les sols est le résultat de
l'action de bactéries, champignons, d'algues ou de protozoaires du sol. Ces micro-
organismes peuvent agir seuls, en parallèle, ou en 'consortium' sur les différentes
étapes de la dégradation, depuis la molécule pesticide jusqu'à sa minéralisation, en
passant par ses métabolites. La dégradation biologique est essentiellement causée par
certaines enzymes produites par les microorganismes. Elle peut être interne aux
microorganismes, auquel cas les molécules doivent d'abord être absorbées, ou
externes, avec les enzymes sécrétées dans le milieu extérieur. La dégradation peut
être une source d'énergie ou de nutriments pour la bactérie, on parle alors de
métabolisme. Elle peut aussi être 'accidentelle', quand elle est causée par une enzyme
mais n'apporte pas d'énergie ou de nutriment au microorganisme qui l'a émise (Calvet
et al., 2005).
Les origines microbiologiques de la dégradation la rendent potentiellement
dépendante des facteurs qui influencent l'action des microorganismes (et leur
croissance) ou des enzymes : teneur en eau du sol, température, abondance globale
ou spécifique des microorganismes, effet/abondance d'un substrat nutritif, vitesse de
croissance des populations microbiennes, phénomènes d'adaptation au substrat
'pesticide', effet de la concentration en molécule pesticide dans la phase liquide,
vitesse de dégradation limitée par l'abondance des enzymes, etc.
De la même manière que l'adsorption est le résultat d'une interaction entre les
propriétés particulières d'une molécule et les propriétés particulières d'un sol, la
dégradation du pesticide et sa cinétique sont propres à la molécule, au sol et aux
populations microbiennes qu'il accueille (ces dernières étant en fait partie intégrante du
sol). Comme pour l'adsorption, la cinétique de dégradation du pesticide n'est
généralement pas décrite par un modèle de processus biologiques et chimiques,
mais plutôt par des fonctions mathématiques qui en miment résultat global.
L’ordre de grandeur, la variabilité spatiale et les déterminismes des propriétés
de dégradation de l’isoproturon dans les sols sont présentés dans le chapitre
« L'isoproturon », p. 62.
□ Représentation par une cinétique exponentielle d’ordre 1

La dégradation d'une molécule dans le sol est souvent décrite par un modèle à
exponentielle simple :
équation 27 – Modèle de diminution de la concentration d’une molécule en fonction du

temps suivant une cinétique de 1er ordre.
Avec C(t) [M de molécule . M de sol sec-1] ou (kg.kg-1) la concentration massique de la molécule
dans le sol au temps t ; C(t=0) la concentration de la molécule dans le sol au temps initial (apport
de la molécule au sol), qui sera notée par la suite C0 ; k [T-1] ou (s) la constante de dégradation de
la molécule. La concentration est souvent exprimée en concentration relative, adimensionnelle,
CR(t) = C(t) / C0, [-]. C’est cette unité qui sera utilisée dans la partie résultats.
60
J. Moeys Partie I
La constante de dégradation k permet de calculer le temps au bout duquel 50 % de

l’apport initial de molécule a été dégradé :
équation 28 – Relation entre la constante de dégradation k et la demi-vie DT50.

La DT50 [T] ou (s) est parfois notée DT50 ou t1/2.
La figure 10 (p. 61) présente l’allure d’une cinétique de dégradation de 1er ordre et
d’une cinétique bi-exponentielle (exposée ci-dessous).
□ Représentation par une cinétique bi-exponentielle
figure 10 – Exemple d’allure de cinétiques de dégradation exponentielle et bi-exponentielle.

Sur ces exemples : ln(2)/k1 = 5 jours ; ln(2)/k2 = 50 jours ; A = B = 50% de C0 ;
ln(2)/k = 21 jours.
Il arrive qu’une cinétique de 1er ordre ne décrive par correctement la dégradation
observée de la molécule : celle-ci peut par exemple montrer une décroissance forte
dans un premier temps, puis très ralentie dans un second temps. Une cinétique bi-
exponentielle permet alors de décrire la dégradation de manière plus satisfaisante :
équation 29 – Modèle de diminution de la concentration d’une molécule en fonction du

temps suivant une cinétique bi-exponentielle.
Avec A et B [M de molécule . M de sol sec-1] deux constantes de concentration massique, A+B
étant équivalent à C(t=0) ; k1 et k2 [T-1] deux constantes de dégradation.
Le modèle a été proposé par Gustafson et Holden (1990) (cité par Beulke et Brown,
2001). Le modèle décrit la dégradation d’une même molécule ventilée en 2 pools dont
l’importance à t = 0 et la vitesse de dégradation diffèrent. Ces deux pools, qui peuvent
61
J. Moeys Partie I
par exemple représenter deux localisations différentes dans la porosité du sol, évoluent
indépendamment l’un de l’autre (pas de terme d’échange). Quand B = 0, la cinétique
globale devient une cinétique de premier ordre comme l’équation 28. Pour que l’allure
d’une cinétique de 2nd ordre diffère sensiblement de l’allure d’une cinétique de 1er
ordre, il faut : (i) que les constantes de dégradation k1 et k2 soient suffisamment
différentes (e.g. différant d’un facteur 5 à 10) (ii) que la différence entre A et B ne
soient pas trop importante (e.g. A ou B > 15% de C0).
Si ce modèle ajuste mieux des dégradations très biphasiques, il présente
néanmoins quelques désavantages par rapport à l’exponentielle simple : il comporte
deux constantes de dégradation, difficiles à comparer avec une valeur de demi-vie
unique (Beulke et Brown, 2001) ; il comprend 4 paramètres, ce qui peut nuire à la
robustesse des ajustements quand peu de données mesurées sont disponibles.
La fonction de 1er ordre de cet exemple a en fait été ‘ajustée’ sur la cinétique de 2nd
ordre (avec C0 = 100%), de manière à estimer la DT50 équivalente. On constate que
dans ce cas, la cinétique de 1er ordre sous-estime la dégradation dans un premier
temps, puis la surestime par la suite.
□ Aperçu des méthodes de mesure des cinétiques de

dégradation§
Il existe 3 principaux types de méthodes d'étude de la dégradation d'un pesticide. La
première, et la plus courante, est l'étude de la dégradation en laboratoire, dans des
microcosmes en conditions contrôlées de température et de teneur en eau. Cette
méthode a été utilisée ici et elle est détaillée dans la partie « matériels et méthodes »,
p. 86. La seconde méthode est l'utilisation de colonnes de sol, remaniées ou non, dans
lesquelles on fait éluer une solution contenant le pesticide (comme dans le cas de
l'étude des flux d'eau ou de l'adsorption). La dégradation peut être déduite par
inversion des données mesurées. Enfin, la troisième méthode est l'étude de la
dissipation in situ du pesticide. Cette méthode a l'avantage de bien représenter les
conditions réelles, mais l'inconvénient qu'aucune de ces conditions n'est contrôlée
(d'où des difficultés possibles pour distinguer les effets des flux d'eau, de l'adsorption
et de la dégradation).
3 L'isoproturon
L’isoproturon est une molécule utilisée pour le désherbage sélectif des céréales
d’hiver ou de printemps (blé tendre d’hiver, blé de printemps, orge d’hiver, escourgeon,
seigle d’hiver ou triticale17, mais pas le blé dur).
Elle cible principalement les graminées annuelles comme le vulpin des champs,
l’agrostide ou jouet du vent, le pâturin annuel, le ray-grass et, dans une moindre
mesure, la folle avoine 18 et de plusieurs dicotylédones annuelles (Roberts, 1998 ou
Tomlin, 1994), dont la matricaire, le mouron blanc et l’alchémille (Rigaud et Lebreton,
2004). La molécule est absorbée par les feuilles et les racines, et a une action
systémique, aboutissant à l’inhibition de la photosynthèse des adventices (Tomlin
1994).
L’isoproturon est rattaché à la famille des urées substituées, comme le chlortoluron.
17
Triticum aestivum L. subsp. aestivum ; Hordeum vulgare ; Secale cereale L. ; Triticosecale.
18
Alopecurus myosuroides ; Agrostis spica-venti ; Poa annua ; Lilium sp. ; Avena fatua.
62
J. Moeys Partie I
La molécule est appliquée en pré- ou post-levée. Dans le secteur étudié, elle est
surtout utilisée sur les céréales d’hiver et appliquée peu après le semis. Elle est aussi
utilisée en ‘rattrapage’ de printemps, sur les mêmes céréales, si le désherbage hivernal
n’a pas été satisfaisant.
La dose d’application maximale légale de l’isoproturon utilisé seul est de 1200 g.ha-1.
Une note d’information19 éditée à l’occasion du réajustement à la baisse de cette dose
maximale rappelle que la dose doit être modulée en fonction des conditions
pédologiques et du stade de croissance des adventices (entre 800 et 1200 g.ha-1), avec
des doses plus faibles pour (i) les sols avec un drainage interne important, dits
« vulnérables » (sableux, ‘crayeux’, ‘filtrants’) (ii) les sols avec un faible teneur en
argile (< 20 %) (iii) les adventices a un stade peu avancé (1 à 3 feuilles). Des doses
intermédiaires sont préconisées sur les situations intermédiaires (teneur en argile entre
20 et 30 %, adventices en cours de tallage).
Une liste des produits commerciaux (formulations) comportant de l’isoproturon peut
être retrouvée sur le site e-phy du Ministère de l’Agriculture et de la pêche, et de la
SRPV (http://e-phy.agriculture.gouv.fr/mata/4818.htm, dernier accès : octobre 2007).
■ 3.1 Structure chimique de l’isoproturon et de ses

métabolites
Isoproturon Monodéméthyl isoproturon
Isopropyl-aniline
Didéméthyl isoproturon
figure 11 – Formule plane de l’isoproturon et de ses métabolites.
Le tableau 1 ci-dessous donne les noms IUPAC de l’isoproturon et de ses métabolites (IUPAC :
International Union of Pure and Applied Chemistry).
L’isoproturon est une molécule organique de la famille des phénylurées. Ces
dernières sont constituées d’un cycle phényle (C6H4) avec une molécule de méthylurée
((NH2)–CO–NH–CH3) sur l’un des carbones (carbone 1). Les différentes molécules de
la famille des phénylurées se distinguent par la nature des groupements qui sont
greffés sur l’azote de la méthylurée (en remplacement du H) et/ou sur le carbone 3,
et/ou sur le carbone 4 du cycle phényle (en remplacement d’un H) (d’après Sorensen
et al. 2003).
L’isoproturon est le 3-(-4-isopropylphényl)-N’,N’-dimethylurée (figure 11,
tableau 1), l’hydrogène carbone 4 étant remplacé par un groupement diméthyle.
L’une des principales voies de dégradation de l’isoproturon dans les sols est la
déméthylation au niveau de l’atome d’azote, sous l’effet d’enzymes ou de micro-
organismes (Tomlin, 1994), aboutissant au mono-déméthyle isoproturon (MD-IPU) et
au di-déméthyle isoproturon (DM-IPU). La phénylurée est ensuite hydrolysée (Tomlin,
19
« Note d’information commune : ARVALIS, APCA, FFCAT, FNA, FNSEA, IN VIVO, Jeunes
Agriculteurs, Ministère de l’Agriculture, de l’Alimentation, de la Pêche et des Affaires Rurales, UIPP,
COLUMA–AFPP. », 2003.
63
J. Moeys Partie I
1994) pour aboutir à l’isopropylaniline ((CH3)2CH – C6H4 – NH2, IPA).

Nom courant Nom IUPAC Abrév.
Isoproturon 3-(-4-isopropylphényl)-N’,N’-dimethylurée IPU
Monodéméthyl isoproturon 3-(-4-isopropylphényl)-N’-methylurée MD-IPU
Didéméthyl isoproturon 3-(-4-isopropylphényl)-urée DD-IPU
Isopropyl anyline 4-isopropyl-aniline 4IA ; IPA
tableau 1 – Nomenclature de l’isoproturon et de ses métabolites.
Abrev. : Abréviations possibles du nom de la molécule (d’après Sorensen et al., 2003).
■ 3.2 Propriétés physico-chimiques

L’isoproturon est une molécule peu volatile (pression de vapeur et constante de
Henry faibles) et assez soluble dans l’eau. L’indicateur de liposolubilité Log(coefficient
de partage octanol-eau), KOW a une valeur intermédiaire.
Propriété Conditions Valeur [Unité] Source
Masse molaire - 206,29 [g.mol-1] 1
Pression de vapeur 20°C 3,3 [µPa] 1,3,4
22°C 2,8 à 8,1 2
25°C 5,5 5
Constante de Henry 9,7e-6 ; 14,6e-6 [Pa.m3.mol-1] 1
22 ou 25°C 14,6e-6 2,5
Solubilité dans l’eau 20°C 70 ; 70,2 [mg.L-1] 1,2,5
22°C 65 3,4
KOW 22°C (pH 7) 2,5 [-] 1,2,3,5
2,48 4
tableau 2 – Principales propriétés physico-chimiques de l’isoproturon.
Références : (1) AgriTox, AFSSA–DIVE (2007), 25/06/2007 ; (2) SANCO (2002), Appendix 1 ;
(3) Tomlin éd. (1994) ; (4) Roberts éd. (1998) ; (5) FOOTPRINT PPDB (2007).
NB : La base de données des propriétés des pesticides de l’USDA-ARS (PPDB) ne comporte pas
d’informations sur l’isoproturon, ce dernier n’ayant pas été enregistré aux États-Unis.
NB : Différentes références peuvent en réalité s’appuyer sur les même sources, comme par
exemple les dossiers d’homologation de l’union européenne, qui incluent des études non publiées.
L’isoproturon est peu dégradé dans l’eau, et ce quel que soit le pH (temps de demi-
vie de dégradation > 200 jours (et jusque 5400 jours) sur une gamme de pH de 5 à 13
(AgriTox, AFSSA–DIVE, 2007 ; SANCO, 2002, Appendix 1). Les études de photo-
dégradation dans l’eau ont des résultats plus variables : un temps de demi-vie de
dégradation s’étalant entre 4,5 et 88 jours (source : AgriTox, 2005). La photo-
dégradation en surface du sol est faible : 90 % restant après 30 jours (SANCO, 2002,
Appendix 1).
L’isoproturon n’est pas une molécule ionique, elle ne se dissocie pas dans l’eau
(pas de constante de dissociation).
■ 3.3 Homologations des usages

En France, l’« avis aux distributeurs et utilisateurs de produits anti-parasitaires visés
par l’article L 253-1 du code rural » (Journal officiel de la République française du 18
février 2004) fixe la dose maximale d’application de l’isoproturon utilisé seul à 1200
grammes par hectares.
L’isoproturon a été homologué pour l’Europe, par son inscription par amendement
de l’annexe 1 de la directive 91/414/EEC (Off. J. Eur. Cum., 1991) d’autorisation de
64
J. Moeys Partie I
mise sur le marché de produits de protection des plantes (Annexe 1 : « Substances

actives autorisées pour les produits de protection des plantes ») et par la directive
2002/18/EC (Off. J. Eur. Cum., 2002). Les molécules inclues dans l’annexe 1 doivent
ensuite être réexaminées par chaque état membre pour s’assurer que les ‘usages
représentatifs’ examinés au niveau européen sont bien valables dans le contexte
national (Pesticides Safety Directorate (PSD), 2007). La directive 2002/18/EC sur
l’isoproturon se base sur le rapport du 7 décembre 2001 de la direction générale
« santé et protection des consommateurs » (SANCO ; SANCO/3045/99-final 12 March
2002). Elle souligne notamment que les états :
– Doivent – le cas échéant – porter une attention particulière à la protection des eaux
souterraines, quand la molécule est appliquée dans des régions dont les sols, les
conditions climatiques, ou une utilisation à des doses supérieures à celle préconisée
par le rapport d’évaluation [1,5 kg.ha-1 utilisé seul] et doivent appliquer des mesures
d’atténuation [des risques de transferts] (Traduit de l’anglais) ;
– Doivent porter une attention particulière à la protection des organismes aquatiques
et s’assurer que l’autorisation s’accompagne de mesures d’atténuation (Traduit de
l’anglais) ;
Cette directive a été transposée en France dans le Journal officiel du 13 avril 2002,
valable pour 4 ans et fixant le délai de réexamen de l’isoproturon au 1er janvier 2007
(réexamen en cours ?).
La molécule n’est pas enregistrée / homologuée aux États-Unis, au Canada et en
Australie (entre autres), mais elle est enregistrée en Inde et en Nouvelle-Zélande (PAN
Pesticide Database, 2007 ; pour les pays les plus importants)
La molécule n’est plus autorisée depuis 1999 au Danemark (Danish Environmental
Protection Agency, Ministry of the Environment 2001, cité par PAN Pesticide Database,
2007).
Au Royaume-Uni, le Pesticide Safety Directorate (PSD, 2007) a récemment
(15/03/2007) décidé de ne pas renouveler l’autorisation de mise sur le marché de
l’isoproturon, notamment du fait des « risques inacceptables pour la vie aquatique [...]
qui découlent des transferts d’isoproturon vers les cours d’eau de surface via le réseau
de drainage dans les aires traitées » dans le contexte hydro-pédologique qui prévaut
outre manche.
■ 3.4 Évaluation de son comportement

dans les sols
■ Informations fournies par les bases de données et les

ouvrages de référence
□ Adsorption (KOC)
Le coefficient d’adsorption KOC de l’isoproturon – qui reflète son degré de mobilité
(ou plutôt son degré d’immobilisation par la phase solide du sol) – est en moyenne
entre 120 et 140 L.kg-1, ce qui en fait une molécule de mobilité intermédiaire (par
rapport à d’autres molécules, si l’on se réfère par exemple à la figure 1 dans
Wauchope, 2002). La du KOC est néanmoins importante, ce qui suggère que la
réactivité de cette dernière n’est pas uniquement contrôlée par la quantité de matières
organiques, mais aussi par d’autres paramètres comme les propriétés physico-
chimiques de la matière organique ou la réactivité vis à vis des argiles (explications
65
J. Moeys Partie I
possibles).
KOC [L.kg-1] KF [L.kg-1] nF [-]
AgriTox 36 à 241, m = 122 0,26 à 27,1 0,84
SANCO 2001 36 à 241, m = 122 0,26 à 27,1
Tomlin éd. 1994 0,8 à 4,2
Roberts éd. 1998 125
FOOTPRINT PPDB 2007. 139
tableau 3 – Valeurs d’adsorption (KF ou KOC) de l’isoproturon fournies par les bases de
données internationales et certains ouvrages de référence.
Les remarques du tableau 2 ci-dessus s’appliquent aussi aux données d’adsorption.
□ Dégradation : DT50 au laboratoire

DT50 [j] T. [°C] Type
AgriTox 13; 16,6; 13,2; 12,9; 15,2; 9,7; 11,1 20°C lab, ae
13,1 ; 13,3 ; 16,2 ; 19,5 24°C lab, ae
16,5 ; 8,7 ; 9,2
21°C lab, ae
SANCO 2001 7,2 à 18,2, m = 12.6 20°C lab, ae
27 à 53 10°C lab, ae
Tomlin éd. 1994 6 à 28 ? lab, ae
FOOTPRINT PPDB 7,2 à 18,2, typique = 12 20°C lab, ae?
tableau 4 – Valeurs de dégradation (DT50) aérobie en laboratoire de l’isoproturon fournies

par les bases de données internationales et certains ouvrages de référence.
Les remarques du tableau 2 ci-dessus s’appliquent aussi aux données de dégradation.
Comme pour l’adsorption, la vitesse de dégradation de l’isoproturon s’avère
intermédiaire (par rapport à d’autres molécules, si l’on se réfère par exemple à la figure
1 dans Wauchope, 2002) mais relativement variable.
La demi-vie de l’isoproturon mesurée au champ est généralement plus élevée que
celle mesurée en conditions contrôlées de laboratoire. La base de données pesticides
Footprint indique par exemple une DT50 au champ, en conditions aérobies, entre 12 et
33 jours, contre 7,2 à 18,2 jours en laboratoire.
L’isoproturon est très peu dégradé en conditions anaérobies (1 donnée, AgriTox
2007).
■ Adsorption et vitesse de dégradation : variabilité et

déterminismes rapportés par la littérature scientifique
□ Adsorption (KOC)
On constate (tableau 5 ci-dessous) que les valeurs mesurées du coefficient
d’adsorption de l’isoproturon sont variables, s’étalant de 0.85 à 4,4 L.kg-1. Il est en fait
assez difficile de comparer des valeurs de KF avec des valeurs de KD, notamment
quand le paramètre de forme NF s’écarte significativement de 1. Les coefficients de
variation du KD ou du KF vont de 11 % à 41 %. Cette variabilité, qu’elle soit spatiale ou
non (mesure sur différents types de sol sans ‘unité de lieu’), ne semble pas clairement
liée à la surface échantillonnée (dans l’idée qu’une grande surface augmente le CV),
66
J. Moeys Partie I
ce qui indiquerait différents niveaux de variabilité spatiale. Les valeurs de KOC sont
elles aussi variables, dans des proportions similaires (valeurs de 43 à 342 L.kg-1, CV de
11 à 46 %). Les références citées ci-dessus n’utilisent pas forcément les mêmes
méthodes, ce qui peut induire un biais méthodologique. Les valeurs moyennes de KD
ne semblent pas liées au ratio sol-eau utilisé pour les mesures (données non
présentées ici).
Référence KD KF NF KOC CV n surf.
-1 -1 -1
unités [L.kg ] [L.kg ] [-] [L.kg ] % [-] [-] [ha]
Beck, 1996a 3,70 - - (74) 28% ; ? 25 ?
Walker, 1998 - 1,12 0,83 70 - 2 n.c.
Lennatrz, 1999 0.92 - - (77) 43% ; ? 99 1,8
Coquet, 2002 0,85 1,01 0,88 66 30% ; 12% 51;14 187
Walker, 2001 1,19 - - 47 11% ; 11% 30 5
Konda, 2002 - 1,19 0,53 174 - 1 n.c.
Spark, 2002 2,16 - - 43 41% ; 28% 5 n.c.
Alletto, 2004 4,4 - - 342 12% ; 13% 3 22
Cooke, 2004 4,23 - - 231 40% ; 32% 5 n.c.
Elkhattabi, 2004 - 1,43 0,87 98 - 2 n.c.
Boivin, 2006 - 3,35 0,92 195 25% ; 46% 13 n.c.
Bending, 2007 0,91 - - 61 - 2 n.c.
Vincent, 2007 2.8 - - 143 - 4 n.c.
tableau 5 – Comparaison des valeurs de KD, KF, NF ou KOC de l’isoproturon trouvées dans la
littérature scientifiques (liste non-exhaustive).
Les KOC entre parenthèses ont été estimés à partir du KD ou KF moyen, et normalisés par la valeur
moyenne de la fraction de carbone organique. Les références citées sont Beck et Jones (1996),
Walker et Jurado-Exposito (1998), Lennartz (1999), Coquet et Barriuso (2002), Walker et al.
(2001), Nemeth-Konda et al. (2002), Spark et Swift (2002), Alletto (2004), Cooke et al. (2004),
Elkhattabi et al., (2004), Boivin et al. (2006), Bending et Rodriguez-Cruz (2007), Vincent et al.
(2007), citant Madrigal et al. (2002) et Madrigal (2004).
Les différences de valeurs de KOC mesurés montrent que l’adsorption de

l’isoproturon n’est pas uniquement contrôlée par la quantité de matière organique.
Ainsi, Bending et Rodriguez-Cruz (2007) ne notent pas une variation forte de
l’adsorption de l’isoproturon avec la profondeur du sol sur un profil, malgré une teneur
en matière organique décroissante. Lennartz (1999) conclut que l’influence du carbone
organique sur le KD est modérée à l’échelle d’une parcelle dont les teneurs en carbone
sont plutôt faibles. Vincent et al. (2007) constatent au contraire que l’adsorption de
l’isoproturon est expliquée par la teneur en matière organique, de même que Boivin
et al. (2006), Cooke et al. (2004) et Coquet et Barriuso (2002, r = 0,93).
Le pH est aussi un facteur explicatif de l’adsorption. Ertli et al. (2004) reportent que
l’isoproturon est plus adsorbé dans une solution à pH 5 que dans une solution à un
pH 8. Coquet et Barriuso (2002) établissent que l’influence du pH sur l’adsorption de
l’isoproturon vient en 2e position après celle de la matière organique (dans le cadre de
leur étude).
Clausen et al. (2001), et Clausen et Fabricius (2001) montrent que l’isoproturon
n’est pas adsorbé sur des minéraux comme le quartz, la calcite, l’alpha-alumine ou les
oxydes de fer, mais que la molécule est adsorbée sur la kaolinite, avec un Kd de
1,15 L.kg-1. Clausen et al. (2001) signalent que ce résultat est cohérent avec celui
67
J. Moeys Partie I
trouvé par Worral et al. (1996), qui trouvent un Kd de 2,15 L.kg-1 sur la kolinite. Coquet
(2003) montre aussi que l’adsorption de l’isoproturon est bien corrélée à la teneur en
argile (en tant que fraction grannulométrique < 2 µm) dans la zone non-saturée.
Pantani et al. (1997) montrent que l’isoproturon est adsorbé sur la montmorillonnite et
la kaolinite, notamment quand la surface de ces dernières est saturée par un cation
hydrophobe.
□ Dégradation (DT50)
Référence m(DT50) min–max CV T θ/h n surf.
unités [j] [j] [-] % [°C] [ha]
Beck 1996b 89 31–483 89% < 10°C ∆ 25 ?
Perrin-Ganier 1996 19 ? ? 20°C 80 % cc 1 n.c.
Jurado-Exposito 1998 15 ? ? 20°C 20 % m. 2 n.c.
Berger 1999 8,67 ? ? 20°C 40 % m. 3 n.c.
Walker 2001 / 2002 ? 6,5–30 ? 15°C –33 kPa 30 5
Elkhattabi 2004 41 - - 20°C 80 % cc 2 n.c.
Walker 2004 7–8 ou 15°C 40 % cc 5
15,8–24
Beulke 2005 18,6 - - 15°C 40 % m. 1 n.c.
Charnay 2005 13 6–32 46% 28°C 90 % cc 14 135
Issa 2005 16,6 - - 25°C 27 % m. 1 n.c.
Rodriguez-Cruz 2006 3,27 1,4–12,9 42%* 15°C? –33 kPa 20 1,44
Alletto 2006a 11 - - 22°C 90 % cc 3 22
Bending 2007 15,60 15°C 40 % cc 2 n.c.
Vincent 2007 15,2 7,8–25 - 18°C 80 % cc 5 n.c.
tableau 6 – Comparaison des valeurs de temps de demi-vie (DT50) de l’isoproturon trouvées

dans la littérature scientifique (liste non-exhaustive).
m(DT50) : DT50 moyenne ; min–max : valeurs minimales et maximales ; CV : coefficient de
variation ; T : température ; θ / h : teneurs en eau ou potentiels exprimés selon différentes unités ;
n : nombre d’échantillons mesurés ; surf. : surface étudiée ; n.c. : non-concerné (mesures non
spatiales) ; ∆ : variable ; cc : Teneur en eau à la capacité au champ (pF2 ou pF2,5 ou h=–33kPa) ;
m. : Teneur en eau massique [g d’eau . g de sol sec-1] ; Le potentiel de –33kPa correspond au
pF2,5 approximativement ; n.c. : non-concerné. Les références citées sont Beck et Jones (1996b) ;
Perrin-Ganier et al. (1996) ; Jurado-Exposito et Walker (1998) ; Berger (1999) ; Walker et al.
(2001), Walker et al. (2002) ; Elkhattabi et al. (2004) ; Walker et Austin (2004) ; Beulke et al.
(2005) ; Charnay et al. (2005) ; Issa et Wood (2005) ; Rodiguez-Cruz et al. (2006) ; Alletto et al.
(2006a) ; Bending et Rodriguez-Cruz (2007) ; Vincent et al. (2007) citant Madrigal (2004).
Comme pour l’adsorption, les temps de demi-vie de dégradation de l’isoproturon
mesurés sont variables d’une étude à l’autre, avec des valeurs moyennes par étude
s’étalant entre 3,27 et 19 jours, pour les études réalisées avec une température
d’incubation supérieure ou égale à 15°C. Les études portant sur un nombre
d’échantillons plus conséquent montrent une variabilité intra-parcellaire supérieure à
40 %, ou un facteur 3 entre la valeur la plus faible et la valeur la plus forte. Charnay
et al. (2005) montrent que la variabilité peut être du même ordre de grandeur à
l’échelle de plusieurs parcelles / d’un secteur agricole de 135 ha, des résultats très
similaires à ceux obtenus dans un autre contexte et à une échelle intra-parcellaire par
Walker et al. (2001).
68
J. Moeys Partie I
Si la teneur en eau du sol et sa température influencent fortement la dégradation de

l’isoproturon (études en laboratoire de Beulke et al. 2005 ; Issa et Wood, 2005 ; Alletto
et al., 2006a), elles n’expliquent pas ou peu la variabilité spatiale (à un temps donné)
de cette propriété. Une dégradation chimique, et notamment photochimique de
l’isoproturon est possible, mais l’activité de la microflore du sol semble être – de loin –
la principale voie de dégradation de l’isoproturon dans les sols, comme pour les autres
urées substituées (Sorensen et al., 2003). La variabilité spatiale élevée de la
dégradation de l’isoproturon, à l’échelle intra-parcellaire (Walker et al. 2001 ; Rodiguez-
Cruz et al. 2006 ; El-Sebai
2007) comme inter-parcelle (Charnay et al., 2005), et le faible nombre de facteurs
agronomiques ou pédologiques actuellement identifiés (essentiellement le pH, dans
certaines études, e.g. Bending et al., 2006) suggèrent que la dégradation est le fait de
quelques micro-organismes spécifiques (bactéries), seuls ou en association (Sorensen
et al., 2003), dont la répartition est elle-même hétérogène. Des indices convergents
suggèrent que des processus d’adaptation d’une partie de la microflore du sol à la
dégradation de l’isoproturon sont possibles et provoquent une dégradation accélérée
de la molécule. Ces adaptations ont des effets variables dans le temps (e.g. Walker et
Austin, 2004) et ne réduisent pas pour autant la variabilité de la dégradation de la
molécule (Sorensen et al., 2003).
La dégradation de l’isoproturon dans les horizons de sub-surface (entre la base de
l’horizon labouré et la base du sol) ou dans la zone non-saturée décroît rapidement
avec la profondeur. Bending et Rodriguez-Cruz (2007) montrent ainsi que la DT50 de
dégradation double entre l’horizon de surface et l’horizon 70-80 cm. Des résultats
similaires avaient été obtenus par Rodriguez-Cruz et al. (2006) sur la même parcelle.
Dans le même secteur que l’étude présentée ici (Ouarville), Alletto et al. (2006a)
montrent que la DT50 de l’isoproturon est presque multipliée par 5 au minimum entre
l’horizon de surface et les horizons profonds, (à 10°C et 90 % de la capacité au
champ), et presque par 40 dans un horizon argilo-calcaire. Issa et Wood (2005)
observent aussi une décroissance de la dégradation de l’isoproturon avec la
profondeur, mais uniquement en conditions aérobies (la dégradation étant très réduite
en conditions anaérobies). Larsen et Aamand (2001) montrent que la décroissance de
la vitesse de dégradation se réduit encore avec la profondeur dans la zone non-
saturée (jusque 9,5 m), en conditions aérobies ou anaérobies.
■ 3.5 Occurrences de l’isoproturon dans les eaux

de surface et souterraines
Année(s) Eaux de Surface Eaux souterraines
2004 19,3% 1,2%
2003 18,5% 1,8%
2002 21,2% 1,9%
2001 22,9% 3,4%
1999-2000 18,7% 3,6%
1997-1998 ≈ 22% ≈ 5%
tableau 7 – Proportion des analyses d’eau de surface et souterraine pour lesquelles
l’isoproturon a pu être quantifié (présence), d’après les données IFEN.
Sources : IFEN 2006 (Dossier n°5, données 2003-2004) ; IFEN 2004 (Étude n°42, données 2002) ;
IFEN 2003 (Étude n°37, données 2001) ; IFEN 2002 (Étude n°36, données 1999-2000) ; IFEN
2000 (Études et travaux, données 1997-1998).
;
Le tableau 7 ci-dessus montre que si la proportion d’analyse d’eaux souterraines
pour lesquelles l’isoproturon a pu être quantifié est en baisse significative depuis
69
J. Moeys Partie I
1997-1998 jusqu’en 2004 (en France métropolitaine ; 14e molécule la plus retrouvée
en 2003), la quantification de l’isoproturon dans les eaux de surface reste
importante, autour de 20 % des analyses (6e molécule la plus retrouvée en 2003 et
2004).
Sorensen et al. (2003), citant l’Environment Agency (2001) (Royaume-Uni) donne
des chiffres similaires – voir plus graves – pour l’Angleterre et le Pays de Galles, avec
14% d’analyses dépassant les seuils des 0,1 µg.L-1 dans les eaux de surface en 2000.
Au Danemark, des études comme celle de Spliid et Koppen (1998) ont conduit au
retrait de la molécule du marché danois. Pour cette étude, qui porte sur 4 bassins
versants contrastés, avec 300 analyses réparties entre 1,5 et 5 mètres, l’isoproturon
était détectable dans 3,3% des analyses, parfois au-dessus de la norme de 0,1 µg.L-1.
Dans sa fiche isoproturon, l’INERIS (2007) estime que les ventes d’isoproturon
actuelles (2007) en France à 1000 tonnes par an, et suppose que les ventes de la
molécule ont fortement baissé ces dernières années en France (division par deux
depuis le début des années 2000). Cette estimation ne peut être étayée par des
chiffres de ventes officiels au niveau français ou européen, qui sont inexistants
(INERIS, 2007). En Grande-Bretagne, les statistiques d’usage des pesticides
(‘Pesticides Usage Statistics’) réalisées par le CSL (‘Central Science Laboratory’)
indique que l’usage de l’isoproturon est passé de presque 3182 tonnes.an-1 en 1990-
1991, à presque 3477 tonnes.an-1 en 1998-1999, puis est redescendu à 2290 tonnes.an-1
en 2005. Dans le même temps, les surfaces traitées sont passées de 2,2 millions
d’hectares à 3,5 millions d’hectares avant de redescendre à 2,1 millions d’hectares.
70
J. Moeys Partie II
Partie II Le secteur
agricole de
Ouarville
Bibliographie locale &
description du secteur
géographique étudié
71
J. Moeys Partie II
1 Localisation géographique
■ 1.1 Localisation
Le secteur agricole étudié est situé autour de la commune de Ouarville, à l'est du
département de l'Eure-et-Loir, en France. Il est situé en Beauce chartraine, une des
petites régions agricoles qui composent l'ensemble plus vaste de la Beauce (figure 12).
Les coordonnées géographiques de la commune de Ouarville sont :
1°77'47,12 713 Est et 48°35'43,87 809 Nord (World Geodesic System 1984), ou
X:558 000 m Est et Y:1 073 000 m Nord (NTF, Lambert 1).
figure 12 – Localisation du secteur étudié à l'échelle de la France.

Les variations de teintes orangées représentent le relief ‘en ombres’ (EEA, 2004) ; le tracé rouge
au sein du territoire français est le département d’Eure-et-Loir ; la plage grise est la Beauce (région
agricole) ; le carré noir au sein de cette région localise le secteur étudié ; Les deux fleuves
représentés par un tracé bleu sont la Seine (au nord) et la Loire (au sud ; les autres fleuves français
n’étant pas représentés).
■ 1.2 Extension
Le secteur s'étend sur 2600 ha (figure 13), dans un périmètre de 5,3 km par
5,3 km. La délimitation précise du périmètre d'étude correspond à la carte des sols du
secteur (figure 18, p.80) utilisée pour notre étude (Cabinet Veillaux, 2000).
L'emprise de la carte des sols a été définie comme un périmètre opérationnel
pour le plan d'Action de Ouarville, un programme visant à réduire les pollutions par
les produits phytosanitaires du captage d'Alimentation en Eau potable (AEP) de
Ouarville (Ailliot et Sallé, 2003). Ce programme a été initié par le GREPPPES (Groupe
72
J. Moeys Partie II
Régional pour l'Étude de la Pollution par les Produits Phytosanitaires des Eaux et des
Sols).
Le périmètre opérationnel du plan d'action a été dérivé des limites du bassin
versant de 128 km2 qui alimente le captage d'Alimentation en Eau Potable de
Ouarville, tel que délimité en 1999 (bureau d'étude ANTEA, 1999, cité par Panel,
2000).
■ 1.3 Géographie
figure 13 – Carte topographique du secteur étudié.

Les courbes isovaleurs bleues représentent les courbes de niveau indiquées par la carte IGN au
1/25 000 du secteur ; les plages grises représentent les zones urbanisées ou anthropisées ; les
places avec des hachures verticales vertes sont les zones boisées ; Le rectangle rouge représente
l’emprise de la carte des sols (coordonnées nord, sud, est et ouest maximales). Digitalisation et
infographie J. Moeys, sur base de la carte IGN et d’images satellites.
Le secteur est centré sur la commune de Ouarville, mais il empiète aussi sur le
territoire des communes de Réclainville (au nord-ouest), Louville-la-Chenard (au nord-
est), Santeuil (au sud-ouest) et Denonville (au sud-est). Deux villages sont présents
sur le secteur (Ouarville et Santeuil), ainsi que 6 hameaux (Moinville-la-Bourreau,
Ensonville, Ossonville, Edeville, Manchainville et Monvillier). Si l'on ajoute la surface
occupée par l'incinérateur de la commune de Ouarville, ainsi que par divers éléments
anthropiques, la surface urbanisée est de 140 ha (calcul n'intégrant pas les
73
J. Moeys Partie II
aménagements récents autour de Ouarville).

Surface Pourcentage
zones anthropisées (villages) 140 ha 4,6%
routes et chemins 42 ha 1,4%
zones boisées 65 ha 2,2%
activité agricole 2 764 ha 91,8%
TOTAL 3 011 ha -
tableau 8 – Occupation des sols dans le secteur étudié.
Les surfaces ont été estimées sur le polygone d'emprise de la carte des sols, à partir des données
digitalisées, et non sur la surface exacte de la carte des sols (2675 ha). La surface occupée par les
voiries est une estimation à partir d’une largeur arbitraire (10 ou 5 m). La catégorie ‘activités
agricoles’ peut intégrer accidentellement des secteurs non définis comme tels par le cadastre.
Le secteur est coupé par deux routes principales qui se croient au niveau de
Ouarville, et par plusieurs routes secondaires. Une ligne TGV passe au nord-ouest du
secteur (repère important sur les images satellitales). Les parcelles, de grandes tailles,
sont desservies par un réseau de chemins agricoles.
Le secteur a connu plusieurs remembrements agricoles depuis la fin de la 2e
guerre mondiale, en 1958 puis en 1992. Il en résulte un agrandissement important de
la taille moyenne des parcelles, ainsi que la disparition ou le déplacement de
nombreux chemins agricoles. La taille moyenne des parcelles cultivées est ainsi
supérieure à 10 ha (estimation sur les surfaces repérées visuellement sur une image
satellite spot de 2003, au nombre de 274, sans vérifications visuelles sur le terrain ;
leur nombre réel est certainement inférieur, et leur taille moyenne supérieure à cette
estimation). Les îlots (surfaces cultivées continues gérées par le même exploitant) ont
une taille moyenne de 30 ha, et peuvent atteindre 200 ha.
figure 14 – Paysages agricoles autour de Ouarville.

De haut en bas, et de gauche à droite : Commune de Ouarville ; Pivot d’irrigation et chemin
agricole au nord-est d’Ensonville, Moulin de Ouarville ; Petit bois (‘Bois bouteiller’) au sud de
Monvillier ; Deux parcelles traversées par un talweg, entre le bois bouteiller et Manchainville (non
loin de la parcelle d’étude). Notez la faiblesse du ‘relief’.
La topographie locale est quasiment plane, avec un relief très peu marqué,
s'étendant entre 145 mètres (au niveau de Santeuil) et 152,5 mètres (autour de Ouarville).
La partie la plus plane, assimilable à un plateau, est centrée autour de Ouarville. Au
nord, à l'ouest et au sud, de petits talwegs peuvent être distingués et s'agrandissent à
mesure que l'on s'écarte de cette zone centrale. Les pentes inférieures à 0,5 occupent
74
J. Moeys Partie II
65 % du secteur, celles comprises entre 0,5 et 1 % occupent 22 % du secteur, et celles

comprises entre 1 et 1,5 % ne comprennent pas plus de 7 % de la surface. Les 6 % du
territoire restant ont des pentes 'relativement' plus importantes, avec un maximum de
6 %. Les pentes s'accentuent logiquement depuis le plateau, l'apparition des talwegs et
les talwegs un peu plus prononcés, aux extrémités du secteur. Les calculs ont été
réalisés sur un modèle numérique de terrain issu de la digitalisation des courbes de
niveau IGN, suivie d'une interpolation pondérée par l'inverse du carré de la distance
sur un raster de maille 10 m par 10 m).
2 Données météorologiques
De par son hétérogénéité spatiale et temporelle, le climat est un facteur important
pour comprendre et expliquer l’hétérogénéité de la dissipation des produits
phytosanitaires dans les sols (voir par exemple Giambelluca 1996 ; Koren et al., 1999 ;
Aylmore et Di, 2000, van Alphen et Stoorvogel 2002). Le travail présenté ici ne
comprend pas de modélisation informatique du comportement des produits
phytosanitaires dans les sols. Il n’utilise donc pas explicitement de données
météorologiques. Il est néanmoins important de rappeler les caractéristiques
climatiques de la Beauce chartraine, afin de mettre en perspective les enjeux de ce
travail.
■ Type de climat
Le climat de la région est un climat tempéré, océanique altéré, se caractérisant par
des précipitations un peu moins importantes que sur les façades océaniques, et des
contrastes de température un peu plus accentués (Choisnel, 1992, cité par Rigaud
1998). La répartition des précipitations est aussi plus homogène sur l’année.
■ Températures moyennes
La température moyenne annuelle, relevée à la station Champhol près de
Chartres est de 10,8°C (moyenne entre l’année 1971 et l’année 2005 ; sa valeur
médiane est quasiment identique). Les variations de températures saisonnières ont
une amplitude modérée, avec à peine 14°C d’écart entre la température médiane des
mois les plus froids (env. 4°C, en décembre et janvier) et celle des mois les plus
chauds (env. 18°C, en juillet et août ; voir la figure 15–A). La transition entre les mois
chauds et les mois froids est progressive. L’écart médian entre les températures
journalières minimales et maximales est faible en hiver (5°C), et un peu plus important
en été (11°C). Les variations interannuelles de température pour un mois donné sont
plus importantes en hiver qu’en été, mais restent modérées (env. 5°C d’écart entre les
valeurs non-extrêmes minimales et maximales) et homogènes d’un mois à l’autre.
Une dizaine de jours de gel sont observés en décembre, janvier et février (valeur
médiane, voir la figure 15–B), et cinq jours environ pour novembre et mars. Les
variations interannuelles du nombre de jour de gel sont conséquentes pour ces
mois de l’année. Certaines années connaissent des gelées tardives en avril.
75
J. Moeys Partie II
A – Température B – Jours de gel

figure 15 – Graphique ‘box & whisker’ de la température moyenne mensuelle, et du nombre
de jours de gel entre 1971 et 2005.
Les graphiques ‘box & whisker’ sont expliqués p. 135 ; données météorologiques journalières de
la station de Champhol, près de Chartres, entre l’année 1971 et l’année 2005 ; les graphiques ‘box
& whisker’ donnent les statistiques de la température moyenne ((PMIN+PMAX)/2) pour chaque mois
de l’année ; la courbe en trait plein reprend les valeurs médianes, et les deux courbes en tiret
donnent la médiane mensuelle interannuelle des températures minimales PMIN et maximales PMAX.
La droite horizontale en pointillés donne la température médiane interannuelle.
NB : Les légers décalages entre les valeurs médianes des graphiques ‘box & whisker’ et celles de
la courbe sont dus à une différence de méthode de calcul des fonctions utilisées.
■ Précipitations moyennes, répartition mensuelle
A – Précipitations B – Évapotranspiration
figure 16 – Graphique ‘box & whisker’ des précipitations et de l’évapotranspiration
potentielle de chaque mois entre 1971 et 2005.
Les statistiques sont tirées de données météorologiques journalières ; les graphiques ‘box &
whisker’ donnent les statistiques (A) des précipitations et (B) de l’évapotranspiration potentielle
(ETP) de Penman-Monteith pour chaque mois de l’année ; la courbe en trait plein reprend les
valeurs médianes, et la droite horizontale en tirets donne la précipitation médiane interannuelle.
76
J. Moeys Partie II
Le niveau de précipitation cumulée annuelle est de 605 mm de pluie. La valeur

médiane mensuelle est de 46 mm d’eau par mois, avec des variations d’un mois à
l’autre assez faible, au maximum de 11 mm (en valeur médiane ; voir la figure 16–A).
Les précipitations mensuelles les plus faibles sont en février et mars (39 à 40 mm), et
les plus fortes en mai et juillet (57 et 55 mm).
On constate que les variations interannuelles de précipitation cumulées
mensuelles sont conséquentes (relativement aux valeurs médianes), avec environ
100 mm d’écart entre les valeurs non-extrêmes minimales et maximales. Les mois de
septembre, octobre, janvier et février, et dans une moindre mesure le mois d’avril,
connaissent les variations interannuelles de pluviométrie cumulée mensuelle les plus
fortes.
L’évolution saisonnière de l’évapotranspiration potentielle (ETP ; calculées selon la
méthode Penman-Monteith ; voir la figure 16–B) suit logiquement les variations de
température. Elle oscille entre 15 mm au cœur de l’hiver et 125 mm en été.
Contrairement aux températures, les variations interannuelles de l’ETP cumulée
mensuelle ne sont pas homogènes au cours de l’année, les mois de juin, juillet et août
connaissant les variations les plus importantes.
■ Évènements exceptionnels : précipitations
figure 17 – Graphique ‘box & whisker’ des précipitations journalières maximales de chaque
mois entre 1971 et 2005.
Les statistiques sont tirées de données météorologiques journalières ; les graphiques ‘box &
whisker’ donnent les statistiques des précipitations journalières maximales pour chaque mois de
l’année ; la courbe en trait plein reprend les valeurs médianes, et la droite horizontale en tirets
donne la valeur médiane des précipitations journalières maximales interannuelles.
Sur la base des données journalières des précipitations entre 1971 et 2005, on
constate que les précipitations journalières maximales du mois sont plus importantes
en juillet que pendant le reste de l’année (en valeur médiane comme en valeurs
extrêmes). Ces précipitations journalières maximales sont aussi un peu plus
importantes que la valeur médiane en mai, juin, août, septembre et octobre.
Il serait nécessaire d’analyser des données météorologiques recueillies à une
résolution temporelle inférieure à la journée pour se faire une idée plus précise des
évènements pluvieux exceptionnels, mais ces chiffres reflètent – entre autres – des
pluies d’orages importantes en été, et notamment en juillet.
77
J. Moeys Partie II
3 Activités agricoles
La Beauce est souvent surnommée « le grenier à blé de la France ». Le tandem
géologique dominant ‘limon éolien sur calcaire’, dans un relief généralement peu
marqué, a donné naissance à des sols fertiles, exploités de longue date pour
l’agriculture. Si le contexte pédologique est en réalité plus contrasté (Aillot et
Verbeque, 1995), la Beauce n’est est pas moins une région agricole largement
dominée par les cultures végétales, et notamment par les céréales.
Une étude réalisée en 1999 dans le cadre du plan d’action de Ouarville a permis de
brosser un tableau des assolements pratiqués dans le secteur (Deschamps, 1999).
Une enquête est aussi réalisée tous les ans par la Chambre d’Agriculture d’Eure-et-
Loir pour suivre les emblavements et les pratiques de désherbage, mais ces données
ne sont pas utilisées ici.
Deux tiers des surfaces sont occupées par des céréales, dont deux-tiers sont
consacrés au blé tendre d’hiver, un peu plus de 10 % au maïs, un peu moins de 10 %
à l’orge d’hiver (escourgeon), et environ 5 % à l’orge de printemps. Entre 18 et 20 %
sont occupés par des oléo-protéagineux (pois protéagineux, colza). La culture de la
pomme de terre est aussi importante sur les secteurs qui peuvent être irrigués, dans
les sols avec une faible charge en éléments grossiers (Deschamps, 1999).
4 Contexte géologique
■ 4.1 Géologie et hydrogéologie de la Beauce
■ Le calcaire de Beauce
La Beauce – au sens géologique du terme – correspond à l’étendue d’une formation
géologique calcaire20 (aire tertiaire), installée dans une vaste dépression de la craie
(aire secondaire). Après le dépôt marin de la craie (terminé au Sénonien), le retrait de
la mer annonce un épisode continental qui provoque une altération superficielle de la
craie, aboutissant à la formation d’un niveau d’argile résiduelle à silex. Au tertiaire, la
zone connaît une succession de transgressions (avancées de la mer) et de
régressions (retrait de la mer), et se trouve donc alternativement en situation de mer
peu profonde, de lagune, de lacs ou d’embouchure de fleuves et de rivières. Cet
épisode provoque le remplissage de la dépression par les dépôts calcaires cités ci-
dessus, ainsi que par quelques formations intercalaires (marnes, molasses du
Gâtinais, marnes et sables de l’Orléanais...). Après les dernières transgressions, à la
fin des épisodes de glaciation du quaternaire, un dépôt limoneux éolien peu épais a
recouvert une bonne partie du calcaire (Lorain et al., 1973).
■ La nappe de Beauce
Le calcaire comme la craie sont des formations poreuses, ayant une perméabilité
importante. Sous l’effet de la dissolution et des contraintes tectoniques, le calcaire est
souvent parcouru par un vaste réseau de fissures (karst). À l’exception de la partie sud
20
Les calcaires de Beauce, au sens large.
78
J. Moeys Partie II
(orléanaise) de la Beauce, le calcaire n’est recouvert d’aucune formation imperméable.

Les pluies efficaces peuvent donc s’infiltrer librement. Les argiles de décarbonatation
constituent une assise imperméable à la base du calcaire, et s’étendent sur une partie
importante de la Beauce.
Ces conditions favorables font du calcaire un immense réservoir d’eau
souterraine. La craie sous jacente constitue un deuxième réservoir, partiellement isolé
du premier par les argiles à silex. Le réservoir calcaire est caractérisé par une grande
hétérogénéité des formations qui le composent, que ce soit par leur extension latérale
ou par leur nature lithologique. Ces hétérogénéités, combinées au réseau karstique,
rendent les études hydrogéologiques complexes et incertaines. C’est une des raisons
pour lesquelles les approches ‘agro-pédologiques’ et les approches ‘géologiques’ des
pollutions des nappes phréatiques par les produits phytosanitaires sont généralement
traitées séparément : il est difficile de connecter des concentrations en pesticides
mesurées à la base du sol avec des concentrations observées dans la nappe sous-
jacente, à grande échelle (Lorain, 1973).
La nappe des calcaires de Beauce s’étend ainsi sur une superficie 9000 km2, à
cheval entre les bassins versants / unités de gestion des agences de l’eau ‘Seine-
Normandie’ et ‘Loire-Bretagne’. Il s’agit d’un des plus importants réservoirs d’eau
souterraine de France.
■ 4.2 Contexte géologique local

Âge –M.A. Ère Système Époque Étage Formation / contexte Abr.
Paléogène Oligocène – dernière transgression
Marne de Voise,
23.3-21.5 IIIaire Néogène Miocène < Aquitanien < m1a1
calcaire de Berchères
aire
23.3-21.5 III Néogène Miocène < Aquitanien > Calcaire de Beauce m1a2
aire période aride =
21.5-16.3 III Néogène Miocène < Burdigalien
assèchement
Sables de Lozère =
21.5-16.3 IIIaire Néogène Miocène < Burdigalien m1b
climat plus humide
pénéplanation par
IIIaire Néogène Pliocène – érosion = relief actuel,
climat tiède et humide
Glaciation
ers
gélifraction des 1
? IVaire ? ? ? mètres du calcaire de
Beauce
0.08-0.01 IVaire Néogène Pléistocène > Würm Limon des plateaux LP
tableau 9 – Récapitulatifs des formations géologiques présentes sur le secteur de Ouarville,
d’après la carte géologique de Voves.
Les indications d’étages et de contexte géologique sont tirées de la notice de la carte géologique.
Avec M.A. : millions d’années ; Abr. : abréviations ; IIIaire : tertiaire ; IVaire : quaternaire.
La carte géologique de Voves (au 1/50 000) fait apparaître plusieurs formations
géologiques dans le secteur agricole étudié. Ces formations, ainsi que les principaux
évènements de l’histoire géologique du secteur, sont résumées dans le tableau 9 ci-
dessus.
La marne de Voise et le calcaire de Berchères (m1a1) sont deux formations de
l’Aquitanien inférieur se présentant soit sous forme d’un calcaire dur, soit sous forme
d’une ‘marne friable blanche’ (cette dernière n’a pas été rencontrée sur le site). Il s’agit
d’une « pierre dure et compacte : calcaire très fortement vacuolaire (vacuoles presque
jointives), d’aspect carié, noduleux, plus ou moins silicifié, brun rosé clair à ocre »
79
J. Moeys Partie II
(Gigot et Desprez, 1976, notice). Un faciès calcaire rosé et ocre a effectivement été
identifié, parfois fortement meuliérisé (silicifié), lors de l’ouverture des fosses
pédologiques sur la parcelle étudié (INRA d’Orléans, 2004), au bas du flanc ‘est’ du
talweg qui traverse cette dernière. La notice de la carte géologique précise que cette
formation « peut se charger en grains de sables détritiques allant jusqu’à constituer
des lentilles de sables quartzeux ».
figure 18 – Carte géologique du secteur étudié.

La signification des symboles est donnée dans le tableau 9 ci-dessus. La carte géologique est un
extrait de la carte géologique de Voves (Gigot et Desprez, 1976). La seule plage de formation FC
(hachures vertes horizontales, Formations Colluviales) du secteur est en fait masquée par la zone
urbanisée autour de Santeuil. Les hachures vertes verticales représentent les zones boisées.
Digitalisation et infographie J. Moeys.
Le calcaire de Beauce (m1a2) est une formation de l’Aquitanien supérieur pouvant
se présenter (depuis son sommet jusqu’à sa base) sous la forme d’un « calcaire
gélifracté », puis d’un « calcaire gris fer [...] », puis d’un « calcaire gris bréchique, à
nodules [...] », puis d’un calcaire « blanc-beige, carié [...], et enfin d’un « calcaire beige
rosé uni » (Gigot et Desprez, 1976, notice). Du calcaire blanc, et plus rarement gris
(sous forme d’éléments grossiers), a effectivement été rencontré lors des campagnes
de sondage tarière (prospections Moeys J. et Michelin J.). Le faciès calcaire gris
semble localisé sur le plateau autour de Ouarville. La notice de la carte géologique
précise qu’ « un réseau karstique important avec de nombreux avens » s’y est installé.
80
J. Moeys Partie II
De nombreux avens, de petite taille et présentant une faible dépression (20 à 100 cm,
parfois plus), sont en effet observables dans le secteur étudié.
Les Sables de l’Orléanais, Sables de Lozère (m1b) du Burdigalien n’existent
qu’en « lentilles témoins » sur le secteur. Des matériaux sableux ont effectivement été
rencontrés lors de deux sondages distants, en remplissage d’un aven, sous une
épaisse couche de limon. Les ‘graviers de Lozère’, graviers blancs ou rosés, de nature
siliceuse (ou de feldspath potassique ?) ont été rencontrés plus fréquemment, soit
sous forme de lentilles très localisée au-dessus du calcaire (rare), soit en quantité
moyenne mêlés à une argile lourde (plus fréquent), soit en faible quantité dans le limon
(fréquent). Il n’est pas rare que ces derniers soient enrobés d’une pellicule brun
sombre à noire, évoquant d’une hydromorphie passée.
Le limon des plateaux (LP) est « très homogène, d’une teinte brune à brun-jaune
ou brun roux » très peu calcaire [...] et très fin. ». La notice de la carte géologique
précise aussi que « les analyses de la fraction argileuse reflètent la nature du
substratum ».
Formation Superficie Surface
LP 2371 ha 78,8%
m1a2 306 ha 10,2%
m1a1 178 ha 5,9%
hors carte 138 ha 4,6%
LP m1b 17 ha 0,6%
FC 1 ha 0,0%
TOTAL 3010 ha 100,0%
tableau 10 – Surface occupée par les différentes formations géologiques.
Hors carte : Autre carte géologique, non utilisée pour limiter les problèmes possibles de jointures
entre les deux cartes. Les formations colluviales (FC) ne sont pas abordées dans ce document vu
leur faible étendue.
La carte géologique ne fait pas mention des formations de faible épaisseur qui ont
été rencontrées localement dans le secteur étudié : l’argile à meulières et l’argile de
décarbonatation. Elles dérivent probablement toutes deux de la décarbonatation du
calcaire, la première à partir d’une formation contenant des meulières ou silicifiée, la
seconde à partir d’une formation exempte de meulières.
Une étude réalisée par le bureau d’étude ANTEA en mai 1999 (citée par
Deschamps, 1999) évalue le niveau de la nappe phréatique entre 127 mètres, au
niveau de Santeuil, et 122 mètres, au niveau de Ouarville, avec un gradient de
piézométrique du nord-ouest au sud-est (altitude absolue du toit de la nappe, ce qui
donne une nappe située entre 18 et 30 mètres sous le niveau du sol).
5 Contexte pédologique
■ 5.1 Carte des sols du secteur réalisée par un
bureau d’étude indépendant
En 2000, une carte des sols a été réalisée par un bureau d’étude indépendant pour
servir de base au plan d’action en cours sur le secteur de Ouarville (réduction des
pollutions par les produits phytosanitaires).
81
J. Moeys Partie II
figure 19 – Carte des sols du secteur de Ouarville.

La carte a été établie par un bureau d'étude (Cabinet Veillaux, 2000). Digitalisation: J.-M. Gilliot,
infographie : J. Moeys. Initialement indiqués d'après la classification CPCS (CPCS, 1967) les
types de sols ont été convertis en types ‘RP 1995’ (AFES, 1995). Les types de sols sont subdivisés
en unités cartographiques élémentaires d'après les classes de profondeur de sol, dont seules les
limites sont représentées ici. Les courbes isovaleurs grises représentent le fond topographique
IGN.
Les types de sol de la carte initiale (d’après la classification CPCS) ont été convertis
en types de sol d’après le Référentiel pédologique de 1995. Pour les types de sol
présents, la conversion peut se faire (quasiment) sans ambiguïté, comme indiqué par
le tableau 11 ci-dessous.
Classification CPCS Référentiel Pédologique 1995
RENDZINE (BLANCHE OU GRISE ?) RENDISOL (OU RENDOSOL)
SOL BRUN CALCAIRE CALCOSOL
SOL BRUN CALCIQUE CALCISOL
SOL BRUN BRUNISOL
SOL BRUN LESSIVÉ NÉOLUVISOL
SOL LESSIVÉ LUVISOL
tableau 11 – Règles de conversion utilisées pour passer des types de sol de la classification
CPCS à ceux du Référentiel pédologique 1995.
82
J. Moeys Partie II
Les surfaces et proportions de la surface totale occupées par chacun des types de
sol sont données par le tableau suivant.
Type CPCS Type RP Superficie Surface
RENDZINE RENDOSOL ou RENDISOL 32 ha 1,2%
BRUN CALCAIRE CALCOSOL 231 ha 8,6%
BRUN CALCIQUE CALCISOL 166 ha 6,2%
BRUN BRUNISOL 139 ha 5,2%
BRUN LESSIVÉ NÉOLUVISOL 1289 ha 48,2%
LESSIVÉ LUVISOL 816 ha 30,5%
TOTAL 2675 ha 100,0%
tableau 12 – Surface occupée par les différents types de sol sur la carte.
D’après Delmas (2007).
Les sols à ‘ambiance calcaire ou carbonatée’ (saturation de la CEC par le calcium,
réserve de CaCO3 plus ou moins abondante, sous forme d’éléments grossiers), c’est à
dire les RENDOSOLS/RENDISOLS, CALCOSOLS et CALCISOLS occupent à peine 16 % des
surfaces du secteur. Les RENDOSOLS/RENDISOLS, peu épais et développés
principalement dans un matériau calcaire occupent moins de 2 % des surfaces.
Les BRUNISOLS, qui sont normalement les sols précurseurs des NÉOLUVISOLS et
LUVISOLS occupent à peine 6 % de la surface.
Les NÉOLUVISOLS, correspondent à une phase de pédogenèse intermédiaire entre
les BRUNISOLS et les LUVISOLS. Ils occupent à l’inverse presque la moitié de la surface,
les LUVISOLS occupant les 30 % restants.
On remarque une relation ténue mais claire entre la topographie, la géologie et les
types de sols. Les extrémités du secteur sont entaillées de talwegs naissants,
notamment au ‘nord-est’, et au ‘nord-ouest’ du secteur étudié. La carte géologique
indique, dans ces talwegs, la présence à faible profondeur21 des formations
géologiques m1a1 et m1a2. C'est dans ces mêmes secteurs que l’on retrouve
généralement les RENDOSOLS/RENDISOLS, CALCOSOLS et CALCISOLS. Mais ces derniers
se retrouvent aussi à d’autres endroits, sous la commune d’Edeville ou au-dessus
d’Ensonville. Les NÉOLUVISOLS et LUVISOLS occupent préférentiellement le plateau de
Ouarville, là où les pentes sont les plus faibles. La carte géologique indique la
présence d’une formation de limon des plateaux plus épaisse sur ces points hauts.
La carte pédologique renseigne aussi sur les profondeurs de sol, l’hydromorphie et
les matériaux géologiques parentaux. Pour ces derniers, seuls le limon et le calcaire
sont indiqués. L’hydromorphie des sols est généralement faible ou nulle22.
Les études réalisées en 2004 sur le secteur dans le cadre du programme ESHEL
(Moeys, 2004 ; Moeys et al., 2006), puis une campagne de sondages tarière réalisée
en 2005 (prospection Moeys & Michelin, non publié), ont permis de mettre en évidence
la présence d’autres matériaux géologiques parentaux non indiqués par la carte des
sols. Il s’agit de l’argile à meulière et de l’argile de décarbonatation. Ces deux
formations ne sont pas représentées sur la carte géologique, mais sont présentées
dans la notice. Si ces formations sont morphologiquement semblables à un horizon
21
Les cartes géologiques ne représentent pas systématiquement les formations géologiques de surface.
Si celles-ci ont une trop faible épaisseur, c’est la formation sous jacente qui est représentée. Ainsi, le
limon des plateaux n’est représenté que s’il dépasse une certaine épaisseur (le seuil étant décidé par
le géologue cartographe).
22
Les campagnes de sondages réalisées ont confirmé la rareté des phénomènes d’hydromorphie. Ceux-
ci sont vraisemblablement rares et liés à des épisodes particulièrement pluvieux (n’ayant pas lieu tous
les ans). Certains indices d’hydromorphie sont aussi des reliques d’un climat passé.
83
J. Moeys Partie II
d’accumulation d’argile (BT)23, il n’est pas certain qu’elles soient identiques du point de
vue de leur fonctionnement hydrique, ni de leur réactivité vis-à-vis des polluants
organiques.
Les sols développés dans l’argile à meulière, ou sur une argile de décarbonatation
peuvent être classés comme PSEUDO-LUVISOLS ou comme LUVISOLS (voir
NÉOLUVISOLS). Il est difficile d’arrêter un choix avec les seules données de terrain, et il
est possible que ces sols soient souvent des inter-grades de ces types de sols
(situations intermédiaires ou combinaison de facteurs).
Après l’échantillonnage de l’étude présentée ici, Delmas (2007) a effectué une
synthèse des données disponibles sur les sols du secteur, et évalué la précision de la
carte présentée ci-dessus. Cette étude confirme les manques de cette carte.
■ 5.2 Horizons caractéristiques des types

pédologiques de la carte
Ro/Ri Ca Ci B N NT L LT
LACA/CI LACA/CI LACI LAS LAE LABT LAE LABT
CCA SCA SCI (S) (E) (BT) (E) (BT)
CCA CCA C* BT (S) BT (S)
(S) C* (S) C*
C* C*
tableau 13 – Horizons caractéristiques des types pédologiques représentés par la carte des
sols du secteur.
Légende du tableau 13 ci-dessus. Ro ou Ri : RENDOSOLS ou RENDISOLS ; Ca : CALCOSOLS ; Ci :
CALCISOLS ; B : BRUNISOLS ; N : NÉOLUVISOLS ; L : LUVISOLS ; Le symbole T signifie que la
partie supérieure du sol, l’horizon éluvial E, a été tronquée (par érosion). LA : horizon travaillé
(L), organo-minéral (A) ; C : horizon minéral dont le matériau parental a subi une fragmentation
et/ou une altération géochimique, mais sans structuration pédologique. Pour le diagnostique du
type de sol, le dernier horizon peut aussi être un horizon M (roche meuble) ou R (roche dure).
L’indice CA désigne un horizon ‘calcaire’, avec plus de 5% de CaCO3, et une CEC largement
dominée par le cation Ca++ (saturé). Le diagnostique alternatif de terrain est une effervescence
généralisée à froid à HCl. L’indice CI désigne un horizon ‘calcique’, avec moins de 5% de CaCO3,
et une CEC dominée par le cation Ca++ (sub-saturé). Le diagnostique alternatif de terrain est une
effervescence localisée, ou de faible intensité, à froid au HCl. L’indice ‘*’ désigne un horizon
calcaire, calcique ou non calcaire. S : horizon structural, ayant subi une altération et une
structuration pédologique, mais pas de départ (de réception) de matière vers (depuis) les horizons
inférieurs (supérieurs). E : horizon éluvial, ayant perdu une partie de son argile par lessivage vers
les horizons sous-jacents ; BT : horizon illuvial, ayant reçu de l’argile par lessivage depuis un
horizon supérieur. Les parenthèses autour de certains types d’horizons signifient que le type peut
être présent mais n’est pas indispensable au diagnostique.
Il est important de rappeler quels sont les types d’horizon présents qui permettent
de diagnostiquer un type de sol. Lors d’un travail de terrain comme celui réalisé pour la
carte des sols, on ne dispose pas d’analyses physico-chimiques permettant de réaliser
un diagnostique certain du type de sol.
Dans le secteur étudié, les principaux éléments sur lesquels reposent le
diagnostique sont donc (A) l’effervescence à froid à HCl et/ou la présence non
anecdotique (c’est-à-dire ne provenant pas d’un chaulage) d’éléments grossiers
calcaires dans le sol et (B) la présence dans le profil d’un contraste de texture, indice
d’un possible lessivage d’argile d’un horizon vers un autre.
23
La présence de graviers et cailloux de meulière est en revanche une différence morphologique notoire
entre les horizons BT développés dans le limon et les horizons développés dans une argile à meulière.
84
J. Moeys Partie II
Ce dernier point doit cependant être nuancé. Une teneur en argile très élevée peut
être due à la présence d’argile de décarbonatation. Une teneur en éléments grossiers
de meulières notable, associée à une teneur en argile plus élevée et une absence
d’éléments grossiers calcaires peut être due à la présence d’argile à meulière.
85
J. Moeys Partie III
Partie III Matériels &

méthodes
Évaluation des propriétés du
sol, de l'adsorption et de la
dégradation de l'isoproturon.
86
J. Moeys Partie III
1 Démarche générale
L'évaluation des risques de lixiviation d'isoproturon à la base des sols du secteur
agricole de Ouarville doit reposer - dans cette étude - sur l'utilisation de modèles
informatiques (programmes) qui simulent le comportement des molécules
phytopharmaceutiques dans le sol. Le modèle choisi est un modèle à base physique,
HYDRUS 1D. Ces modèles demandent d'être paramétrés en fonction des propriétés
du sol, de la molécule et de leurs interactions.
Il est ainsi nécessaire de connaître les propriétés hydriques du sol, que ce soit la
rétention en eau (relation entre teneur en eau θ et potentiel matriciel h) ou la
conductivité hydraulique du sol en régime non saturé (elle aussi exprimée en
fonction du potentiel h, et notée K(h)). Des propriétés physiques et physico-
chimiques du sol, comme sa masse volumique apparente et sa granulométrie sont
aussi généralement mesurées. La teneur en carbone organique est un paramètre
essentiel pour comprendre les propriétés d’adsorption des pesticides dans les sols.
Les propriétés physico-chimiques de la molécule seule, comme sa solubilité dans
l'eau, ne sont généralement pas mesurées (et ne le sont pas ici), mais peuvent être
renseignées d'après la littérature et les bases de données de propriétés des molécules
phytopharmaceutiques comme AFSSA (2007) ou FOOTPRINT (2006).
Les propriétés résultant de l'interaction entre la molécule et le sol doivent être
mesurées. Elles sont en effet très dépendantes des propriétés du sol dans lequel se
trouve la molécule. Ces propriétés sont principalement le coefficient d'adsorption de
la molécule sur le sol (noté Kd ou Kf selon l'équation considérée) et la cinétique de
dégradation de la molécule (synthétisée par son temps de demi-vie, DT50).
La connaissance exhaustive des propriétés du sol est déjà impossible sur un
échantillon simple et restreint (ex : un agrégat), elle l'est plus encore au niveau spatial,
que ce soit à l'échelle du profil de sol ou celle du bassin versant. La connaissance des
sols à l'échelle d'un secteur agricole passe donc obligatoirement par une étape
d'échantillonnage et de mesures des propriétés du sol sur des sites localisés. Ce
n'est qu'une fois ces mesures acquises que l'on peut envisager de les 'spatialiser'.
Après la phase de mesure, et avant l'étape de spatialisation, il est aussi important
d'identifier les propriétés du sol qui sont déterminantes pour l'interaction entre le
sol et la molécule, ou pour les propriétés hydriques du sol. Des tests statistiques
permettent de mettre en évidence ces liens. La connaissance de ces interactions est
déterminante pour expliquer la variabilité spatiale des propriétés importantes, et
éventuellement pour choisir la meilleure stratégie de spatialisation de ces dernières.
L'objet de cette partie est de décrire précisément cette étape d'échantillonnage et de
mesures, puis les tests statistiques destinés à mettre en évidence d'éventuels liens
entre les différentes propriétés mesurées.
2 Plan d'échantillonnage
■ 2.1 Nombre d’échantillons
La taille de l'échantillonnage a été arrêtée à 50 échantillons pour une campagne
(année culturale) de prélèvement et de mesure. Le facteur le plus limitant est le
87
J. Moeys Partie III
nombre d'incubations sol-pesticide qu'il est possible de gérer simultanément pour les
mesures de cinétique de dégradation de l'isoproturon. Seuls 50 incubations
peuvent être gérées simultanément. A raison de 2 répétitions par échantillons de sol à
étudier, une série de mesure de dégradation de l'herbicide ne peut concerner que 25
échantillons. Il est possible de réaliser 2 séries de mesures successives (lancées à
quelques semaines d'intervalle) au cours d'une campagne de prélèvement. Cela
ramène le nombre d'échantillons maximum à 50 par campagne.
D'autres campagnes de prélèvements et de mesures n'ont pas été possibles du fait
du temps nécessaire aux mesures en laboratoire et sur site.
■ 2.2 Stratification verticale

Comme exposé dans la bibliographie ("Stratification verticale et latérale de l'horizon
travaillé : le profil cultural", p. 36), les opérations de travail du sol provoquent une
stratification latérale et verticale de l'horizon travaillé, ainsi qu'une hétérogénéité
interne des 'strates' du profil.
Ces hétérogénéités se traduisent en terme de masse volumique apparente du sol
(des mottes) et de localisation des résidus organiques de la récolte précédente. Or les
variations de masse volumique apparente reflètent de facto des variations de porosité
du sol, paramètre déterminant pour la rétention en eau et la conductivité hydraulique.
Les matières organiques sont quant à elles capitales pour l'adsorption des molécules
organiques comme l'isoproturon.
Il est donc a priori important de prendre en compte l'hétérogénéité du profil dans le
plan d'échantillonnage. Deux limitations majeures sont à prendre en compte : le
nombre d'échantillon à prélever est limité (50), et l'ouverture d'un profil cultural et sa
description est un travail long et fastidieux, difficilement compatible avec les impératifs
de temps liés aux mesures à réaliser in situ. Le travail s'effectue en effet en deux
phases: une phase d'échantillonnage et une phase de mesure in situ, la première en
automne, la seconde en hiver et au printemps.
Il est par contre aisé de déterminer la profondeur du lit de semence et celle du reste
de l'horizon travaillé, en réalisant un trou à la bêche (et en le complétant au besoin par
un travail au couteau). Cette stratification verticale est d'autant plus importante que,
dans le secteur, environ un tiers des surfaces cultivées sont en travail simplifié, ce qui
provoque l'apparition d'un 'mulch' (paillis) de débris organiques en surface et une
concentration de la matière organique dans les premiers centimètres du sol.
Seule la stratification verticale lit de semence – reste de l'horizon travaillé a
donc été prise en compte. La répartition choisie est 2/3 d'échantillons pour le lit de
semence, et 1/3 prélevés dans le reste de l'horizon travaillé. Le lit de semence est plus
important, car il reçoit le pesticide en premier et il contient plus de matières organiques
si le sol est en travail simplifié.
La stratification consiste donc en 34 sites de prélèvement. Les lits de
semence de ces sites ont été systématiquement prélevés, ce qui donne 34
échantillons de ce type. Le reste de l'horizon travaillé n'a été échantillonné que
pour 16 des 34 sites, ce qui donne 16 échantillons supplémentaires, pour arriver à un
total de 50.
Dans le but d'éviter toute ambiguïté, le sens des termes 'site', 'couche de sol'
et 'échantillon', tels qu'utilisés dans ce document, est défini dans la partie
« Termes relatifs à l'échantillonnage », (annexes p. 276).
88
J. Moeys Partie III
■ 2.3 Éléments utilisés pour la stratification
■ Principe
Le plan d'échantillonnage a été stratifié en suivant plusieurs éléments d'information
déjà disponibles pour le secteur étudié : le type de sol et sa classe de profondeur,
d'après la carte pédologique ; le substrat géologique d'après la carte géologique ; la
classe de clarté du sol issue d'une image satellitale. La distance moyenne entre les
sites d'échantillonnage a aussi été prise en compte afin d'obtenir un échantillonnage
relativement homogène géographiquement.
Les objectifs de l’échantillonnage pour chaque classe des différentes propriétés est
donnée en annexe (« Stratification de l’échantillonnage : objectifs », p. 280), ainsi que
la pondération entre ces différents critères.
Le type de travail du sol de l'exploitant (informations sur le parcellaire et enquête de
la Chambre d'Agriculture d'Eure-et-Loir ; Sallé S., 2004-2007, communications
personnelles) a été pris en compte dans un second temps (empiriquement), lors de la
sélection des 34 sites parmi les 44 échantillonnés. Le suréchantillonnage permet
d'ajuster après coup les caractéristiques de l'échantillonnage.
L'information portée par ces strates est sous forme de propriétés qualitatives, issues
de typologie. L'opération de stratification consiste à choisir les sites d'échantillonnage
de manière à ce que, pour chaque strate, les sites se répartissent correctement entre
les différentes valeurs possibles des propriétés qualitatives existantes.
Une première étape de la stratification consiste à définir propriété par propriété (type
de sol, formation géologique, etc.), et valeur par valeur (LUVISOLS, NÉOLUVISOLS, etc.)
le nombre d'échantillons qui doit s'y rattacher (ou la proportion d'échantillons).
Comme plusieurs strates d'information sont considérées simultanément, et que ces
strates peuvent avoir des liens entre elles (sol et géologie par exemple) il n'existe pas
forcément de solution parfaite en regard des objectifs fixés (en terme de répartition).
Les jeux d'échantillons 'possibles' ont donc été notés, pour chaque strate, en
fonction de l'adéquation entre l'échantillonnage proposé et l'objectif visé.
Cette stratification a été effectuée en 3 étapes :
– Établissement d'une grille systématique de localisation géographique, réparties de
manière régulière, espacées de 50 m (en X et Y). Cette grille de coordonnées
géographiques en Lambert 1 a été générée avec le logiciel Statistique R (R
Development Core Team, 2007), puis a été importée dans le Système d'Information
Géographique ArcMap (ESRI, Redlands, CA, USA) via une table MS Access
(Microsoft, WA, Redmont).
– Élimination des localisations géographiques se trouvant sur ou à proximité
d'éléments anthropiques ou non-agricoles. Une base de données géographiques au
format vectoriel (ArcMap) a été constituée à cette fin en digitalisant la carte IGN du
secteur et en la complétant par une analyse fine d'images satellitales récentes du
secteur. Les éléments de cette base considérés comme anthropiques sont :
– Les zones urbaines (villes et jardins alentours) ;
– Les voies de communication actuelles (routes et chemins agricoles) ;
– Les chemins agricoles anciens, effacés par les remembrements successifs,
repérés sur les images satellites et les photos aériennes, certaines prises il y a
plusieurs décennies ;
89
J. Moeys Partie III
– Les zones boisées actuelles ;

– Les zones boisées anciennes ou mises en culture depuis, repérées sur la carte
IGN et les photos aériennes ;
– Les haies qui bordent certaines parcelles, repérées sur les images satellitales ;
Les informations au format vectoriel 'ligne', comme les routes et chemins, ont
ensuite été transformées en couches vectorielles 'polygone' à l'aide d'une zone
tampon de 10 m minimum autour de leur tracé.
L'ensemble des couches de données 'non-agricoles' a ensuite servi de
masque pour éliminer de la grille des localisations géographiques initiales
celles situées trop près d'éléments anthropiques.
La grille comporte, après élimination des sites anthropisés, 8780 points.
■ Réalisation
La sélection préalable des sites à échantillonner a été effectuée par un script en
langage R, incluant une procédure itérative simple visant à choisir les sites par des
tirages aléatoires successifs.
Un premier sous-ensemble de 44 sites est constitué par un tirage aléatoire dans le
jeu de localisations initiales (grille).
Les écarts aux objectifs (types de sol, classe de profondeur...) sont calculés critère
par critère, moyennés sur l’ensemble des classes de chaque critère. Une moyenne
pondérée entre les critères permet d’obtenir un score global pour la sélection de 44
sites évalués.
Le sous-ensemble est modifié pas à pas, en éliminant à chaque étape un site, et en
le remplaçant par un autre. Si le remplacement améliore le score global, le
changement est validé ; dans le cas contraire, il est rejeté.
La procédure est arrêtée au bout de 3000 itérations et les sites retenus sont
présentés sous forme d’un fichier comportant leur localisation géographique.
La procédure permet de préciser si des sites ont déjà été échantillonnés. Ces
derniers font alors obligatoirement partie de l’ensemble de sites testés et le script
retourne un nombre de sites supplémentaires permettant d’améliorer l’échantillonnage
par rapport aux objectifs fixés.
La procédure est cependant difficile à mettre en œuvre au jour le jour, car les sites
échantillonnés ne sont jamais exactement à la position des sites visés (il peut aussi
s’agir de sites échantillonnés qui n’étaient pas visés initialement). Il est alors
nécessaire d’extraire du SIG les caractéristiques des sites échantillonnés (type de sol
supposé, classe de profondeur...). Cette procédure est relativement longue, car elle n’a
pas été automatisée.
■ Adaptation aux conditions de terrain

Les principales modifications à la procédure d’échantillonnage décrite ci-dessus
sont dues à la culture en place à la période de prélèvement. En effet, toutes les
surfaces ne sont pas cultivées en céréale d’hiver, et la période de semis est très
étalée. Si un site visité s’est avéré inadéquat, il a pu être remplacé par un site similaire
(type de sol et géologie notamment).
Il s’est avéré nécessaire d’adapter le positionnement aux conditions de terrain : si le
site visé est supposé être un sol calcaire (d’après la carte), et qu’il s’avère être un sol
non caillouteux, le site est déplacé jusqu’à la zone calcaire la plus proche.
90
J. Moeys Partie III
Les sites trop éloignés des voies d’accès ont été éliminés ou déplacés (si la
distance est supérieure à 300 m) et certains sites ont été échantillonnés sans avoir été
préalablement choisis.
■ 2.4 Localisation géographique des sites –

recherche des sites visés
La procédure de présélection des sites d’échantillonnage permet d’obtenir, pour
chaque site visé, un couple de coordonnées (latitude et longitude, exprimées en
Lambert 1 Carto) à atteindre.
Le système de positionnement utilisé est un ‘Meridian GPS®’ (Magellan Navigation
Inc., Santa Clara, CA, USA). L’appareil à une précision d’affichage métrique, et une
précision effective de 5 à 10 mètres, dans des conditions de nébulosité faible à
modérée. L’appareil n’est pas équipé d’un système de positionnement différentiel
(dGPS).
Les coordonnées des sites à échantillonner sont préalablement chargées dans la
mémoire de l’appareil au moyen d’un programme approprié. La fonction ‘Goto’ de
l’appareil permet ensuite à l’opérateur de connaître la direction du site et sa distance, à
partir d’un lieu quelconque du secteur étudié, et de se déplacer jusqu’à celui-ci.
En pratique, il est difficile de positionner un site visé à une précision inférieure à un
ou deux mètres. Une correction empirique de la localisation est parfois nécessaire pour
s’adapter aux conditions de terrain (voir ci-dessus).
Le sol du site est ensuite échantillonné selon les modalités décrites ci-dessous.
Pendant l’échantillonnage, le GPS est posé allumé le plus près possible de la zone
prélevée. A la fin de l’échantillonnage, les coordonnées affichées par le GPS sont
notées sur la fiche de prélèvement, ce qui permet de tenir compte d’une éventuelle
correction/stabilisation des coordonnées affichées. Un bâtonnet de 1 m de haut,
prolongé d’un ‘drapeau’ plastique blanc et orange est placé sur le point
échantillonné.
Cette première géolocalisation détermine la localisation géographique du site,
telle qu’elle est saisie dans la base de données des mesures, le site étant une aire
virtuelle de quelques mètres carrés dans laquelle les mesures suivantes doivent
théoriquement se trouver.
Pour les mesures réalisées à une date ultérieure à l’échantillonnage (sondages
tarière, masse volumique apparente et infiltrométrie, prélèvement pour les mesures de
rétention en eau), le site est localisé à nouveau à l’aide de la fonction ‘Goto’ du GPS et
des coordonnées définitives du site préalablement chargées en mémoire. Compte tenu
des erreurs cumulées de positionnement initial et ultérieur du site, les mesures sont
théoriquement localisées dans un rayon de 11 à 21 mètres (5+5+1 ou 10+10+1) autour
du site théorique. Le drapeau permet, quand il est encore visible, de retrouver le site
exact (un certain nombre ont été mis à terre par les chevreuils...). Les sondages
tarières (et parfois les mesures d’infiltration) ont été géolocalisées à nouveau et
leurs coordonnées reportées sur la fiche de mesure.
Par sécurité, deux GPS étaient à disposition (toujours les mêmes), comportant tous
deux les coordonnées des sites à prélever ou prélevés. Un seul des deux (sauf
accident, toujours le même) était utilisé pour prendre et noter les coordonnées.
■ 2.5 Échantillonnage du sol : protocole

Les sols ont été échantillonnés à l’aide d’une bêche et d’une petite pelle. Pour
l’échantillonnage du lit de semence, un carré de 20 cm sur 20 cm est délimité en
91
J. Moeys Partie III
tranchant le sol avec la bêche. Sur une des faces du carré, du côté extérieur, le sol est
excavé sur 10 à 15 cm et mis de côté. Cette opération, éventuellement complétée par
un examen au couteau, permet de juger de la profondeur du lit de semence. La bêche
est enfoncée parallèlement à la surface du sol, juste au-dessus de la limite inférieure
du lit de semence, à l’intérieur du carré préalablement délimité. Le sol situé sur la
bêche est prélevé à l’aide de la petite pelle, et mis dans un sac plastique hermétique
de type ‘Ziplock’.
Pour les prélèvements dans le reste de l’horizon travaillé, l’opération est identique,
mais le lit de semence a été préalablement décapé sur une zone plus large que le
carré de 20 cm de côté préalablement délimité, de manière à limiter les
contaminations. Le sol du reste de l’horizon travaillé est prélevé sur 10 à 15 cm
d’épaisseur, suivant la profondeur du travail du sol.
Le sac est dûment annoté avec : le numéro du site échantillonné, la limite
supérieure et inférieure de la couche prélevée, la date, les coordonnées
géographiques sur site telles qu’affichée par le GPS, et le nom de l’étude.
De retour du terrain, les échantillons ont été stockés dans une chambre froide à 4°C
jusqu’à leur utilisation.
Une fiche de prélèvement est remplie, similaire à l’en-tête de la fiche de description
des sondages tarière présentée en annexe (figure 97, p. 303), avec un descriptif des
couches prélevées.
figure 20 – Photo illustrant le protocole de prélèvement (Site 20 037).

Le trait pointillé illustre la zone prélevée.
Pour chacun des sites échantillonnés, la surface du sol a été photographie, afin de
pouvoir reconstituer visuellement l’état de surface au moment du prélèvement. Une
ardoise annotée, posée au sol, permet de connaître le numéro de site et les
coordonnées de la photo.
■ 2.6 Résultats : stratification obtenue
■ Période et condition de prélèvement

Les échantillons ont été prélevés de la fin octobre (25/10/2005) à la fin novembre
(22/11/2005). Les conditions météorologiques au début de cette période étaient
très sèches. Les sols prélevés étaient donc à une teneur en eau assez basse (9 % à
29 %, en moyenne 18 % de teneur en eau massique). Ces conditions sèches ont
retardé et étalé les opérations de labour et de semis des céréales d’hiver, les sols étant
souvent trop secs pour être travaillés. Quelques épisodes pluvieux ont rendu les sols
92
J. Moeys Partie III
beaucoup plus humides à la fin de la période de prélèvement.

Le temps sec a influencé notoirement la première phase de l’échantillonnage. Les
prélèvements réalisés à cette période ont été réalisés dans les quelques parcelles déjà
semées (et donc chez les quelques agriculteurs qui avaient semé à cette période).
■ État du sol et culture en place au moment du

prélèvement
L'isoproturon étant une molécule utilisée notamment en prélevée sur les céréales
d'hiver, seules des parcelles travaillées et récemment semées en céréales d'hiver
ont été prélevées. Au moment du prélèvement, la céréale était (au maximum) au
stage de la germination ou de la levée. Des contacts avec les agriculteurs avant ou
après le prélèvement ont permis de s'assurer que les parcelles retenues n'avaient
pas reçu d'isoproturon au moment du prélèvement (pour cette saison culturale).
Pour cette même raison, il était plus difficile de réaliser les prélèvements en fin d'hiver,
pendant la période où l'isoproturon est utilisé en 'rattrapage' ou complément des
désherbages d'automne. Dans cette configuration, il aurait été plus difficile de prélever
des parcelles n'ayant pas reçu d'application de la molécule.
figure 21 – Localisation des sites de prélèvements dans le secteur de Ouarville.

Le cadre rouge représente les limites de la zone d'étude ainsi que ses 4 subdivisions (nord-ouest ;
nord-est ; sud-ouest ; sud-est). Les numéros 20 001 à 20 040 sont les sites prélevés.
93
J. Moeys Partie III
■ Localisation géographique des sites prélevés

La figure 21 présente la répartition géographique des échantillons dans le secteur
agricole.
La répartition ‘géographique’ des sites échantillonnés n’est pas parfaitement
homogène. Le secteur ‘nord-est’ comporte plus d’échantillons (14 sur 34), mais cela
s’explique par le fait que les sols peu profonds et calcaires sont plus abondants dans
ce secteur. Comme la stratification visait à obtenir au moins un nombre minimal de sols
calcaires (« Stratification de l’échantillonnage : objectifs », p. 280), il est normal que le
secteur soit surreprésenté.
Sept sites sont dans le secteur ‘nord-ouest’, 5 sites dans le secteur ‘sud-ouest’ et 8
sites dans le secteur ‘sud-est’.
figure 22 – Distances du site le plus proche, distance moyenne aux autres sites et
histogramme des distances entre les 34 sites échantillonnés.
Les deux graphiques (droite et gauche) partagent la même échelle des ordonnées.
La figure 22 montre que la distance des sites à leur plus proche voisin est
conséquente. Cette dernière est en effet au minimum de 246 mètres (sites 20 001 et
20 002), et au maximum de 1 196 mètres, avec une moyenne de 526 mètres environ.
Ces chiffres peuvent paraître surprenants, car le secteur agricole étudié ne mesure
‘que’ 5 kilomètres sur 5 kilomètres. Par comparaison, la distance au site le plus proche
d’un échantillonnage selon une grille régulière et systématique, avec 36 sites (6 x 6),
serait de 757 mètres. La distance moyenne au site le plus proche est donc
inférieure de 30 % à celle d’un échantillonnage systématique, ce qui représente un
bon compromis compte tenu de la double contrainte d’un échantillonnage relativement
aléatoire et stratifié selon plusieurs facteurs (facteurs répartis de manière hétérogène
dans le secteur étudié).
94
J. Moeys Partie III
■ Stratification par rapport au type pédologique indiqué

par la carte de sol
R Ca Ci B NL L
nombre 1 7 5 2 11 8
3% 21% 15% 6% 32% 24%
figure 23 – Répartition des sites étudiés par rapport au type de sol indiqué par la carte de sol
du secteur.
Avec R : RENDOSOLS ; Ca : CALCOSOLS ; Ci : CALCISOLS ; B : BRUNISOLS ; NL : NÉOLUVISOLS ;
L : LUVISOLS.
Les RENDOSOLS, CALCOSOLS et CALCISOLS sont deux à trois fois plus abondants
dans les sites échantillonnés que la proportion de surface qu’ils occupent dans le
secteur étudié d'après la carte des sols. Les BRUNISOLS sont représentés dans les
mêmes proportions que la surface qu’ils occupent, tandis que les NÉOLUVISOLS et les
LUVISOLS sont sous-représentés (–16 % et –6 % respectivement par rapport aux
surfaces indiquée par la carte des sols, tableau 12, p. 83).
■ Stratification par rapport au type de travail du sol

Vingt-quatre sites sont situés dans des parcelles gérées en travail du sol
conventionnel, et les 10 autres sont en travail du sol simplifié.
L’échantillonnage respecte globalement des proportions de surface occupées par
les deux modalités de travail du sol rencontrées sur le secteur : travail du sol
conventionnel, avec labour et retournement de l’horizon de surface (2/3 de la surface)
et travail du sol simplifié, sans labour (1/3 de la surface).
■ Stratification par rapport à la géologie

LP m1a1 m1a2 FC LP m1b autre
nombre 23 5 6 0 0 0
68% 15% 18% 0% 0% 0%
figure 24 – Répartition des sites étudiés par rapport à la formation géologique indiquée par la
carte géologique du secteur.
Les symboles sont ceux utilisés pour la figure 18 p. 80.
Les formations m1a1 et m1a2 sont surreprésentées dans les sites échantillonnés
(proportion trois fois plus élevée que la surface occupée dans le secteur), mais cela
permet de disposer d’un nombre suffisant d’échantillons prélevés dans des sols
(théoriquement) développés sur un matériau calcaire à faible profondeur.
■ Nombre d’exploitants agricoles concernés par les

prélèvements
Les 34 échantillons ont été prélevés sur des parcelles (généralement différentes)
appartenant à 19 exploitants agricoles, soit une moyenne de 1,8 échantillons par
agriculteur. Le nombre maximum de sites prélevés pour les parcelles d’un même
exploitant est de 6, et de 4 sites prélevés chez un second. Les deux exploitants
concernés sont les seuls en travail simplifié et leurs parcelles occupent environ 1/3 des
surfaces cultivées du secteur.
Le nombre relativement élevé d'exploitants agricoles inclut dans l'échantillonnage
permet de s'assurer qu'un éventail 'large' de pratiques agricoles (itinéraires culturaux,
95
J. Moeys Partie III
gestion des résidus de culture, travail du sol...) est pris en compte (dans les limites du
contexte agricole local).
3 Le sol : constituants et
organisation
■ 3.1 Propriétés physico-chimiques des sols
■ Analyses physiques et physico-chimiques

La mesure des propriétés physiques et physico-chimiques du sol a été réalisée par
le ‘Laboratoire d’Analyse des Sols’ (LAS) de Arras (unité de service de l’INRA).
Les méthodes employées sont les suivantes :
Intitulé de l’analyse : Méthode :
– SOL-0301 Taux d’éléments grossiers (terre méthode ‘INRA’
fine + graviers + cailloux).
– SOL-0302 Granulométrie 5 fractions sans NF X 31-107
décarbonatation.
– SOL-0304 Granulométrie 5 fractions après NF X 31-107
décarbonatation.
– SOL-0405 Carbone (C) organique et azote NF ISO 10694 & NF ISO 13878
(N) total.
– SOL-0501 pH eau. NF ISO 10390
– SOL-0504 Calcaire (CaCO3) total. NF ISO 10693
tableau 14 – Méthodes et normes utilisées pour les analyses physico-chimiques des
échantillons par le Laboratoire d’Analyse des Sols de Arras.
La méthode INRA de détermination du « Taux d’éléments grossiers (terre fine +
graviers + cailloux) se base sur des limites de fractions un peu différentes de celles
exposées dans Calvet (2003) ou dans la norme AFNOR X 31 003 (AFNOR, 1998b) : la
terre fine est la fraction < 2 mm, les graviers vont de 2 mm à 5 mm et les cailloux ont
une taille > 5 mm. Il ne s'agit donc que de deux sous-fractions de la catégorie 'graviers'
des deux références citées ci-dessus.
La norme X 31-107, juillet 1983, décrit l’« analyse granulométrique par
sédimentation – méthode de la pipette » (AFNOR, 2003). La norme NF ISO 10693, juin
1993 (X 31-105) décrit la « détermination de la teneur en carbonates – méthode
volumétrique » sur un échantillon séché à l’air (AFNOR, 1995a). La norme
NF ISO 10694 ; juin 1995 (X 31-409) décrit le « dosage du carbone organique et du
carbone total après combustion sèche – analyse élémentaire » (AFNOR, 1995b). La
norme NF ISO 13878, juillet 1998 (X 31-418) décrit la « détermination de la teneur totale
en azote par combustion sèche – analyse élémentaire » (AFNOR, 1995c).
Les analyses ont été réalisées à partir de sous-échantillons de 500 g de sol non
tamisés (mais séchés à l'air).
96
J. Moeys Partie III
■ Masse volumique apparente au cylindre
□ Principe général de la mesure

La masse volumique apparente a été mesurée par la méthode au cylindre. La
méthode consiste à prélever un échantillon de sol non perturbé à l’aide d’un cylindre
d’acier biseauté dont le volume est connu avec précision. Le sol ainsi prélevé est placé
dans un sachet hermétique, ramené au laboratoire, pesé, puis séché à 105°C durant
48 h afin d’évaporer toute l’eau présente, et pesé à nouveau.
Le volume total du sol prélevé est celui du cylindre utilisé pour le prélèvement. La
dernière pesée du sol permet de connaître la masse de sol sec (masse de la phase
solide ; la masse de la phase gazeuse étant négligeable). Ces deux paramètres
permettent de calculer la masse volumique apparente du sol à l’aide de l’équation 2
(p. 31). La différence entre la première pesée (sol humide) et la seconde (sol sec)
permet de connaître la quantité d’eau présente dans le sol au moment du prélèvement
(masse de la phase liquide). Il est alors possible de calculer les teneurs en eau
massique et volumique du sol au moment du prélèvement, avec l’équation 5 (p. 40). La
masse volumique apparente du sol et les teneurs en eau sont des paramètres
utilisés pour les calculs liés aux mesures d’infiltrométrie réalisés en même
temps.
□ Protocole de mesure
Les masses volumiques apparentes ont été mesurées par la méthode au cylindre.
Trois répétitions de mesures ont été effectuées par site (quelquefois moins), avec un
prélèvement de 510 cm3 et deux prélèvements de 100 cm3. La méthode est décrite en
détail en annexe ('Masse volumique apparente au cylindre', p. 282)
■ 3.2 Étude pédologique à l'aide de sondages

tarière
Avant le sondage, le site est repéré et géoréférencé en suivant la procédure
décrite dans le paragraphe « Localisation géographique des sites – recherche des
sites visés », p. 91.
La topographie du site est décrite, la teneur en éléments grossiers de surface est
évaluée, ainsi que l'état cultural du sol (systématiquement un sol travaillé et semé), et
le stade de la culture éventuelle (systématiquement une céréale d'hiver semée et
parfois germée).
Les sondages ont été réalisés au moyen de tarières de 8 et 5 centimètres de
diamètre, et de 125 cm ou 120 cm de long. Au besoin, l'ajout d'une à deux rallonges a
permis d'obtenir une hauteur de 220 cm environ.
La tarière est graduée tous les 10 cm. La profondeur du sondage est vérifiée
régulièrement à l'aide d'un mètre pliant.
Tous les 10 cm d'enfoncement, la tarière est remontée, nettoyée de sa partie
supérieure et latérale (contamination), et la carotte obtenue est déposée dans une
gouttière en PVC graduée tous les 10 cm. La carotte est ouverte en 2 dans sa
longueur, et un peu émottée en veillant à respecter les profondeurs.
Le sondage est mené jusqu'à un éventuel blocage ou jusqu'à la profondeur
maximale autorisée par la tarière. En cas de blocage, 1 à 2 réplicats sont tentés à
1 mètre du premier sondage, afin de s'assurer que le blocage n'est pas accidentel.
97
J. Moeys Partie III
L'opérateur note sur une fiche les éventuels contrastes de couleur ou de compacité
qu'il perçoit lors de la réalisation du sondage, mais la description n'est entamée que
lorsque le sondage est fini.
L'opérateur délimite les horizons à l'aide des différences de couleur, de teneurs en
éléments grossiers ou autres indices pédologiques qu'il perçoit sur la profondeur du
sondage. Les indications de compacité qu'il a pu retenir lors du sondage sont aussi
utilisées (sous réserve qu'il ne s'agisse pas d'un front d'humectation ou de séchage),
ainsi que les appréciations tactiles ressenties lors de l'émottage.
Chaque horizon est ensuite décrit. La description est portée sur une fiche spécifique
(voir la figure 97, p. 303 en annexe du document). Les paramètres décrits sont :
– Les profondeurs des limites supérieure et inférieure de l'horizon ;
– L’état d’humidité de l’horizon (noyé, humide, frais, sec) ;
– La texture évaluée par des tests tactiles tels que décrits dans Baize et Jabiol
(1995). Ces tests ont parfois été réalisés a posteriori, à partir d'échantillons de sol
stockés dans des pédocomparateurs (‘boites’), ce qui permet de réaliser les tests
dans de meilleures conditions.
– La couleur de l'horizon. La couleur est évaluée visuellement par deux paramètres,
la teinte ('couleur de base') et sa clarté ('du clair au sombre'). Ce dernier paramètre
est difficile à distinguer de la pureté de la teinte ;
– L'effervescence à l'acide chlorhydrique (5 classes d'intensité) ;
– La présence éventuelle et l'abondance d'éléments grossiers, évaluée
individuellement pour chaque nature lithologique présente (calcaire, meulières,
graviers quartzeux) ;
– La présence éventuelle et l'abondance de taches d'oxydation et/ou de réduction ;
– La présence éventuelle et l'abondance de concrétions, ainsi que leur nature.
Sous la description des horizons, la profondeur maximale du sondage est reportée,
avec les raisons de l'arrêt (blocage, volontaire, longueur maximale de la tarière
atteinte). Le matériau dur sur lequel la tarière a bloqué est, dans la mesure du
possible, décrit comme un horizon.
L'examen des caractéristiques de tous les horizons permet ensuite de déterminer :
– Le matériau parental de l'horizon: limon, argile à meulière, argile de
décarbonatation ou calcaire altéré.
– Le type pédologique d'horizon de chacun d'eux. Celui-ci est reporté sur la fiche ;
– La profondeur du sol, c'est à dire la profondeur d'apparition d'un horizon du type C,
M ou R ;
– Le type pédologique du sol, ou les types possibles si le sol est un inter-grade. Il
faut noter que seul le type de sol 'le plus probable' a été utilisé dans les
analyses statistiques.
Le type pédologique d'horizon et de sol est déterminé d'après le Référentiel
pédologique de 1995.
De retour du terrain, la description des sondages a été saisie dans la base de
données MS Access créée pour stocker et organiser les informations (cf. annexes
'Précisions sur l’organisation et la gestion des données', p. 286).
98
J. Moeys Partie III
4 Les propriétés hydrauliques

Le fonctionnement hydrologique du sol est conditionné par deux caractéristiques
interdépendantes : la rétention en eau et la conductivité hydraulique. Plusieurs couples
d’équations existent pour décrire ces deux caractéristiques, avec un ou plusieurs
paramètres communs aux deux équations. Les fonctions de Campbell (1974) ont été
retenues pour cette étude. Elles comportent 3 paramètres pour la rétention en eau,
θSAT, b et hA, et 3 paramètres pour la conductivité hydraulique, KSAT, b et hA. Les deux
paramètres b et hA sont communs aux deux caractéristiques. La stratégie retenue
consiste à estimer dans un premier temps les 3 paramètres de la rétention en eau, plus
simple à mesurer, et dans un deuxième temps de déduire le dernier paramètre (KSAT)
de mesures d’infiltrométrie de terrain.
■ 4.1 Détermination des paramètres de la rétention

en eau sur des échantillons de sol
Les résultats concernant cette partie sont exposés p. 162.
■ Principe
La formule de Campbell (équation 13, p. 43) peut être reformulée :
équation 30 – Modèle de Campbell 1974, exprimé en ln(θ) = f( ln(h) ).

Avec θ la teneur en eau du sol au potentiel h ; θS la teneur en eau à saturation ; b et hA deux
paramètres de la fonction de rétention en eau de Campbell.
Sous cette forme, si on dispose d’une mesure de θ à saturation, ainsi que de deux
mesures de θ à des potentiels suffisamment éloignés (pF2 et pF4,2 par exemple), une
simple régression linéaire en ln(θ) = f( ln(h) ) sur les deux mesures θ(h ; h≠0) permet de
déduire le paramètre b ainsi que hA.
En effet, b se calcule à partir de la pente égale à –1/b, puis hA se calcule à partir de
b et de l’ordonnée à l’origine égale à ln(θ) + b . ln(hA).
La méthode a été évaluée par Cresswell et Paydar (1996) avec 3 mesures de θ,
dont h = 0. Les meilleurs résultats sont obtenus avec une régression sur h = -0,5 m et
h = -150 m (pF1,7 et pF4,2 respectivement).
Pour cette étude, la relation teneur en eau / potentiel matriciel a été mesurée
à : h = 0 m (saturation), h = -1 m (pF2) et h = -160 m (pF4,2).
■ Détermination de la teneur en eau à un potentiel donné

avec une presse de Richard
La méthode de détermination de la relation entre teneur en eau et potentiel matriciel
consiste à imposer successivement plusieurs potentiels matriciels connus à des
échantillons de sol non perturbés, et à mesurer leur teneur en eau à chacun de ces
potentiels. Partant d’un échantillon de sol saturé en eau, il est progressivement soumis
à une pression d’air extérieur croissante, qui va chasser l’eau du sol jusqu’à ce que le
potentiel de l’échantillon s’équilibre avec la pression de l’air imposée. Ainsi, quand on
lui impose une pression d’air équivalente à une hauteur d’eau de 1 m, l’échantillon va
99
J. Moeys Partie III
perdre une partie de son eau jusqu’à ce que son potentiel matriciel atteigne la valeur
de –1 m (h = -1 m). Une fois l’équilibre atteint, la teneur en eau de l’échantillon est la
teneur en eau au potentiel –1 m. L’opération est recommencée au potentiel h = -160 m.
Les appareils utilisés pour cette mesure sont deux « presses de Richards » (en:
‘pressure plate extractors’) #1600 (5 bars) et #1500 (15 bars) (Soilmoisture equipment
corp., Santa Barbara, CA, USA), connectées à un compresseur et contrôlées par un
dispositif de régulation de pression de même marque (0700CG23), doté de manomètres
(0 à 4 bars, gradué 0,02 bar ou 0 à 20 bars, gradué 0,1 bar).
□ Protocole de mesure
Le protocole de mesure de la teneur en eau à un potentiel donné avec une presse
de Richards est exposé en annexe (« Mesure de la relation θ(h) – Presses de
Richards », p. 284). Pour chacune des 50 couches de sol à caractériser, un seul
prélèvement de sol non perturbé (49,1 cm3) a été réalisé pour la mesure de rétention en
eau (pas de répétitions). Le résultat de ces mesures est utilisé pour déduire les
paramètres hA et b de l’équation 30 (θSAT étant mesuré directement).
■ 4.2 Détermination des paramètres de la

conductivité hydraulique in situ
■ Principe
Une fois les paramètres hA et b déduits des mesures potentiel / teneur en eau
exposées ci-dessus, il est possible d’estimer la conductivité hydraulique à saturation à
partir d’une mesure de conductivité à un potentiel donné (potentiel nul ou légèrement
non-saturé). L’équation 17, reformulée, permet en effet de calculer directement KS :
quand h < hA
équation 31 – Estimation de KS avec une mesure de Kh (h ≤ 0), en connaissant les
paramètres hA et b.
L’estimation de la conductivité hydraulique à un potentiel donné – destinée à
calculer le paramètre KS – est l’objet des paragraphes suivants. Cette estimation de
K(h) a été réalisée par l’intermédiaire d’une mesure in situ d’infiltrométrie
monopotentiel non-saturée (h = –1 cm).
■ Détermination de la conductivité hydraulique au

voisinage de la saturation avec un infiltromètre à disque
La mesure d’une conductivité hydraulique par l’intermédiaire d’une infiltration in situ
en régime non-saturé se fait à l’aide d’un infiltromètre à disque. Cet appareil a la
particularité de pouvoir – au niveau du disque qui se trouve à sa base – infiltrer de
l’eau à un potentiel légèrement négatif. En d’autres termes, cet appareil infiltre de l’eau
avec une légère succion, et non pas sous charge (à un potentiel positif) comme
d’autres méthodes d’infiltrométrie. Cette succion est obtenue à l’aide d’un dispositif de
Mariotte, comme illustré sur la figure 25. Le fonctionnement de l’infiltromètre est
100
J. Moeys Partie III
expliqué dans Coquet et al. (2000).

Quand l’appareil est maintenu en l’air, l’eau ne s’écoule pas, du fait de la succion
imposée par l’appareil. Par contre, une fois posé sur une surface de sol plane, l’eau
peut s’écouler. En effet l’eau va s’écouler du potentiel le plus élevé (potentiel de
l’infiltromètre) au potentiel le plus bas (potentiel du sol), à moins que le sol ne soit à
une teneur en eau proche de la saturation, et donc à un potentiel supérieur (moins
négatif) ou égal à celui imposé par l’infiltromètre.
La gamme de potentiel pouvant être imposée est en général de h = -20 cm à
h = 0 cm.
figure 25 – Schéma de l’infiltromètre à disque et des composantes de l’infiltration.

Avec Z0 le niveau de hauteur zéro correspondant à la surface du sol ; h1 la différence entre le
niveau d’eau dans le réservoir de Mariotte et le niveau bas du tube y plongeant ; h2 la différence
entre la surface du sol/de la membrane et le tube de bullage situé sous le réservoir ; G est la zone
du sol où les flux dont dominés par les effets gravitaires ; CV est la zone du sol où les flux dont
dominés par les effets de la capillarité verticale ; CL est la zone du sol où les flux dont dominés
par les effets de la capillarité latérale.
La surface du sol sur laquelle est posée l’infiltromètre est préparée préalablement à
la pose de l’infiltromètre : elle doit être, autant que possible, horizontale et plane. Lors
de la préparation, qui se fait généralement à l’aide d’un couteau, il faut éviter de créer
un lissage de la surface, c’est-à-dire un étalement des particules qui bouchent la
porosité naturelle du sol. Pour ce faire, on cherche à ‘arracher’ les petites aspérités
plutôt qu’à les trancher, ce qui crée de fait une microrugosité.
Dans la pratique, le contact entre le sol et la membrane de nylon sous l’infiltromètre
est souvent loin d’être parfait. On dépose donc une couche de sable fin de quelques
millimètres à la surface du sol pour améliorer le contact. Cette couche de sable a une
conductivité supposée beaucoup plus élevée que le sol sous-jacent. Elle a donc une
influence prépondérante dans les premières secondes de l’infiltration puis, une fois que
sa porosité active est saturée, son influence diminue au profit de celle du sol. Cette
couche de sable (i) doit être la plus fine possible, (ii) ne doit pas dépasser latéralement
101
J. Moeys Partie III
du disque d’infiltration, pour ne pas biaiser la surface d’infiltration réelle, (iii) doit être
réalisée avec un sable dont les particules sont relativement calibrées (gamme de taille
peu variable), et toujours identique d’une infiltration à l’autre. En pratique, le sable
utilisé est un sable de Fontainebleau prélevé en milieu naturel.
Une mesure d’infiltrométrie se déroule comme suit :
– Les tubes de l’infiltromètre sont remplis d’eau jusqu’à ce qu’un faible volume
d’air reste dans les tubes. Le tube plongeant depuis l’extérieur dans le vase de
Mariotte est baissé au maximum ;
– L’infiltromètre est maintenu en l’air, et le tube plongeant dans le vase de Mariotte est
remonté très progressivement. En dessus d’une certaine hauteur d’immersion du
tube, de l’eau s’écoule de l’infiltromètre. La hauteur du tube marquant l’arrêt de
l’écoulement est ‘ajustée’ progressivement. La pression à la base de
l’infiltromètre est alors la pression atmosphérique ;
– Le tube plongeant dans le réservoir de Mariotte est descendu de 1 cm précisément.
La pression de l’eau à la base de l’infiltromètre est alors de -1cm ;
– Une lecture de la hauteur d’eau dans l’infiltromètre est réalisée. Elle correspond
à la hauteur au temps initial (t0).
– L’infiltromètre est posé précisément sur la mince couche de sable de même
diamètre que le disque préalablement placée sur la surface du sol ; très rapidement
l’infiltromètre est stabilisé à l’aide de ses 3 pieds coulissants, sans perte de
contact24.
– Le chronomètre est déclenché au moment où l’infiltromètre est posé sur le sol.
– Une mesure de hauteur d’eau dans l’infiltromètre est prise à des intervalles
réguliers, puis de plus en plus espacés (10 s, 20 s, 30 s, 40 s, 50 s, 1’00, 1’15,
1’30, 1’45, 2’00, 2’30, 3’00, 3’30 [...], 5’, 6’, 7’...). Il est important d’avoir de
nombreuses mesures au début de l’infiltration pour une bonne estimation de la
sorptivité.
– À la fin de l’infiltration, un prélèvement de sol est réalisé avec une gouge selon les
modalités décrites dans le paragraphe suivant.
Les hauteurs d’eau infiltrées en fonction du temps sont reportées sur une fiche
dédiée comportant toutes les informations nécessaires (identification du site, de la
couche, de la répétition, de l’infiltromètre : diamètres du disque et du réservoir, des
échantillons de sol...).
Avant de réaliser les calculs de sorptivité et de conductivité, il est nécessaire de
convertir les mesures de manière à passer d’une ‘hauteur d’eau infiltrée dans le réservoir
[cm] = f( temps [min:sec])’ à ‘hauteur d’eau infiltrée sous le disque [mm] = f( temps [sec])’.
Une à deux répétitions des mesures d'infiltration sont réalisées pour chaque
couche de sol à caractériser (selon le temps disponible), à une distance de 50 à
100 cm l'une de l'autre. Un peu moins d'un cinquième des couches (16) n'ont pas pu
faire l'objet de deux répétitions successives (une seule), les 34 autres couches ont pu
faire l'objet de deux répétitions, soit 84 infiltrations au total.
24
En pratique, pour les infiltrations monopotentiel, l’infiltromètre est réglé à une succion de -15 à –20 cm,
posé sur le sable, stabilisé rapidement, et réglé à nouveau à – 1 cm. Au moment où l’infiltromètre est
réglé à – 1 cm le chronomètre est déclenché et la mesure commence. Il s’agit là d’un mauvais
compromis entre l’obligation de stabiliser l’infiltromètre (ce qui prend au moins 30 secondes) et la
nécessité de disposer de nombreuses mesures au tout début de l’infiltration (0 à 60 secondes).
102
J. Moeys Partie III
Les disques utilisés ont un diamètre de 8 ou 8,5 cm. Leur taille précise, ainsi que
les diamètres internes des réservoirs ont été mesurés à l’aide d’un pied à coulisse.
□ Détermination de la teneur en eau volumique initiale et

finale
Certaines des méthodes d'estimation de la conductivité hydraulique au voisinage de
la saturation exposée ci-dessous requièrent une mesure de la teneur en eau volumique
avant et après l'infiltration.
Il n'est pas possible de connaître (de manière simple) la teneur en eau volumique
avant infiltration sans perturber le sol destiné à recevoir le flux d'eau. La teneur en eau
volumique moyenne des prélèvements de masse volumique apparente est donc
utilisée pour estimer la teneur en eau avant infiltration.
Lorsque l'infiltration est terminée, l'infiltromètre est retiré de la zone infiltrée et la
mince couche de sable déposée entre le sol et le disque d'infiltration est délicatement
écartée à l'aire d'un grand couteau.
Un cylindre de sol non perturbé (théoriquement) est prélevé au centre du disque
d'infiltration, sur une profondeur de 1 ou 2 cm à l'aide d'une gouge en acier de 2,5 cm de
diamètre intérieur. Cette gouge est un tube biseauté à son extrémité, et gradué tous
les centimètres en partant de son extrémité biseautée, ce qui permet de contrôler la
profondeur et l'horizontalité du prélèvement.
Une fois la gouge enfoncée, le sol situé quelques centimètres alentour est excavé,
jusqu'au niveau inférieur de la gouge. La lame de couteau est alors insérée
horizontalement sous la gouge, en tranchant le sol, de manière à pouvoir l'extraire
sans que du sol ne s'en échappe.
Ce sol est placé dans un flacon fermé hermétiquement, de masse connue et
numéroté. De retour du terrain, le flacon et le sol sont pesés puis placés 48 h dans une
étuve à 105°C. Le sol et le flacon sont ensuite pesés sur une balance de précision
(précision 0,1 g, PB 3002-S, Mettler-Toledo). La masse tarée finale du poids du flacon
est la masse de la phase solide. La première pesée permet de déduire la masse d'eau,
et donc la teneur en eau massique ou volumique (connaissant la hauteur/le volume
prélevé), ainsi que la masse volumique du sol prélevé.
La comparaison des masses volumiques mesurées à la gouge et des masses
volumiques mesurées au cylindre (à côté) montre une tendance très nette à la
surestimation des masses volumiques apparentes par la méthode à la gouge.
Les teneurs en eau volumiques post-infiltration risquent donc d'être sous-estimées.
Pour cette raison, un correctif a été apporté à la mesure. Le prélèvement à la gouge
sert à estimer la teneur en eau massique, et la teneur en eau volumique est ré-estimée
en utilisant la masse volumique apparente mesurée avec la méthode au cylindre.
L'équation 6 (p. 41) donne le calcul de la teneur en eau volumique finale θ (post-
infiltration) en utilisant ici la masse volumique apparente ρapp mesurée au
cylindre et la teneur en eau massique w mesurée sur le prélèvement à la gouge.
□ Processus intervenant lors d’une mesure d’infiltration

Les méthodes d’interprétation des mesures d’infiltration axisymétrique
monopotentiel et mono-rayon reposent sur l’analyse de différents processus qui
interviennent lors de l’établissement progressif d’un régime/flux permanent. Il
peut être utile d’en donner une description succincte avant de présenter les
formalismes mathématiques permettant de les caractériser. Ces processus sont :
103
J. Moeys Partie III
– L’absorption capillaire verticale (au droit du disque de l’infiltromètre) de l’eau par

le sol. Elle est due à la différence de potentiel entre le sol et la base de
l’infiltromètre. Ce processus, peut être considéré comme monodimensionnel (figure
25, p. 101, zone ‘CV’ du bulbe d’infiltration).
– L’infiltration d’eau sous l’effet de la gravité. Ce processus peut être considéré
comme monodimensionnel (figure 25, zone ‘G’ du bulbe d’infiltration).
– L’infiltration de l’eau sous l’effet de l’absorption capillaire latérale, à la périphérie
du bulbe d’infiltration qui se développe sous l’infiltromètre. Ce processus est
tridimensionnel et axisymétrique (il se déroule de manière symétrique autour de
l’axe vertical de l’infiltration ; figure 25, zone ‘CL’ du bulbe d’infiltration).
Ces processus ont une importance relative qui varie au cours de l’infiltration,
que l’on peut diviser schématiquement en 3 phases successives :
– Phase 1 : Dans un premier temps la capillarité verticale domine l’infiltration. Le sol
sous l’infiltromètre n’a alors pas encore atteint la teneur en eau qui correspond au
potentiel imposé par l’appareil. Cette phase est relativement courte par rapport aux
phases suivantes (comportement à l’origine de l’infiltration).
– Phase 2 : Dans un second temps les processus gravitaire et de capillarité
latérale dominent conjointement l’infiltration, tandis que l’importance de la capillarité
verticale, toujours existante, décroît rapidement. Lors de cette 2e phase, suivant
l’importance relative du processus gravitaire et du processus capillaire latéral, le
processus gravitaire pourra atteindre son maximum avant ou après le processus
capillaire latéral. On parle alors de domaine gravitaire ou de domaine capillaire,
pour caractériser les sols mesurés.
– Phase 3 : Enfin, la troisième phase de l’infiltration voit le processus de capillarité
verticale devenir négligeable, tandis que l’effet de la capillarité latérale devient
constant par rapport au temps (‘ordonnée à l’origine’ de l’infiltration cumulée). Le
processus gravitaire domine l’infiltration.
Ces trois phases décrivent (segmentent) des évolutions en réalité continues des
processus lors de l’infiltration.
Les différentes méthodes d’analyse des résultats des mesures d’infiltration peuvent
être classées selon plusieurs critères :
– La dimension des processus pris en compte : monodimensionnels (1D) ou
tridimensionnels (3D).
Il faut noter que les méthodes monodimensionnelles négligent de fait la capillarité
latérale.
– L’intervalle de temps, auquel correspond un ‘régime’ d’infiltration, pour lequel la
méthode est valide : (a) l’effet initial de la sorptivité verticale, sur un intervalle de
temps court ; (b) le régime transitoire, quand les effets de la sorptivité verticale,
latérale et de la gravité influencent simultanément l’infiltration ; (c) le régime
(quasi)-permanent, quand l’effet de la capillarité verticale devient négligeable
devant la capillarité latérale et la gravité.
□ La solution analytique de Wooding (1968), base théorique

de l’infiltrométrie
En 1968, Wooding a proposé une solution approchée du flux en régime permanent
de l’infiltration non-saturée.
104
J. Moeys Partie III
équation 32 – Solution approchée de Wooding 1968 du flux en régime permanent pour une
infiltration axisymétrique.
Avec hfin [L] ou (m) le potentiel matriciel du sol une fois le régime permanent atteint, qui est aussi
le potentiel imposé par l’infiltromètre à la surface du sol ; hini [L] le potentiel du sol initial, avant
l’infiltration ; q∞ [L.T-1] ou (m.s-1) la densité de flux de l’infiltration en régime permanent à
l’interface entre le sol et l’infiltromètre ; K [L.T-1] la conductivité hydraulique du sol (au potentiel
hfin) ; Φ [L2.T-1] ou (m2.s-1) le potentiel d’écoulement entre le potentiel hini et le potentiel hfin, défini
par Gardner en 1958 (équation 33) ; r [L] ou (m) est le rayon du disque utilisé lors de l’infiltration.
Cette équation de transfert est une des solutions à la loi de Darcy généralisée,
appliquée au cas de l’infiltration axisymétrique. Elle sert de base à différentes
méthodes de mesure de la conductivité hydraulique non saturée par infiltrométrie. Le
potentiel d’écoulement avait été auparavant défini par Gardner (1958) comme
l’intégrale la conductivité hydraulique par rapport au potentiel matriciel, entre le
potentiel initial et le potentiel final. Il reflète le rôle de la capillarité dans le processus
d’infiltration.
équation 33 – Potentiel d’écoulement Φ défini par Gardner (1958).

Ce jeu d’équation repose sur deux hypothèses de base très importantes (d’après
Vandervaere, 1995) :
– (1) Le sol est un milieu aux propriétés homogènes, il est isotrope (ces propriétés
ne varient pas selon la direction), et sa profondeur est ‘infinie’.
– (2) Le potentiel matriciel du sol (h) est uniforme au temps initial (t0) de l’infiltration
et la conductivité hydraulique du sol à t0 est très faible (donc négligeable) par
rapport à la conductivité hydraulique du sol au potentiel final (quand
l’infiltration atteint le régime quasi permanent).
Si la condition n°2 peut être respectée (quand la saison s’y prête) en effectuant
les mesures sur un sol relativement sec, à un potentiel imposé (par l’infiltromètre)
relativement proche de h = 0 m, la condition n°1 est de toute évidence fausse dans
l’horizon de surface. Ce dernier est en effet hétérogène (cf. « le profil cultural »,
p. 36), non infini (puisque limité à 15 ou 30 cm), et parfois anisotrope (e.g. Banton,
1993), notamment s’il est bien structuré.
En se basant sur l’équation liant K à h établie par Gardner en 1958 et sur l’équation
de Wooding (1958) (équation 32) il est possible d’utiliser des infiltrations successives
réalisées sur un même point de mesure et à un même potentiel, mais avec deux tailles
de disque différentes, pour évaluer la valeur de K (méthodes dites multi-rayons,
définies par Smetten et Clothier, 1989 et initiées par Scotter, 1982).
Il est aussi possible d’utiliser des infiltrations successives à des potentiels croissants
pour estimer la valeur de K (méthodes dites multi-potentiels, initiées simultanément par
Reynolds et Elrick, 1990 et par Ankeny et al., 1991).
C’est une troisième approche, initiée par White et Sully (1987) et développée par la
suite, qui a été utilisée lors de cette étude. Cette approche fait intervenir la
sorptivité du sol pour estimer sa conductivité. Elle repose sur des mesures
d’infiltration à un seul potentiel et un rayon de disque unique.
105
J. Moeys Partie III
□ Calcul de S et K par la méthode de White et Sully (1987)
– Relation entre Φ et S établie par White et Sully (1987)

White et Sully ont établi en 1987 une relation entre la sorptivité du sol et le potentiel
d’écoulement :
équation 34 – Relation entre la sorptivité et le potentiel d’écoulement établie par White et

Sully (1987).
Avec θini [L3.L-3] ou (m3.m-3) et hini [L] ou (m) les teneur en eau et potentiel initiaux du sol ; θfin et
hfin les teneur en eau et potentiel quand l’infiltration atteint un régime permanent ; Φ [L2.T-1] ou
(m2.s-1) le potentiel d’écoulement entre le potentiel hini et le potentiel hfin ; b [-] un paramètre
dépendant de la ‘diffusivité capillaire’, qui définit les relations entre K(h) et θ(h) ; S(θini, θfin) [L.T-
1/2
] ou (m.s-1/2) est la sorptivité capillaire du sol entre θini et θfin.
Les valeurs possibles du paramètre ‘b’ (différent du paramètre b de Campbell), qui
ne peut être mesuré lors d’une infiltration, vont de 1/2 à π/4. Warrick et Broadbridge
(1992) proposent une valeur de b = 0,55 que nous utiliserons par la suite. En
remplaçant Φ dans l’équation 32 par sa valeur donnée par l’équation 34, on obtient une
estimation de q∞(hfin) qui dépend de K(hfin) et de S.
équation 35 – Équation de Wooding reformulée en fonction de la sorptivité d’après la

relation entre sorptivité et potentiel d’écoulement de White et Sully 1987.
Lors d’une infiltration non-saturée, il est facile d’estimer le flux en régime saturé
q∞(hfin) sur une courbe d’infiltration cumulée en fonction du temps (pente de la courbe),
il ne manque alors qu’une estimation de la sorptivité pour calculer la valeur de
K(hfin).
– Estimation de la sorptivité par Philip (1969)

Philip, 1969 avait proposé une estimation de la sorptivité du sol à partir d’une
mesure d’infiltration monodimensionnelle :
équation 36 – Estimation de la sorptivité de Philip (1969) sur les temps courts de la mesure
d’infiltration.
Avec I [L] ou (m) l’infiltration cumulée (lame d’eau infiltrée dans le sol) en fonction du temps t ;
S(θini, θfin) [L.T-1/2] ou (m.s-1/2) est la sorptivité capillaire du sol entre θini et θfin ; A un paramètre liée
à la conductivité hydraulique finale, entre 1/3 et 2/3 de K(hfin) (Talsma et Parlange, 1972, cité par
Roulier, 1999).
Dans cette équation, le premier terme (S.t1/2) reflète les effets de la capillarité
verticale (qui devient négligeable quand l’infiltration atteint un régime permanent, d’où
le domaine de validité restreint de l’équation), tandis que le deuxième terme A.t reflète
les effets gravitaires. Cette équation est monodimensionnelle, car elle néglige les
effets de la capillarité latérale.
106
J. Moeys Partie III
Le comportement à l’origine de la courbe d’infiltration reflète quant à lui les

seuls effets de la sorptivité, les effets gravitaires étant théoriquement négligeables.
On reformule alors l’équation de Philip comme suit :
équation 37 – Estimation de la sorptivité de Philip (1969) à partir du le comportement initial

de la mesure d’infiltration.
– Calcul des paramètres

Les mesures d’infiltration non-saturée permettent d’obtenir une série temporelle de
mesures de hauteur d’eau infiltrée sous le disque en fonction de la durée de
l’infiltration. Les étapes du calcul de la conductivité hydraulique non-saturée au
potentiel de l’infiltration sont illustrées ci-dessous par des figures sur un exemple
théorique d’infiltration.
Les étapes du calcul de S, q et K sont :
– Sur un graphique I=f(√t), il faut déterminer visuellement la partie de l’infiltration
appartenant au ‘temps court’ caractérisant l’effet de la sorptivité (= partie initiale de
la courbe dont la pente est plus faible que le reste de la courbe), que nous appelons
phase 1. Le reste de la courbe est la phase 2.
– Sur le graphique I=f(√t), une régression est calculée sur la phase 1. La valeur de la
sorptivité est égale à la pente de la régression (figure 26).
figure 26 – Méthode de détermination graphique de la sorptivité (White et Sully, 1987).

Les 2 segments à angles droits marquent les limites de la phase 1. NB : le choix du
partitionnement entre régime transitoire (phase 1) et régime permanent ne repose pas sur d’autres
critères que l’apparente linéarité de la phase 1 (choix utilisateur).
Sur cet exemple, la valeur de la sorptivité est égale à 15,9 mm.h-1/2. Les valeurs de
107
J. Moeys Partie III
hauteur d’eau infiltrée ont été calculées à partir du formalisme de Haverkamp et al.
(1994), modifié par Roulier (1999) pour tenir compte de l’effet du sable (temps d’action
et lame d’eau infiltrée dans le sable). Il n’est pas détaillé ici, car il n’a pas été utilisé en
dehors de ces exemples.
– Sur le graphique Infiltration cumulée=f(temps), une régression est calculée sur la
phase 2. La valeur du flux en régime permanent est égale à la pente de la
régression (figure 27).
figure 27 – Méthode de détermination graphique du flux en régime permanent qRP (White et

Sully, 1987).
Les 2 segments à angles droits marquent les limites de la phase 2.
Sur cet exemple, le flux qRP est égal à 25 mm.h-1. Avec la sorptivité calculée
précédemment, on alors peut calculer la conductivité hydraulique, égale à 10,5 mm.h-1.
Les valeurs de S et K utilisées pour générer cet exemple théorique sont en
réalité de 8,7 mm.h-1/2 et 26 mm.h-1 (avec un temps d’effet du sable de 15 s et une
hauteur d’eau infiltrée dans le sable de 1 mm). La valeur de K estimée par la méthode
de White et Sully (1987) sous-estime donc de 60 % la valeur réelle, tandis que la
sorptivité est surestimée dans d’un facteur 1,5 (dans cet exemple).
La méthode de White et Sully (1987) comporte deux biais importants : (1) elle ne
tient pas compte de la capillarité latérale et (2) elle ne prend pas en compte l’effet du
sable. Il est possible de s’inspirer de la méthode de détermination graphique présentée
au paragraphe suivant pour prendre en compte le point 2. Ces modifications de la
méthode de White et Sully sont exposées plus loin, après la présentation de la
méthode Haverkamp et al. (1994).
Il existe aussi un facteur d’incertitude lié à la subjectivité (choix de la personne
qui réalise les calculs) de la partition entre les deux phases (séparation de
l’infiltration entre régime transitoire et régime quasi-permanent). Il en résulte un ‘facteur
humain’ non-négligeable lors de la détermination de la sorptivité et de la conductivité.
Pour cette raison, les calculs réalisés sur les infiltrations ont tous été effectués
108
J. Moeys Partie III
avec un ‘algorithme’ de traitement automatisé. Cet algorithme est concrètement

une suite d’opérations réalisées avec un langage de programmation statistique
interprété, le langage R (se résumant à un fichier de commandes que nous appellerons
‘Script’). Les caractéristiques de ce traitement sont exposées plus loin, dans un
paragraphe spécifique.
La méthode de détermination graphique de Haverkamp et al. (1994), ainsi que les
méthodes d’ajustement direct présentées dans les paragraphes suivants présentent la
même source d’incertitude liée à la personne qui réalise les calculs. Elles ont aussi été
traitées par un script en langage R.
□ Calcul de S et K par la méthode de Haverkamp et al.

(1994)
En 1994, Haverkamp et al. ont proposé un jeu d’équations similaires (I = f(t ; √t)),
mais avec une composante qui prend en compte les effets de la capillarité latérale.
– Équations de Haverkamp et al. (1994)
avec et
(1) (2) (3)

équation 38 – Équation de Haverkamp et al. 1994 de l’infiltration en régime transitoire.
Avec I3D,RT [L] ou (m) la hauteur d’eau infiltrée, fonction du temps t (s). L’indice 3D signifie que
l’équation est tridimensionnelle axisymétrique (la capillarité latérale est prise en compte), et
l’indice RT signifie Régime Transitoire ; θini et θfin [M.L-3] ou (kg.m-3) les teneurs en eau initiale et
finale du sol ; S(θini, θfin) [L.T-1/2] ou (m.s-1/2) est la sorptivité capillaire du sol entre θini et θfin ; β [-]
est un paramètre dépendant du type de sol (diffusivité capillaire) et du potentiel d’infiltration,
compris entre 0 et 1 (Roulier, 1999) ; γ [-] est une constante apparentée au paramètre b de
l’équation 34 (Coquet et al., 2000), et lié aux effets de la gravité dont la valeur est située entre 0,6
et 0,8 (Roulier, 1999) ; r [L] ou (m) est le rayon du disque utilisé pour la mesure d’infiltration.
La composante (1) est liée à la capillarité verticale comme dans l’équation de Philip
(1969), la composante (2) à la gravité et la composante (3) à la capillarité latérale.
Cette équation est cohérente avec celle de Philip (1969), quand le rayon r tend vers
l’infini, c’est à dire dans un cas monodimensionnel (Roulier, 2000).
Le paramètre γ est lié au paramètre b de l’équation 34 par la relation γ = (4.b)/π. γ
est donc égal à 0,7 si b est égal à 0,55. Smetten et al. (1994) proposent la valeur de
0,75 pour γ (cité par Vandervaere et al., 2000a), valeur qui sera utilisée pour les calculs
de ce travail. Cette relation permet de reformuler l’équation de C2 sous une forme
proche de l’équation de Wooding exprimée en fonction de la sorptivité (équation 35) :
équation 39 – Paramètre C2 de l’équation 38 reformulé avec le paramètre b.
– Détermination graphique par Vandervaere (1995)

Cette équation doit être linéarisée de manière à permettre une estimation graphique
109
J. Moeys Partie III
des paramètres C1 et C2 par une simple régression linéaire. Vandervaere (1995)

propose une ‘linéarisation différentielle’ de l’équation en dérivant l’infiltration par la
racine carrée du temps, en se basant sur la proposition de Smetten et al. (1995), ce qui
donne :
équation 40 – Linéarisation différentielle de l’équation de Haverkamp et al. (1994) par

Vandervaere (1995), pour la détermination graphique des paramètres.
Avec C1 exprimé en [L.T-1/2] et C2 en [L.T-1] ; les paramètres sont identiques à ceux de l'équation
38. Le calcul de d.I/d.√t et celui de √tgeom sont présentés ci-dessous.
Le calcul des ordonnées et des abscisses du graphique se base sur les variations
d’infiltration cumulées et de temps sur l’intervalle [i,i+1] :
et
équation 41 – Calcul de d.I/d.√t et de √tgeom sur l’intervalle [i-1;i].

Avec Ii+1 et Ii, √ti+1 et √ti, l’infiltration cumulée [L] ou (m) à la (i+1)e mesure et à la ie mesure, le
temps à la (i+1)e mesure et à la ie mesure respectivement. Il faut noter que les valeurs de √t du
calcul de d.I/d.√t ne doivent pas être basées sur √tgeom.
... ou alternativement sur l’intervalle [i-1,i+1] :
et
équation 42 – Calcul de d.I/d.√t et de √tgeom sur l’intervalle [i-1,i+1].

Les graphiques d.I/d.√t exprimé en fonction de √tgeom. Il faut noter que les valeurs
de √t du calcul de d.I/d.√t ne doivent pas être basées sur √tgeom.
La détermination graphique de C1 et C2 suit les étapes suivantes :
– Sur un graphique ∆I/∆√t = f(√tgeom), le temps d’effet du sable est déterminé : il va
de [t{i=1} à t{∆I/∆√t=min(∆I/∆√t)}], min(∆I/∆√t) étant la valeur minimum de ∆I/∆√t.
– Sur ce même graphique, après élimination des mesures appartenant au temps
d’effet du sable déterminées ci-dessus, on détermine visuellement la durée de la
phase transitoire de l’infiltration. Pendant la phase transitoire, ∆I/∆√t doit évoluer
de manière relativement linéaire avec √tgeom.
– On calcule une régression linéaire sur les valeurs de cette phase transitoire : le
paramètre C1 est l’ordonnée à l’origine, le paramètre C2 est la pente de cette
régression, ce qui permet d’évaluer S et K.
La figure 28 illustre la méthode de détermination de Vandervaere (1995) (sur le
même jeu de données théorique que celui exposé avec la méthode de White et Sully,
1987, et sur l’intervalle [i,i+1]).
Sur cet exemple, la sorptivité (égale à C1, l’ordonnée à l’origine) est égale à
10 mm.h-1/2. La valeur de C2 (égale à la pente de la régression divisée par 2) est de
14.8 mm.h-1. Connaissant C1 et C2, on peut calculer K qui vaut ici 19,3 mm.h-1. Cette
valeur est beaucoup plus proche de la valeur réelle de K utilisée pour générer les
données de l’exemple (erreur de 30 %).
Il faut signaler que des erreurs de mesure (décalage dans la lecture de la hauteur
110
J. Moeys Partie III
d’eau infiltrée ou décalage dans la lecture du temps de mesure ; effet du vent sur les
tubes de mise à l’air de l’infiltromètre), qui n’apparaissent pas comme importantes sur
un graphique I=f(t), sont en revanche considérablement amplifiées sur un graphique
d.I/d.√t=f(√tgeom). Cela peut nuire à la qualité des estimations de S et K par la régression
linéaire, et cela renforce du même coup les effets ‘opérateurs’ lors du calcul (estimation
de la limite entre les phases d’infiltration).
figure 28 – Méthode de détermination de la sorptivité sur un graphique d.I/d.√t = f(√t), avec

la méthode de Haverkamp et al. (1994).
□ Modifications du calcul de S par la méthode de White et

Sully (1987)
Quelques changements ont été apportés à la méthode de détermination de la
sorptivité de White et Sully pour tenir compte de l’effet du sable.
– Le tout début de la courbe d’infiltration est en réalité influencé fortement par la
couche de sable déposée entre le sol et l’infiltromètre. Pour réduire son influence
sur les calculs, l’estimation de la sorptivité a été effectuée en tenant compte des
propositions de Haverkamp et al. (1994) :
– Détermination du temps d’effet du sable avec la méthode proposée par
Vandervaere (1995) exposée au chapitre précédent, puis ‘élimination’ des
mesures appartenant au temps d’effet du sable.
– Sur ce même graphique, la valeur ∆I/∆√t de la première mesure ‘sans effet du
sable’ est alors considérée comme égale à la sorptivité (et non l'ordonnée à
l'origine de la droite de régression ∆I/∆√t=f(√t) comme pour la méthode
Haverkamp et al.,1994). La figure 29 ci-dessous illustre la détermination de S. La
méthode repose cependant aussi sur une hypothèse forte, et surestime la
sorptivité réelle.
111
J. Moeys Partie III
figure 29 – Méthode de détermination de la sorptivité sur un graphique d.I/d.√t = f(√t), pour

la méthode White et Sully modifiée.
Sur d.I/d.√t = f(√t), en régime transitoire, l’équation 37 devient d.I/d.√t=S. On considère que le
premier point du régime transitoire reflète le comportement à l’origine de l’infiltration.
Avec l’exemple ci-dessus, on évalue S à 14,4 mm.h-1/2. qRP avait été déterminé
précédemment (25 mm.h-1), ce qui permet de calculer la valeur de K (13,2 mm.h-1).
L’écart par rapport à la valeur réelle de 26 mm.h-1 est moindre qu’avec le calcul de
sorptivité sur I=f(√t), mais toujours conséquent, avec 50 % d’erreur (pour cet exemple).
Coquet et al. (2000) montrent que la méthode de White et Sully (1987) tend à
surestimer systématiquement la valeur de S, et donc à sous estimer la valeur de K.
Si cette méthode de calcul de la sorptivité avec les équations de White et Sully
(1987) semble plus fiable, le résultat est néanmoins dépendant du choix de calculer
les valeurs de ∆I et de ∆T sur [i,i+1] ou [i-1,i+1] : Le choix d’un calcul sur [i,i+1] ou
sur [i-1,i+1] peut en effet modifier un peu le temps d’action du sable estimé.
On constate en pratique que certaines imprécisions sur les mesures peuvent
induire des valeurs très faibles des valeurs de d.I/d.√t calculées avec ces
mesures imprécises. Si l’imprécision a lieu sur la ie mesure, les valeurs de (d.I/d.√t)
aux points i-1 et i sont affectées (pour un calcul sur [i,i+1]), ou les valeurs (d.I/d.√t) aux
points i-1 et i+1 (pour un calcul sur [i-1,i+1]). On peut repérer ces artéfacts au fait que,
contrairement aux hypothèses de Haverkamp et al. (1994) – sur les mesures
précédant le minimum de d.I/d.√t, considérées comme influencées par le sable de
contact – d.I/d.√t n’est pas décroissante en fonction de √tgéom.
Pour remédier à ce problème, l’algorithme procède comme suit :
– (a) Repérage du minimum sur d.I/d.√t. Nous appellerons la mesure correspondante
la mesure n°‘s’ ;
112
J. Moeys Partie III
– (b) Si le nombre de mesures sur l’intervalle [1,‘s’] est inférieur ou égal à 4, la

mesure n°‘s’ est considérée comme la dernière influencée significativement par
le sable de contact ;
– (c) Dans le cas contraire, un calcul de la pente de la régression d.I/d.√t = f(√tgéom),
est réalisé sur l’intervalle [1,‘s’] :
– (d) Si la pente est négative ou nulle, les conditions de Haverkamp et al.
(1994) sont respectées et la mesure n°‘s’ est considérée comme la dernière
influencée significativement par le sable de contact ;
– (e) Si la pente est positive, les conditions de Haverkamp et al. (1994) ne sont
pas respectées : l’opération est relancée sur l’intervalle [1,‘s’-1] (puis [1,‘s’-
2], puis [1,‘s’-3]...), à partir de l’étape (a), et jusqu’à ce que la pente de la
régression soit négative OU jusqu’à ce que le nombre de mesure sur [1,‘s’]
soit inférieur ou égal à 4.
Enfin, pour prévenir toute défaillance de cet algorithme, l’opérateur à la possibilité
de choisir lui-même (de ‘forcer’) le temps d’action du sable via une valeur qu’il saisit
dans une table dédiée de la base de données des mesures. Cela ne concerne que 8
infiltrations sur les 130 étudiées.
□ Temps caractéristiques de l’infiltration

Différents ‘temps d’action’ ont été définis pour déterminer les intervalles de temps
sur lesquels prédominent les 3 processus gouvernant l’infiltration (capillarité verticale,
capillarité latérale, gravité).
– Le temps gravitaire de Philip (1969)

Philip (1969 ; cité par Smetten et al., 1995) a défini le temps gravitaire comme
étant le temps au bout duquel les effets gravitaires prennent le dessus sur les effets de
la capillarité verticale :
équation 43 – Temps gravitaire de Philip (1969).

Avec TGRAV [T] ou (s) le temps gravitaire ; S(θini, θfin) [L.T-1/2] ou (m.s-1/2) est la sorptivité capillaire
du sol entre θini et θfin, les teneurs en eau volumiques initiale et finale du sol ; Kh.fin [L.T-1] ou (m.s-
1
) la conductivité hydraulique au potentiel imposé par l’infiltromètre.
– Le temps géométrique (Philip, 1969 ; Roulier, 1999)

Philip (1969) a aussi défini le temps géométrique comme étant le temps au bout
duquel les effets de la capillarité latérale prennent le dessus sur ceux de la capillarité
verticale. Roulier (1999) a introduit une modification du calcul de ce temps
géométrique, qui est utilisée pour ce travail :
113
J. Moeys Partie III
équation 44 – Temps géométrique de Philip 1969 modifié par Roulier 1999.

Avec TGEOM [T] ou (s) le temps géométrique ; r [L] ou (m) le rayon du disque d’infiltration ; γ [-]
est la constante introduite dans l’équation 38. L’équation originale de Philip (1969) ne comprend
pas le terme γ.
– Le temps de stabilisation de Vandervaere et al. (2000b)
équation 45 –Temps de stabilisation de Vandervaere 2000.

Avec TSTAB [T] ou (s) le temps de stabilisation ; β [-] le paramètre introduit dans l’équation 38 ; La
version initiale de l’équation du temps de stabilisation de Vandervaere (1995, p. 215) ne comprend
pas le terme (2- β)/3.
Vandervaere et al. (2000b) (version modifiée par rapport à Vandervaere, 1995) ont
défini un autre temps caractéristique, nommé temps de stabilisation, comme étant le
temps au bout duquel les effets de la capillarité verticale sont dominés par les effets
combinés de la capillarité latérale et de la gravité (voir ci-dessus).
Ce temps de stabilisation peut potentiellement remplacer le temps gravitaire et le
temps géométrique pour définir le temps au bout duquel le régime (quasi) permanent
est établi. Sa valeur est comprise entre TGRAV et TGEOM. Si les effets gravitaires
dominent les effets de la capillarité latérale, le temps de stabilisation se rapproche de
TGRAV. Dans le cas inverse, le temps de stabilisation se rapproche de TGEOM. Si la
conductivité hydraulique K est très faible au regard de S, le temps de stabilisation peut
être inférieur au temps gravitaire.
– Modalité d’utilisation des temps caractéristiques

Les temps caractéristiques exposés ci-dessus permettent de déterminer a priori
l’intervalle de temps le plus favorable pour effectuer les calculs en régime transitoire
pour un sol dont les paramètres (S et K) sont connus.
Or ces paramètres ne sont pas connus la plupart du temps, puisqu’on cherche à les
déterminer. Les temps caractéristiques sont donc utilisés a posteriori pour s’assurer
que l’intervalle de temps sur lequel on a effectué les calculs est bien cohérent avec les
temps caractéristiques estimés avec les valeurs de S et K calculées (c’est-à-dire est
inférieur ou égal).
Cette utilisation a posteriori des temps caractéristiques les rend, comme pour S et
K, sensibles aux imprécisions de la mesure ou au non-respect des conditions
optimales d’application des méthodes exposées ci-dessus.
En pratique, l’intervalle de temps sur lequel ont été effectués les calculs a été
considéré comme valide s’il est inférieur ou égal au temps de stabilisation, ou
s’il est inférieur ou égal au temps gravitaire.
Si plusieurs intervalles de temps sont possibles pour effectuer le calcul de S et de K
114
J. Moeys Partie III
(i.e. plusieurs intervalles de temps sont inférieurs ou égaux à TGRAV ou TSTAB), c’est
l’intervalle de temps le plus grand qui a été choisi systématiquement. Le nombre
d’intervalles de temps différents qu’il est possible d’utiliser étant généralement
important, il a été décidé d’automatiser ce choix à l’aide d’un script R décrit plus loin.
□ Équation de Haverkamp et al. (1994) pour le régime

permanent
Haverkamp et al. (1994) ont aussi défini une équation de l’infiltration sous le disque
pour le régime (quasi-)permanent. Il est donc possible de calculer S et K à partir du
régime permanent, ou de vérifier la cohérence des valeurs de S et K calculée sur le
régime transitoire appliquées au régime permanent.
avec et
équation 46 – Équation de Haverkamp et al. (1994) de l’infiltration en régime quasi-

permanent.
Les variables sont les mêmes que pour l’équation du régime transitoire (équation 38).
□ Calcul de S et K par ajustement direct sur le régime

transitoire et/ou le régime permanent
– Pertinence de l’ajustement direct – solutions

Les méthodes de calcul de White et Sully (1987) et de Haverkamp et al. (1994) ont
l’avantage d’être basées sur des régressions linéaires, ce qui assure à la fois une
facilité de mise en œuvre (avec les logiciels statistiques usuels), une reproductibilité du
résultat25 et la possibilité de calculer des intervalles de confiance sur les paramètres
calculés.
Il peut cependant être intéressant d’essayer de réaliser un ajustement direct,
non-linéaire, sur I=f(t) des paramètres S et K de l’équation de Haverkamp et al.
(1994) aux temps courts, ou aux temps longs, avec un outil dédié aux ajustements
non-linéaires. Haverkamp (1995, p. 145) montre que – bien que cette approche ait déjà
été utilisée à plusieurs reprises – la méthode tend à surestimer S, du fait des effets du
sable qui ne sont pas pris en compte. L’auteur ne donc pas cette approche.
Vandervaere et al. (2000a) montrent que l’ajustement non-linéaire de S et K peut
aboutir à des valeurs aberrantes (très élevées) de S et/ou de C2 (et donc de K). La
sorptivité S est en effet présente dans les deux termes de l’équation (C1 et C2), et
élevée au carré dans le second terme, ce qui nuit à un ajustement correct de S et de K
(les effets de ce dernier pouvant être compensés par S).
Cette approche a été testée malgré tout, pour des raisons qui seront développées
dans les résultats.
Une telle procédure repose sur le calcul d’une ‘fonction d’erreur’, qui reflète
l’écart entre les valeurs prédites par l’équation et les valeurs réelles (mesurées),
25
Les résultats ne sont reproductibles que sur un intervalle de mesure donné, choisi pour le régime
transitoire. L’opérateur (ou l’algorithme) choisi cet intervalle de temps parmi plusieurs possibles, ce qui
influence le résultat final.
115
J. Moeys Partie III
pour un couple de valeurs S et K donné. Cet ajustement est réalisé sur des valeurs
Infiltration = f(Temps), et non sur leurs valeurs transformées. L’‘ajustement par
inversion’ consiste en fait en une minimisation de la fonction d’erreur, en testant
différentes combinaisons possibles de S et K.
Il existe différents algorithmes d’optimisation dont le point commun est d’essayer
d’atteindre une solution minimisant le résultat de la fonction d’erreur en un temps
réduit. Comme il est impossible de connaître a priori la valeur minimale de la fonction
d’erreur, ces algorithmes procèdent par essais successifs de valeurs de paramètres (ici
S et K), le taux de variation des paramètres étant fonction du taux de variation de la
fonction d’erreur. L’erreur minimale est considérée comme atteinte quand le taux de
variation de l’erreur passe en dessous d’un seuil donné. Ces algorithmes requièrent au
minimum que l’utilisateur choisisse les valeurs de départ des paramètres, choix qui
peut influencer le résultat final.
Plusieurs stratégies ont été testées afin de contourner les effets indésirables de
l’ajustement non-linéaire direct soulignés par Haverkamp (1995) et Vandervaere et al.
(2000a) et de réaliser un ajustement direct acceptable :
– Ajustement direct (de S et de K) ‘combiné’ sur le régime transitoire et le régime
permanent de l’infiltration mesurée. Une telle hypothèse suppose la définition
d’une fonction d’erreur qui synthétise l’ajustement sur le régime permanent et celui
sur le régime transitoire.
– Ajustement direct (de S et de K) ‘combiné’ sur le régime transitoire, le régime
permanent de l’infiltration mesurée et la différence entre la durée du régime
transitoire et le temps de stabilisation. Ce cas de figure suppose la définition
d’une fonction d’erreur incluant l’écart entre la durée du régime transitoire et
le temps de stabilisation calculé à partir des valeurs de S et K estimées.
– Ajustement direct ‘combiné’ (de S et de K) sur le régime transitoire et la différence
entre la durée du régime transitoire et le temps de stabilisation. L’alternative d’un
ajustement sur le régime permanent et l’écart de temps n’est pas réaliste du fait de
la durée limitée des mesures d’infiltrations.
L’idée sous-jacente de ces approches est d’introduire dans l’ajustement direct
un paramètre – ici l’écart entre la durée du régime transitoire et le temps de
stabilisation – qui pénalise la fonction d’erreur si les valeurs de S et de K estimées
sont incohérentes par rapport à cet autre critère.
– Définition de fonctions d’erreurs pour l’ajustement sur le

régime transitoire et celui sur le régime permanent
Les différentes fonctions d’erreur possibles sont exposées au chapitre « Qualité des
ajustements : les fonctions d'erreur », en annexe, p. 288. C’est la RRSEP%, ou
Relative Root Squared Error of Prediction (exprimée en %) qui a été choisie ici. Son
adaptation aux régimes transitoire et permanent donne les équations suivantes :
116
J. Moeys Partie III
équation 47 – RRSEP% adaptée au régime transitoire de la mesure d’infiltration.

Avec RRSEP%RT la RRSEP exprimée en % de l’ajustement entre les valeurs mesurées et les
valeurs prédites du régime transitoire ; i la ie mesure du régime transitoire, i prenant ces valeurs sur
[1;k], soit du 1er temps de mesure après le temps d’effet du sable au dernier (ke) temps de mesure
du régime transitoire ;Ii,mes,RT la hauteur d’eau infiltrée sous le disque, mesurée au temps i du
régime transitoire.
Dans cette équation, on introduit le paramètre k, qui est le numéro du dernier temps
de mesure du régime transitoire. Ce dernier peut être choisi par l’opérateur d’après
l’allure de la courbe ou fixé après plusieurs essais (Script R).
équation 48 – RRSEP% adaptée au régime permanent de la mesure d’infiltration.

Avec RRSEP%RP la RRSEP exprimée en % de l’ajustement entre les valeurs mesurées et les
valeurs prédites du régime permanent ; j la je mesure du régime permanent, j prenant ses valeurs
sur [k+1,n], soit du 1er temps de mesure du régime permanent (égal à k+1) au temps de la dernière
mesure effectuée (n) ; Ij,mes,RP la hauteur d’eau infiltrée sous le disque, mesurée au temps j du
régime permanent.
– L’écart au temps de stabilisation, 3e fonction d’erreur de

l’ajustement direct
La fonction d’erreur entre la durée du régime transitoire et le temps de stabilisation,
nommée ici ‘écart au temps de stabilisation’ est basée sur un calcul de RRSEP%.
Comme cette erreur ne porte que sur un couple de valeurs, cela revient en fait à la
valeur absolue d’un écart relatif :
équation 49 – Fonction d’erreur pour l’écart au temps de stabilisation.

Avec RRSEP%∆Tps, la fonction d’erreur pour l’écart au temps de stabilisation ; TSTAB le temps de
stabilisation calculé à partir des valeurs de S et de K estimées ; tk le temps de la ke mesure, qui est
le dernier temps du régime transitoire et tk+1 le temps de la (k+1)e mesure, qui est le premier temps
du régime permanent.
117
J. Moeys Partie III
– Définition d’une fonction d’erreur globale pondérée

Pour pouvoir réaliser l’ajustement direct simultané sur les 3 composantes que sont
le régime transitoire, le régime permanent et l’écart au temps de stabilisation, il est
nécessaire de définir une fonction unique qui synthétise les 3 autres. Afin de rester
dans un cadre cohérent, une pondération a été introduite entre les différentes
composantes, ce qui permet de passer d’un cas à l’autre en jouant sur le poids de ces
dernières. Ces pondérations sont pRT, pRP et p∆Tps, pour le régime transitoire, le régime
permanent et l’écart au temps de stabilisation respectivement. La pondération des
composantes (réel positif) est ensuite corrigée afin d’avoir une somme des
pondérations égale à 1 :
de manière à obtenir :
équation 50 – Correction apportée à la pondération des 3 composantes de la fonction
d’erreur globale de l’ajustement direct.
Avec p’RT, p’RP et p’∆T, les pondérations corrigées du régime transitoire, du régime permanent et
de l’écart au temps de stabilisation respectivement.
La fonction d’erreur globale pondérée se définit ensuite comme suit :
équation 51 – Fonction globale d’erreur pondérée de l’ajustement direct.

Avec RRSEP%globale la fonction globale d’erreur pondérée de l’ajustement direct ; RRSEP%RT
l’erreur sur le régime transitoire ; RRSEP%RP l’erreur sur le régime permanent ; RRSEP%∆Tps,
l’erreur de l’écart au temps de stabilisation.
Le fait que les RRSEP% qui sont additionnées pour calculer l’erreur globale soient
des erreurs relatives, exprimées en % de hauteur d’eau infiltrée ou en % d’une durée,
permet de minimiser les effets liés aux différences de grandeur qui peuvent exister
pour ces deux unités.
Dans la pratique, les valeurs des pondérations pRT, pRP et p∆Tps, choisies sont
égales à 0 ou 1. Une pondération égale à 0 signifiant que la composante n’est pas
prise en compte dans l’optimisation, une valeur de 1 signifiant qu’elle est prise en
compte. Il pourrait être intéressant de chercher dans quelle mesure des valeurs de
pondérations intermédiaires affectent la qualité des ajustements, mais cela dépasse
les objectifs de ce travail.
– Fonction ‘alternative’ d’erreur globale pondérée

La fonction d’erreur globale présentée ci-dessus a l’avantage d’équilibrer
correctement l’importance relative des ajustements entre le régime transitoire, le
régime permanent et l’écart au temps de stabilisation. On peut argumenter
qu’inversement, cette pondération ne reflète pas le nombre de mesures prises en
compte pour le régime transitoire et pour le régime permanent. Pour cette raison
une 2e fonction d’erreur globale a été introduite afin de tenir compte du nombre de
mesures concernées. Il faut tout d’abord définir une nouvelle fonction d’erreur,
commune au régime transitoire et au régime permanent :
118
J. Moeys Partie III
équation 52 – Fonction d’erreur englobant régime transitoire et régime permanent.

Bien que cette équation soit pondérée, le fait que les poids soient fixés à 0 ou 1
rend ce détail inutile ici. Si la pondération du régime transitoire est fixée à 1 et celle du
régime permanent à 0, on revient au cas plus simple de la RRSEP%RT exposée plus
haut. On voit que, pour une pondération pRT = pRP = 1, plus le nombre de mesures
inclues dans la phase est importante, relativement à l’autre phase, plus celle-ci va
peser dans la RRSEP%RT,RP.
La fonction d’erreur globale devient :
équation 53 – Fonction d’erreur globale alternative intégrant le nombre de mesures

concernées par le régime transitoire et le régime permanent.
– Test de différents algorithmes d’optimisation de

l’ajustement direct (avec ou sans contraintes)
La fonction d’optimisation (minimisation ou maximisation du résultat d’une fonction
en modifiant ses paramètres) de R, ‘optim’, permet de choisir entre plusieurs
algorithmes qui réalisent l’optimisation (à ne pas confondre avec les différentes
fonctions d’erreur). Deux algorithmes possibles ont été testés. Le premier est
l’algorithme BFGS26, le second est une variante du premier, l’algorithme L-BFGS-B27.
Ce dernier permet d’effectuer des optimisations de paramètres sous contraintes,
c’est à dire limitées à des valeurs minimales et/ou maximales imposées par
l’utilisateur. Cette possibilité est a priori intéressante, car elle permet d’éviter des
valeurs de paramètres aberrantes (S ou K < 0). Les deux algorithmes ont été testés
alternativement.
□ Comparaison avec les mesures à la parcelle (Millot, 2004)

Une série de mesures d’infiltrométrie monopotentiel ont été réalisée en avril et mai
2004 à l’échelle de la parcelle d’étude (Millot 2004), sur l’horizon de surface. Ces
mesures, régulièrement espacées sur deux transects emboîtés, étaient destinées à
appréhender la structure spatiale des variations de la teneur en eau immobile.
Ces mesures d’infiltrométrie ont été intégrées à la base de données de mesures
(« Précisions sur l’organisation et la gestion des données », p. 286, en annexe), au
même titre que les infiltrations effectuées à l’échelle du secteur agricole, et traitées de
la même manière.
Ce traitement parallèle de deux jeux de données acquis de manière indépendante,
26 “ ’BFGS' is a quasi-Newton method (also known as a variable metric algorithm), that [was]
published simultaneously in 1970 by Broyden, Fletcher, Goldfarb and Shanno ". Notice de la
fonction ‘optim’, R Development Core Team (2006).
27 " Method 'L-BFGS-B' is that of Byrd et. al. (1995), which allows box constraints, [...]. This
uses a limited-memory modification of the BFGS quasi-Newton method. ". Notice de la
fonction ‘optim’ , R Development Core Team (2006).
119
J. Moeys Partie III
mais provenant du même contexte géo-pédologique, permet d’évaluer les différentes

méthodes de calcul en faisant abstraction des éventuels biais liés à la mesure elle-
même (erreurs, état du sol au moment de la mesure...). Cela permet en outre de
comparer les conductivités et leur variabilité à deux échelles différentes (parcelle et
secteur agricole).
■ 4.3 Fraction d'eau immobile

■ Principe
En 1992, Clothier et al. ont mis au point une méthode de détermination de la teneur
en eau immobile in situ, basée sur l'infiltration successive d'eau, puis d'une solution
contenant un traceur inerte avec un infiltromètre à disque.
La première infiltration (qui n'infiltre que de l'eau sans soluté) permet d'atteindre la
teneur en eau au potentiel imposé (eau mobile et immobile), ainsi qu'un flux
d'infiltration constant (régime permanent). A la fin de la première infiltration, la
concentration en traceur (soluté) dans la phase mobile et dans la phase immobile est
nulle, celui-ci n'étant normalement pas présent dans le sol, ni dans l’eau infiltrée
initialement.
Un échange rapide d'infiltromètre – ou un changement rapide de la solution du
réservoir – permet d'infiltrer ensuite une solution contenant le traceur. L'infiltration
reprend, au même flux et au même potentiel que précédemment, mais avec cette fois
un traceur. Les teneurs en eau mobile et immobile sont normalement inchangées. On
peut considérer que pendant un temps limité, la diffusion du soluté entre la phase
mobile et immobile est négligeable. Comme il n'y a théoriquement pas d'échange
d'eau entre la phase mobile et la phase immobile, la solution contenant le traceur
remplace progressivement la solution sans traceur dans la phase mobile du sol,
mais pas dans la phase immobile. La concentration en traceur dans la phase mobile
devient égale à la concentration injectée par l'infiltromètre. On peut alors réécrire
l'équation 22 (p. 54) de manière à exprimer θimm. en fonction de θ, C, Cmob. et Cimm., en
replaçant θmob. par (θ - θimm.) (équation 21) :
équation 54 – Calcul de la teneur en eau immobile pour une infiltration avec un seul traceur
(Clothier et al., 1992) quand les échanges par diffusion sont négligeables.
Avec θimm. [L3.L3] ou (m3.m-3) la teneur en eau immobile ; θ la teneur en eau globale du sol au
potentiel imposé, mesurée après l'infiltration ; CS,globale [M.L-3] ou (kg.m-3) la concentration globale
en traceur dans la phase liquide du sol ; CS,mob. la concentration en soluté dans la phase mobile du
sol ; CS,globale,mesurée la concentration globale en traceur dans la phase liquide du sol mesurée sur
l'échantillon prélevé ; CS,infiltromètre la concentration en traceur de la solution injectée par
l'infiltromètre.
Lors de la double infiltration décrite ci-dessus, CS,mob. devient égal à la concentration
de la solution injectée par l'infiltromètre. CS,globale peut quant à elle être mesurée sur un
prélèvement de sol (de volume connu) sous l'infiltromètre, par analyse au laboratoire.
Cette approche pose néanmoins quelques problèmes méthodologiques :
– Le temps d'infiltration doit être suffisamment court pour que l'hypothèse de base
d'un d'échange de traceur entre la phase mobile et la phase immobile soit
négligeable (à une profondeur donnée).
120
J. Moeys Partie III
– Le temps d'infiltration doit être suffisamment long pour que la solution injectée
par le 2e infiltromètre ait eu le temps de remplacer la solution d'eau sans traceur
initiale, et cela en tenant compte des effets de dispersion du traceur lors de
l'infiltration (à une profondeur donnée).
– L'échantillonnage, destiné à mesurer la concentration en traceur dans le sol à la fin
de l'infiltration, doit avoir lieu au milieu du disque d'infiltration, là où l’hypothèse
d'écoulement monodimensionnel vertical est respectée.
– La profondeur/hauteur de l’échantillon et le moment de l'échantillonnage
doivent être compatible avec les 2 premières contraintes.
Snow (1999) a étudié en détail ces questions et fournit des indications de hauteurs
d'eau optimales à infiltrer en fonction du flux en régime permanent, de la valeur du
paramètre d'échange par diffusion α [T-1] ou (s-1) et de la dispersivité λ [L] ou (m).
■ Protocole
Après avoir réalisé une infiltration au potentiel de –1 cm (infiltration servant à
estimer S et K comme décrit dans le paragraphe « Détermination de la conductivité
hydraulique au voisinage de la saturation avec un infiltromètre à disque » p. 100) on
remplace l'infiltromètre par un autre, réglé au même potentiel, mais dont le réservoir
est rempli d'une solution de Bromure (Br–, traceur n'interagissant pas avec la phase
solide du sol) à 507 mg.L-1 (+/- 6 mg.L-1).
Le changement doit être rapide, de manière à ne pas affecter excessivement le flux
en régime permanent préalablement atteint. Cette deuxième infiltration est prolongée
jusqu'à ce qu'une hauteur de 10 mm au minimum ait été infiltrée sous le disque. Bien
que cette 2e infiltration ne serve pas à déterminer K(h), un suivi minimal de la hauteur
d'eau infiltrée en fonction du temps est réalisé de manière à pouvoir déterminer après
coup le flux en régime permanent et vérifier qu’il est cohérent avec le flux mesuré
avant l’application du traceur. Ce flux, et la hauteur d'eau infiltrée doivent permettre de
vérifier que les conditions définies par Snow (1999) sont respectées.
A la fin de l'infiltration, le prélèvement à la gouge d'un cylindre de sol de 2,5 cm de
diamètre pour 1 à 2 cm de haut est réalisé comme pour une infiltration sans traceur. La
teneur en eau massique de cet échantillon est déterminée, comme pour les
échantillons de sol sans traceur.
Une fois la masse de sol sec déterminée sur l'échantillon, un volume d'eau de 3 fois
la masse de sol sec est ajouté dans le flacon qui contient le sol. Le flacon est agité 24 h
dans un agitateur rotatif (REAX 20, Heidolph Instruments, Schwabach, DE) à
15 tours.minute-1. Après agitation, les échantillons sont mis à décanter. Une fois que les
particules et colloïdes en solution sont redescendus d'un à deux centimètres, un
aliquote de 1,5 mL est prélevé et filtré à l'aide d'un filtre nylon 0,45 µm (PK/100
Ø 133 mm, Teknokroma, Barcelone, ES) et placé dans un vial en verre.
Un sous aliquote de 50 µL est ensuite analysé par chromatographie haute pression
en phase liquide (HPLC Waters 2695, Milford, MA, USA) sur une colonne échangeuse
d’anion (AllSep A-2 Anion, AllTech, Deerfield, IL, USA), poussé par un éluant de
carbonate et bicarbonate de sodium (Na2CO3 à 2,2 mmol.L-1 et NaHCO3 à 2,8 mmol.L-1)
suivie d’un spectromètre (photodiodes Waters 996) sensible entre 193 et 246 nm (avec
un suivi sur 200 nm). Le temps de sortie du bromure est de 5,8 min.
Les aires des pics de bromure détectés sur le spectromètre sont intégrées de
manière semi-automatique, avec une vérification / sélection visuelle du début et de la
fin du pic, afin de déterminer l’aire du pic.
121
J. Moeys Partie III
Une gamme étalon de solutions de bromure à 5, 10, 20 et 50 et 100 mg.L-1 est

utilisée pour calibrer la relation linéaire [Br–] = f( aire du pic ), et pour contrôler le temps
de sortie du bromure.
Huit échantillons de la solution initiale utilisée pour les infiltrations ont été prélevés
durant la campagne de mesure, de manière à contrôler la concentration réelle de cette
dernière (risque de dilution accidentelle).
5 Préparation des échantillons

de sol avant les mesures avec
l’isoproturon
Du fait de l’hétérogénéité de structure (taille des agrégats) et de composition
(fragments végétaux, éléments grossiers) des échantillons de sol, il est nécessaire
d’homogénéiser les échantillons de sol prélevés avant de les utiliser pour les mesures
au laboratoire avec l’isoproturon.
■ 5.1 Tamisage et détermination de la teneur en eau

au prélèvement
L’échantillon brut prélevé est séparé en deux sous-échantillons. Le premier n’est
pas tamisé tandis que le second est tamisé à 5 mm (tamis à mailles carrées). Avant ce
tamisage, il est nécessaire de s’assurer que l’échantillon n’est pas trop humide.
L’excès d’eau rend les échantillons de sol collants, et la surface de leurs agrégats se
lisse lorsque le tamis est agité. Pour cette raison, les sols trop humides ont
préalablement été séchés à l’air jusqu’à ce qu’ils atteignent une teneur en eau
satisfaisante, avant d’être tamisés. Environ 1 kg de sol tamisé (agrégats < 5 mm) a été
préparé pour chaque échantillon. La partie de sol non tamisée est séchée à l’air
plusieurs jours (jusqu’à ce que la teneur en eau ne baisse plus) et stockée à
température ambiante avant d’autres utilisations (e.g. analyses physico-chimiques
réalisées par la LAS).
L’échantillon tamisé est homogénéisé à la main et 3 prélèvements de 10 à 20 g de
sol sont réalisés. Ces prélèvements sont mis dans des petites boites métalliques de
masse connue et mise dans une étuve à 105°C durant 48 h afin de déterminer la teneur
en eau massique du sol.
Les échantillons tamisés sont ensuite ensachés dans des sacs hermétiques de
types Ziplock, dûment annotés, et replacés en chambre froide à 4°C avant leur
utilisation.
■ 5.2 Détermination de la teneur en eau

à pF 2 après tamisage
La teneur en eau du sol est un paramètre important qui module l’intensité des
phénomènes biologiques, physiques et chimiques qui contribuent à la dégradation des
pesticides dans les sols. Si la teneur en eau est le paramètre le plus souvent utilisé
pour moduler l’intensité de la réaction, les micro-organismes sont aussi sensibles au
potentiel de l’eau (qui détermine sa ‘disponibilité’). Pour cette raison, les incubations de
pesticide réalisées au laboratoire sont réalisées à des teneurs en eau stables dans le
122
J. Moeys Partie III
temps et caractéristiques (e.g. capacité au champ). Il est possible d’estimer, par une
mesure ou par l’utilisation de fonctions de pédotransfert une teneur en eau massique
moyenne à appliquer à tous les échantillons. Dans cette étude, il a été choisi de
fixer le potentiel matriciel des échantillons incubés à pF 2, en adaptant pour
chaque échantillon la teneur en eau du sol. Cela nécessite une mesure préalable
de la teneur en eau au pF 2 de chaque échantillon. Cette détermination doit se
faire sur le sol tamisé, pour tenir compte du changement de porosité structurale
dû au tamisage.
La teneur en eau massique à pF 2 des échantillons de sol tamisés a été
déterminée suivant un protocole similaire à celui exposé dans le paragraphe
« Détermination des paramètres de la rétention en eau sur des échantillons de sol »,
p. 99. Au lieu d’utiliser des cylindres métalliques de prélèvement, des agrégats sont
déposés dans des cylindres de PVC de même taille, fermés à leur base par une
membrane de nylon du même type que celle utilisée sous les infiltromètres ou sur le
bac d’humectation (maille un peu plus large), afin d’éviter que du sol ne s’en échappe.
La suite de la procédure est identique. Pour chaque échantillon de sol, 2 répétitions
de la mesure sont réalisées avec, pour chacune d’elle, 25 à 45 g de sol frais utilisé.
6 Adsorption de l’isoproturon
L’adsorption d’une molécule organique sur la phase solide du sol dépend à la fois
des propriétés physico-chimiques d’interaction entre la molécule et la phase solide du
sol, de la quantité d’eau présente dans le sol (ratio sol-eau), ainsi que la quantité de
molécules présentes dans le sol. Les modèles d’adsorption sont décrits par l’équation
24 et l’équation 25 et illustrée par la figure 9 (p. 58).
■ 6.1 Adsorption linéaire de l'isoproturon sur les

sols
■ Principe
La mesure de l’adsorption sur des échantillons de sol non perturbés est complexe,
car, suivant l’état de remplissage de la porosité du sol par la phase liquide, tous les
sites d’adsorption de la phase solide ne seront pas accessibles aux molécules.
On utilise donc des agrégats de sol (après fragmentation et tamisage) que l’on
place dans un tube (qui n’adsorbe pas ou peu la molécule) avant de le remplir avec
une solution contenant la molécule (isoproturon). Le rapport sol / solution est
supérieur à ce qui existe dans un sol réel, de manière à ce que les molécules puissent
être en contact avec tous les sites d’adsorption. Le tube est agité 24 h à température
constante, afin de maximiser le contact sol-molécule et de disperser les agrégats.
Pendant ces 24 h un équilibre s’installe entre les molécules adsorbées sur la
phase solide et celles qui restent en solution, et la dégradation de la molécule reste
négligeable.
Après l’agitation, les tubes sont centrifugés de manière à plaquer les particules de
sol au fond du tube, tandis que la solution, moins dense, reste au-dessus. Un aliquote
de solution est récupéré afin d’y doser la concentration en pesticide. Ce dosage est
facilité par le fait que la molécule est radio-marquée au carbone 14 (noté 14C), ce qui
permet de la quantifier par comptage des désintégrations, plus aisé que le dosage par
123
J. Moeys Partie III
chromatographie.
La demi-vie de désintégration du carbone 14 étant bien supérieure à la durée de
l'expérience, il n'est pas nécessaire de tenir compte de ce paramètre dans les calculs :
la quantité d'isoproturon dégradée par désintégration du 14C au cours de l'expérience
est très faible au regard du nombre total de molécules.
La masse de sol (phase solide), le volume de solution et la quantité de molécules
introduites dans le tube sont connus au départ. La quantité de molécules en solution à
l’équilibre (après centrifugation) est mesurée à la fin. On obtient par différence la
quantité de molécule adsorbée. Ces paramètres permettent de calculer le KD avec
l’équation 24.
figure 30 – Mesures de l’adsorption d’une molécule par agitation d’un tube contenant un
mélange eau-sol liquide (mesure en batch).
Avec MS [M] ou (kg) la masse ‘équivalent sol sec’(solide) ajoutée dans le tube ; VE [L3] ou (m3) le
volume de solution ajoutée au tube, solution qui contient une masse MP [M] de pesticide (ainsi que
du CaCl2) ; MP,E [M] la masse de pesticide dans la solution ; MP,S [M] la masse de pesticide
adsorbée sur la phase solide. Le dosage est la quantification de MP,E sur un aliquote de solution.
■ Protocole
Pour chaque échantillon, 3 g équivalent sol sec sont placés dans un tube à
centrifugation en verre Corex (no8446®, USA) de 25 mL de capacité. La teneur en eau
du sol est ensuite ajustée, échantillon par échantillon, afin d’atteindre une teneur en
eau massique de 1 g pour 3 g de sol sec (par ajout d’eau déminéralisée, en fonction de
la teneur en eau initiale des échantillons). Les pesées sont réalisées sur une balance
de précision 1 mg (Mettler AE240).
Un volume de 9 mL de solution d’isoproturon à 5,55 mg.L-1 est ensuite ajouté au
tube, ce qui donne avec le gramme d’eau déjà présent dans le sol une concentration
dans le tube de 5 mg.L-1. Le rapport sol / eau est de 3 pour 10 (≈ 1/3). La solution
contient aussi du CaCl2 à 10-2 M (soit 1,47 g.L-1 de CaCl2 2H2O), afin de rééquilibrer la
balance minérale du sol (Wauchope et al., 2002) et d’améliorer la sédimentation des
argiles lors de la centrifugation (floculation). La solution apportée est pesée sur une
balance de précision 0,1 g (PB 3002-5, Mettler-Toledo). Tous les calculs sont basés
sur les masses de sol et de solution effectivement apportés (pesées) et non sur
les volumes visés.
Cette dose est proche de la concentration en isoproturon dans la phase liquide du
sol lors d’une utilisation agronomique. Au champ, l’isoproturon est apporté à 1 200 g.ha-1
(maximum légal), ce qui donne pour une épaisseur de 0,05 m de sol, avec une masse
124
J. Moeys Partie III
volumique de 1 260 kg.m-3, et une teneur en eau massique à pF 2 de 30 %, une dose de

1,90 mg d’isoproturon par kg de sol ou de 6,35 mg.L-1 de solution du sol. La solution
d’isoproturon apportée (5 mg.L-1) en est proche si l’on considère la phase liquide du sol,
mais éloignée si on considère la phase solide du sol (égale à 16 666 mg.kg-1 de sol). La
dose de 5 mg.L-1 a déjà été utilisée par exemple par Walker et al. (1999) et Coquet et
Barriuso (2002).
La solution d’isoproturon a été préparée à partir d’une solution non marquée (dite
solution froide) à 28,49 mg.L-1 (elle-même préparée à partir d’une poudre d’isoproturon,
Cluzeau Info Labo, Sainte-Foy-La- Grande, FR) et d’une solution d’isoproturon radio-
marquée au carbone 14 à 250 180 DPM.µL-1 (activité volumique) et 4,06 pg.DPM-1 de
pureté (mesurée) 97,5 % (International Isotopes, Munich, DE). Le marquage est sur le
cycle de la molécule d’isoproturon. La solution préparée contient 2095 DPM.mL-1. Une
fois les 9 mL de solution apportés au tube, et avec les 1 mL d’eau déjà présent dans le
sol du tube, la solution dans le tube contient 1886 DPM.mL-1.
Une fois la solution ajoutée, les tubes sont refermés (capuchon hermétique avec un
joint en téflon) et agités par retournement durant 24 h à 22°C (+/- 2°C) sur un agitateur
rotatif (REAX 20, Heidolph Instruments, Schwabach, DE) à 15 tours.minute-1.
Après agitation, les tubes sont centrifugés durant 15 minutes à une vitesse angulaire
de 2098 g (centrifugeuse Evolution RC, rotor SA-600 avec adaptateurs, Sorvall,
ThermoFisher Scientific). Les particules solides et l’isoproturon adsorbé sédimentent au
fond du tube (culot), tandis que la phase liquide et l’isoproturon en solution restent au-
dessus (surnageant).
Un aliquote de 0,5 mL est prélevé, pesé (précision 0,01 g ; AE240 Mettler) et placé
dans un flacon de comptage par scintillation (vials polyéthylène 6 mL, PerkinElmer,
Waltham, MA, USA) avec du liquide à scintillation Ultima Gold XR (PerkinElmer). Le
liquide à scintillation émet de la lumière sous l’effet des radiations qu’il reçoit. Le
nombre de désintégrations par minute de la solution est mesuré par un compteur à
scintillation TRI-CARB 2100TR (Packard, PerkinElmer) sur une durée de 10 minutes. Le
compteur à scintillation mesure en fait le nombre de ‘coups par minute’ (lumière) émis
par le flacon, et les convertit en désintégrations par minute via une procédure de
calibration.
La mesure permet de calculer la quantité de radioactivité de la solution, d’en déduire
la concentration d’isoproturon en solution, et par différence avec ce qui a été apporté
d’estimer la concentration en isoproturon sur la phase solide, afin de calculer le KD.
Trois répétitions sont effectuées pour chaque échantillon.
Quelques mesures d’adsorption (6) ont été réalisées sur des tubes sans sol, afin de
mesurer la quantité de pesticide adsorbée sur le verre du tube Corex et sur le joint de
téflon du bouchon (usure possible). Le KD équivalent (avec 3 g de sol virtuellement
présent) est en moyenne de 0,06 L.kg-1, avec un maximum à 0,12 L.kg-1 (joint altéré ou
erreur ?) et deux valeurs légèrement négatives (du fait de la précision de la mesure ;
adsorption nulle en réalité). Cette erreur représente 5,5 % du KD moyen mesuré et
approximativement 1/4 du coefficient de variation.
■ 6.2 KD des horizons de surface et profonds de la

parcelle d’étude
Des coefficients d’adsorption avaient été calculés par Alletto (2004) sur des
horizons de surface et des horizons profonds dans la parcelle d’étude (au sein du
secteur agricole de Ouarville). Le coefficient d’adsorption a été calculé à partir du
« temps 0 » des cinétiques de dégradation de l’isoproturon (apport de l’isoproturon sur
le sol suivi d’une extraction à l’eau et de 3 extractions au méthanol), et non par des
125
J. Moeys Partie III
adsorptions en batch comme décrites ci-dessus. Il est donc difficile de comparer les
mesures de KD des horizons de surface du secteur agricole avec les KD mesurés sur
les horizons profonds.
Des mesures d’adsorption en batch ont donc été conduites sur les horizons
prélevés par Alletto (2004), et sur les horizons de 2 nouvelles fosses ouvertes et
prélevées en 2005, afin de pouvoir comparer l’adsorption des horizons de surface et
celle des horizons profonds de la parcelle. Quatre horizons de surface et 12 horizons
profonds de la parcelle ont fait l’objet de mesures de KD en batch :
– Un NÉOLUVISOL sur limon de Beauce (fosse 1-2, Alletto 2004), avec ses horizons
LA, BT2 et BT/C (3 échantillons)
– Un BRUNISOL sur argile à meulière (fosse 2-2, Alletto 2004), avec ses horizons LA et
IIIC1.
– Un NÉOLUVISOL sur argile à meulière (fosse 3-2, Alletto 2004), avec ses horizons
LA, BT1, IIC et IIIC.
– Un CALCOSOL caillouteux (fosse 4), avec ses horizons LA, S et C.
– Un NÉOLUVISOL sur limon colluvionné, avec ses horizons LA, BT2.1, IIC et IIIC.
Ces échantillons permettent d’ajouter aux mesures de surface des horizons
limono-argileux à argileux profonds (dont des horizons dérivés de l’argile à
meulière), ainsi que des horizons à fortes teneurs en éléments grossiers et en
carbonates.
7 Dégradation de l'isoproturon
■ 7.1 Suivi de la dégradation et de la minéralisation

sur des incubations au laboratoire
■ Principe
Le calcul d’un temps de demi-vie de l’isoproturon nécessite un suivi de l’évolution de
la concentration en isoproturon dans le sol, en fonction du temps, dans des conditions
de température et de teneur en eau constantes. Après un apport initial en isoproturon
de masse connue, la molécule est progressivement dégradée et minéralisée. Le suivi
de cette dégradation est appelé « cinétique de dégradation ».
Comme pour les mesures d’adsorption, l’utilisation de molécules d’isoproturon
radiomarquées au carbone 14 (noté 14C) sur leur cycle permet de suivre la
concentration en isoproturon dans les solutions extraites du sol avec des solvants et
permet de connaître la quantité totale de radioactivité présente. Une analyse HPLC sert
ensuite à déterminer les proportions d’isoproturon et de ses métabolites dans la
radioactivité totale dosée.
■ Protocole général
La mesure a été conduite en deux séries de mesures, portant sur 25 échantillons
chacune. Les incubations des échantillons d’une même série démarrent et se
126
J. Moeys Partie III
terminent en même temps.
figure 31 – Incubation de sol avec une solution de 14C isoproturon pour mesurer la cinétique
de dégradation et de minéralisation.
Avec MS [M] la masse ‘équivalent sol sec’ (phase solide) ; H2O la quantité d’eau (VE) ajoutée pour
ajuster le pF du sol à 2 ; Solution : la solution de 14C isoproturon apportée au sol ; 14C le carbone
14 (CO2) issu de la minéralisation de l’isoproturon ; NaOH une solution de soude destinée à piéger
le CO2 émis par le sol (dont le 14CO2 de l’isoproturon) ; Jd1, Jd2, ... les jours/temps 1, 2 ...
auxquels certains bocaux sont sacrifiés pour un dosage de l’isoproturon dans le sol ; Jm1, Jm2, les
jours/temps 1, 2, ... auxquels le pilulier de soude est changé et dosé (sans sacrifice).
Pour chaque échantillon, 8 réplicats sont préparés avec, pour chacun, 20 g
équivalents sol sec placés dans un pilulier (en verre, contenance 60 mL). Trois temps
d’extraction (dits ‘de sacrifice’) sont prévus (dosage de la quantité d’isoproturon restant
dans le sol), portant pour chacun d’eux sur 2 réplicats (2 piluliers). Les deux réplicats
restant devaient permettre de rajouter un temps d’extraction additionnel ou de palier à
la perte éventuelle de certains piluliers. Chaque série comporte donc 200 piluliers.
Les temps d’extraction sont en nombre limité : 3, 14 et 98 jours (nommées t3, t14 et
t98). Les répétitions sont nommées A et B.
La quantité d’eau présente dans l’échantillon est ajustée à l’aide d’une propipette.
Elle est vérifiée par pesée sur une balance de 0,1 g de précision (PB 300S-S, Mettler-
Toledo), pour atteindre 90 % de la teneur en eau de l’échantillon à pF 2 (mesurée
préalablement), à laquelle on a retranché 0,5 g, soit la quantité de solution
d’isoproturon qui est apportée immédiatement après. Le pilulier entier est ensuite pesé,
afin de pouvoir contrôler régulièrement (et ajuster) la teneur en eau de sol mis à
incuber.
L’isoproturon radiomarqué est apporté dans 0,5 mL d’une solution à 10 mg.L-1 et
marquée à 600 000 DPM.mL-1. Les 0,5 mL apportés sont pesés sur une balance de
précision 1 mg (AE240, Mettler). C’est la masse de solution effectivement apportée qui
est ensuite utilisée dans les calculs.
La solution a été préparée à partir des mêmes sources marquées et non marquées
que pour les mesures d’adsorption.
La concentration en isoproturon atteinte dans le bocal au moment de l’apport est de
0,25 µg d’isoproturon . g de sol sec-1 (0,25 mg.kg-1), et de 939 µg d’isoproturon . L de solution
du sol-1. La concentration en radioactivité est de 15 000 DPM . g de sol sec-1 (soit
300 000 DPM par pilulier).
Rapporté à une dose agronomique appliquée par hectare, cette dose est
équivalente à un apport de 157,5 g.ha-1 (répartie sur les 5 premiers cm de sol à une
masse volumique apparente de 1260 kg.m-3 de sol), soit environ 1/8e de la dose
maximale autorisée (1200 g.ha-1).
127
J. Moeys Partie III
figure 32 – Extractions successives de l’isoproturon des incubations avec une solution de

CaCl2 et 3 ajouts de méthanol.
Une fois l’isoproturon radiomarqué apporté, le pilulier est placé dans un bocal
équipé d’une fermeture hermétique avec un joint de caoutchouc (Le Parfait, 500 mL).
Un flacon de comptage par scintillation (polyéthylène, 20 mL, PerkinElmer) est placé à
côté du pilulier de sol, avec 2,5 mL de soude à 2M. Un deuxième flacon est placé à
côté du premier, contenant 10 mL d’eau distillée, afin de maintenir l’atmosphère du
bocal à un taux d’humidité satisfaisant. Le bocal est ensuite refermé hermétiquement.
La soude piège le CO2 de l’atmosphère du bocal, et donc le CO2 émis par le sol, ce qui
inclut le CO2 issu de la minéralisation de l’isoproturon, quand la chaîne de dégradation
arrive à son terme.
Les bocaux (contenant chacun un pilulier de terre et 2 flacons) et ensuite placé dans
une enceinte thermostatée à 22°C +/-2°C.
La mesure de la quantité d’isoproturon minéralisée ne nécessite pas de sacrifier le
pilulier de terre, mais juste de remplacer le flacon de soude et d’effectuer un comptage
sur le pilulier remplacé. La minéralisation a été mesurée à 3, 7, 14, 21, 28, 35, 60 et 98
jours (t3, t7, t14, t21, t28, t35, t60 et t98). La 2e série de mesure n’a pas fait l’objet d’une
mesure à 28 jours. La mesure de l’isoproturon minéralisé se fait en ajoutant 10 mL de
liquide à scintillation Ultima Gold XR (PerkinElmer) puis mesuré dans le compteur à
scintillation TRI-CARB 2100TR (Packard, PerkinElmer) sur une durée de 10 minutes.
À 3, 14 et 98 jours, des bocaux sont sacrifiés. Le contenu du pilulier de terre est vidé
dans un tube à centrifugation de 250 mL (copolymère de polypropylène, Nalgene,
ThermoFisher Scientific) et 60 mL de solution aqueuse de CaCl2 à 10-2M est ajoutée et le
tube est refermé hermétiquement. Les tubes sont agités 24 h par retournement
(REAX 20, Heidolph Instruments, Schwabach, DE) à 15 tours.minute-1.
Les tubes sont ensuite centrifugés à 10 000 g durant 15 minutes (centrifugeuse
Evolution RC, rotor SA-600 avec adaptateurs, Sorvall, ThermoFisher Scientific). Le
surnageant (l’« extrait eau ») est récupéré dans un flacon (verre fumé, 100 mL) et pesé
sur une balance de 0,1 g de précision. Le flacon est mélangé et 1 aliquote de 0,5 mL
est prélevé, placé dans un flacon à scintillation (6 mL, Polyéthylène, PerkinElmer), pesé
sur une balance de précision 1 mg (AE240, Mettler), avant d’être mélangés à 4 mL de
liquide à scintillation. Le flacon est mis au compteur à scintillation pour déterminer le
nombre de DPM qu’il contient (et indirectement le nombre de DPM extrait avec la
solution de CaCl2). Le flacon contenant le reste de la solution est stocké à 4°C jusqu’à
128
J. Moeys Partie III
l’étape suivante.
Le sol resté dans le tube à centrifuger est ensuite remis en suspension dans 60 mL
de méthanol. Comme pour l’extrait à l’eau, il est agité 24 h et le surnageant est
récupéré par centrifugation dans un flacon de verre de 180 mL. L’opération est
recommencée 2 fois, et les 3 extraits méthanols obtenus sont groupés dans le même
flacon. Ce dernier, dont la masse à vide est connue, est pesé avec les 3 extraits
méthanol et mélangé. Comme pour les extraits eau, 1 aliquote de 0,5 mL sont ensuite
prélevés et mis au compteur à scintillation. Le flacon de méthanol est stocké à 4°C.
A la fin de ces étapes, la quantité de molécules radioactives extractible à l’eau
ou au méthanol est connue. Cette radioactivité peut provenir de l’isoproturon,
mais aussi de ses métabolites, et plus généralement toute molécule incluant des
atomes de carbone du cycle marqué, issue de sa dégradation qui n’ait pas été
minéralisée. Il est donc nécessaire de déterminer la quantité d’isoproturon (en
proportion de la radioactivité totale) présente dans les deux extraits. Une partie
de la radioactivité n’a pas été extraite et reste dans le sol. Il est possible de la doser,
mais cette mesure n’a pas été effectuée. Comme dans les extraits à l’eau ou au
méthanol, la radioactivité qui reste dans le sol peut être de l’isoproturon, ou ses
métabolites. Cette fraction est appelée ‘résidus liés’, ou ‘fraction non extractible’, et elle
est considérée arbitrairement comme un produit de dégradation de l’isoproturon dans
les calculs de cinétique de dégradation. Il est en réalité difficile de savoir si les
résidus liés sont de l’isoproturon immobilisé, ou s’ils sont des produits de
dégradation de l’isoproturon. La fraction non-extractible peut être importante sur le
long terme si la séquestration des molécules s’avère être réversible. Le dosage de
cette radioactivité est aussi utilisé pour réaliser des bilans de radioactivité (vérifier qu’il
n’y a pas de pertes).
figure 33 – Concentration sur cartouches de la solution aqueuse contenant l’isoproturon

extrait des incubations.
Avec CaCl2 solution aqueuse contenant du CaCl2 et l’isoproturon radiomarqué (14C IPU) extrait
des incubations ; H2O solution aqueuse ; methOH méthanol ; HPLC analyse par chromatographie
liquide haute pression.
L’étape suivante consiste à concentrer les extraits eau et méthanol de manière à
obtenir un volume suffisamment concentré en radioactivité pour pouvoir être analysé
(détecté) par HPLC.
L’extrait eau est concentré sur une résine (Extraction sur phase solide, copolymère
de polystyrène divinyl-benzène, Isolute Env+, IST, Biotage, Uppsala, Suède). La solution
aqueuse est passée au travers d’une cartouche de résine préalablement conditionnée
(rendements d’extraction de concentration estimés par Alletto (2004) à ~ 95 %). La
résine retient l’isoproturon et filtre ainsi l’extrait aqueux. La cartouche est ensuite
séchée sous une aspiration modérée, et les molécules piégées par la résine sont
reprises par une élution fractionnée de 2 mL de méthanol. Le passage d’une phase
aqueuse à une phase organique libère les molécules d’isoproturon, qui sont
129
J. Moeys Partie III
récupérées dans les 2 mL de méthanol, dans un flacon de verre. Deux mL d’eau sont
mélangés à la solution, et un aliquote de 1 mL placé dans un vial en verre pour être
analysé en HPLC. Le mélange eau/méthanol 50 %-50 % améliore la séparation
chromatographique.
figure 34 – Concentration par évaporation du méthanol contenant l’isoproturon extrait des

incubations.
L’extrait au méthanol (180 mL) est concentré sur un évaporateur rotatif (Rotavapor R-
200, Büchi) dont le ballon est maintenu à 60°C par un bain thermostaté (B-490, Büchi) et
placé sous vide (rendements de concentration estimés par Alletto (2004) à ~ 90 %). Un
à quatre mL sont obtenus en fin d’évaporation, suivant la quantité d’eau qui restait
dans le culot des tubes à centrifuger au moment de l’addition de méthanol.
Cet extrait est filtré sur un filtre 0,45 µm en cellulose régénérée (Ø13 mm, AllTech,
Deerfield, IL, USA), et un aliquote de 1 mL est placé dans un vial pour être analysé en
HPLC.
Les vials issu de la concentration des extraits aqueux sont ensuite analysés par
chromatographie liquide haute performance (HPLC), avec séparation sur une colonne
Nova Pack C18 (Waters), poussé par un solvant 45 % méthanol et 55 % eau. L’élution
dure 45 minutes, avec un débit de 1 mL.min-1. En sortie de colonne, la solution éluée est
mélangée à du liquide scintillant (Ultima-FLO AP, PerkinElmer). Un détecteur de
radioactivité par scintillation (Radiomatic Flo-One A550, Packard, PerkinElmer) permet de
quantifier la radioactivité présente en fonction du temps (chromatogramme).
Les pics présents sur les chromatogrammes et leurs aires sont calculés afin d’en
déduire la proportion entre l’isoproturon et ses métabolites.
Un aliquote de la solution initiale utilisée pour les incubations est passé avec
chaque série de mesure HPLC (soit toutes les 25 mesures), afin de déterminer le
temps de sortie de l’isoproturon dans la colonne HPLC. Cela permet de repérer le pic
d’isoproturon sur les chromatogrammes.
Des standards ont aussi été utilisés pour déterminer le temps de sortie de certains
métabolites de l’isoproturon. À l’exception du MD-IPU, ces derniers étaient
généralement présents en trop faible quantité pour être identifiés de manière fiable. Le
suivi des métabolites n’a donc pas été réalisé.
Plusieurs problèmes ont obligé certaines modifications ponctuelles du protocole
d’analyse. Les quantités de radioactivité introduites se sont avérées trop faibles pour
permettre une quantification fiable de la quantité d’isoproturon présente dans certains
extraits aqueux ou méthanol. Le dosage de la radioactivité présente dans les extraits
permet d’identifier les échantillons concernés. Suivant la quantité de radioactivité
130
J. Moeys Partie III
présente, plusieurs solutions sont mises en œuvre successivement : (i) groupement

des répétitions A et B d’un même extrait lors de la concentration (ii) groupement des
extraits eau et méthanol après leur concentration (iii) re-concentration des extraits
méthanol et eau regroupés dans des ballons de petite taille avec addition d’un petit
volume de méthanol pur, ce qui permet un niveau de concentration supérieur par
évaporation d’une partie de l’eau résiduelle de l’extrait. Quasiment tous les extraits à
98 jours ont dû faire l’objet de ces regroupements (iii), ainsi qu’une partie des extraits à
14 jours.
La fin de l’incubation de la 2e série a été affectée par un défaut de régulation de la
chambre thermostatée qui a engendré durant quelques jours des écarts de
température plus importants (22°C +/- 4°C) durant 1 à 2 semaines. Ces écarts ne
semblent pas avoir eu d’impact sur les demi-vies de l’isoproturon, car aucun effet série
n’est détectable sur les résultats (étude par analyse de la variance).
Les temps de sortie de l’isoproturon des extraits méthanol lors de l’analyse HPLC se
sont avérés assez variables (temps de sortie de 22 min, +/- 1,5 min) du fait des teneurs
en eau variables et non maîtrisées des extraits concentrés (eau résiduelle du culot
après centrifugation). Les pics ont alors été identifiés relativement au couple MD-
IPU / IPU dont les proportions relatives (l’un par rapport à l’autre) se sont avérées
assez stables pour un même temps d’extraction.
■ Cinétique de dégradation et de minéralisation

Le dosage de la quantité de radioactivité [DPM] dans les flacons de soude à
différents temps de l’incubation permet de calculer la quantité d’isoproturon minéralisée
entre chaque dosage. Si X % de dose de radioactivité introduite au temps 0 est
retrouvée dans le dosage du jour ‘j’ cela signifie que X % de l’apport initial en
isoproturon a été minéralisé entre le dosage au jour j et le dosage précédent (si l’on fait
l’hypothèse qu’aucune perte n’est survenue et que la soude n’a pas été saturée, ce qui
est normalement le cas).
Pour chaque réplicat de sol, la quantité d’isoproturon minéralisée est cumulée entre
les différents temps de dosage, de manière à obtenir une cinétique de minéralisation
(quantité d’isoproturon minéralisée = f( temps )).
Le dosage de la quantité de radioactivité [DPM] dans les différents extraits, associé
à la proportion d’isoproturon dans l’extrait mesurée par analyse HPLC, permet de
déduire la quantité d’isoproturon extractible du sol au temps d’extraction considéré. Si
X % de dose de radioactivité introduite au temps 0 est retrouvée dans l’extrait
méthanol du jour ‘j’, et que l’isoproturon représente Y % de cette radioactivité, cela
signifie qu’il reste dans le sol, au jour j, (X %.Y %)/100 [%] de l’apport initial en
isoproturon. Contrairement à la minéralisation, il n’est pas nécessaire de cumuler les
mesures, et la quantité d’isoproturon dans le sol mesurée à un temps donné est
effectuée sur un sous-échantillon (un réplicat) différent à chaque temps de mesure. On
obtient une cinétique de dégradation (quantité d’isoproturon restante = f( temps )).
■ 7.2 Estimation des demi-vies de dégradation et de

minéralisation
L’estimation de la demi-vie de dégradation ou de minéralisation de l’isoproturon
repose sur l’ajustement de l’équation 27 (p. 60) aux cinétiques mesurées. Beulke et
Brown (2001) soulignent l’importance du choix du modèle (cinétique de 1er ordre,
cinétique bi-exponentielle), du choix de la méthode de calcul des paramètres (par
régression linéaire sur des données log-transformées ou par ajustement direct, voir ci-
dessous), et du choix de fixer ou non la concentration au t0 (fixée à 100% de l’apport
131
J. Moeys Partie III
théorique ou laissée libre). Les auteurs préconisent de tester les différentes

possibilités, et de choisir la méthode la plus adaptée aux objectifs de recherche.
De fait, la plupart des modèles informatiques de comportement des pesticides ne
reconnaissent que les cinétiques de 1er ordre. Herman et Scherer (2003) montrent que,
pour la régression linéaire sur des données log-transformée, le résidu de régression
n’est pas homogène : il est plus élevé pour les concentrations relatives en pesticide
proche de 100 % de l’apport. Ce biais n’apparaît pas avec les méthodes non-linéaires.
Les auteurs préconisent donc l’approche par ajustement direct, non linéaire, en
l’absence d’autres données sur la structure de l’erreur d’ajustement. Dans un travail
ultérieur, Herman et Scherer (2006) montrent que si le modèle à simple exponentielle
ajusté par une régression non-linéaire (ajustement direct) fonctionne généralement
bien, d’autres modèles comme le modèle bi-exponentiel, le modèle ‘shift-log’ (loi de
puissance ?) et le modèle de Monod sont parfois plus adaptés, notamment pour la
prédiction de la DT90 (c’est à dire pour la prédiction de la concentration résiduelle en
pesticide après un temps long).
Comme les données mesurées sont destinées à être utilisées dans un travail de
modélisation, le modèle ajusté ici est une cinétique de 1er ordre. Par contre, plusieurs
méthodes d’ajustement ont été testées : ajustement linéaire sur des données log-
transformées, avec ou sans calcul de C0, et un ajustement direct, non-linéaire. Pour
cette dernière méthode, deux variantes ont été testées, avec deux calculs d’erreur
d’ajustement différents.
Pour tous les calculs exposés ci-dessous, il a été choisi de considérer que la
concentration au temps initial (C0), non mesurée, correspond à 100 % de l’apport
théorique. Les différents calculs de paramètres ont donc été réalisés avec les données
mesurées ‘plus’ une donnée ‘arbitraire’ C0 = 100 % de l’apport.
■ Ajustement linéaire
Une transformation logarithmique des deux termes de l’équation permet d’aboutir à
la relation linéaire :
équation 55 – Linéarisation de l’équation de dégradation de premier ordre par

transformation logarithmique.
Avec C(t) [M de molécule . M de sol sec-1] la concentration de la molécule dans le sol au temps t,
exprimée en % de l’apport initial ou concentration massique ; C(t=0) la concentration de la molécule
dans le sol au temps initial (apport de la molécule au sol), qui sera notée par la suite C0 ; k [T-1] la
constante de dégradation de la molécule.
Il suffit alors de calculer une régression linéaire pour calculer k et C0. Les données
de ln(C) tracées en fonction du temps doivent être parfaitement linéaires si l’hypothèse
de cinétique de dégradation de 1èr ordre est respectée. Quand cette hypothèse n’est
pas respectée, on observe un écart à la linéarité d’autant plus important que l’aspect
biphasique de la cinétique est accentué (ou tout autre écart à une cinétique de 1er
ordre).
□ Fixer ou ajuster la concentration initiale

Le calcul présenté ci-dessus offre deux possibilités quant à la concentration initiale
C0. On peut considérer que cette dernière est connue, égale à la concentration
introduite dans le pilulier de sol au temps 0. L’ajustement linéaire est alors effectué en
fixant C0. On peut considérer que la concentration effective en molécule juste après
l’apport n’est pas exactement égale à C0, du fait d’une imprécision du volume de
132
J. Moeys Partie III
solution apporté, d’une dégradation partielle lors de l’apport, d’une immobilisation de la

molécule (non extractible), ou d’un effet des erreurs de mesures. Dans ce cas, le
paramètre C0 est ajusté avec le paramètre k. Les deux cas de figure ont été testés.
■ Ajustement direct, non linéaire

Comme dans le cas des infiltrations mono-potentielles, il est possible de réaliser un
ajustement direct, non-linéaire, de l’équation sur les données. La fonction ‘optim’ du
logiciel R, présentée plus haut (p. 119), permet de faire ces ajustements.
Comme pour les mesures d’infiltrométrie, deux algorithmes d'optimisation de la
fonction optim ont été testés : BFGS et L-BFGS-B, le 2e permettant de réaliser une
optimisation avec des contraintes (minimum et/ou maximum de la variable ajustée).
Deux fonctions d'erreur ont été testées, la RRSEP% donnée par l'équation 64
(p. 289) et le MAPE% de l'équation 66 (p. 290), mais le paramètre k a été remplacé
dans ces deux équations par ln(2)/DT50. En effet, il faut faire varier k de plusieurs
ordres de grandeur pour obtenir une variation d'un ordre de grandeur de l'erreur, tandis
que les variations de DT50 et de l'erreur sont du même ordre de grandeur.
L'optimisation sur la valeur de DT50 est donc normalement plus favorable que sur la
valeur de k (l’aide de la fonction optim recommande d’avoir autant que possible une
variation d’erreur du même ordre que la variation du paramètre).
Il est possible de remplacer l’optimisation non linéaire par une approche plus
systématique de criblage des valeurs de DT50 possibles sur un intervalle de valeurs
plausibles déterminé à l’avance. La méthode consiste à calculer les erreurs
d’ajustement pour toutes les valeurs de DT50 envisagées, et à choisir la DT50 qui donne
l’erreur la plus faible. Cette méthode est pertinente dans les cas où il existe plusieurs
minimums locaux qui risqueraient de ‘tromper’ l’algorithme. La méthode permet en
outre de repérer ces minimums locaux, ce qui est une information supplémentaire. Les
minimums locaux ont été calculés à l’aide de la fonction ‘turnpoints’ du package
additionnel ‘pastecs’ (v. 1.3-4, Ibanez et al., 2006) du logiciel R (R Development Core
Team, 2006). La méthode a été appliquée avec la fonction d’erreur MAPE% (équation
66, p. 290), en lieu et place de la fonction ‘optim’, pour des raisons développées dans
la partie résultats.
8 Méthodes statistiques utilisées

pour la caractérisation de la
variabilité spatiale des
propriétés agro-pédologiques
Les différentes mesures présentées plus haut aboutissent, pour chaque site, à un
large éventail de propriétés de natures parfois très différentes. Certaines sont
quantitatives, d’autres qualitatives. Certaines ont une distribution qui suit une loi
normale, d’autre non. Les objectifs des tests statistiques varient aussi.
Dans un premier temps, un examen des caractéristiques de distribution de chaque
propriété permet de la caractériser (centrage, dispersion, quantiles, distribution). Du
résultat dépend le choix des tests statistiques qui sont appliqués (paramétriques ou
non paramétriques).
133
J. Moeys Partie III
Les liens éventuels entre les différentes propriétés sont ensuite examinés en
prenant les propriétés deux à deux. S’il s’agit de deux propriétés quantitatives, le
coefficient de corrélation est calculé, s’il s’agit d’une propriété quantitative et d’une
propriété qualitative, une analyse de la variance est effectuée. Le cas échéant,
quelques analyses de la variance à deux facteurs contrôlés sont réalisées.
Les liens entre propriétés pouvant être multiples, des analyses en composantes
principales sont réalisées sur différents sous-ensembles de propriétés. Elles doivent
permettre de dégager les grandes ‘composantes’ de la variabilité au sein des sols
mesurés, et les propriétés qui y sont associées. Ces analyses se basent uniquement
sur les propriétés quantitatives, mais il est possible d’examiner visuellement le rôle des
propriétés qualitatives par rapport à cette variabilité.
L’objectif étant de pouvoir prédire certaines propriétés ‘importantes mais difficiles à
mesurer’ à partir de propriétés ‘plus simples à mesurer’ (fonctions de pédotransfert),
plusieurs méthodes de ‘modélisation statistique’ sont mises en œuvre, et leurs
résultats testés, afin de définir si ces prédictions sont possibles.
Dans les chapitres suivants, le terme de « propriété » (dans le sens d’une propriété
physique, chimique ou biologique du sol) est préféré au terme « variable » (au sens
statistique du terme), afin de garder une cohérence terminologique entre les chapitres
de cette thèse. Les valeurs mesurées/observées d’une propriété sont assimilées à des
‘réalisations’ d’une variable. Par « propriété qualitative ou quantitative », il faut donc
aussi comprendre « variable qualitative ou quantitative ».
■ 8.1 Hiérarchie des propriétés

Le choix et l'ordre des propriétés dans l’application des tests présentés ci-dessus et
développés ci-dessous obéissent à une hiérarchie implicite de ces propriétés,
choisie au préalable. Les propriétés qui sont le plus bas dans la hiérarchie sont
théoriquement les plus simples à mesurer, au moindre coût, tandis que les propriétés
les plus élevées dans la hiérarchie sont les plus complexes et/ou coûteuses à
mesurer. Comme expliqué plus haut, cette hiérarchie des propriétés n'a pas d'intérêt si
le seul but est de comprendre et d'expliquer les observations. Par contre, dans le cadre
d'une prédiction (fonction de pédotransfert), la hiérarchie est importante, car il est
inutile de prédire une propriété facile à mesurer à partir d'une autre plus difficile à
mesurer (principe de bon sens donné par McBratney et al., 2002). Selon la même
logique, si on a le choix entre deux 'propriétés prédictives' donnant des résultats de
prédiction comparables, on choisira la plus simple à mesurer. Inversement, en
l'absence de prédictions correctes avec des propriétés simples à mesurer, on pourra
en utiliser d'autres 'plus coûteuses', si elles sont inférieures à la propriété à prédire
dans la hiérarchie.
La hiérarchie choisie est la suivante : analyses physico-chimiques (granulométrie
fine et grossière, carbone organique, CaCO3) < masse volumique apparente <
propriétés décrites par un sondage tarière < propriétés de rétention en eau <
conductivité hydraulique < fraction d'eau immobile < adsorption de l'isoproturon < demi-
vie de minéralisation < demi-vie de dégradation.
Bien que l'adsorption soit relativement simple à mesurer, le fait que sa mesure
nécessite l'utilisation de molécules radiomarquées la classe parmi les propriétés
coûteuses à mesurer.
134
J. Moeys Partie III
■ 8.2 Statistiques descriptives
■ Graphiques ‘box & whisker’

Les graphiques dit ‘box & whisker’ (en français : ‘boite à moustaches’), donnent une
vision graphique des quantiles de la propriété. Quand deux graphiques box & whisker
sont placés côte à côte, ils permettent une comparaison visuelle de la médiane et des
quartiles de deux groupes d’observations. Ces graphiques (figure 35) se présentent
sous la forme de boites scindées en deux parties et prolongées de part et d’autre par
deux lignes (‘moustaches’).
– L’axe parallèle à l’allongement des boites (abscisses ou ordonnées selon les cas)
donne les valeurs (des quantiles) de la propriété étudiée ;
– L’axe perpendiculaire à l’allongement des boites sépare les différents groupes
d’observations comparés. Il est inutile si une seule modalité est étudiée ;
– L’axe central de la boite, qui la scinde en deux parties, représente la valeur
médiane de la propriété ;
– Les côtés extrêmes de la boite représentent les quartiles (25 % et 75 %) ;
– La zone cintrée autour de la médiane représente l’intervalle de confiance autour de
la médiane. Sa largeur est égale à :
équation 56 – Calcul de l’intervalle de confiance sur la médiane.

Avec Q50 % la médiane ; Q75 % le quartile supérieur, Q25 % le quartile inférieur ; n le nombre de
valeurs considérées.
Si le nombre d’observations est faible au regard de la variabilité, les marges de cet
intervalle de confiance peuvent parfois s’étendent au-delà des valeurs interquartiles.
– Certaines valeurs sont considérées comme des ‘valeurs extrêmes’ (ce qui ne
signifie pas forcément que ce sont des valeurs aberrantes). Les valeurs extrêmes
répondent au critère suivant :
équation 57 – Critère de définition des valeurs extrêmes.

Le coefficient de 1,5 est un paramètre choisi arbitrairement, qui peut être modifié.
Ces valeurs extrêmes sont représentées, si elles existent, par des points dépassant
de part et d’autre des figurés (boites et lignes).
– Les deux lignes qui sortent de part et d’autre de la boite s’étendent à la plus petite
et à la plus grande valeur non considérée comme une valeur extrême.
– La moyenne des valeurs est fréquemment représentée sur le graphique par un
point (distinct de la médiane). Plus la moyenne s’écarte de la ligne médiane, plus la
distribution est asymétrique.
135
J. Moeys Partie III
figure 35 – Position des différentes statistiques sur un graphique ‘box & whisker’.
La partie cintrée de la boite autour de la médiane correspond à une estimation d’intervalle de
confiance autour de celle-ci. Exemple sur une distribution log-normale (300 valeurs ;
log(moyenne) = 1, log(écart type) = 0,7).
Ces définitions sont données d’après l’aide de la fonction ‘boxplot’, package
‘graphics’, version 2.4.1, (R Development Core Team, 2006). Cette fonction a servi à
produire les graphiques ‘box & whisker’ de ce document.
■ Statistiques de distribution
□ Skewness & Kurtosis

Le skewness et le kurtosis sont deux paramètres statistiques permettant de mesurer
respectivement l’asymétrie (autour du paramètre de centrage) et l’aplatissement de la
distribution des valeurs (ou son inverse, l’aspect ‘pointu’). Ce sont deux paramètres
simples qui permettent de comparer empiriquement la distribution d’une propriété avec
celle d’une distribution suivant une loi normale. Cette adéquation est une hypothèse de
base de nombreux tests statistiques, d’où la nécessité de la vérifier.
Le skewness – en français ‘dissymétrie’ ou ‘asymétrie’ (ISI, 2007) – mesure la
symétrie de la distribution des valeurs autour de sa moyenne. Une distribution centrée
aura autant de valeurs supérieures que de valeurs inférieures à sa moyenne.
équation 58 – Calculs des paramètres Skewness et (excès de) Kurtosis.

Avec la moyenne de la propriété y ; yi la ie mesure de la propriété y ; n le nombre de valeurs
considérées ; s l’écart type de la propriété y sur les n mesures.
Le kurtosis – en français ‘aplatissement’, ‘curtosie’ ou ‘excès’ – mesure le degré
d’aplatissement d’une distribution. Le kurtosis est généralement exprimé en terme
d’excès (ou de différence de) kurtosis, c’est-à-dire par rapport au kurtosis d’une loi
normale, égal à 3. Pour la simplicité, le terme ‘kurtosis’ désignera en fait l’‘excès
136
J. Moeys Partie III
de kurtosis’, dans ce document.

L’équation 58 donne le calcul du skewness et du kurtosis. Le tableau 15 donne une
indication sur la signification des valeurs de skewness et de kurtosis.
valeurs <0 0 >0

– la distribution est –
Skewness Étalée à gauche de Symétrique Étalée à droite de la
la moyenne, serrée moyenne, serrée à
à droite gauche
(Kurtosis – 3) Plus aplatie (que la Aplatissement de la Plus pointue (que la
loi normale) loi normale loi normale)
tableau 15 – Interprétation des valeurs de Skewness et Kurtosis.
□ Test de normalité de Shapiro

Les paramètres skewness et kurtosis permettent d’évaluer la symétrie et l’étalement
de la distribution d’une propriété, mais ils ne permettent pas de ‘tester’ cette normalité,
au sens statistique du terme (c’est à dire de calculer la probabilité de rejet de
l’hypothèse de non-normalité).
Il existe plusieurs tests permettant tester plus rigoureusement cette normalité. Le
test utilisé dans ce document est le test défini en 1965 par Wilk et Shapiro :
équation 59 – Calcul de la statistique W de Shapiro-Wilk.

Avec xi la ie valeur de x, ces dernières étant ordonnées dans l’ordre croissant de i=1 à i=n. ai est la
valeur attendue de la ie valeur d’une propriété normale ayant la même moyenne et la même
variance que X ; n est le nombre de valeur de x considérées ; est la moyenne de la propriété x.
(source: Regalado 2005).
Plus la valeur du test W s’écarte de 1 (W ≤ 1), plus la distribution testée s’écarte de
la normalité.
En pratique, on calcule aussi la probabilité P (p-value) que l’hypothèse de non-
normalité soit rejetée. Si l’on choisit une valeur α/2 = 0,05 (soit 5%, probabilité
‘acceptable’ de rejeter de l’hypothèse H0 de normalité (d’après les observations) alors
que la propriété suit ‘en réalité’ une distribution normale), toute valeur inférieure signifie
que la distribution s’écarte de la normalité, et toute valeur supérieure signifie que la
distribution est proche de la normalité. Cette probabilité sera notée ‘valeur PW-S’.
■ 8.3 Statistiques sur des propriétés non-normales

Les résultats correspondant à cette partie sont exposés page 203.
Il peut arriver que les mesures d’une propriété pédologique aient une distribution qui
s’écarte plus ou moins fortement de la loi normale. Cela pose un problème
méthodologique. Les tests statistiques comme le coefficient de corrélation de
Pearson, ou l’analyse de la variance de Fisher, reposent (entre autres) sur
l’hypothèse d’une distribution normale28 (Dodge, 1999 & Bouyer, 2000). Bien que
28
Les tests reposant sur cette hypothèse sont appelés tests paramétriques.
137
J. Moeys Partie III
ces tests soient relativement robustes, la fiabilité de leurs conclusions est contestable
en cas de non-normalité avérée d’une des propriétés étudiées.
Les valeurs prises par une propriété peuvent s’écarter de la normalité pour plusieurs
raisons. Les propriétés, qui reflètent des propriétés physiques, chimiques ou
biologiques du sol, peuvent suivre ‘intrinsèquement’ une distribution non normale
(asymétrique, et/ou aplatie/pointue). Par exemple, la gamme de valeurs ‘habituelles’
des conductivités hydrauliques à saturation s’étale sur plusieurs ordres de grandeur.
Dans d’autres cas, la propriété peut suivre une distribution relativement proche de la
normalité, mais les mesures concernent deux (ou plusieurs) ‘populations’ (types de sol,
pratiques agronomiques) contrastées dont la distribution groupée est bimodale ou
plurimodale.
■ Cas des populations bi- ou plurimodales

Dans le cas d’une distribution bimodale, il est possible de séparer les mesures en
deux groupes distincts, dont les distributions respectives seront normales, et
d’effectuer les tests statistiques indépendamment sur ces deux groupes. Cette
stratégie n’est envisageable que si le nombre de mesures initiales est suffisamment
grand pour permettre des tests statistiques satisfaisant sur les groupes distingués. Une
réduction du nombre de mesures testées entraîne en effet une perte de puissance du
test statistique (les différences, ou les effets, doivent être plus importants pour être
considérés comme statistiquement significatifs). Le nombre d’observations
effectuées pour l’étude présentée ici a été jugé trop faible pour tenter de
distinguer deux ou plusieurs populations. Cette stratégie n’a donc pas été
utilisée ici.
■ Cas des propriétés intrinsèquement non-normales

Dans le cas d’une propriété ayant une distribution ‘intrinsèquement’ non normale, il
est envisageable de transformer celle-ci afin d’obtenir une propriété dérivée qui suive
une loi normale. Les tests statistiques sont alors effectués sur la propriété dérivée. Il
est par exemple fréquent de travailler sur la racine carrée de la propriété (√X) si celle-ci
est un peu asymétrique. En cas d’asymétrie plus forte, une transformation de type
logarithmique (log10(X)) sera envisageable.
Une série de transformations a été testée de manière systématique sur les
propriétés mesurées qui s’écartent trop de la normalité. Les transformations testées
sont les suivantes : X2 ; X3 ; ln(X+a) ; log10(X+a) ; eX ; √(X+a) ; 1/(X+a) ; (X+a)-2 ;
1/exp(X+a) ; 1/ln(X+a) ; 1/√(X+a) ; ainsi que d’autres fonctions puissances et
logarithmiques (‘a’ étant une constante choisie de manière à avoir (X+a) > 0 ou (X+a) <
0, sauf contre-indications ; les valeurs de ‘a’ testée sont + ou –(max(|X|)+ε) ).
Sur chacune de ces propriétés transformées ont ensuite été calculés le skewness,
le kurtosis et la p-value du test de Shapiro (Royston, 1982, cité par R Development
Core Team, 2006). L’ensemble de ces opérations de transformation et de test a été
réalisé à l’aide d’un script en langage R (R Development Core Team 2006).
La ou les transformations permettant une normalisation satisfaisante de la propriété
a pu ensuite être testée (au cas par cas) dans les tests statistiques de corrélation,
d’analyse de la variance ou de régression multiple par PLSR.
■ Tests statistiques non paramétriques

L’utilisation de tests statistiques dits « non-paramétriques » est une troisième
stratégie possible dans le cas de propriétés aux distributions s’écartant
138
J. Moeys Partie III
significativement de la normalité. Ils ne reposent pas sur l’hypothèse d’une distribution

normale ou d’une distribution suivant une autre loi. Ils utilisent fréquemment le rang
des observations plutôt que leur valeur (position d’une observation par rapport aux
autres). Le coefficient de corrélation de Spearman peut ainsi remplacer le coefficient
de corrélation de Pearson. Le test de rang de Kruskal-Wallis (Hollander et Wolfe,
1973, cités par R Development Core Team 2006) peut remplacer l’analyse de la
variance à un facteur contrôlé de Fisher. Ces tests sont décrits dans les paragraphes
suivants, en parallèle de leurs homologues paramétriques.
■ 8.4 Corrélations entre propriétés quantitatives

L’étude des corrélations, par le calcul de coefficients de corrélation, permet de
mesurer le degré d’association linéaire des propriétés prises deux à deux. La
signification de ces coefficients doit être examinée par des tests appropriés afin de
savoir si les liens mis en évidence sont fortuits ou non.
Le coefficient de corrélation de Pearson est le plus courant, mais il présuppose
une association linéaire entre propriétés de distribution normale. Le coefficient de
rang / corrélation de Spearman est un équivalent non-paramétrique, ce qui permet
de s’affranchir des hypothèses de linéarité de la relation et de normalité des
distributions.
A – Pearson B – Spearman
équation 60 – Coefficients de corrélation de Pearson et de Spearman.
Avec rx,y le coefficient de corrélation de Pearson (en : Pearson product moment correlation
coefficient) entre les propriétés x et y ; xi et yi les ièmes valeurs prises par les propriétés x et y ; n le
nombre de couples de valeurs {x,y} ; et les moyennes des propriétés x et y ; σ2x et σ2y les
variances de x et y ; ρx,y le coefficient de corrélation de rang de Spearman ; rang(xi) et rang(yi) les
rangs respectifs du ie couple de valeur {x,y} quand les propriétés sont ordonnées indépendamment
sur x et sur y. D'après Dodge, 2003.
L’un et l’autre ont été calculés avec la fonction ‘cor’ et ‘cor.test’ du logiciel R et
évalués selon leur probabilité P29, qui est comparée à la probabilité α30 choisie (ici
α = 5%).
Ces coefficients de corrélation ne peuvent être appliqués qu’aux propriétés
quantitatives (e.g. teneur en argile) ou qualitatives ordonnées (e.g. classe de
profondeur de sol). Pour tester les liens entre des propriétés quantitatives et les
propriétés qualitatives non-ordonnées (e.g. type de sol), il faut faire appel à d’autres
tests statistiques, comme les analyses de la variance (ci-dessous).
29
Probabilité d’obtenir une telle corrélation si l’hypothèse H0 (absence de corrélation entre les variables)
est ‘en réalité’ vraie.
30
Probabilité de conclure que les propriétés sont significativement corrélées alors que l’hypothèse H0
(absence de corrélation entre les variables) est ‘en réalité’ vraie.
139
J. Moeys Partie III
■ 8.5 Étude des liens entre propriétés qualitatives

et propriétés quantitatives par analyse de la
variance
Les propriétés qualitatives, aussi appelées propriétés catégorielles, permettent de
distinguer des groupes parmi la population initiale (tous les échantillons mesurés). On
distinguera par exemple les échantillons dont le type de sol est un CALCISOL, ceux dont
le type de sol est un CALCOSOL, ceux dont le type de sol est un BRUNISOL, etc. Il est
possible que certains de ces groupes d’échantillons se distinguent par certaines de
leurs propriétés évaluées de manière quantitative (e.g. leurs teneurs en CaCO3 sont
éloignées).
L’analyse de la variance permet de mesurer et de comparer ces liens. On parle
souvent de l’effet d’une propriété qualitative sur une propriété quantitative, mais
le lien n’est pas forcément un lien de cause à effet.
L’analyse de la variance décompose la variabilité en plusieurs composantes, la
variabilité liée à la propriété qualitative (écarts entre la valeur moyenne du groupe et la
valeur moyenne globale de la propriété qualitative) et la variabilité interne des groupes
(écarts entre la valeur d’une observation et la valeur moyenne du groupe auquel
appartient l’observation). Le rapport entre la variance ‘entre groupes’ et la variance
‘intra groupes’ de la propriété qualitative est utilisé pour tester l’‘effet groupe’.
Comme pour le coefficient de corrélation, la valeur P du test est utilisée et comparée
à la probabilité α choisie (ici α = 5%) pour déterminer si on peut rejeter l’hypothèse nulle
‘il n’y a pas de différences entre les groupes (pas d’effet groupe)’.
La méthode d’analyse de la variance la plus courante est l’analyse de la variance
de Fisher (Dodge, 1999 ; Bouyer, 2000). Les conditions à respecter pour que le test
de Fisher soit valide sont les suivantes :
– La distribution de la propriété quantitative doit être normale ; l’analyse de la
variance supporte les écarts ‘modérés’ à la normalité.
– Les variances des différents groupes distingués par la propriété qualitative sont
égales (i.e. les différences entre leurs variances ne sont pas statistiquement
significatives). L’analyse de la variance est relativement robuste à la violation de
cette hypothèse dans les cas présentant une différence de variance modérée et un
échantillonnage équilibré (c’est à dire quand le nombre d’observations dans les
différents groupes est identique, ou proche).
En pratique, en science du sol, il arrive fréquemment que ces conditions ne soient
pas respectées (par exemple, la distribution de la conductivité hydraulique est
fortement asymétrique). Toute la difficulté consiste donc à évaluer si les écarts aux
conditions sont rédhibitoires ou non.
L’analyse de la variance de Fisher et le calcul de la valeur P ont été réalisés avec la
fonction ‘aov’ du logiciel R.
La méthode d’analyse de la variance de ‘Kruskal Wallis’ (en anglais: ‘Kruskal-
Wallis rank sum test’) est une analyse de la variance non-paramétrique. Elle peut être
réalisée sur des propriétés dont la distribution ne suit pas une loi normale. Par contre,
l’égalité des variances est une condition toujours nécessaire. Zimmerman (2000)
montre d’ailleurs qu’en présence de variances hétérogènes, le résultat du test peut être
fortement biaisé.
Zimmerman (2000) présente aussi les comparaisons de deux moyennes basées sur
140
J. Moeys Partie III
un ‘test de Student’ avec une approximation des degrés de liberté selon Welch 1946
et/ou Satterthwaite 1946 comme une solution au problème d’hétérogénéité des
variances, mais cette alternative ne résout pas le problème de non-normalité de la
propriété quantitative.
L’analyse de la variance de Kruskal Wallis et le calcul de la valeur P ont été réalisés
avec la fonction ‘kruskal.test’ du logiciel R.
■ 8.6 Étude de la variabilité par Analyse en

Composantes Principales
Les résultats correspondant à cette partie sont exposés p. 219.
L’étude des coefficients de corrélation ou les analyses de la variance permettent
d’étudier un nombre limité de propriétés, souvent prises deux à deux. Or les propriétés
de fonctionnement du sol (hydriques, dégradation des pesticides...) sont souvent
influencées par de multiples propriétés physico-chimiques ‘de base’ du sol.
L’analyse en composantes principales (ACP, ou PCA en anglais) permet d’étudier
les liens entre propriétés sous l’angle de la variabilité de l’échantillon.
L’analyse en composantes principales détermine des axes de plus grande
variabilité des observations et de leurs valeurs pour les différentes propriétés
mesurées. Ces axes sont définis comme des fonctions des propriétés utilisées dans
l’analyse. Les différents axes sont indépendants (orthogonaux dans l’espace
multidimensionnel des propriétés), et chacun porte une part de la variabilité (part
décroissante avec l’ordre des axes).
figure 36 – Illustrationdes composantes (axes de plus grande variance) déterminées par

analyse en composantes principales sur 3 propriétés corrélées X, Y et Z.
Lorsqu’on étudie les résultats d’une analyse en composantes principales, les résultats sont projetés
dans le nouveau système de coordonnées défini par les différentes composantes, et non dans le
système de coordonnées défini par les propriétés (X, Y, Z ...) comme illustré ci-dessus.
Ces axes sont appelés composantes et ils sont utilisés comme un nouveau
système de coordonnées pour visualiser les observations, ce qui permet d’étudier les
associations entre propriétés (corrélation positive, négative, indépendance), et de
déterminer sur quelles propriétés se distinguent les différentes observations. Ainsi, par
exemple, si l’observation O1 à un poids important (et > 0) sur la composante C1, et que
la propriété P1 a un coefficient important (et > 0) dans l’élaboration de la composante
C1, alors on peut en déduire que la propriété C1 est importante pour discriminer
l’observation O1 du reste des observations (variabilité globale), O1 ayant une valeur P1
importante. Si une autre propriété P2 a un coefficient important mais négatif sur C1,
141
J. Moeys Partie III
alors O1 se distingue des autres observations par sa faible valeur sur P2.
L’analyse en composantes principales, ne repose pas sur des hypothèses quant
à la nature de la distribution des propriétés, elle est donc non-paramétrique
(Webster, 2001 ; Schlens, 2005). L’analyse en composantes principales n’est pas
interprétée sous l’angle de test de significativité comme d’autres statistiques. L’analyse
en composantes principales décompose la variabilité par des relations linéaires
(composante = f( propriétés quantitatives )), ce qui n’est pas toujours la solution la plus
adaptée (d’autres méthodes existent pour ces cas de figure ; voir Schlens, 2005).
Par ailleurs, l’analyse en composantes principales ne permet pas de mettre en
évidence des liens de cause à effet des propriétés explicatives sur les propriétés
d'intérêt, expliquées. Elle met en évidence des liens structurels qu'elle modélise de
manière statistique (et non par des modèles physiques) et montre des variations
concomitantes des propriétés, et ce pour différentes ‘strates’ de variabilité. Cela ne
constitue pas la preuve d'un lien de causalité, même si c'est un élément pouvant servir
à sa démonstration.
■ 8.7 Prédiction des propriétés à l’aide de classes

ou de fonctions de pédotransfert locales
Un des objectifs du programme de recherche dans lequel s’inscrit cette thèse est de
réaliser des prédictions du comportement de l’isoproturon à l’échelle du secteur
agricole étudié. Comme l’échelle de travail et le niveau de variabilité spatiale ne
permettent pas d’interpoler les mesures qui ont été effectuées (voir la partie discussion
à la fin des résultats), il est forcément nécessaire de passer par une couche
d’information intermédiaire. Cette couche d’information intermédiaire, ‘vecteur de
spatialisation’, est dans notre cas une carte des sols. Un autre volet du programme de
recherche consiste à s’appuyer sur des données satellitales pour prédire les propriétés
du sol.
Le passage de mesures ponctuelles à la prédiction spatialisée via une carte de sol
n’est pas immédiat. Il est nécessaire d’établir des règles de transfert permettant
d’attribuer des propriétés caractéristiques des interactions sol-pesticide en fonction des
propriétés du sol (la carte de sol fournissant une estimation de ces propriétés à
l’échelle du secteur agricole). Deux manières de procéder sont possibles. La première
consiste à établir des ‘classes’ de sol pertinentes – qui ne sont pas forcément les
classes de sol fournies par la carte de sol – et à leur attribuer une valeur moyenne (par
classe) du paramètre à prédire. Cette approche est dite « catégorielle » ou
« discontinue ». La seconde approche consiste à établir des régressions (fonctions)
permettant de prédire une propriété importante à partir de propriétés du sol plus
simples renseignées par la carte31. Cette approche est une approche continue.
Les propriétés les plus importantes à prédire sont les propriétés hydriques et de
transport de soluté (dont la fraction d'eau immobile), l’adsorption de l’isoproturon (KD,
KOC) et sa DT50.
La qualité d’une prédiction est évaluée par validation croisée de type ‘Leave-
one-out’. La pertinence d’une prédiction est évaluée par rapport à l’erreur
moyenne sans prédiction / non-spatiale (basée sur l’écart à la moyenne). Cette
erreur peut être exprimée en valeur absolue des écarts ou par une RMSEP (ou
RMSEP%).
Une prédiction n’a d’intérêt que si l’erreur moyenne de prédiction est
31
Ou par tout autre méthode de prédiction spatialisée, comme l’utilisation d’images satellites.
142
J. Moeys Partie III
sensiblement plus basse que l’écart moyen.
■ Classes de pédotransfert locales

Les prédictions par catégories sont une approche a priori séduisante. Sur la base de
l’appartenance à l’une ou l’autre des classes définies au préalable, on attribue à la
propriété à estimer la valeur moyenne de la propriété dans cette classe. On pourra par
exemple estimer la conductivité hydraulique à saturation d’un sol à partir de la
conductivité hydraulique moyenne des sols à ambiance carbonatée (RENDOSOLS et
CALCISOLS) si le sol appartient à cette catégorie.
Si les analyses de la variance ont révélé le lien entre certaines propriétés
qualitatives (segmentées en classes) et certaines propriétés hydriques ou d’interaction
sol-pesticide (évaluée de manière continue, quantitative), ces classes peuvent servir
de base à une prédiction.
Seulement, il est fréquent qu’une propriété soit modulée selon plusieurs propriétés
qualitatives. Les différentes classes de ces dernières ne sont pas liées de manière
univoque, du fait de la complexité des relations entre ces propriétés. Ainsi un sol
classé comme ‘sans éléments grossiers’ ne sera pas forcément classé comme ayant
un pH inférieur à 7, ou avec une classe de texture ‘LA’, bien que ces trois catégories
soient souvent associés et aient souvent des liens similaires avec d’autres propriétés
(voir les résultats).
Par souci de simplicité, seules les propriétés qualitatives dichotomiques (en 2
classes) ont été utilisées. Pour une propriété à prédire donnée, et pour une propriété
qualitative-explicative pertinente (révélée par l’analyse de la variance), il est donc
possible de définir une classe de valeurs élevées (de la propriété à prédire), et une
classe de valeurs basses. L’objectif est de classer la propriété en deux catégories
synthétiques, ‘valeurs élevées’ et ‘valeurs basses’, mais le résultat n’est pas forcément
le même selon la propriété qualitative considérée. Il suffit alors d’établir une règle
simple, appliquée à chaque sol ou chaque échantillon, du type « quand plus de N
propriétés qualitatives (sur un total de Z pertinentes) classent la propriété d’intérêt dans
la catégorie ‘valeurs élevées’, on classe l’échantillon dans la catégorie des ‘valeurs
élevées’. Dans le cas contraire, l’échantillon est classé dans la catégorie des valeurs
basses ». Toutes les valeurs possibles de N, de 1 à Z, sont testées. La valeur de N qui
donne les meilleurs résultats est retenue (critère de validation croisée exposés ci-
dessous).
Une fois l’ensemble des échantillons ainsi classés, on calcule la moyenne de la
catégorie ‘valeurs élevées’ et la moyenne de la catégorie ‘valeurs basses’. Lorsqu’il
s’agit d’évaluer la propriété d’intérêt sur un sol pour lequel on ne dispose pas de
mesure (ou s’il s’agit d’une unité cartographique par exemple), on applique la règle de
décision suivante : si ce sol est catégorisé dans les ‘valeurs élevées’, la valeur estimée
de la propriété d’intérêt est la moyenne de la catégorie ‘valeurs élevées’
précédemment calculée. L’opération est recommencée pour chacune des propriétés
d’intérêt à prédire, avec des règles de décisions qui lui sont propres.
Il est possible d’effectuer une validation croisée indépendante ‘leave-one-out’ (notée
CV-LOO) sur ce type de prédiction afin d’en évaluer la précision.
■ Fonctions de pédotransfert locales

Une fonction de pédotransfert est une relation statistique permettant d’estimer une
propriété d’intérêt (DT50, KD, KOC, KS, fraction d’eau immobile...) en fonction d’une ou de
plusieurs propriétés plus simples à mesurer (fractions granulométriques, teneur en
carbone, teneurs en eau caractéristiques, etc.). Les régressions linéaires, simples ou
143
J. Moeys Partie III
multivariées, sont souvent utilisées pour calculer les fonctions de pédotransfert (du
type y = a.x1 + b.x2 + c.x3... + o).
□ Approche par régression multivariée : PLSR

La présence de corrélations parmi les propriétés explicatives qu’il est possible
d’utiliser pour prédire une propriété d’intérêt pose problème pour la régression multiple
calculée par la méthode des moindres carrés. La normalité des propriétés explicatives,
ainsi que celle des écarts entre les valeurs réelles et les valeurs prédites (résidus) est
une autre condition d’application de la méthode. Des résidus ayant une distribution
non-normale (plus importants dans les extrêmes, par exemple) sont observés quand la
relation entre les propriétés explicatives et la propriété expliquée s’écarte de la
normalité.
La régression (multiple) des moindres carrés partiels (en: PLSR, Partial least square
regression) est une méthode adaptée aux cas de propriétés explicatives
présentant une forte colinéarité (les mesures spectrales par exemple). Les
conditions de linéarité de la relation, et de normalité des propriétés explicatives sont
toujours nécessaires, mais la méthode supporte une non-linéarité modérée (Blanco
et al., 2000), des résidus importants sur la prédiction (‘noisy data’ : Wold et al., 2001a),
ainsi que des écarts à la normalité (Chin, 1996). Cependant, aucune référence n’a pu
être trouvée qui évalue les biais consécutifs aux écarts de normalité ou de
linéarité.
La PLSR repose sur les mêmes bases que l’analyse de la variance. La méthode
utilise une décomposition des propriétés en différentes composantes indépendantes
pour élaborer la régression multiple (à partir de ces composantes). Ce calcul en deux
étapes permet de s’affranchir des colinéarités entre propriétés explicatives. La
méthode est détaillée dans Wold et al. (2001a).
La PLSR se présente comme une régression en plusieurs strates additives, chacune
d’elles expliquant une partie de la variabilité totale de la propriété prédite, à l’image des
composantes de l’analyse de la variance.
Cependant, le choix des propriétés utilisées pour la régression, ainsi que le nombre
de composantes retenues est délicat. Sélectionner trop peu de propriétés peut aboutir
à une prédiction incertaine, et en sélectionner trop à un ajustement de l’erreur (en
anglais: ‘over-fit’ ; Thomas, 2003). Il en va de même pour le nombre de composantes.
Le nombre très conséquent de propriétés mesurées ou dérivées des propriétés
mesurées – une cinquantaine au total – nécessite la mise en œuvre de procédures de
sélections systématiques des propriétés d’intérêt, afin de limiter le nombre de
propriétés utilisées dans la PLSR et de déterminer lesquelles ont un lien ‘réel’ avec la
propriété d’intérêt. Plusieurs méthodes existent pour estimer la qualité de la
prédiction (PRESS, VIP), et plusieurs méthodes existent pour sélectionner les
propriétés. Ces différentes méthodes ne donnent pas forcément le même résultat
final.
Les méthodes de sélection du nombre de composantes d’un modèle, de sélection
des propriétés sont exposés en annexe (p. 292, « Choix du nombre de composantes et
de variables pour la PLSR »). Les différents jeux de données à partir desquels ont été
réalisées les régressions sont aussi exposés dans cette partie.
– Indicateurs de la qualité des prédictions :

Les fonctions de validation croisée 'leave-some-out' et 'leave-one-out' sont inclues
dans la fonction de calcul de PLSR du logiciel R, ce qui facilite leur utilisation (et réduit
notoirement les temps de calculs). Le principe de ces estimations est décrit en annexe,
144
J. Moeys Partie III
p. 290 (« Estimation des erreurs par validation croisée »).

Le package ‘pls’ (Mevik et Wehrens, 2007) du logiciel R – utilisé pour les calculs de
PLSR – inclut deux variantes du calcul d'erreur par validation croisée. La première est
une fonction indépendante (appelée 'crossval') qui effectue un calcul de validation
croisée réellement indépendant, où l'intégralité des calculs de la PLSR est refait à
chaque étape. L'autre méthode est directement intégrée à la fonction 'plsr' du package
‘pls’ (Mevik et Wehrens, 2007). Cette dernière effectue une validation croisée où seule
une partie des calculs de la PLSR est re-générée à chaque étape de la validation
croisée. Cette méthode n'est donc pas rigoureusement une validation croisée
indépendante, mais elle réduit notoirement les temps de calculs (le temps de calcul
cumulé de l’ensemble des régressions testées en suivant un même protocole/script
dépasse une heure). Des essais de comparaison des deux méthodes ont montré que
l'utilisation de la validation croisée 'simplifiée' n'affectait pas trop les résultats de la
validation (et surtout les conclusions qu'on peut en tirer). Cette méthode a donc été
retenue dans les étapes de sélection de composantes et de sélection de propriétés
décrites en annexe.
– VIP : influence de la variable pour la prédiction

L’importance/l’influence de la variable (propriété) pour la prédiction (en anglais: VIP,
‘Variable Importance/Influence in Prediction’) est une évaluation globale du poids de la
propriété dans la prédiction. Elle repose à la fois sur le pourcentage de variance
expliquée par chaque composante, le poids des variables explicatives dans les
variables latentes (composantes) et les coefficients de ces variables dans la
régression. La VIP a été calculée avec un script en langage R écrit par Bjørn-Helge
MEVIK (Mevik, 2006, v1.1), co-auteur du package pls. Ce script se base sur l’article de
Chong et Jun (2005). Il est possible de sélectionner les propriétés empiriquement selon
leur VIP : si la VIP de la propriété est supérieure à 1, elle est conservée, dans les cas
contraire, elle est écartée. Cependant Chong et Jun (2005) montrent que le seuil réel
est fonction (i) du degré de colinéarité des variables (ii) de la proportion de variables
réellement explicatives dans les variables utilisées pour la prédiction et (iii) de
l’homogénéité des coefficients de prédiction. Avec des variables très corrélées,
contenant une faible proportion de variables réellement explicatives et des coefficients
égaux, le seuil de sélection appliqué à la VIP est supérieur à 1 (jusque 1,2).
Les valeurs et la hiérarchie de la VIP des propriétés se sont avérées assez
dépendantes du jeu de donnée initial utilisé. C’est donc l’erreur croisée ‘Leave-One-
Out’ qui a été retenue, avec une sélection pas à pas ‘forward’ ou ‘backward’, pour
effectuer une sélection des propriétés de manière semi-indépendante, la VIP
n’étant utilisée que dans un 2e temps pour évaluer l’importance des propriétés
finalement retenues.
□ Approche par régression multivariée : GIFI-PLSR

Les GIFI-PLSR32 sont une approche alternative à la PLSR classique qui permet
d’utiliser des propriétés non-normales et/ou de mieux modéliser des relations non-
linéaires entre propriétés. Elles ne changent rien au calcul de la régression multiple en
elle-même, mais elles utilisent un traitement préalable des propriétés explicatives et/ou
expliquées.
La base de la méthode GIFI est une transformation des propriétés en propriétés
binaires (ou très simplifiées). Plus exactement, chacune des propriétés est
32
La méthode est-elle nommée en référence au statisticien Albert Gifi ? Ce dernier a en tout cas travaillé
sur les analyses multivariées non-linéaires.
145
J. Moeys Partie III
décomposée en un spectre de propriétés binaires. Chacune de ces propriétés binaires

dérivées prend en compte un niveau d’intensité donné de la propriété initiale, selon le
schéma ci-dessous :
X X’1 X’2 X’3 X’4 X’5 X X’1 X’2 X’3 X’4 X’5
0 -> 1 0 0 0 0 0 -> 0 0 0 0 0
5 -> 1 0 0 0 0 5 -> 5 0 0 0 0
10 -> 0 1 0 0 0 10 -> 0 10 0 0 0
15 -> 0 1 0 0 0 15 -> 0 15 0 0 0
20 -> 0 0 1 0 0 20 -> 0 0 20 0 0
25 -> 0 0 1 0 0 25 -> 0 0 25 0 0
30 -> 0 0 0 1 0 30 -> 0 0 0 30 0
35 -> 0 0 0 1 0 35 -> 0 0 0 35 0
40 -> 0 0 0 0 1 40 -> 0 0 0 0 40
45 -> 0 0 0 0 1 45 -> 0 0 0 0 45
méthode A méthode B
tableau 16 – Décomposition des propriétés en plusieurs propriétés ‘simplifiées’ utilisées
pour l’approche GIFI-PLSR.
X : propriété explicative, prédictive à utiliser dans la PLSR ; X’1, X’2, X’3, X’4 et X’5 sont les
‘bins’, propriétés transformées (binaires pour la méthode A), dérivées de la propriété X. Chaque
ligne du tableau donne un niveau de valeur des propriétés quantitatives (X) ou des bins.
Le type de propriétés obtenues est appelé en anglais ‘bin(s)’ si la propriété est
binaire, ou ‘dummy variable’ si elle est simplifiée mais pas binaire. Si la relation entre la
propriété X et la propriété Y n’est pas linéaire, sa simplification en une relation linéaire
par la PLSR va engendrer des erreurs plus importantes de prédiction de Y pour
certains niveaux de la propriété X. Dans l’approche GIFI-PLS, comme la propriété X
est décomposée en plusieurs propriétés X’ simplifiées, les coefficients de la PLSR
seront adaptés pour chaque niveau d’intensité de la propriété X. L’examen a posteriori
de ces coefficients permet en plus de diagnostiquer cette non-linéarité. De même, si
certains niveaux de la propriété X sont peu importants pour la prédiction (par exemple
quand les éléments grossiers sont peu nombreux ou absents ; ou encore quand le sol
dépasse une certaine profondeur), la propriété X’ dérivée aura des coefficients faibles.
Autre avantage de la méthode, elle permet d’injecter dans la PLSR des
propriétés qualitatives (type de sol, strate de l’horizon de surface ...), sans avoir à les
hiérarchiser au préalable.
L’inconvénient de cette méthode est qu’elle génère un nombre de coefficients
importants qu’il est difficile d’utiliser et de décrire simplement. La réalisation de
prédictions suppose aussi de disposer des règles de transformation exactes de
chacune des propriétés (limites des différents niveaux de la propriété). Enfin, les
prédictions pour des valeurs situées au-delà de l’intervalle de valeurs des propriétés de
calibration X sont déconseillées (extrapolation). La méthode B présentée dans le
tableau 16 limite quelque peu ces inconvénients.
La méthode est décrite en détail dans Wold et al. (2001b).
Une procédure simple a été implémentée dans un script en langage R afin de tester
la méthode GIFI-PLSR. Les règles de transformation des propriétés sont un point
important. Il faut déterminer un nombre minimum d’observations non-nulles par bins.
Wold et al. (2001b) recommande que chaque bin possède au moins 10 valeurs non-
nulles (10 observations). Avec 50 observations, cela représente une transformation
des propriétés en 5 bins maximum chacune. Les intervalles de valeur à appliquer à
chaque propriété pour les segmentations ont été déterminés via les valeurs des
quantiles ([minimum-20%[ ; [20-40%[ ; [40-60%[ ; [60-80%[ ; [80%-maximum]). Cette
segmentation doit être suivie d’une élimination des bins redondants ou ne présentant
que des valeurs nulles (l’opération est utile pour les propriétés comme la teneur en
146
J. Moeys Partie III
CaCO3 qui présente de nombreuses valeurs nulles avant transformation).

Contrairement à la PLSR simple, la méthode GIFI-PLSR n’a pas fait l’objet d’une
procédure de sélection stricte des propriétés. Les jeux de propriétés utilisés ont
été sélectionnés sur base des résultats précédents (prédictions catégorielles, PLSR
simple), suivie d’une sélection empirique/manuelle de certaines propriétés.
147
J. Moeys Partie IV
Partie IV Résultats
Variabilité spatiale &
déterminisme des processus
dans les sols
[...] Uncertainty – Do not use PTFs unless you can

evaluate the uncertainty, and for a given problem, if a set of
alternative PTFs is available, use the one with minimum
variance. [...]33
MCBRATNEY et al., 2002. From pedotransfer functions to soil
inference systems. Geoderma 109, pp. 41–73. (cité par MacMillan,
2007)
33
« Incertitudes – N’utilisez pas de fonctions de pédotransfert sans en évaluer l’incertitude et, pour un
problème donné, si plusieurs fonctions de pédotransfert existent, utilisez celle qui a la plus petite
variance » [variance de l’erreur de prédiction] PTFs: PedoTransfer Functions
148
J. Moeys Partie IV
1 Constituants et organisation
des sols
■ 1.1 Propriétés physiques et physico-chimiques
des sols
■ Analyses physiques et physico-chimiques
□ Granulométries fine et grossière

Les mesures de granulométries fine et grossière, qui ont été réalisées avec et sans
décarbonatation, apportent une information simple, mais essentielle, sur la constitution
de la phase solide du sol, et indirectement sur la diversité des matériaux parentaux qui
ont pu donner naissance aux horizons dans lesquels ont été prélevés les échantillons.
Le tableau 17 présente les mesures granulométriques non-décarbonatées, le
tableau 18 présente les résultats après décarbonatation et la figure 37 place les
fractions non-décarbonatées du tableau 17 sur le triangle des textures de la Chambre
d’Agriculture de l'Aisne (figure 4, p. 27).
Propriétés [g.kg-1] Moyenne Écart type CV
Argile (ND) * 266 35 13 %
Limon (ND) * 671 55 8%
Sable (ND) * 63 29 47 %
Graviers 5 6 115 %
Cailloux 20 21 109 %
tableau 17 – Statistiques descriptives des fractions granulométriques non décarbonatées.
ND : analyses sans décarbonatation. ; propriétés exprimées en (g.kg-1), soit (g de fraction . g de sol
sec total-1). * : les fractions argileuses, limoneuses et sableuses sont exprimées en g de fraction par
kg de terre fine (c'est à dire sans les graviers et cailloux), tandis que les teneurs en graviers et
cailloux sont exprimées en fonction de la terre totale (terre fine + fractions grossières).
Propriétés[g.kg-1] Moyenne Écart type CV

Argile (D) 263 36 14 %
Limon (D) 674 60 9%
Sable (D) 54 21 38 %
tableau 18 – Statistiques descriptives des fractions granulométriques décarbonatées.
D : analyse après décarbonatation.
Il faut noter que le fait que l’échantillonnage soit stratifié verticalement, et qu’a priori
la granulométrie du sol ne change pas entre les deux strates verticales (ce qui crée
des ‘doublons’), ne modifie pas théoriquement le coefficient de variation de la mesure.
La différence entre le CV de la teneur en argile du lit de semence et celui du reste de
l’horizon travaillé est ainsi de 1,5 %.
Les échantillons de surface qui ont été analysés ont une phase solide largement
dominée par la fraction limoneuse (67 % de la terre fine en moyenne). La fraction
argileuse est deux fois moins importante, 27 % en moyenne de la terre fine, tandis que
149
J. Moeys Partie IV
la fraction sableuse ne représente qu'une faible partie (6 %).
figure 37 – Textures non décarbonatées des sols du secteur agricole de Ouarville, placées
sur le triangle des textures de la Chambre d’Agriculture de l’Aisne. Vue générale et
agrandissement.
Ces résultats proviennent des analyses réalisées sur les échantillons prélevés, et non des
estimations de terrain.
Les coefficients de variation de ces propriétés sont faibles (13 % pour l'argile, 8 %
pour le limon), sauf pour la fraction sableuse (47 %), mais celle-ci est minoritaire.
Les 3 fractions sont très peu affectées par la décarbonatation, ce qui montre que les
carbonates ne constituent qu'une part très minoritaire de leurs constituants
minéralogiques. Les carbonates sont surtout localisés dans les sables, et plus
faiblement dans la fraction limoneuse.
Placées sur le triangle des textures, ces 3 fractions se répartissent dans deux
classes de texture, le limon argileux ou l'argile limoneuse. Sur ce triangle, les
échantillons se dispersent surtout le long de l'axe des teneurs en argile.
Les graviers et cailloux occupent une part modeste de la masse totale, 2,5 % en
moyenne cumulée, mais éminemment variable. Les coefficients de variation de ces
deux propriétés dépassent en effet les 100 %.
Propriété [g.kg-1] Skewness Kurtosis Valeur PW-S
Argile (ND) 0,0 1,1 2,34.10+2
Limon (ND) -0,6 -0,2 6,60.10-2
Sable (ND) 1,4 3,1 4,40.10-4
Graviers 1,7 3,1 8,80.10-7
Cailloux 1,2 0,3 5,59.10-6
tableau 19 – Statistiques de distribution des fractions granulométriques non décarbonatées.
ND : analyses sans décarbonatation ; Une valeur du test de Shapiro inférieure à 5.10-2 (alpha = 5%)
signifie que la normalité n’est pas respectée.
Les statistiques de distribution (tableau 19) des fractions les plus fines, argile et
limon, ne s'écartent pas, ou modérément de la normalité (test de Shapiro). Le
resserrement apparent (kurtosis) de la propriété 'teneur en argile' autour de son/ses
modes cache en fait une distribution d'allure bimodale, comme le montre le graphique
ci-dessous :
150
J. Moeys Partie IV
figure 38 – Histogramme de la teneur en argile (non-décarbonatée).

La courbe en pointillés rouge montre la distribution d’une variable normale de même moyenne et
de même variance que la teneur en argile non-décarbonatée.
Les statistiques du tableau 19 indiquent des écarts à la normalité plus conséquents
pour les fractions les plus grossières – sable, graviers et cailloux – avec des
distributions asymétriques (étalées vers les valeurs élevées) et serrées autour de leur
mode (sauf les cailloux). La figure 39 montre les graphiques 'box & whisker' du taux de
graviers, de cailloux et d’éléments grossiers totaux34. L'asymétrie des propriétés y
apparaît très clairement, notamment pour les éléments grossiers totaux.
figure 39 – Graphique ‘box & whisker’ des charges massiques des différentes fractions
granulométriques grossières (graviers, cailloux et totale).
Ces résultats proviennent des analyses réalisées sur les échantillons prélevés, et non des
estimations de terrain.
□ Carbone, azote organique et rapport C sur N

La teneur en carbone organique reflète la teneur en matière organique du sol. La
teneur en matière organique est considérée, par convention, comme égale à 1,72 fois
la teneur en carbone organique. La matière organique constitue le 2e élément du
complexe argilo-humique du sol, et son importance est capitale pour les propriétés
34
Somme des graviers et cailloux.
151
J. Moeys Partie IV
physiques et chimiques de sa phase solide.

L'azote total est une propriété chimique mais, au travers du rapport 'carbone sur
azote', elle permet d'approcher la nature chimique des matières organiques. Les
matières organiques jeunes et peu lignifiées ont un rapport C sur N plus bas que les
matières organiques plus décomposées et/ou lignifiée.
Propriété Moyenne Écart type CV
CORG. [g.kg-1] 13,5 2,7 20 %
Azote [g.kg-1] 1,3 0,2 17 %
C sur N 10,0 0,6 6%
tableau 20 – Statistiques descriptives du carbone, de l’azote organique, et du C/N.
Le CV de la teneur en carbone organique est de 22% dans le lit de semence, et de
13% dans le reste de l’horizon labouré.
La teneur en carbone organique est en moyenne de 13,5 g.kg-1 de sol. Si les valeurs
s'étalent entre 10 et 20 g.kg-1 (figure 40), la plupart restent dans un intervalle plus
modeste (11 à 15 g.kg-1) et le coefficient de variation est modéré (20 %). La teneur en
azote, en moyenne 10 fois plus faible que la teneur en carbone organique, a des
statistiques très similaires (CV = 17 %).
Le passage en rapport ‘carbone sur azote’ a pour effet de réduire la variabilité de
cette statistique par rapport aux deux autres. Son CV est de 6 % seulement, ce qui
montre une certaine homogénéité des matières organiques (de ce point de vue).
Propriété Skewness Kurtosis Valeur PW-S
CORG. 1,10 0,51 1,65.10-4
Azote 0,6 –0,2 3,5.10-2
C sur N 0,3 0,6 2,4.10-2
tableau 21 – Statistiques de distribution du carbone, de l’azote organique, et du C/N.
NB : la normalité est acceptée quand la valeur PW-S est supérieure ou égale à 5% (5.10-2), et non
pas l'inverse comme c'est habituellement le cas avec les probabilités P.
La teneur en azote et le rapport C sur N ont des statistiques de distribution qui
permettent de les considérer comme normales (ou s'approchant de la normalité), ce
qui est confirmé par les graphiques 'box & whisker' (figure 41 et figure 42).
L'histogramme de l’azote total montre une distribution qui semble bimodale (graphique
non présenté ici), avec un premier pic de valeur vers 1,15 g.kg-1, et un second vers
1,55 g.kg-1.
Les statistiques de distribution de la teneur en carbone organique s'écartent plus de
la normalité, avec une légère asymétrie et un aspect ‘pointu’ se traduisant par un test
de Shapiro défavorable.
figure 40 – Graphique ‘box & whisker’ de la teneur en carbone organique.
figure 41 – Graphique ‘box & whisker’ de la teneur en azote organique.
152
J. Moeys Partie IV
figure 42 – Graphique ‘box & whisker’ du rapport carbone organique sur azote.
□ Teneur en carbonate de calcium (CaCO3)

La teneur en carbonates est un paramètre essentiel pour les propriétés chimiques
du sol, mais aussi pour mieux comprendre de quels matériaux géologiques dérivent les
horizons de surface qui ont été analysés.
Moyenne Écart type CV [g.kg-1]
8 24 282 %
Minimum Q10 % Q50 % Q90 % Maximum
0 0 0 36 153
Distribution : Skewness 4,6 ; Kurtosis 23,7 ; test de Shapiro 3,79.10-13.
tableau 22 – Statistiques descriptives de la teneur en CaCO3 (en g de CaCO3 . g de sol sec
total-1).
Les statistiques de la teneur en CaCO3 ne laissent aucun doute sur la forte
hétérogénéité de ce paramètre pour les échantillons testés. Sa moyenne n'est que de
8 g.kg-1, mais son écart-type est 3 fois supérieur, et son coefficient de variation
approche les 300 % !
figure 43 – Graphique ‘box & whisker’ de la teneur en CaCO3.

La figure 43 confirme ce constat. L'asymétrie de la distribution, et sa forme plus
pointue, classent cette propriété comme très éloignée de la normalité. La propriété
combine une caractéristique de bimodalité (absence ou présence de CaCO3) et
d'asymétrie forte (hétérogénéité des teneurs parmi les échantillons contenant du
carbonate de calcium).
□ pH
Si la variabilité de la teneur en carbonate de calcium est très élevée, celle du pH est
au contraire modérée. La valeur du pH est en partie liée à la teneur en CaCO3, mais
elle dépend aussi des pratiques d'amendement calcaire des agriculteurs, dont l'impact
n'est pas forcément visible sur les teneurs en CaCO3 (qui se dissolvent), mais bien sur
le pH.
Moyenne Écart type CV
7,3 0,7 9%
6,0 6,3 7,4 8,2 8,3
Distribution : Skewness –0,2 ; Kurtosis –1,3; test de Shapiro 1,39.10-2.
tableau 23 – Statistiques descriptives du pH des échantillons analysés [-].
Comme le montre son kurtosis de –1,3, le pH a une distribution très aplatie, avec
153
J. Moeys Partie IV
une répartition des valeurs très homogène entre pH 6,5 et pH 8 (figure 44 et

histogramme non présenté ici). Le test de Shapiro indique que l’écart à la normalité est
significatif.
figure 44 – Graphique box & whisker du pH des échantillons analysés.
■ Masse volumique apparente au cylindre

La mesure de la masse volumique apparente au cylindre est, avec la teneur en
carbone organique, une des mesures qui varie le plus en fonction des pratiques
culturales.
Moyenne Écart type CV [kg.dm-3]
1,28 0,14 11 %
0,98 1,10 1,26 1,46 1,58
-1
Distribution : Skewness 0,2 ; Kurtosis –0,5 ; test de Shapiro 8,44.10 .
tableau 24 – Statistiques descriptives des masses volumiques apparentes mesurées (g.cm-3).
La valeur moyenne de la masse volumique apparente est proche de 1,3 kg.dm-3, et
son coefficient de variation n'est que de 11 %. Le coefficient de variation d'une telle
propriété doit cependant être relativisé au regard des limites physiques des valeurs
possibles de masse volumique apparente d'un sol cultivé. Les valeurs inférieures à 0,9
ou supérieures à 1,9 sont rares (quand il ne s'agit pas d'erreurs de mesure), le
coefficient de variation de la masse volumique apparente ne peut donc pas dépasser
les 20 % (résultat numérique empirique). De ce point de vue les 11 % de coefficient de
variation de la masse volumique apparente sont relativement importants.
La propriété est normalement distribuée.
figure 45 – Graphique ‘box & whisker’ des masses volumiques apparentes mesurées
(g.cm-3).
■ 1.2 Description des sondages tarière
■ Matériaux parentaux et substrats
□ Matériaux et successions identifiés

Par souci de synthèse et de clarté, cette partie reprend pour l'essentiel le résultat
des observations présentées dans Moeys (2004) ou Moeys et al. (2006), qui
contiennent déjà l'essentiel des informations données ci-dessous. Cette partie
synthétise aussi quelques informations complémentaires dérivées des différentes
campagnes de sondage réalisées sur le secteur (Pitres, 2006 ; campagne de
sondages de Moeys & Michelin ; sondages tarière des 34 sites échantillonnés pour le
154
J. Moeys Partie IV
travail présenté ici).

Nous appellerons ‘matériaux géologiques’ les formations géologiques superficielles
qui ont donné naissance aux sols du secteur. Un nombre limité de matériaux
géologiques sont présents sur le secteur étudié. Les principaux sont, par ordre
d’apparition depuis la surface du sol :
– Le limon des plateaux ;
– L’argile à meulières ;
– L’argile de décarbonatation ;
– Le calcaire Aquitanien.
figure 46 – Symboles utilisés dans les schémas pour les principaux matériaux parentaux du
secteur étudié.
Trois matériaux secondaires ont aussi été identifiés :
– Les graviers de Lozère du Burdigalien, qui ne représentent souvent qu'une part très
minoritaire de la phase solide, mais qui peuvent être occasionnellement trouvés en
grandes quantités (> 20 % du volume du sol ; cas rares ou très localisés dans le
secteur).
– Un lœss carbonaté (une seule observation) ;
– Une formation sableuse (deux observations), probablement rattachée au
Burdigalien (les sables du Burdigalien ne sont pas rares dans d'autres secteurs de
la Beauce). Ces sables sont jaunes orangés mais présentent des incursions plus
sombres ou rouge 'lépidocrocite'.
Les deux derniers matériaux n’ont été rencontrés que très localement. Il s'agit donc
certainement de formations reliques ayant échappé à l'érosion (ou à l'altération). Les
sables ont toujours été trouvés à bonne profondeur (> 1,5 m), dans une situation
laissant penser qu'il s'agit d'une poche de dissolution du calcaire remplie de matériaux
exogènes.
La succession verticale des principaux matériaux est parfaitement régulière (à
l'exception notable des graviers de Lozère), mais il est très fréquent qu’un ou plusieurs
matériaux situés au-dessus du calcaire ne soit pas présent.
Sur le terrain, les matériaux présentant des caractéristiques intermédiaires sont
nombreux, ce qui suggère des mélanges ou des ‘contaminations’ respectives. En effet,
les processus pédologiques seuls ne peuvent expliquer ces ‘variantes’. On rencontre
par exemple fréquemment :
– Du limon enrichi en argile et/ou en éléments grossiers de meulières ;
l’enrichissement provient soit d'une illuviation d'argile depuis un horizon supérieur,
soit d'un mélange avec une formation argileuse (à meulières, de décarbonatation)
sur laquelle s'est déposé le limon, auquel cas des cailloux sont aussi incorporés ;
– De l’argile à meulière contaminée par du limon ;
– Du calcaire altéré avec une importante fraction limoneuse ;
155
J. Moeys Partie IV
– Du limon carbonaté et/ou contaminé par des éléments grossiers de calcaire.
figure 47 – Schéma des successions de matériaux parentaux observées (ou non) sur le secteur
étudié.
NB : La hauteur des schémas ne reflète pas la profondeur du sol. Les situations (c) et (e) n'existent
en fait qu'avec un horizon de surface partiellement contaminé par du limon (voir ci-dessous). La
situation (a) a été observée très ponctuellement mais très nettement au sud-est du secteur étudié.
Les sols du secteur agricole de Ouarville dérivent donc d'un nombre très restreint
de matériaux géologiques qui se succèdent dans un ordre bien précis. Mais de
très nombreuses situations intermédiaires dérivant des mélanges de matériaux
rendent souvent difficile le rattachement d'un horizon à l'un ou l'autre des matériaux
parentaux. Cela est particulièrement vrai pour les situations intermédiaires entre le
limon et le calcaire altéré, ou entre le limon et l'argile à meulières, avec des teneurs en
argile et des charges en éléments grossiers variables (en quantité comme en nature
lithologique).
figure 48 – Matériaux ‘intermédiaires’ résultants de mélanges sous l’effet de la

cryoturbation.
□ Profondeur d’apparition du substrat

La profondeur du sol est assimilée à la profondeur d’apparition du substrat. Ce
substrat est presque invariablement le calcaire altéré :
La profondeur de sol est assez variable dans le secteur étudié, même si elle se
situe dans plus de 50 % de cas entre 50 et 100 cm. Sa valeur moyenne est de 75 cm,
avec une asymétrie vers les valeurs fortes qui peuvent dépasser les 2 m. Le coefficient
156
J. Moeys Partie IV
de variation est de 54%. L'étalement de la distribution vers les valeurs élevées

s'explique par la présence de poches de dissolution du calcaire remplies de matériaux
meubles. Ces poches sont parfois repérables en surface par une dépression de
quelques dizaines de centimètres, mais pas toujours. Bien qu'elles ne représentent
sans doute pas une surface importante, ces poches sont assez nombreuses dans le
secteur.
Moyenne Écart type CV [cm]
75 41 54 %
30 35 65 120 220
tableau 25 – Statistiques descriptives de la profondeur d’apparition du substrat (cm).
tableau 26 – Graphique ‘box & whisker’ de la profondeur d’apparition du substrat.
■ Charges en éléments grossiers

La charge en éléments grossiers évaluée sur le terrain est moins précise et plus
subjective que les analyses réalisées au laboratoire, mais elle apporte une information
complémentaire sur les horizons situés sous l'horizon travaillé. Il est par exemple
possible que le régime hydrique de l'horizon de surface soit indirectement affecté par
les charges en éléments grossiers des horizons sous-jacents.
Ces charges en éléments grossiers sont présentées ici sous la forme d'une
propriété de synthèse, la charge maximale en éléments grossiers avant le matériau
parental. Il s'agit concrètement de la charge en éléments grossiers de l'horizon qui
présente le plus d'éléments grossiers. Cette propriété a été déclinée en 3 cas de
figures : la charge maximale en éléments grossiers calcaires, la charge maximale en
éléments grossiers de meulière et la charge maximale en éléments grossiers totaux.
La propriété a été extraite de la base de données par des requêtes spécifiques.
max(%E.G. calc.) 3 5 154 %
max(%E.G. ml.) 6 12 197 %
max(%E.G. tot.) 14 17 124 %
figure 49 – Statistiques descriptives des teneurs en éléments grossiers maximales dans les
sondages décrits à la tarière.
max(%E.G. calc.) est la teneur maximale en éléments grossiers (EG) de nature calcaire (teneur de
l’horizon qui contient le plus d’EG de nature calcaire), exprimée en % du volume (estimation de
terrain) ; max(%E.G. ml.) est la teneur maximale pour les éléments grossiers de meulière ;
max(%E.G. tot.) est la teneur en éléments grossiers maximale, quelle que soit la nature
lithologique (teneurs cumulées). La teneur totale inclut aussi des éléments grossiers de nature autre
que calcaire ou de meulière (graviers siliceux).
Les charges en éléments grossiers évaluées sur le terrain sont en moyenne faibles
(3 % pour le calcaire par exemple). Cela reflète une répartition en 3 groupes : les sols
sans éléments grossiers, les sols qui en contiennent une part très faible (part
‘anecdotique’), et ceux qui ont des horizons avec une présence plus importante
d'éléments grossiers. Les 3 propriétés sont éminemment variables (CV entre 125 et
157
J. Moeys Partie IV
200 %) et fortement non-normales (très asymétriques et parfois ‘pointues’) comme le

montrent les graphiques 'box & whisker' :
max(%E.G. calc.) 1,9 3,3 8,37.10-09
max(%E.G. ml.) 2,5 5,2 5,51.10-11
max(%E.G. tot.) 1,3 0,6 2,24.10-07
figure 50 – Statistiques de distribution des teneurs en éléments grossiers maximales dans les
sondages décrits à la tarière.
Une valeur du test de Shapiro inférieure à 5.10-2 (alpha = 5%) signifie que la normalité n’est pas
respectée.
figure 51 – Graphique ‘box & whisker’ des teneurs en éléments grossiers maximales des
sondages tarière.
■ Types de sol identifiés

Les 5 types de sol précédemment identifiés sont présents dans l'échantillonnage
réalité. Un sixième type s'y ajoute, les PSEUDO-LUVISOLS. Ces sols avaient déjà été
décrits précédemment, mais sous l'appellation de LUVISOLS. Il a été décidé d'utiliser
cette appellation pour refléter le fait que le contraste de texture observé puisse provenir
au moins en partie d'une différence de texture de matériaux parentaux. Le
rattachement à cette classe n'exclut donc pas un rattachement possible aux LUVISOLS
ou NÉOLUVISOLS. Il est important de marquer cette différence pour plusieurs raisons :
(1) s'il est difficile de savoir sur le terrain si la pédogenèse de ces sols est différente de
celle des LUVISOLS, leurs matériaux parentaux sont en partie différents (dans un cas le
limon seul, dans l'autre le limon déposé sur une formation argileuse) ; (2) si ces sols
ont en commun avec d'autres sols un contraste de texture, ils peuvent aussi s'en
différencier par les teneurs en éléments grossiers qui accompagnent souvent l'horizon
plus argileux (ex. argile à meulière) ; (3) pour les deux raisons précédentes, la
répartition spatiale des PSEUDO-LUVISOLS peut différer de celle des LUVISOLS. Il est
donc utile de les distinguer, au moins dans un premier temps.
La stratification de l'échantillonnage a aboutit à une surreprésentation des sols
calcaires (RENDOSOLS, CALCISOLS) sur les autres (8 sites sur 34). Cela biaise un peu
l'échantillonnage, mais cela permet au besoin de séparer les sols en deux groupes de
158
J. Moeys Partie IV
taille suffisante pour les tests statistiques.
Nombre d’échantillons : lit de semence (reste de l’horizon travaillé)

RENDOSOLS CALCISOLS BRUNISOLS
1 (0) 7 (4) 10 (17)
PSEUDO-LUVISOLS NÉOLUVISOLS LUVISOLS
3 (1) 12 (4) 1 (0)
tableau 27 – Contingence des échantillons en fonction du type de sol.
34 sites ont fait l’objet de mesures. L’échantillonnage comprend les 34 lits de semence (1 par site),
ainsi que 16 horizons travaillés (sous le lit de semence), soit 50 échantillons.
Les dénominations RENDOSOLS et RENDISOLS, ainsi que CALCOSOLS et CALCISOLS
sont soumises à des règles précises décrites dans le RP 1995, basées sur les analyses
physico-chimiques. Ne disposant pas d'analyses pour les horizons profonds, on ne
peut exclure une erreur de rattachement sur ces types de sols.
De la même manière, l'évaluation des textures à la main, in situ ou au laboratoire
est une méthode relativement imprécise pour distinguer de faibles différences de
teneurs en argile. Des erreurs ne sont pas à exclure sur ces estimations de texture, et
donc sur la qualification des contrastes de texture repérés.
Les sols les plus nombreux sont les NÉOLUVISOLS (12 sites), puis les LUVISOLS (10
sites).
■ Modalité de travail du sol (conventionnel – simplifié)

Un tiers des surfaces cultivées du secteur sont en travail simplifié (sans labour).
Cette répartition est assez bien respectée dans l'échantillonnage réalisé, avec 24 sites
en travail du sol avec labour et 10 sites en travail du sol sans labour. Tous les sites ont
vu leur lit de semence inclut dans l'échantillonnage, mais seuls 16 sites ont fait l'objet
d'un prélèvement de l'horizon travaillé sous le lit de semence. Cet échantillonnage est
équilibré, afin de permettre d'effectuer des tests statistiques avec suffisamment
d'observations dans chaque groupe (8 et 8).
Nombre d’échantillons : lit de semence (reste de l’horizon travaillé)
Travail conventionnel Travail simplifié
24 (8) 10 (8)
tableau 28 – Contingence des échantillons en fonction de la modalité de travail du sol
(conventionnel – simplifié).
■ Répartition spatiale des sols et de ses propriétés

physico-chimiques
Tirer des conclusions sur la répartition spatiale des sols et de leurs propriétés
sur la base de 34 sites est un exercice incertain. Les constats exposés ci-
dessous sont donc à prendre avec précaution. Le premier facteur/indicateur
‘externe’ qui doit être examiné est la topographie. Celle-ci est (1) peu marquée et (2)
caractérisée par une zone de plateau, située autour de Ouarville–Ossonville,
progressivement ridée par de petits talwegs, à mesure que l’on s’éloigne de cette
zone. Le terme « progressif » est essentiel car on peut repérer à l’œil nu la naissance
d’une microtopographie, aux abords de Ouarville (observations de terrain). Au
premier abord, l’examen des cartes présentées en annexe (p. 304) ne semble pas
permettre de lier la profondeur du sol, la teneur en argile, la teneur en CaCO3 ou en
159
J. Moeys Partie IV
éléments grossiers à une position ‘de plateau’ ou ‘de talweg’. Pour la profondeur du
sol, ce constat visuel a été confirmé par des statistiques (non-présentées ici) tirées de
la base de sondages ayant servi à élaborer la carte des sols du secteur (figure 19,
p. 82) : il ne semble pas y avoir d’effet ‘pente’, ou d’effet ‘orientation de pente’
sur ce paramètre.
Un examen visuel de la carte topographique (p. 73), de la carte géologique (p. 80)
et des cartes des propriétés, montre que le secteur nord-est présente à la fois une
topographie de petits talwegs plus marquée qu’ailleurs et une épaisseur de limon des
plateaux moindre. Or, on constate que c’est aussi dans ce secteur qu’on trouve le
plus de sols peu profonds, avec une teneur en argile, en carbonates et en
éléments grossiers plus élevés (observation en accord avec la carte des sols et les
conclusions de Delmas, 2007). Cependant, de tels sols sont observés ailleurs sur la
carte.
La seule conclusion qui peut être raisonnablement tirée sur la répartition spatiale
des types de sols est liée aux matériaux géologiques : les RENDISOLS, CALCOSOLS et
CALCISOLS sont par définition les plus carbonatés, logiquement peu épais (puisque le
carbonate provient du calcaire sous-jacent) et sont plus spécifiquement présents dans
le secteur nord-est, là où le relief est plus marqué.
Après avoir ‘réinterprété’35 les fiches de sondage de la carte des sols du secteur,
Delmas (2007) a montré qu’un large quart nord-ouest (et une petite zone autour du
bois du secteur nord-est) comporte de fréquents plaquages d’argile à meulière, et
une teneur en argile de surface plus élevée. L’auteur montre aussi que les sols les
plus épais, et les plus limoneux, sont situés sur le plateau ‘Ossonville-Ouarville’.
Cependant, le travail de Delmas (2007) montre que la cartographie des matériaux
parentaux – et plus encore celle des sols – est très difficile à l’échelle considérée
(1/25 000). Moeys et al. (2006) ont montrés que la cartographie des sols était possible à
l’échelle parcellaire (20 ha), mais les moyens sont autrement plus importants que dans
le cas de la carte des sols du secteur (prospection pédologique dense + mesure
géophysique).
Les observations de terrain montrent qu’il est difficile de différencier un PSEUDO-
LUVISOL d’un NÉOLUVISOL ou d’un LUVISOL (sans analyses physico-chimiques). La
confusion est encore renforcée par le fait qu’il existe très certainement des
intergrades (NÉOLUVISOLS développés dans une argile à meulière).
Les observations de terrain (prospection Moeys et Michelin ; Delmas, 2007) laissent
aussi penser que certains NÉOLUVISOLS situés en bordure de talwegs sont tronqués
(couleur de surface plus rouge), d’où une teneur en argile de surface plus élevée et un
contraste de teneurs en argile absent dans le profil (puisqu’il est tronqué). Combiné à
la difficulté d’évaluer correctement la texture sur le terrain, ce constat laisse supposer
que des erreurs de diagnostic sont possibles pour les NÉOLUVISOLS TRONQUÉS, qui
peuvent être diagnostiqués en BRUNISOLS.
Il n’est pas certains que ces types de sols (PSEUDO-LUVISOLS, NÉOLUVISOLS
(tronqués), LUVISOLS, BRUNISOLS) se différencient beaucoup du point de vue de leur
fonctionnement (sauf un effet possible des éléments grossiers et/ou de la structure
sur le régime hydrique), mais leur répartition obéit à des logiques différentes
(géologiques et/ou pédologiques). Ces erreurs possibles de diagnostic diminuent la
fiabilité de leur cartographie.
35
Le matériau ‘argile à meulière’ n’était pas explicitement renseigné sur les fiches. La combinaison des
critères ‘teneur en argile élevée’ et ‘présence en quantité non négligeable de meulières’ est cependant
un bon critère pour identifier la formation.
160
J. Moeys Partie IV
■ 1.3 Synthèse, discussion et conclusion

intermédiaire
Les résultats présentés ci-dessus sont relativement cohérents avec ce qui avait
été observé à l’échelle de la parcelle d’étude (Moeys et al., 2006). Le secteur étudié
présente une certaine variété de matériaux géologiques parentaux (source
d’hétérogénéité), se superposant selon une logique bien définie, mais avec de
très nombreux faciès intermédiaires vraisemblablement hérités des phénomènes
périglaciaires. Ce dernier point peut être vu alternativement comme une
hétérogénéité interne des matériaux ou comme une absence de limite nette
entre les types morphologiques de matériaux. Les matériaux identifiés sont, de
bas en haut, le calcaire gélifracté et cryoturbé, quelques passages d’argile de
décarbonatation, notamment dans les avens, une éventuelle couche d’argile à
meulières, puis un limon d’épaisseur variable, quasiment toujours observé.
La logique qui lie les propriétés de surface du sol à ses matériaux
parentaux sera discutée plus loin, après examen des liens statistiques entre les
différentes propriétés mesurées.
Les résultats d'analyse présentés ci-dessus montrent que les échantillons
prélevés dans les horizons de surface sont de nature essentiellement limoneuse,
avec une teneur en argile a priori suffisante pour leur conférer de bonnes qualités
agronomiques (battance possible mais pas excessive, bonne réserve utile), sauf
quand le sol est peu épais et/ou caillouteux. La dominante limoneuse de la fraction
granulométrique, et la faible abondance générale des carbonates, exclu que les
horizons de surface dérivent du calcaire seul : la dissolution du calcaire donne
un matériau très argileux (argile de décarbonatation ou argile à meulière). Le
principal matériau parental est de toute évidence le limon éolien. Il est difficile
d'estimer la teneur en carbonate de ce dernier au moment de son dépôt. Si les
carbonates représentaient une part importante des constituants du lœss, les sols
ont été décarbonatés par la suite. Deux indices concordants laissent penser qu’il
était peu (ou pas) carbonaté : (i) les sols sont peu épais et reposent sur du calcaire,
ce qui aurait dû ralentir la décarbonatation (ii) à une seule exception (reliquat de
10 cm d’épaisseur, en plein cœur du plateau), le lœss carbonaté n’a pas été
retrouvé (pas même dans les avens karstiques, qui accueillent pourtant divers
reliques de formations géologiques meubles qui ne sont plus visibles ailleurs).
La teneur en argile de surface présente une distribution bimodale. Deux
explications sont possibles : comme montré par Moeys et al., 2006, les sols peu
épais sont aussi généralement les plus argileux du fait de la dissolution du calcaire
à l’interface avec le sol (moins basique) et de la présence possibles d'argiles à
meulières ou de décarbonatation sur le calcaire. Mais les observations de terrain ont
aussi montré qu’il peut s’agir de sols lessivés tronqués, dont l’horizon BT, plus
argileux, est affleurant. L’observation des cartes de profondeur du sol et de teneurs
en argile et en CaCO3 (p. 304) laisse penser que la première hypothèse est la
bonne, mais cela n’exclu pas un effet des sols tronqués. En comparaison des
données de la littérature présentée dans la partie bibliographie, les teneurs en
argile des échantillons ont un faible coefficient de variation (inférieur à la limite
inférieure proposée par Mulla et McBratney, 2002). Cela montre que les
contaminations (d’argile) par les horizons d’argile de décarbonatation ou
d’argile à meulière, fréquentes dans la partie basse du profil, sont limitées en
surface. Il existe probablement un gradient de teneur en argile depuis ces couches
de sol argileuses vers le limon de surface, le mélange argile-limon étant plus
important au début du dépôt du lœss, puis il s’atténue.
161
J. Moeys Partie IV
La distribution des teneurs en CaCO3 est aussi bimodale (dans le sens absence
/ présence). Cette bimodalité montre probablement un effet seuil de la profondeur
du sol : si les sols ont plus de 30 ou 40 cm d’épaisseur, les éléments grossiers ne
sont pas remontés par le labour, et ceux qui sont présent finissent par être dissous
et lessivés. Cette hypothèse doit cependant être modulée par les différents apports
anthropiques possibles : amendements calcaires et effets des anciens chemins ou
des bords de parcelle empierrés.
Les amendements calcaires sont aussi très certainement à l’origine de la relative
homogénéité du pH.
La profondeur médiane des sols, 65 cm, contrastent avec ceux de Delmas,
2007 qui trouvait que « la plupart des sols ont une profondeur supérieure à 60 cm »
dans le même secteur. Cela reflète le biais induit pas l’échantillonnage stratifié, qui
surreprésente les sols peu épais. La présence d’avens karstiques (peu visible en
surface et remplis de matériaux exogènes) et autres accidents géologiques,
explique sans doute la non-normalité de la distribution de la profondeur des sols.
Comme pour la teneur en argile, la teneur en carbone organique est
relativement peu contrastée au regard des données de la littérature, et ce
malgré la présence de modalités de travail du sol contrastées. Seuls Walker et
al. 2001 obtiennent un CV plus bas, de 9 % (sur 1,5 ha). Les autres articles étudiés
indiquent des CV bien supérieurs à 20 %. Le coefficient de variation du C/N semble
indiquer que leur nature est peu variable. Les raisons de la faible variabilité de la
teneur en carbone organique et du C/N reflètent certainement la vocation
essentiellement céréalière du secteur, où les exploitations de polyculture-élevage et
les prairies ont disparu depuis longtemps.
Exception faite de la teneur en éléments grossiers et en carbonates, le seul
paramètre qui apparaisse vraiment variable est la masse volumique apparente.
Son CV est en accord avec les données de la littérature. Il n’en est pas moins
élevé. Si l’on se réfère à l’équation 4, p. 32, les principales sources de variabilité
sont la granulométrie, la teneur en carbone organique et le travail du sol. Les deux
premières propriétés sont classées comme ‘peu variables’ dans le secteur. Les
effets du travail du sol semblent donc la principale cause de variabilité de la masse
volumique apparente (voir plus loin le tableau 67, p. 212). On peut se demander si
la variabilité de la masse volumique apparente reflète une variabilité de la
structure de l’horizon de surface, mais aucune mesure n’est disponible sur ce
point.
2 Propriétés hydriques du sol

Les propriétés hydriques du sol – de rétention en eau et de conductivité hydraulique
– sont deux propriétés essentielles du sol. Elles permettent de décrire le stockage et
les flux de la phase liquide dans le sol.
■ 2.1 Rétention en eau

Les matériels et méthodes de cette partie sont exposés page 99.
Les paramètres de la fonction de rétention en eau de Campbell (θS, hA et b) suffisent
à décrire cette propriété physique. Il est cependant indispensable de présenter les
propriétés mesurées qui ont permis de calculer ces paramètres, les teneurs en eau au
162
J. Moeys Partie IV
pF 2 et 4,2. Ces deux propriétés sont importantes pour évaluer les potentialités
agronomiques des sols (ici de l’horizon de surface), au travers de la réserve utile de
l'horizon notamment.
■ Relation potentiel matriciel – teneur en eau
figure 52 – Graphiques box & whisker des teneurs en eau [cm3.cm-3] mesurées à différents
potentiels matriciels caractéristiques (saturation, pF 2 et pF 4,2) & de la réserve utile
estimée.
Avec R.U. la réserve utile de l'horizon ; 'theta pF4,2', 'theta pF2' et 'theta sat.' les teneurs en eau
volumiques à pF 4,2, à pF 2 et à saturation (h=0).

θS 0,46 0,05 10 %
θ(pF 2) 0,34 0,03 10 %
θ(pF 4,2) 0,18 0,03 16 %
θ utile 0,15 0,03 20 %
tableau 29 – Statistiques descriptives des teneurs en eau volumiques mesurées à différents
potentiels matriciels caractéristiques (saturation, pF2 et pF4,2) et de la réserve utile
estimée. [g.cm-3].
La teneur en eau utile, notée ‘θ utile’, est égale à θ(pF 2) - θ(pF 4,2).
Les teneurs en eau caractéristiques ont une variabilité limitée, avec des coefficients
de variations de 10 % pour la teneur en eau à saturation et au pF 2, pour des
moyennes de 0,46 et 0,34 cm3.cm-3 respectivement. La teneur en eau au pF 4,2, point de
flétrissement permanent, est plus variable, avec un CV de 16 % pour une moyenne de
0,18 cm3.cm-3. La réserve utile correspond en moyenne à 15 % du volume total du sol.
163
J. Moeys Partie IV

θSAT. 1,2 2,1 1,34.10-3
θ(pF2) 0,5 0,2 2,80.10-1
θ(pF4,2) 0,8 -0,2 7,70.10-3
θ utile 0,2 -1,1 1,02.10-1
tableau 30 – Statistiques de distribution des teneurs en eau mesurées à différents potentiels
matriciels caractéristiques (pF 0, 2 et 4,2) et de la réserve utile estimée.
La teneur en eau à pF 2 et la réserve utile ne s’écartent pas significativement de la
normalité. Les teneurs en eau à saturation et au pF 4,2 s’en écartent un peu, du fait
d’une asymétrie et d’un aplatissement pour la première, et du fait d’une distribution un
peu asymétrique pour la seconde.
Comme le montre son kurtosis de –1,1, la réserve utile a une distribution un peu
aplatie.
■ Paramètres de la fonction de rétention de Campbell

La fonction de rétention de Campbell comprend 3 paramètres : la teneur en eau à
saturation θS, le potentiel au point d’entrée d’air hA, et le paramètre de forme b, lié à la
pente. La teneur en eau à saturation est mesurée directement au laboratoire, les
paramètres hA et b sont calculés selon la méthode de Cresswell et Paydar (1996)
décrite plus haut (équation 30, p. 99).
hA [m] –0,13 0,15 –109 %
b[-] 8,7 2,1 24 %
tableau 31 – Statistiques descriptives des paramètres de la fonction de rétention en eau de
Campbell.
Le potentiel au point d’entrée d’air hA, qui représente l’extension de la limite de
teneur en eau au voisinage de la saturation, est en moyenne de –0,13 m, ce qui
correspond à un pF proche de 1 (potentiel relativement bas). Le coefficient de variation
dépasse les 100 %. Le paramètre ‘b’, lié à la décroissance des teneurs en eau sur l’axe
des potentiels a un coefficient de variation de 25 %, pour une moyenne de 8,7.
hA [m] -1,6 2,1 8,03.10-7
b[-] 0,9 -0,2 5,24.10-4
tableau 32 – Statistiques de distribution des paramètres de la fonction de rétention en eau
de Campbell.
Le potentiel au point d’entrée d’air présente une asymétrie prononcée vers les
valeurs faibles (négatives), et de fait présente un resserrement de sa distribution
autour de sa moyenne. La propriété s’écarte nettement de la normalité. La distribution
du paramètre ‘b’ est moins asymétrique, mais elle s’écarte un peu de la normalité.
figure 53 – Graphique ‘box & whisker’ du paramètre hA de Campbell.

Il est probable que les 3 valeurs extrêmes situées en-deçà de -0,4 m soient des valeurs aberrantes.
De telles valeurs signifient que θSAT est proche de θ(pF2).
164
J. Moeys Partie IV
figure 54 – Graphique ‘box & whisker’ du paramètre b de Campbell.
■ 2.2 Conductivité hydraulique

Une fois les paramètres de la fonction de rétention en eau de Campbell connus, il
ne manque que la valeur de la conductivité hydraulique à saturation pour paramétrer la
fonction de conductivité hydraulique de Campbell. Cette propriété ne nécessite qu’une
mesure de conductivité a un potentiel négatif pour pouvoir être déduite (les valeurs de
hA et b étant connues).
■ Estimation de la conductivité au voisinage de la

saturation : infiltrométrie monopotentiel
La mesure de la conductivité hydraulique au potentiel –1 cm permet d’estimer la
conductivité hydraulique à saturation. Le traitement des mesures d’infiltration destiné à
calculer cette conductivité à h = –1 cm s’est révélé d’une importance capitale.
Différentes méthodes sont possibles, et toutes ne donnent pas des résultats
satisfaisants (dans le contexte de cette étude).
Plusieurs méthodes ont été évaluées, afin de choisir celle qui donne les résultats
(apparemment) les plus fiables. Deux méthodes ‘graphiques’ ont été testées, la
méthode de White et Sully (1987) et la méthode de Haverkamp et al. (1994). Ces
dernières ne donnant pas une totale satisfaction, des méthodes d’ajustement direct
des paramètres de l’infiltration sur les courbes mesurées ont été testées, avec le souci
de trouver des ‘fonctions d’erreur’ permettant d’obtenir un résultat cohérent.
Au vu des difficultés à choisir la méthode de calcul, un jeu de données
d’infiltrations réalisées sur la parcelle d’étude du programme ESHEL (Millot,
2004) a été traité en parallèle. Cela permet d’avoir une base de comparaison avec un
jeu de données acquis indépendamment du premier (à l’échelle du secteur agricole),
mais dans un contexte pédologique identique.
Les tableaux de résultats de chacune de ces méthodes donnent les renseignements
permettant de les comparer. Les valeurs minimales, médianes et maximales de la
conductivité hydraulique et de la sorptivité à – 1 cm sont présentées (le minimum et
le maximum étant plus appropriés pour détecter des paramètres anormalement bas).
La proportion de résultats des calculs (parmi les 130 infiltrations traitées) ayant permis
d’obtenir des valeurs de S et de K (1) positives et (2) qui respectent le temps de
stabilisation ou le temps gravitaire permet ensuite de s’assurer que les estimations
respectent ces quelques critères de base. Enfin les calculs d’erreur d’ajustement sont
présentés.
□ Calculs par la méthode de White et Sully (1987)

La méthode de White et Sully (1987) présente certaines limitations physiques
connues, mais c’est une méthode simple à appliquer qui donne des résultats assez
fiables (notamment parce qu’elle se base en partie sur le flux en régime permanent),
bien qu’un peu biaisés.
165
J. Moeys Partie IV
Résultats :
Le tableau 33 synthétise le résultat des calculs effectués à l’échelle du secteur
agricole :
Secteur agricole [i ; i+1] [i-1 ; i+1]
min méd. max min méd. max
-1/2 -2 +0 -2
S [mm.s ] 6,2.10 4,0.10 -1
1,1.10 8,1.10 3,6.10 -1
1,1.10+0
K [mm.s-1] 1,4.10-3 9,1.10-3 7,8.10-2 6,0.10-6 8,4.10-3 7,0.10-2
%Succès (sans TSTAB) – 58 % – – 58 % –
%Succès (avec TSTAB) – 42 % – – 49 % –
RRSEP%RT – 28 % – – 25 % –
tableau 33 – Paramètres statistiques de S et K calculés avec la méthode de White et Sully
(1987), pour le secteur agricole.
Les calculs ont été réalisés sur [i ; i+1] ou [i-1 ; i+1] ; S est la sorptivité capillaire ; K est la
conductivité hydraulique non-saturée ; %Succès (sans TSTAB) est le pourcentage d’infiltrations
pour lesquelles S et K sont positifs (>0) ; %Succès (avec TSTAB) est le pourcentage d’infiltrations
pour lesquelles S et K sont positifs (>0) et l’intervalle de temps du régime transitoire est inférieur
au temps de stabilisation estimé avec S et K ; RRSEP%RT est la racine de l’erreur relative
quadratique (RRSEP, exprimée en %) du régime transitoire. La RRSEP% du régime permanent
n’est pas calculée car il n’existe pas d’équations de White et Sully pour le régime permanent.
Le tableau 34 synthétise le résultat des calculs effectués à l’échelle de la parcelle
d’étude :
Parcelle d’étude [i ; i+1] [i-1 ; i+1]
S [mm.s-1/2] 5,2.10-2 3,5.10-1 1,0.10+0 4,2.10-2 3,5.10-1 1,1.10+0
K [mm.s-1] 2,0.10-4 1,1.10-2 8,5.10-2 7,8.10-4 9,2.10-3 6,0.10-2
RRSEP%RT – 23 % – – 25 % –
tableau 34 – Paramètres statistiques de S et K calculés avec la méthode de White et Sully
(1987), pour la parcelle (Millot, 2004).
Il faut signaler que, quel que soit l’intervalle de temps choisi pour le régime
transitoire, la méthode de White et Sully (modifiée) permet toujours d’obtenir des
valeurs de S supérieures à 0, du fait de la méthode de détermination de S. Ce n’est pas
le cas des autres approches testées.
Le calcul du temps d’effet du sable sur l’intervalle [i-1 ; i+1] semble donner des
résultats un peu meilleurs que sur l’intervalle [i ; i+1] (cohérence du temps de calcul
avec TSTAB notamment), mais la différence est peu marquée.
La gamme de variation de S et de K est très proche entre la parcelle et le secteur
agricole, avec des valeurs médianes très proches. Les valeurs de sorptivité minimales
sont basses, mais pas excessives.
A l’échelle du secteur agricole, moins de 50 % des calculs d’infiltrations aboutissent
à des temps de stabilisation ou gravitaires cohérents avec l’intervalle de temps des
calculs du régime transitoire. A l’échelle du secteur agricole, cette valeur passe à 75 %,
166
J. Moeys Partie IV
ce qui est beaucoup mieux mais encore insatisfaisant. Cela signifie qu’au moins 25 %
des infiltrations ont des valeurs de S et ou de K ‘incohérentes’, ou en tout cas moins
sûres.
Il faut rappeler que ces résultats prennent en compte, pour chaque infiltration, le
meilleur résultat parmi tous les intervalles de temps de calcul du régime
transitoire possible. Il n’y a donc pas d’imprécision liée au mauvais choix d’un
opérateur ici.
Exemples graphiques :
figure 55 – Exemple graphique (1) de détermination de la sorptivité pour la méthode White

et Sully (modifiée), en d.I/d.√t = f(√tgéom).
Les variations d’infiltration cumulées et de temps sont sur [i-1 ; i+1] ; la valeur de la sorptivité
(ligne horizontale en pointillés) ainsi déterminée est de 0,11 mm.s-1/2. Les deux lignes verticales en
tirets correspondent la séparation entre le temps d'effet du sable et le régime transitoire d'une part,
et entre le régime transitoire et le régime (quasi)permanent d'autre part.
figure 56 – Exemple de résultat (1) de la détermination de qRP par la méthode de White et

Sully (1987) et de l’ajustement de la courbe d’infiltration I = S.√t avec la valeur de S
déterminée précédemment.
La valeur du flux qRP déterminée est de 0,005 mm.s-1. Avec la valeur de S estimée, la valeur de K
calculée est de 0,004 mm.s-1. Avec un temps de régime transitoire de 1125 s et un temps de
stabilisation estimé à 1151 s, la contrainte de temps est respectée sur cet exemple.
Sur la figure 55 ci-dessus, le 2e point de mesure a été choisi comme la borne
supérieure d’effet du sable. Or, la 7e mesure est la valeur minimale sur d.I/d.√t. Ce
choix de l’algorithme est dû au fait que la pente de la courbe n’est globalement pas
décroissante sur l’intervalle de mesure 1 à 7. Il s’agit en fait d’une imprécision de la
167
J. Moeys Partie IV
mesure au point 7 ou d’un ‘ralentissement’ momentané de l’infiltration à ce moment,

qui engendre une valeur anormale de d.I/d.√t pour les mesures proches de ce point.
Pour la figure 56 ci-dessus, l’équation de White et Sully (1987), paramétrée avec la
valeur de S estimée précédemment en d.I/d.√t = f(√tgéom) ne s’ajuste pas bien à la
courbe d’infiltration. Cela est du au fait que la méthode ne prend pas en compte la
capillarité (sorptivité) latérale, et n'intègre pas explicitement les effets du sable de
contact.
figure 57 – Exemple graphique (2) de détermination de la sorptivité pour la méthode White

et Sully (modifiée), en d.I/d.√t = f(√tgéom).
Les variations d’infiltration cumulées et de temps sont sur [i-1 ; i+1] ; La valeur de la sorptivité
ainsi déterminée est de 0,40 mm.s-1/2.
Le temps d’effet du sable est plus visible sur l'exemple de la figure 57, même si les
mesures sont assez ‘bruitées’. Le minimum sur d.I/d.√t n’est, cette fois encore, pas un
critère suffisant pour déterminer le temps d’effet du sable. Les mesures 15 et 36, qui
sont des artéfacts liés aux imprécisions, ont des valeurs très basses de d.I/d.√t.
figure 58 – Exemple de résultat (2) de la détermination de qRP par la méthode de White et

Sully et de l’ajustement de la courbe d’infiltration I = S.√t avec la valeur de S déterminée
précédemment.
La valeur du flux qRP déterminée est de 0,0009 mm.s-1. Avec la valeur de S estimée, la valeur de K
calculée est de 0,012 mm.s-1. Avec un temps de régime transitoire de 1260 s et un temps de
stabilisation estimé à 1271 s, la contrainte de temps est quasiment respectée sur cet exemple.
On retrouve sur cet exemple le décalage décrit ci-dessus (figure 56), mais plus
accentué. Le décalage plus fort au début de la courbe, sur le régime transitoire,
pourrait s'expliquer par la non prise en compte du sable de contact (dont l'influence
168
J. Moeys Partie IV
serait plus marquée dans ce cas-ci).
□ Calculs par la méthode de Haverkamp et al. (1994)

Les équations de Haverkamp et al. (1994) sont a priori plus exactes que celles de
White et Sully (1987) qui ne prennent pas en compte la capillarité latérale. Cependant,
la méthode graphique s’avère sensible aux imprécisions de la mesure, qui paraissent
faibles sur les graphiques I = f(t) mais qui sont grandement amplifiées sur les
graphiques d.I/d.√t = f(√tgéom).
Les équations de Haverkamp et al. (1994) ont été utilisées dans un premier temps
pour des ajustements graphiques, puis pour des ajustements directs.
– Ajustement par la méthode graphique de régression

linéaire
Résultats
agricole :
-1/2 -5 -1 -4
S [mm.s ] 8,3.10 1,1.10 -1
6,1.10 3,4.10 1,0.10 -1
5,9.10-1
K [mm.s-1] 2,0.10-5 2,6.10-2 1,6.10-1 2,5.10-4 2,4.10-2 1,5.10-1
RRSEP%RT – 16 % – – 17 % –
RRSEP%RP – 38 % – – 42 % –
tableau 35 – Paramètres statistiques de S et K calculés avec la méthode de Haverkamp et
al. (1994), avec un ajustement graphique par régression linéaire, pour le secteur agricole.
d’étude :
S [mm.s-1/2] 9,3.10-5 1,6.10-1 5,5.10-1 9,4.10-4 1,1.10-1 6,2.10-1
K [mm.s-1] 4,7.10-4 1,6.10-2 1,4.10-1 8,3.10-5 1,8.10-2 1,4.10-1
RRSEP%RT – 15 % – – 24 % –
RRSEP%RP – 15 % – – 19 % –
al. (1994), avec un ajustement graphique par régression linéaire, pour la parcelle d’étude.
Comme pour la méthode de White et Sully (1987), l’intervalle [i-1 ; i+1] semble le
plus pertinent pour calculer les variations d’infiltration et de temps, mais sans
169
J. Moeys Partie IV
différence nette.
On constate que par rapport à la méthode de White et Sully (1987), la gamme de
conductivités hydrauliques estimées est plus restreinte. Par contre les valeurs
minimales de sorptivité sont beaucoup plus basses, ce qui semble confirmer le fait que
la méthode de White et Sully surestime cette dernière.
Le pourcentage de calculs permettant d’obtenir un calcul de S et de K basé sur un
intervalle de temps cohérent (inférieur) avec le temps de stabilisation estimé est plus
faible qu’avec la méthode de White et Sully (1987) (44 % contre 49 % sur le secteur
agricole ; 58 % contre 74 % sur la parcelle d’étude). Si l’on ne prend pas en compte la
cohérence du temps de stabilisation, le rapport s’inverse (93 % contre 58 % sur le
secteur agricole ; 98 % contre 74 % sur la parcelle d’étude).
Tandis que la RRSEP% du régime permanent est plus élevée que celle du régime
transitoire pour les infiltrations à l’échelle du secteur agricole, elles sont comparables
pour les mesures sur la parcelle d’étude (alors même que le calcul ne tient compte que
du régime transitoire).
Il apparaît aussi que, en moyenne, pour une infiltration donnée, seuls 35 % des
intervalles de temps testés pour le régime transitoire permettent d’obtenir une valeur
de S positive pour les infiltrations mesurées sur le secteur agricole. Ce chiffre passe à
65 % pour la parcelle d’étude. Cela montre que les conditions d’applications de la
méthode d'Haverkamp et al. (1994) sont limites pour le secteur agricole, et un peu
meilleures pour la parcelle d’étude, et/ou que les mesures sont probablement de
meilleure qualité sur la parcelle (effet possible des erreurs de mesure).
Exemples graphiques
figure 59 – Exemple de résultat (1) de la détermination de S et K par la méthode de

Haverkamp et al. (1994), avec une détermination graphique en d.I/d.√t = f(√tgéom).
La valeur de S estimée est de 0,09 mm.s-1/2. Avec la valeur de C2 estimée sur ce graphique, la
valeur de K calculée est de 0,004 mm.s-1. Les deux lignes verticales en tirets correspondent la
séparation entre le temps d'effet du sable et le régime transitoire d'une part, et entre le régime
transitoire et le régime (quasi)permanent d'autre part.
Le graphique de la figure 59 montre clairement la difficulté d’un ajustement avec la
méthode linéaire proposée par Haverkamp et al. (1994) : les valeurs de d.I/d.√t sont
très ‘bruitées’, du fait des erreurs, des imprécisions de lecture et des effets du vent sur
l’infiltromètre. Il est donc difficile à l’opérateur de ‘choisir’ un intervalle de temps pour le
régime transitoire, choix qui aura une influence déterminante sur la valeur de S. On voit
que, en prenant un intervalle de temps plus court (e.g. 3 à 12) ou plus long (e.g. 3 à
22), les valeurs de S estimées risquent fort d’être négatives, ce qui est aberrant d’un
point de vue physique.
170
J. Moeys Partie IV
Seule une mesure automatisée (sur le terrain), permettant des mesures à un

intervalle de temps plus court (notamment au début de la courbe), permettrait
éventuellement de remédier à ce problème.
figure 60 – Exemple de résultat (2) de la détermination de S et K par la méthode de

Haverkamp et al. (1994), avec une détermination graphique en d.I/d.√t = f(√tgéom).
La valeur de S estimée est de 0,31 mm.s-1/2. Avec la valeur de C2 estimée sur ce graphique, la
valeur de K calculée est de 0,0013 mm.s-1.
Sur l'exemple de la figure 60, comme sur la majorité des 130 mesures d’infiltration
traitées, on constate que les valeurs de d.I/d.√t sont très perturbées sur f(√tgéom), ce qui
est problématique.
figure 61 – Exemple de résultat (1) de l’ajustement des équations de Haverkamp et al. (1994)
du régime transitoire et du régime permanent, sur I=f(t), après détermination graphique de
S et K sur le régime transitoire.
Avec un temps de régime transitoire de 435 s et un temps de stabilisation estimé à 1156 s, la
contrainte de temps est respectée sur cet exemple. La courbe d'ajustement sur le régime permanent
est tracée sur ce graphique, mais l'équation spécifique décrivant l'infiltration sur cet intervalle n'est
pas utilisée pour déterminer S et K dans le cas de la méthode par ajustement linéaire.
La figure 61 présente un ajustement des fonctions de Haverkamp et al. (1994)
relativement correct, ce qui n’est pas toujours le cas. Le léger écart entre les mesures
réelles et l’infiltration estimée sur le régime permanent est parfaitement acceptable, car
la détermination de S et K est réalisée sur le régime transitoire.
171
J. Moeys Partie IV
figure 62 – Exemple de résultat (2) de l’ajustement des équations de Haverkamp du régime

transitoire et du régime permanent, sur I=f(t), après détermination graphique de S et K sur
le régime transitoire.
Avec un temps de régime transitoire de 1560 s et un temps de stabilisation estimé à 1879 s, la
contrainte de temps est respectée sur cet exemple.
La figure 62 présente un cas un peu moins favorable que pour l’infiltration réalisée
sur l’horizon travaillé du site 20 003. Le décalage entre l’infiltration réelle et l’infiltration
prédite avec les valeurs de K et de S estimées précédemment s’explique par un effet
du sable plus conséquent que sur l’exemple précédent (et donc un volume d’eau plus
important infiltré dans ce dernier). L'effet du sable ne peut cependant pas être intégré
pour les courbes ajustées sur I=f(t), bien que Roulier (1999) ait présenté un jeu
d'équation intégrant explicitement l'effet du sable. Il n'est pas possible de déterminer
après coup le temps d'effet du sable et le volume d'eau qui s'y est infiltré. L’ajustement
sur le régime permanent est très mauvais (courbe hors des limites du graphique). On
peut interpréter ce décalage comme une des limites de la détermination de S et K
basée uniquement sur le régime transitoire.
L’ajustement du régime permanent serait peut être un peu meilleur si l’équation du
régime transitoire était utilisée jusqu’au temps de stabilisation (déterminé avec S et K),
avant d’être être relayée par l’équation du régime permanent (au lieu d’arrêter
arbitrairement le régime transitoire sur la dernière mesure ayant servi au calcul).
– Ajustement simultané sur le régime transitoire, le régime

quasi-permanent et l’‘écart au temps de stabilisation’
Au lieu d’effectuer un ajustement linéaire sur le graphique d.I/d.√t = f(√tgéom), il est
envisageable d’ajuster les équations de Haverkamp et al. (1994) directement sur les
données I = f(t) (c’est à dire trouver les valeurs de S et de K en cherchant à minimiser
l’erreur d’ajustement des équations sur I = f(t)).
En apparence séduisantes, les méthodes d’ajustement direct n’en ont pas
moins des limitations parfois critiques dont il a fallu tenir compte pour obtenir
des résultats satisfaisants.
C’est le choix de la méthode de calcul de l’erreur d’ajustement des équations sur les
données réelles qui s’est avéré le plus critique. Dans un premier temps sont exposés
les résultats où l’erreur d’ajustement est une pondération de l’erreur sur le régime
transitoire, le régime permanent et l’écart au temps de stabilisation. Les « valeurs de
départ » de la fonction d’optimisation sont S = 4 mm.s-1/2 et K = 100 mm.s-1 (paramètres
valables pour tous les ajustements directs, quelle que soit la fonction d’erreur). Ce
choix est justifié en pratique par une tendance de la méthode d’optimisation à attribuer
172
J. Moeys Partie IV
des valeurs négatives à S et K. Le choix de valeurs initiales élevées permet donc de

s’assurer que l’algorithme ne passe pas trop vite à des valeurs négatives.
Résultats
agricole :
S [mm.s-1/2] 9,4.10-3 2,3.10-1 7,4.10-1 9,4.10-3 2,2.10-1 7,4.10-1
K [mm.s-1] 3,0.10-5 1,0.10-2 6,5.10-2 3,0.10-5 1,2.10-2 6,5.10-2
RRSEP%RT – 10 % – – 11 % –
RRSEP%RP – 9% – – 10 % –
al. (1994), avec un ajustement direct et une fonction d’erreur basée sur les régimes
transitoire et permanent, ainsi que l’écart au temps de stabilisation, (secteur agricole ;
fonction d’erreur %RRSEPglobale).
d’étude :
-1/2 -2 -1 -2
S [mm.s ] 2,8.10 2,5.10 -1
7,3.10 3,2.10 2,5.10 -1
7,3.10-1
K [mm.s-1] 7,5.10-4 1,5.10-2 6,2.10-2 1,0.10-3 1,5.10-2 6,2.10-2
RRSEP%RT – 17 % – – 18 % –
RRSEP%RP – 14 % – – 14 % –
transitoire et permanent, ainsi que l’écart au temps de stabilisation, (parcelle d’étude ;
fonction d’erreur %RRSEPglobale).
La différence la plus marquante avec la méthode d’ajustement graphique linéaire de
Haverkamp et al. (1994) est le pourcentage de calculs permettant d’obtenir des valeurs
de S, de K, et de temps de stabilisation ‘réalistes’ (81 % contre 44 %).
Comme dans le cas de l’ajustement graphique, la méthode a tendance à avoir
certaines valeurs de sorptivité très basses.
Comme dans le cas de l’ajustement graphique, pour une infiltration donnée, il y a
toujours aussi peu d’intervalles de temps testés qui permettent d’obtenir une estimation
de S supérieure à 0 (29 % des intervalles sur le secteur agricole et 37 % sur la parcelle
d’étude ; résultats moyens, non présentés dans les tableaux). Les raisons de cette
absence de différence de 'taux de succès des intervalles de calcul possibles' peuvent
173
J. Moeys Partie IV
s’expliquer par le fait que l’ajustement direct n’utilise pas (dans ce cas) de contraintes
de valeurs pour S et K : l’algorithme d’optimisation peut tester, et éventuellement
choisir, des valeurs de S ou de K négatives ou nulles.
Exemples graphiques
du régime transitoire et du régime permanent, sur I=f(t), après détermination directe de S
et K sur les régimes transitoire et permanent.
La valeur de S estimée est de 0,11 mm.s-1/2, celle de K de 0,004 mm.s-1. Avec un temps de régime
transitoire de 1095 s et un temps de stabilisation estimé à 1102 s, la contrainte de temps est
respectée sur cet exemple.
du régime transitoire et du régime permanent, sur I=f(t), après détermination directe de S
et K sur les régimes transitoire et permanent.
La valeur de S estimée est de 0,28 mm.s-1/2, celle de K de 0,0086 mm.s-1. Avec un temps de régime
transitoire de 900 s et un temps de stabilisation estimé à 902 s, la contrainte de temps est respectée
sur cet exemple.
Sur l'exemple de la figure 63, l’ajustement sur les régimes transitoire et permanent
est correct. De même, la jointure entre le régime transitoire et le régime permanent est
assez bonne. Pour d’autres infiltrations, il arrive fréquemment qu’un biais plus net
apparaisse sur le régime transitoire et/ou le régime permanent, et/ou que la jointure
174
J. Moeys Partie IV
entre les deux régimes soit beaucoup moins bonne. Ces biais et décalages respectent
malgré tout généralement la ‘tendance’ de la courbe. Ils sont dus au fait que
l’optimisation tient compte de l’‘écart au temps de stabilisation’. Cela peut amener
l’algorithme à choisir des solutions pour K et S moins fidèles aux mesures d’infiltration,
mais plus cohérentes l’une par rapport à l’autre, et relativement au temps de
stabilisation.
Sur l’exemple de la figure 64, comme sur le précédent, on constate que l’ajustement
est correct dans sa tendance, mais qu'il existe toujours un décalage constant sur le
régime transitoire, lié à la sorptivité du sable de contact.
– Ajustement simultané sur le régime transitoire et le régime

quasi-permanent
La méthode d’optimisation mise au point (Script R) permet de faire varier les
pondérations des 3 sous-parties de la fonction d’erreur globale (régime transitoire,
régime permanent, écart au temps de stabilisation). Il est ainsi possible de ne pas tenir
compte d’un des 3 critères (pondération fixée à zéro). Des ajustements directs ont été
testés avec un calcul d’erreur ne tenant pas compte de l’écart au temps de
stabilisation, afin d’évaluer indirectement son importance.
[i-1,i+1] secteur agricole parcelle d’étude
S [mm.s-1/2] 1,8.10-2 2,6.10-1 7,1.10-1 2,5.10-2 2,2.10-1 6,3.10-1
K [mm.s-1] 7,5.10-4 9,1.10-3 5,2.10-2 1,1.10-3 1,1.10-2 5,7.10-2
RRSEP%RT – 7% – – 8% –
RRSEP%RP – 3% – – 3% –
transitoire et permanent (fonction d’erreur %RRSEPglobale).
Le tableau 39 synthétise les résultats des calculs effectués à l’échelle du secteur
agricole et de la parcelle d’étude, sur l’intervalle [i-1,i+1].
La méthode d’ajustement direct simultané sur le régime transitoire et le régime
permanent, sans la contrainte de l’écart au temps de stabilisation, donne des
ajustements (RRSEP%) excellents (7 % sur le régime transitoire, 3 % sur le régime
permanent). La gamme de valeurs des sorptivités estimées paraît aussi réaliste, les
valeurs restant au-dessus de 0,01 mm.s-1/2.
Cependant, pour 40 à 50 % des valeurs de S et de K estimées, l’intervalle de
temps sur lequel est effectué le calcul du régime transitoire est supérieur au
temps de stabilisation.
– Test de la fonction d’erreur globale ‘alternative’

Deux approches entrent en concurrence pour le calcul de l’erreur globale. On peut
alternativement (i) calculer séparément l’erreur sur le régime transitoire et le régime
permanent, puis calculer une moyenne pondérée des deux (ii) calculer une erreur point
par point, simultanément sur le régime transitoire et le régime permanent, puis en faire
175
J. Moeys Partie IV
une moyenne globale. Si, dans le premier cas, le nombre de points utilisés pour le
calcul du régime transitoire et du régime permanent n’affecte pas la pondération, dans
le second (sans pondération explicite) l’un ou l’autre des régimes est privilégié en
fonction de l’effectif de points qu’il comprend. Cette approche paraît a priori équilibrée.
agricole et de la parcelle d’étude, sur l’intervalle [i-1,i+1] :
S [mm.s-1/2] 9,2.10-3 2,1.10-1 7,5.10-1 5,3.10-2 2,9.10-1 6,0.10-1
K [mm.s-1] 3,2.10-5 3,1.10-3 3,8.10-2 1,0.10-3 5,2.10-3 2,6.10-2
RRSEP%RT – 30 % – – 22 % –
RRSEP%RP – 16 % – – 7% –
transitoire et permanent (secteur agricole ; fonction d’erreur %RRSEPglobale,alt).
On voit que l’utilisation de la fonction d’erreur ‘alternative’ (qui équilibre l’importance
de l’ajustement sur le régime transitoire et le régime permanent en fonction du nombre
de mesures concernées) ne permet pas d’obtenir une proportion satisfaisante de
mesures avec une durée du régime transitoire cohérente avec le temps de
stabilisation.
Il est difficile de comparer la qualité des ajustements de cette méthode avec les
autres approches car la fonction d’erreur utilisée pour optimiser l’ajustement est
différente. Néanmoins, on constate que les RRSEP% obtenues sur les régimes
transitoires et permanents restent acceptables.
Il est difficile de comprendre pourquoi cette méthode d’ajustement (calcul d’erreur)
donne des résultats moins pertinents que la précédente, mais le fait est que les
intervalles de temps de calculs du régime transitoire ne sont pas en accord avec les
temps caractéristiques dérivés des valeurs de S et de K.
– Test d’un algorithme d’optimisation ‘contraint’ pour

l’ajustement direct
On a montré ci-dessus que les résultats des ajustements directs sont fortement
influencés par le calcul de l’erreur d’ajustement qui est choisi. Or, cette erreur
d’ajustement est minimisée numériquement par un algorithme de calcul dédié à ce
genre d’opérations. Ces algorithmes doivent idéalement combiner précision,
robustesse et rapidité. Ces trois critères signifient aussi que les algorithmes ne
garantissent pas un optimum absolu (pour les valeurs de S et de K), comme c'est le
cas pour toutes les méthodes non linéaires.
La fonction ‘optim’ du logiciel R permet d’utiliser plusieurs algorithmes d’optimisation.
Celui qui est utilisé dans les cas exposés ci-dessus est l’algorithme BFGS. La fonction
‘optim’ inclût aussi une variante de cet algorithme (L-BFGS-B) permettant de
contraindre les valeurs des paramètres choisis (minimum et/ou maximum). Cette
caractéristique est a priori séduisante car elle permet d’éviter les valeurs négatives,
176
J. Moeys Partie IV
donc non réalistes de S et de K (cas de figure qui concerne quand même au minimum
1 à 15% des calculs précédents avec les méthodes par ajustements directs).
Les contraintes choisies sont : S ≥ 1.10-2 mm.s-1/2 et K ≥ 1.10-10 mm.s-1. Les valeurs
initiales de S et K restent par contre inchangées par rapport aux ajustements directs
précédents.
agricole et de la parcelle d’étude, sur l’intervalle [i-1,i+1] :
S [mm.s-1/2] 1,0.10-02 1,0.10-02 5,4.10-01 1,0.10-02 1,0.10-02 4,3.10-01
K [mm.s-1] 1,0.10-10 1,0.10-10 5,2.10-02 1,0.10-10 1,0.10-10 3,5.10-02
%Succès (sans TSTAB) – 100 % – – 100% –
%Succès (avec TSTAB) – 99 % – – 98% –
RRSEP%RT – 95 % – – 97% –
+6 +6
RRSEP%RP – 1.10 % – – 2.10 % –
transitoire et permanent (fonction d’erreur %RRSEPglobale).
Ce cas de figure reflète à lui seul les difficultés de l’ajustement direct :
– Le temps de calcul du régime transitoire est quasiment tout le temps respecté,
mais...
– On constate que la conductivité hydraulique estimée est extrêmement faible. Sa
valeur médiane de 1.10-10 correspond en fait à la valeur minimale imposée pour K.
– On constate que la sorptivité estimée est, elle aussi, faible. Sa valeur médiane de
1.10-2 correspond en fait à la valeur minimale imposée pour S.
– Malgré ces valeurs de S et de K aberrantes, l’intervalle de temps sur lequel est
réalisé le calcul du régime transitoire est presque toujours compatible avec le temps
de stabilisation ou de gravité estimé. Cela montre les limites de ces critères
d’évaluation.
Il est très probable qu’un meilleur paramétrage de la fonction d’optimisation (seuils
de convergences...), ainsi qu’un ajustement uniquement sur le régime transitoire,
permettrait d’obtenir des valeurs plus réalistes pour S. D’autres essais, non détaillés ici,
ont montré qu’une optimisation contrainte aboutit quasiment systématiquement à des
valeurs de K très faibles. Il semblerait que l’algorithme tende à fixer K au minimum et
n’ajuste effectivement que la valeur de S.
Cela montre qu’un ajustement direct avec une optimisation contrainte tend à faire
échouer la procédure d’optimisation (avec les réglages utilisés de la fonction
d'optimisation – peut-être d'autres réglages donneraient un meilleur résultat ?), ou que
l'ajustement direct sans contrainte sur l'écart au temps de stabilisation n'est pas
sensible aux valeurs de K.
177
J. Moeys Partie IV
– Analyse a posteriori des fonctions d’erreur

Pour mieux comprendre les différences obtenues entre les méthodes de calcul de S
et K-1 cm par ajustement direct il peut être intéressant de visualiser la qualité de
l’ajustement (RRSEP%) en fonction des valeurs possibles de S et de K. Il s’agit de
calculer la valeur de la RRSEP% sur une grille de couples de valeurs possibles de S et
de K, afin de la représenter sous forme de courbes isovaleurs sur un graphique avec S
en abscisse de K en ordonnées.
Un tel graphique, permet de visualiser la ‘topographie’ de l’erreur dans l’espace des
valeurs de S et K, et ainsi de mieux se rendre comprendre compte de l’existence ou
non d’un optimum unique, ou à défaut d’optimums locaux. Dans le deuxième cas, il y a
non-unicité de la solution optimale, ce qui pose un problème méthodologique.
figure 65 – Isovaleurs de la RRSEP%RT (régime transitoire) en fonction des valeurs de S et

de K.
Les axes des abscisses (S) et des ordonnées (K) sont en échelles logarithmiques. Les points figurés
sur le graphique représentent les couples de valeurs de S–K obtenus pour ces infiltrations par les
méthodes de Haverkamp linéaire (HL), Haverkamp direct (HD ; contraint sur le régime transitoire,
le régime permanent et l’écart au temps de stabilisation) et White et Sully (WS). Les calculs ont
été effectués sur le régime transitoire tel que déterminé par la méthode de Haverkamp directe, soit
les mesures 3 à 22 pour le site 20 003–P2 et les mesures 11 à 25 pour le site 20 035–P1. Les
mesures déterminées comme appartenant au régime transitoire varient d’une méthode à l’autre, les
isolignes d’erreur en fonction de S et K sont donc en réalité différentes pour les méthodes HS et
WS. Les calculs ont été effectués sur 200 valeurs de S et 200 valeurs de K. Les isolignes
représentées sont 10, 25, 50, 100, 250, 500, 1000 %. Les valeurs initiales de l’optimisation,
S = 4 mm.s-1/2 et K = 100 mm.s-1 sont hors graphique.
Il est à noter que le résultat de la fonction RRSEP% = f(S,K) change selon
l’intervalle de mesures choisies pour le régime transitoire. Il est donc difficile de
comparer les résultats des méthodes puisque, pour une même infiltration, elles ne se
basent pas forcément sur le même intervalle de mesures pour le régime transitoire.
Les algorithmes utilisés pour les ajustements directs sont conçus pour converger
rapidement vers une solution ‘optimale’. Ils n’utilisent donc pas une représentation
complète de la fonction RRSEP% = f(S;K) comme celle que de la figure 65. La
visualisation de cette fonction permet de comprendre a posteriori pourquoi l’algorithme
converge vers une solution optimale et le cas échéant pourquoi il échoue.
Dans les deux exemples présentés sur la figure 65, on constate que la fonction
178
J. Moeys Partie IV
d’erreur RRSEP%RT ne semble pas présenter36 un optimum unique, mais plutôt une
plage de valeurs de S et de K permettant un ajustement minimisant la RRSEP%RT. Ce
constat confirme visuellement les problèmes constatés pour les ajustements directs
des fonctions de Haverkamp et al. (1994) basées uniquement sur le régime transitoire.
figure 66 – Isovaleurs de la RRSEP%RT,RP (moyenne du régime transitoire et du régime

permanent) en fonction des valeurs de S et de K. Les isolignes représentées sont 10, 25,
50, 100, 250, 500, 1000 %.
La figure 66 montre que le calcul d’une RRSEP%RT,RP met en évidence une gamme
de S et de K minimisant la RRSEP%RT,RP beaucoup plus restreinte que dans le cas
précédent. Des essais ont cependant montré que les calculs de S et de K par
ajustement direct avec une minimisation de la RRSEP%RT,RP donne des résultats
satisfaisants pour la RRSEP%RT,RP, mais avec un temps du régime transitoire
apparemment incohérent avec la valeur de TSTAB calculée avec les valeurs de S et K
estimées.
figure 67 – Isovaleurs de la RRSEP% globale (moyenne du régime transitoire, du régime

permanent et de l’écart à un temps de stabilisation) en fonction des valeurs de S et de K.
Les isolignes représentées sont 10, 25, 50, 100, 250, 500, 1000 %.
36
La topographie locale des isovaleurs de la RRSEP% dépend aussi de la résolution de la grille [S,K] sur
laquelle sont effectués les calculs
179
J. Moeys Partie IV
La figure 67, présente les isovaleurs de la RRSEP% globale, c’est à dire d’une
agglomération des erreurs sur le régime transitoire, le régime permanent et l’écart au
temps de stabilisation. À l’inverse de ce qui est constaté sur la figure 65, on constate
l’existence d’un optimum local pour S et K permettant de minimiser la RRSEP% globale.
Il s’agit d’une confirmation visuelle de la plus grande robustesse de la méthode.
Les deux exemples présentés ci-dessus ne représentent pas de valeurs négatives
de S et de K. Or les méthodes d’ajustement direct utilisées sont, sauf exception, non
contraintes à des valeurs positives de S et de K. Il faudrait en toute rigueur examiner la
surface de réponse de la RRSEP% avec des valeurs négatives de S et K, mais la
visualisation / représentation graphique logarithmique doit alors être découpée en
plusieurs domaines.
– Conclusion : méthode de calcul retenue pour les tests

statistiques
La figure 68 et la figure 69 présentent les graphiques ‘box & whisker’ de la sorptivité
et de la conductivité hydraulique (respectivement) pour les différentes modalités de
calcul, pour le secteur d’étude et pour la parcelle.
figure 68 – Graphique ‘box & whisker’ des sorptivités, en fonction des différentes méthodes
de calcul (intervalle [i-1,i+1]).
L’axe des abscisses est en échelle logarithmique, ce qui atténue un peu la distorsion des valeurs de
S vers les valeurs faibles.
Les différences entre méthodes de calcul semblent plus importantes qu’entre les
valeurs obtenues sur tout le secteur agricole et la parcelle. Plus que les différences
entre les valeurs médianes observées d’une méthode à l’autre, c’est l’étalement des
valeurs (quantiles) qui change le plus.
180
J. Moeys Partie IV
figure 69 – Graphique ‘box & whisker’ des conductivités hydrauliques, en fonction des
différentes méthodes de calcul (intervalle [i-1,i+1]).
L’axe des abscisses est en échelle logarithmique, ce qui atténue un peu la distorsion des valeurs de
K vers les valeurs faibles.
La figure 70 présente les gammes de valeurs des écarts au temps de stabilisation,
quand le calcul a permis d’aboutir à des valeurs de S et K positives. Avec la méthode
de White et Sully (1987) cet écart est quasiment tout le temps positif et inférieur à 3
minutes (voir inférieur à 30 s pour la parcelle), ce qui montre que la méthode permet
des valeurs de S, K et TSTAB cohérentes avec l’intervalle de temps utilisé pour le calcul
du régime transitoire. Avec la méthode d’ajustement linéaire de la fonction de
Haverkamp et al. (1994), une proportion importante des temps de calcul du régime
transitoire (> 50 % sur le secteur agricole) est supérieure au temps de stabilisation
estimé (écart négatif). Avec la méthode d’ajustement direct non-linéaire des équations
de Haverkamp et al. (1994), seuls 25 % des valeurs sont inférieures au temps de
stabilisation, et quasiment toutes les mesures ont un écart au temps de stabilisation
inférieur à –30 s.
La méthode qui a été retenue pour les traitements statistiques est l’ajustement
direct avec une optimisation simultanée sur le régime transitoire, le régime
permanent et l’écart au temps de stabilisation.
Ce choix ne correspond pas réellement à un ‘optimum’, mais c’est le seul qui
permette à la fois de tenir compte des 3 composantes de l’infiltration (contrairement à
la méthode White et Sully, qui néglige la capillarité latérale) et d’obtenir des valeurs de
S et de K qui paraissent réalistes (> 0) et cohérentes (respect des temps
caractéristiques).
181
J. Moeys Partie IV
figure 70 – Graphique ‘box & whisker’ des écarts au temps de stabilisation, en fonction des
différentes méthodes de calcul (intervalle [i-1,i+1]).
L’axe des abscisses est en échelle logarithmique double (intervalle 30 s), centrée sur le zéro ;
TSTAB est le temps de stabilisation ; ∆tRT est la durée écoulée entre le début de l’infiltration et la
dernière considérée comme appartenant au régime transitoire. Ce graphique ne représente les
écarts au temps de stabilisation que pour les calculs ayant permis d’aboutir à une valeur de S et de
K positives, et ne tient pas compte du temps gravitaire, ce qui explique la différence entre les
statistiques présentées ci-dessus et les ‘%succès (avec TSTAB)’ des tableaux présentés plus haut.
NB : les écarts peuvent être positifs ou négatifs, suivant que le temps de stabilisation déterminé
avec S et K est supérieur ou inférieur au temps de transition 'régime transitoire - régime permanent'
choisi pour les calculs.
■ Paramètres de la fonction de conductivité hydraulique

de Campbell
Les paragraphes ci-dessus ont exposé les résultats du calcul de la conductivité
hydraulique au potentiel – 1 cm à l’aide d’un infiltromètre à disque. Cependant, c’est la
conductivité hydraulique à saturation KS qui est le paramètre caractéristique des
fonctions de conductivité de Campbell. Les valeurs de cette dernière, déduites à partir
des paramètres hA, b et K(h=-1cm) de l’équation 31, p. 100, sont les suivantes :
Moyenne Écart type CV [mm.s-1]
9,6.10-2 5,0.10-1 516 %
3,0.10-5 4,6.10-3 1,5.10-2 5,7.10-2 3,5.10+0
tableau 42 – Statistiques descriptives et de distribution de la conductivité hydraulique à
saturation KS.
La conductivité hydraulique à saturation est en moyenne de 0,096 mm.s-1. Son
coefficient de variation dépasse les 500 %, ce qui est normal pour cette propriété dont
les valeurs s’étalent sur plusieurs ordres de grandeur. De plus, la propriété présente
une asymétrie marquée vers les valeurs faibles, visible sur la figure 71 malgré l’échelle
182
J. Moeys Partie IV
logarithmique. La propriété est asymétrique et très serrée autour de son mode.

Ces caractéristiques sont très défavorables aux tests statistiques, qui demandent
souvent des propriétés s’approchant un minimum de la normalité. Qui plus est, aucune
transformation de la propriété n’a permis d’obtenir une propriété transformée dont la
distribution s’approche de la loi normale.
figure 71 – Graphique ‘box & whisker’ de la conductivité hydraulique KS.

L’axe des abscisses (KS) est en échelle logarithmique, ce qui atténue un peu la distorsion du
graphique box & whisker vers les valeurs faibles.
■ 2.3 Fraction d’eau immobile

La mesure de la fraction d’eau immobile permet de connaître la fraction de la phase
liquide du sol ne participant pas aux transferts convectifs de solutés. Bien que le
modèle le plus simple de double porosité ‘eau mobile’ / ‘eau immobile’ considère que le
rapport des deux volumes de porosité est constant, car il considère un régime
permanent, il est probable que cette mesure est en fait dépendante du potentiel auquel
est effectué la mesure (–1 cm dans notre cas).
■ Précision des mesures et respect des hypothèses

Pour être acceptable, la mesure de teneur en eau immobile doit réaliser un
compromis entre les contraintes liées au flux en régime permanent, la hauteur d’eau
infiltrée sous le disque, le coefficient de dispersion λ supposé et la gamme de valeurs
possibles pour le coefficient α. Snow (1999) a étudié les erreurs de prédiction de la
teneur en eau immobile en fonction de ces différents paramètres, et a défini pour
différentes valeurs de λ (5, 20 et 50 mm) et α (0,5 ou 5 h-1) les gammes de valeurs de
flux et de hauteur d’eau infiltrée qui permettent une estimation correcte de la teneur en
eau immobile. Alletto et al. (2006a) ont montré que les valeurs du coefficient α sont
inférieures (voir très inférieures) à 0,5 h-1 dans le secteur étudié. Ne connaissant pas le
coefficient de dispersion λ, sa valeur est estimée à 20 mm (arbitrairement).
La figure 72 montre que – si les valeurs supposées de α et de λ sont justes –
l’erreur de mesure de la teneur en eau immobile est la plupart du temps
acceptable, voir souvent correcte (si l’on extrapole les limites pour des flux plus
élevés). Trois infiltrations n’ont pas été conduites assez longtemps pour que l’infiltration
cumulée soit suffisante.
On constate aussi que la gamme de valeur du flux en régime permanent est
similaire à celle obtenue par Millot (2004) dans le même secteur (parcelle :
1,2 < Q < 36.6 cm.h-1).
Par contre on constate une baisse de 40 % du flux (en moyenne) entre
l’infiltration sans traceur et l’infiltration avec traceur (résultats non présentés ici).
Cela montre que malgré les précautions prises, des perturbations (tassements ?) ont
lieu au moment du changement d’infiltromètre, alors que le changement ne semblait
pas poser de problème (visuellement).
183
J. Moeys Partie IV
figure 72 – Flux d’infiltration en fonction de l’infiltration cumulée pour les mesures

d’infiltrométrie destinées à mesurer la teneur en eau immobile.
Chaque croix représente une mesure d’infiltration avec traceur. Le cadre gris foncé représente la
gamme de valeurs de Q et de I (infiltration cumulée) étudiée par Snow (1999). Dans ce cadre, les
deux droites en pointillés longs délimitent grossièrement la zone où l’erreur de mesure e sur la
teneur en eau immobile θimm. est supérieure à 15 % ; la droite en pointillés courts délimite la zone
où l’erreur sur la mesure de θimm. est acceptable (< 15 %), mais pour laquelle les hypothèses de
base (concentration en Br- dans la phase mobile = concentration injectée ; concentration dans la
phase immobile nulle) ne sont pas respectées. Il existe une zone ‘hypothèses non respectées’ en
bas à droite du graphique, mais elle n’a pas été représentée (très proche de la limite e > 15%).
α = 0,5 h-1 et λ = 20 mm.
■ Valeurs de fraction d’eau immobile

Moyenne Écart type CV [%]
54,2% 25,7 % 47 %
17,1% 25,0 % 49,1 % 87,5 % 99,7 %
Distribution : Skewness 0,22 ; Kurtosis 1,56 ; test de Shapiro : 3,16.10-4.
tableau 43 – Statistiques descriptives de la teneur en eau immobile.
La fraction d’eau immobile est importante, puisqu’elle représente en moyenne 50 %
du volume occupé par la phase liquide du sol. Quatre-vingt pourcent des valeurs
s’étalent entre 25 % et 90 %, les valeurs les plus extrêmes étant probablement des
erreurs de mesure. La propriété présente une distribution resserrée autour de ses
modes, elle a donc un kurtosis élevé. Elle s’écarte de la normalité, et présente une
allure clairement bimodale.
figure 73 – Graphique box & whisker de la fraction d'eau immobile.
184
J. Moeys Partie IV
figure 74 – Histogramme de la fraction d’eau immobile.

La courbe en pointillés rouge montre la distribution d’une variable normale de même moyenne et
de même variance que la fraction d’eau immobile.

intermédiaire
Les propriétés hydriques mesurées sont – de part leurs valeurs moyennes et
leurs coefficients de variation - relativement en accord avec les données de la
littérature exposées dans la partie 1.
La teneur en eau volumique à saturation mesurée est en moyenne de 46 %, ce
qui est proche de la partie haute de l'intervalle des valeurs de la littérature (max :
48 %). Son CV de 10 % est par contre en accord avec ce qui est habituellement
constaté. La teneur en eau à saturation ne dépend pas uniquement de la masse
volumique apparente, mais cette dernière délimite en tout cas sa valeur maximale
possible (porosité). D'après Vauclin (1982), la teneur en eau à la capacité au champ
(θpF2) et la teneur en eau au point de flétrissent permanent (θpF4,2) sont plus variables.
C'est le cas pour θpF4,2, mais pas pour θpF2. Cela suggère que la microporosité est
plus variable que la porosité située entre θS et θpF2. Or cette porosité (moins variable)
est aussi la plus susceptible d'être influencée par les pratiques agronomiques.
Le paramètre b, qui est lié à la pente de la droite θ(h) de la fonction de Campbell,
est un peu plus variable que θpF2 et θpF4,2, qui ont servi à son calcul (CV de 24 %). De
même, le CV de la réserve utile qui dépend aussi de ces deux paramètres est un
peu plus élevé que celui des propriétés de base. Le potentiel au point d'entrée d'air,
hA, est le plus variable : son CV est de 109 %. Il dépend directement des 3 valeurs
de θ citées plus haut, dont les variations semblent fortement répercutées sur hA. On
peut aussi se demander si la variabilité de ce paramètre reflète l'inadéquation du
modèle pour décrire le comportement de la courbe θ(h) au voisinage de la
saturation ou s'il s'agit d'une variabilité réelle des propriétés du sol.
Le paramètre hA calculé étant fréquemment inférieur à -1 cm, la conductivité
hydraulique à saturation est souvent égale à la conductivité à -1 cm, puisque le
modèle de Campbell prévoit une conductivité constante entre hA et h=0. Les valeurs
de conductivité hydrauliques sont en moyenne dans la gamme des valeurs trouvées
dans la littérature, qui oscillent généralement entre 1.10-3 et 1.10-1 mm.s-1, mais elles
couvrent une plage de conductivité assez large. Le CV de KS est par contre plus
élevé que les références de la littérature : 516 %, c'est presque 2 fois plus que la
variabilité observée sur la base européenne par Nemes et al. (2005). Que ce soit
pour sa valeur médiane ou sa valeur moyenne, le KS mesuré est 5 à 6 fois plus
185
J. Moeys Partie IV
élevé que ce qui est observé dans la base européenne HYPRES.
La gamme de valeur (min-max) des KS mesurés est 3 ordres de grandeur plus

large que les valeurs mesurées sur la parcelle d'étude avec la méthode WIND, ou
avec la méthode Beerkan (méthodes dont les gammes de variabilité sont elles-
mêmes décalées d'un ordre de grandeur). Cependant, en moyenne, les KS mesurés
par infiltrométrie sur le secteur agricole ne sont 'que' 7 fois plus élevés que ceux
obtenus sur la parcelle avec la méthode Beerkan.
Ces écarts permettent de relativiser les écarts de valeurs observés entre les
différentes méthodes de traitement des mesures d'infiltration. L'écart entre la
méthode White et Sully (1987) et la méthode Haverkamp et al. (1994 ; par
ajustement linéaire ou direct) ne sont 'que' d'un facteur 2 environ (K-1cm plus faible
avec la méthode White et Sully, 1987).
Les valeurs de conductivité hydraulique obtenues sur la parcelle d'étude, avec
les données collectées par Millot 2004, sont étonnamment proches de celles
obtenues à l'échelle du secteur agricole, et ce, quelle que soit la méthode
employée. Les implications de ce constat seront discutées plus loin.
Le principal problème soulevé par les différences de valeurs obtenues entre les
méthodes n'est donc pas tant les écarts de conductivité moyenne, mais plutôt leur
validité par rapport aux temps caractéristiques. Dans notre cas, la méthode
Haverkamp et al. par ajustement linéaire ne permet pas toujours d'obtenir des
valeurs de S et de K compatibles avec les temps caractéristiques (incompatibilité
dans 42 à 56% des cas). La méthode par ajustement direct 'à triple contrainte'
fonctionne mieux, mais elle n'est pas plus précise et elle est biaisée par l'effet
du sable. Concernant la difficulté à estimer correctement S et K, Il est difficile de
mettre en cause la méthode elle-même car de toute évidence les conditions de
mesure ne sont pas idéales. Les teneurs en eau initiales au moment de la
mesure sont trop élevées37 et l'hypothèse d'une conductivité hydraulique initiale
négligeable devant la conductivité finale n'est probablement pas respectée. On doit
ensuite signaler plusieurs facteurs aggravants : (i) la mesure n'est pas assez
précise (bulles, positions de lecture), (ii) il est difficile d'obtenir un nombre correct de
points de mesure durant les 60 premières secondes de l'infiltration, pourtant
cruciales pour la détermination de la sorptivité et (iii) le plateau de Ouarville est
exposé au vent, ce qui n'est pas favorable à de bonnes mesures (et ce malgré
l'installation de larges paravents, doublés si nécessaires de parasols couchés !).
Une des solutions envisageables est l'utilisation d'infiltromètres à mesures
automatisées.
Il faut aussi revenir sur les effets possibles de la couche de sable intercalaire
sur la mesure d'infiltration. Avec la méthode de Haverkamp et al. par régression
linéaire en dI/d√t = f(√t), le calcul de la sorptivité S, n'est théoriquement pas
influencé par la couche de sable. Cependant, lorsque l'on teste la qualité de
l'ajustement des paramètres S et K sur la courbe d'infiltration I = f(t), un décalage
se produit sur I puisque la couche de sable joue effectivement sur l'infiltration.
Lorsqu'on réalise un ajustement direct, non-linéaire, de S et de K sur la courbe
I = f(t), la partie initiale de la courbe très influencée par le sable a certes été écartée,
mais le reste de la courbe est toujours influencé par le sable de contact.
L'ajustement direct intègre donc l'effet de cette couche de sable, ce qui biaise sans
37
Les infiltrations réalisées à l'échelle du secteur agricole ont été réalisées en mars-avril-mai 2006, celles
réalisées par Millot 2004 ont été réalisées en avril-mai 2004. Au début de cette saison la réserve utile
du sol a été reconstituée (pendant l’hiver), mais les prélèvements d'eau par les céréales (ET)
augmentent régulièrement avec la remontée des températures (au printemps).
186
J. Moeys Partie IV
doute l'estimation de S et K par cette méthode. Roulier (1999) a établi un jeu

d'équations intégrant explicitement l'effet du sable, via deux paramètres : ISable et
TSable. La détermination de ces paramètres nécessite cependant des mesures de
terrain qui n'ont pas été effectuées dans notre cas. Avec les jeux de données dont
on dispose, le choix est le suivant : utiliser une méthode de détermination dont on
sait qu'elle surestime S assez nettement et qu'elle sous-estime K, car elle n'intègre
pas la capillarité latérale, mais qui s'avère 'robuste' sur le jeu de donnée (White et
Sully, 1987) ; utiliser une méthode qui prend en compte l'effet du sable et la
capillarité latérale, mais qui nécessite de faire une régression linéaire sur des
données très bruitées (dans notre cas), ce qui induit de fortes variations dans
l'estimation de S (et donc de K), et qui produit 50 % de données qui ne respectent
pas les temps caractéristiques (Haverkamp et al., 1994) ; utiliser une méthode qui
ne prend en compte que très partiellement les effets du sable, mais qui s'avère plus
robuste pour estimer des valeurs de S et K malgré les erreurs de mesures, et qui
respecte les temps caractéristiques (ajustement direct des équations de Haverkamp
et al.). C'est cette dernière méthode qui a été choisie, à défaut de disposer
d'une alternative moins problématique.
Les teneurs en eau initiales trop élevées posent un autre problème :
l'infiltrométrie monopotentiel n'est probablement pas une méthode adaptée à
la mesure de la conductivité des sols en hiver, pourtant indispensable pour avoir
une mesure correcte au moment où les transferts sont susceptibles d'opérer. Les
alternatives sont les méthodes d'infiltrométrie multidisques, l'utilisation de
perméamètres fonctionnant en saturé ou le prélèvement d'échantillons non
perturbés pour la mesure de la conductivité hydraulique à saturation au laboratoire.
Cette dernière solution a l'avantage du confort, mais elle n'est pas plus rapide, et
elle n'intègre pas une éventuelle anisotropie des flux. Inversement, elle ne repose
pas sur l'hypothèse erronée que le sol est un milieu semi-infini et isotrope (ne fût-ce
que du fait de la présence du lit de semence, aux propriétés relativement différentes
du reste de l'horizon). Les méthodes multipotentiels sont aussi limitées par la teneur
en eau élevée du sol, qui rend l'infiltration lente aux potentiels les plus faibles. Elles
ont par contre l’avantage de ne pas reposer sur l’estimation de la sorptivité.
Concernant la méthode Haverkamp et al. (1994), la mesure de la teneur en eau
volumique sous l'infiltromètre manque de fiabilité (gouge). La correction par les
valeurs de masse volumique apparente permet certes d'obtenir des valeurs plus
réalistes, mais la probabilité que la masse volumique réelle sous l'infiltromètre
soit différente de celle mesurée sur les cylindres est forte.
La mesure de la fraction d'eau immobile est l'occasion d'un constat intéressant :
la fraction d'eau immobile mesurée à l'échelle du secteur agricole est en moyenne
de 54,2 %. Sur un transect situé dans la parcelle d'étude, Millot (2004) avait mesuré
une valeur moyenne de 53,3 %. Sur la même parcelle, Alletto et al. (2006b) ont
mesuré (en 2004) sur 3 fosses des teneurs en eau immobile et ont obtenu une
moyenne en surface de 53,3 %. Ces résultats, et les résultats obtenus sur les
conductivités hydrauliques, laissent à penser que les mesures à l'échelle de la
parcelle sont représentatives du secteur agricole (pour KS et la fraction d'eau
immobile). L'implication de ces résultats sera discutée dans la discussion finale.
Les valeurs de fraction d'eau immobile sont relativement variables, ce qui
est en accord avec les données de la littérature. Le fait qu'en moyenne, le flux
d'eau se réduise de 40 % entre l'infiltration sans traceur et l'infiltration avec
traceur pose problème. Cette diminution peut refléter plusieurs choses : (i) un
tassement du sol sous l'infiltromètre, qui provoque une baisse de porosité du sol (ii)
la fermeture de certains pores lors du changement d’infiltromètre, par perturbation
du sol, ce qui n'implique pas forcément des tassements importants mais peut être
187
J. Moeys Partie IV
une réduction de la continuité des pores (iii) lors du changement, la mince couche
de sable est très perturbée (constat visuel). Un lissage délicat au couteau permet de
la remettre horizontale, mais la perturbation ne peut-elle pas engendrer une
hétérogénéité des flux sous l'infiltromètre, aboutissant à une baisse de flux ?
L'hypothèse (ii) remet clairement en cause la fiabilité des mesures de
fraction d'eau immobile, car une réduction de la continuité des pores, et le
fermeture de certains crée de facto une porosité captive, immobile, qui n'était
pourtant pas immobile avant le changement d'infiltromètre. Si ce cas de figure
est confirmé, les fractions d'eau immobile peuvent être surestimées.
Enfin, la variabilité spatiale élevée à extrêmement élevée des mesures de
fraction d'eau immobile et de conductivité pose la question de leurs
déterminismes, car les propriétés pédologiques (physico-chimiques) sont peu
variables dans le secteur. Les tests statistiques doivent donner un point de vue
supplémentaire sur ce constat.
3 Comportement de
l'isoproturon dans les sols
■ 3.1 Adsorption de l'isoproturon dans les sols
Les paramètres de l’adsorption des molécules phytosanitaires sur la fraction
organo-minérale du sol est une des propriétés déterminantes de son comportement, et
donc de son éventuel transfert, dans les sols.
■ Coefficient d'adsorption linéaire

Le coefficient d’adsorption linéaire, le KD, est le modèle le plus simple permettant de
décrire l’adsorption de l’isoproturon dans les sols. Il s’agit d’une simplification du
modèle de Freundlich, qui permet de limiter le nombre de mesures à effectuer.
Moyenne Écart type CV [L.kg-1]
1,10 0,25 23 %
0,73 0,79 1,07 1,41 1,86
-2
Distribution : Skewness 0,7 ; Kurtosis 0,2 ; test de Shapiro 4,60.10 .
tableau 44 – Statistiques descriptives et de distribution du coefficient d’adsorption linéaire
K D.
Le tableau 44 montre que le KD moyen est de 1,1 g.kg-1, et que sa variabilité est
modérée, avec un coefficient de variation inférieur à 25 %. Le test de normalité de la
propriété est presque significatif, la distribution de la propriété étant légèrement
asymétrique. Quatre-vingt pour-cent des valeurs de KD se situent entre 0,8 et 1,4 L.kg-1.
tableau 45 – Graphique ‘box & whisker’ du coefficient d’adsorption linéaire KD.
188
J. Moeys Partie IV
■ Coefficient d'adsorption normalisé par le carbone

organique
La normalisation du KD par la fraction de carbone organique permet de s’affranchir
d’une partie de la variabilité du KD liée à la matière organique du sol. C’est aussi un
moyen relativement efficace de prédire le KD à partir d’une valeur de KOC acquise dans
un contexte similaire et d’une mesure de teneur en carbone organique. Le coefficient
de corrélation linéaire entre le KD et la fraction de carbone organique est de 0,67. Les
coefficients de corrélation trouvés dans la littérature sont généralement meilleurs.
Moyenne Écart type CV [L.kg-1]
82 15 18 %
55 64 81 101 120
Distribution : Skewness 0,4 ; Kurtosis -0,5 ; test de Shapiro 3,57.10-1.
tableau 46 – Statistiques descriptives et de distribution du coefficient d’adsorption
normalisé par le carbone organique KOC.
Le KOC a une valeur moyenne de 80 g.L-1, une variabilité modérée (CV = 18 %) et
80 % de ses valeurs s’étalent entre 64 et 101 g.L-1. La distribution de la propriété ne
s’écarte pas significativement de la normalité.
tableau 47 – Graphique ‘box & whisker’ du coefficient d’adsorption linéaire KOC.
■ KD des horizons de surface et profonds de la parcelle

d’’étude
□ Horizons de surface de la parcelle

F1-2 F2-2 F3-2 F4 F5
KD [L.kg-1] 1,18 1,09 0,96 1,05 1,22
KOC [L.kg-1] 86 77 87 76 102
CORG [g.kg-1] 14 14 11 14 12
Argile [g.kg-1] 260 306 232 303 230
CaCO3 [g.kg-1] 0 2 1 7 0
tableau 48 – KD des horizons de surface de la parcelle d’étude.
Avec F1, F2, F3, F4 et F5 les 5 fosses ouvertes sur la parcelle d’étude (Coquet et al., 2006) ; -1 ou
–2 les numéros des ‘réplicats’ des fosses ; KD le coefficient d’adsorption linéaire ; KOC le
coefficient d’adsorption normalisé par la fraction de carbone organique ; CORG la teneur en carbone
organique ; ‘Argile’, la teneur en argile non-décarbonatée ; CaCO3 la teneur en carbonate de
calcium. Pour les mêmes horizons, les KD mesurés par Alletto (2004) sur le t0 des mesures de
dégradation des fosses 1-1, 1-2 et 1-3 sont respectivement de 5,0, 4,1 et 4,1 L.kg-1.
Les KD mesurés sur des échantillons des horizons de surface de la parcelle sont en
moyenne identique à ceux mesurés à l’échelle du bassin versant (moyenne de
1,10 L.kg-1). Le coefficient de variation (CV) n’est que de 11 % (au lieu de 25 %), mais il
est imprécis du fait du faible nombre de mesures. La teneur en carbone organique
189
J. Moeys Partie IV
moyenne de 13 g.kg-1, presque identique à celle du secteur agricole (13,5 g.kg-1),

explique ces faibles différences, et probablement aussi la moindre dispersion des
valeurs de KD (pas d’effet des différences de pratiques culturales sur la teneur en
carbone organique). De fait, le KOC moyen est lui aussi très proche (86 L.kg-1, comparé
à 82 L.kg-1 pour le secteur).
□ Horizons profonds de la parcelle
– Horizons BT dérivés du limon, sans éléments grossiers

F1-2, BT2 F2-2 F3-2, BT1 F4 F5, BT2.1
-1
KD [L.kg ] 0,45 - 0,34 - 0,37
KOC [L.kg-1] 71 - 60 - 62
CORG [g.kg-1] 6 - 6 - 6
Argile [g.kg-1] 344 - 352 - 333
CaCO3 [g.kg-1] 0 - 0 - 0
tableau 49 – KD des horizons BT sans éléments grossiers de la parcelle d’étude.
Pour les mêmes horizons, le KD mesuré par Alletto (2004) sur le t0 des mesures de dégradation de
la fosse 1-1 est de 0,9 L.kg-1.
Le coefficient d’adsorption des horizons BT de la parcelle, dont la teneur en argile
varie entre 30 et 40 %, est en moyenne de 0,39 L.kg-1, soit à peine 1/3 de la valeur
moyenne des horizons de surface. Les teneurs en carbone organique de ces horizons
ne sont ‘que’ deux fois inférieures à celles des horizons de surface, ce qui montre que
la réactivité globale de la phase solide (phase organo-minérale) est inférieure à celle
des horizons supérieurs. Le KOC est en effet inférieur de 10 à 20 L.kg-1. Le faible
nombre de mesures réalisées rend ces conclusions très relatives.
– Horizons argileux lourds avec une charge modérée en

graviers siliceux et/ou de meulière
F1-2 F2-2 F3-2, IIC F4 F5, IIC
KD [L.kg-1] - - 0,42 - 0,22
KOC [L.kg-1] - - 79 - 37
CORG [g.kg-1] - - 5 - 6
Argile [g.kg-1] - - 664 - 452
CaCO3 [g.kg-1] - - 5 - 0
tableau 50 – KD des horizons argileux lourds avec une charge modérée en graviers siliceux
et/ou de meulière.
Pour les mêmes horizons, le KD mesuré par Alletto (2004) sur le t0 des mesures de dégradation de
la fosse 1-3 est de 0,6 L.kg-1.
Les constats effectués sur les horizons BT de la parcelle restent valables pour les
horizons à argile lourde, même si une des deux valeurs de KD mesurée presque deux
fois inférieure. La teneur en argile très élevée de l’horizon IIC de la fosse 3-2 ne
semble pas affecter son KD en comparaison des teneurs plus faibles mesurées sur les
horizons BT.
190
J. Moeys Partie IV
– Horizons C ou S carbonatés
F1-2, BT/C F2-2, IIIC1 F3-2, IIIC1 – F4 – – F5 –
S C IIIC IVC
KD [L.kg-1] 0,22 0,20 0,20 0,23 0,16 0,19 0,16
KOC [L.kg-1] 42 66 57 23 23 28 39
CORG [g.kg-1] 5 3 4 10 7 7 4
Argile [g.kg-1] 359 427 498 356 362 294 321
CaCO3 [g.kg-1] 512 670 564 585 566 293 337
tableau 51 – KD des horizons C ou S carbonatés.
Pour les mêmes horizons, les KD mesurés par Alletto (2004) sur le t0 des mesures de dégradation
des fosses 1-1, 1-2 et 1-3 sont respectivement, de 0,5, 0,3 et 0,3 L.kg-1.
Le KD des horizons carbonatés est très bas, avec une moyenne de 0,19 L.kg-1. Il faut
rapprocher cette valeur de l’erreur de mesure du KD (erreurs et adsorption sur le verre
et le bouchon des flacons), estimée expérimentalement en moyenne à 0,1 L.kg-1.
Malgré leur teneur relativement élevée en argile, et parfois en matière organique, les
valeurs de KD sont très basses comparées aux horizons de surface. La partie
carbonatée du sol (argile, sables, graviers) semble donc relativement inerte pour
l’Isoproturon.
■ 3.2 Dégradation de l’isoproturon

La dégradation des molécules organiques dans les sols peut être décrite par une
cinétique exponentielle de premier ordre. Le principal paramètre de cette cinétique est
le coefficient de dégradation k, souvent transformé en DT50, ou temps de demi-vie de
dégradation de la molécule. Le calcul de ce paramètre est impératif, car il est
indispensable pour la modélisation des transferts de pesticides. Plusieurs méthodes de
calcul du paramètre sont possibles, et il s’est avéré que le choix de l’une ou de l’autre
influence fortement le résultat (valeurs de la DT50). Pour cette raison, les paragraphes
suivants décrivent en détail les résultats obtenus avec les différentes méthodes.
■ Calcul par régression linéaire

La première méthode testée est la régression linaire sur les cinétiques de
dégradation exprimée en ln(C) = ln(C0) –k.t. Deux variantes du calcul sont possibles, en
fixant la valeur de C0 à la concentration en isoproturon apportée aux piluliers de sol ou
en calculant ce paramètre en même temps que k.
□ Influence de la concentration initiale : calculée ou

imposée ?
– Résultats
Le tableau 52 montre que le calcul de la concentration initiale en isoproturon par la
régression impose une translation des valeurs de DT50 par rapport à la régression avec
une concentration initiale imposée. Les valeurs de cette dernière sont en moyenne
inférieures de 4 jours aux DT50 estimées avec un C0 ‘ajusté’. Quand elle est calculée, la
concentration initiale dans le bocal a une valeur moyenne de 65 % de la molécule
apportée théoriquement, avec 80 % de ces valeurs entre 48 et 79 %. Ces valeurs sont
faibles et paraissent peu réalistes. Inversement, l’ajustement linéaire des droites
ln(C) = f(t) est meilleur dans le cas où la concentration initiale est calculée, ce qui est
191
J. Moeys Partie IV
logique puisque la régression possède un degré de liberté supplémentaire. L’erreur a

une valeur médiane de 30 % dans le premier cas, et de 71 % dans le second.
C(t=0) calculée C(t=0) imposée
centiles: 10 % 50 % 90 % 10 % 50 % 90 %
DT50 IPU [jours] 20,5 25,2 36,5 17,5 21,0 31,2
C(t=0) [% de l'apport] 48 % 65 % 79 % 100 % 100 % 100 %
RRSEP% 15 % 28 % 41 % 38 % 71 % 133 %
MAEP% 12 % 29 % 66 % 31 % 73 % 156 %
tableau 52 – Valeurs de DT50 calculées par régressions linéaires avec une concentration
initiale imposée ou calculée.
Les équations de la RRSEP% et de la MAEP% sont exposés en annexe (équation 64, p. 289, et
équation 66, p. 290, respectivement).
– Exemples graphiques
L’examen des graphiques C = f(t) et ln(C) = f(t) permet de mieux comprendre les
raisons pour lesquelles la qualité des ajustements est médiocre.
Les illustrations portent sur deux cas de figure assez contrastés (dans leurs
résultats d'ajustement), le lit de semence du site 20 003 et celui du site 20 006. Le
second présente une vitesse de dégradation initiale apparemment plus élevée, et
une concentration finale plus faible.
figure 75 – Exemple graphique du calcul de la DT50 de l’isoproturon par régression

linéaire, avec C0 imposée. Lit de semence du site 20 003.
Les ordonnées du graphique de droite présentent le logarithme népérien de la quantité de
molécule, exprimée en % de la quantité apportée initialement.
Dans les cas où la dégradation de la molécule suit une décroissance logarithmique
de premier ordre, la relation entre ln(C) et le temps est théoriquement linéaire. La figure
75 montre bien que ce n’est pas le cas, car la dégradation parait plus incurvée que ce
qui est prédit par la cinétique d'ordre 1. Le fait qu’aucune extraction n’ait été effectuée
entre J14 et J98 donne à ce dernier temps un poids important dans la régression, la
droite a donc tendance à s’ajuster mieux à la fin de la dégradation qu’à la phase
intermédiaire. Ce constat est encore plus net sur le graphique C = f(t).
192
J. Moeys Partie IV

linéaire, avec C0 imposée. Lit de semence du site 20 006.
Les ordonnées du graphique de gauche présentent le logarithme népérien de la quantité de
Les constats effectués sur la figure 75 sont encore plus accentués sur la figure 76.

linéaire, avec C0 calculée. Lit de semence du site 20 003.
Les ordonnées du graphique de droite présentent le logarithme népérien de la quantité de
Sur la figure 77, on peut constater que les ajustements effectués en calculant la
concentration initiale au lieu de l’imposer (avec un point ‘artificiel’ de 100% au t0)
s’ajustent bien mieux aux valeurs mesurées. Cependant, ce meilleur ajustement se fait
au prix d’un abaissement important des concentrations prédites C(t), au moment (C0) et
dans les jours qui suivent l’application du pesticide, la concentration initiale calculée
(C0) étant généralement assez faible.
193
J. Moeys Partie IV
figure 78 – Exemples graphiques du calcul de la DT50 de l’isoproturon par régression

linéaire, avec C0 calculée. Lit de semence du site 20 006.
Les ordonnées du graphique de gauche présentent le logarithme népérien de la quantité de
■ Calcul par ajustement direct de la fonction de

dégradation
Il est aussi possible de calculer la demi-vie de l’isoproturon par un ajustement direct,
non linéaire, de l’équation 27 aux cinétiques. Plusieurs algorithmes d’optimisation sont
utilisables (BFGS ou L-BFGS-B) et plusieurs calculs d’erreur sont possibles. La valeur
initiale de DT50 utilisée lors des optimisations est de 20 jours ou 0.25 jours, pour les
optimisations non-contraintes (BFGS) et contraintes (L-BFGS-B), respectivement.
□ Influence de l'algorithme d'optimisation et de la fonction

d'erreur à minimiser pour l'optimisation
– Influence de l'algorithme d'optimisation :

contrainte non contrainte
centiles: 10 % 50 % 90 % 10 % 50 % 90 %
DT50 [jours] 3,0 6,6 12,5 2,9 5,8 11,9
C(t=0) [% de l'apport], fixée à 100 % 100 % 100 % 100 % 100 % 100 %
RRSEP% 13 % 20 % 38 % 10 % 19 % 32 %
MAEP% 39 % 48 % 66 % 39 % 47 % 62 %
tableau 53 – Valeurs de DT50 calculées par ajustement direct par minimisation de la
RRSEP%.
L’optimisation contrainte a été réalisée avec l’algorithme L-BFGS-B, tandis que l’optimisation
non contrainte a été réalisée avec l’algorithme BFGS. La contrainte est la suivante : [0,5 j < DT50 <
1000 j]
Le tableau 53 montre des résultats très différents de ceux obtenus avec un
ajustement par régression linéaire. Il y a 15 à 20 jours de différence entre les
valeurs médianes des DT50 entre les 2 cas ci-dessus et les ajustements linéaires. Que
194
J. Moeys Partie IV
l’ajustement soit contraint ou non, les ajustements directs par minimisation de la

RRSEP% aboutissent à une DT50 médiane de 6 à 7 jours environ, contre 21 à 25 jours
pour les ajustements linéaires. Les intervalles de valeurs situées entre les quantiles
10 % et 80 %, ici de 3 à 12 jours, ne recroisent pas les valeurs de 17 à 30 jours
obtenues par régression linéaire.
Contrairement à ce qui était observé avec les mesures d’infiltrométrie, le fait de
contraindre l’ajustement de la fonction de dégradation de l’isoproturon change peu le
résultat final. L’algorithme non-contraint BFGS donne toujours un résultat positif pour la
demi-vie, donc l’utilisation de l’algorithme L-BFGS-B ne se justifie pas (ce dernier
s’avère un peu moins robuste que le BFGS simple).
– Influence de la fonction d’erreur :

Au vu des grandes différences de valeurs de concentration en isoproturon existant
entre les premiers et les derniers temps d’extraction, il paraissait nécessaire de tester
un calcul de l’erreur qui ne néglige pas les valeurs les plus faibles. La MAEP% (voir
l’équation 66, p. 290, en annexe) permet cela Pour des raisons de stabilité détaillées
plus loin (‘Analyse a posteriori des fonctions d’erreur’, p. 197), l’ajustement avec cette
fonction d’erreur a été réalisée sans algorithme d’optimisation, mais par la recherche
systématique d’une erreur minimum (le procédé est plus lent, mais plus fiable).
contrainte
centiles: 10 % 50 % 90 %
DT50 [jours] 4,5 6,8 31,3
C(t=0) [% de l'apport], fixée à 100 % 100 % 100 %
RRSEP% 10 % 28 % 54 %
MAEP% 31 % 40 % 50 %
tableau 54 – Valeurs de DT50 calculées par minimisation de la MAEP%.
L’utilisation de la MAEP% ne change pas fondamentalement la valeur médiane de la
DT50, mais elle provoque un étalement des valeurs vers des DT50 beaucoup plus élevés
que précédemment. Quatre-vingt pourcent des valeurs sont situées entre 4,5 et 31,3
jours.
– Exemples graphiques
La figure 79 illustre bien les différences entre la méthode d’ajustement linéaire
graphique et la méthode d’ajustement direct. Sur le graphique A, on constate que,
contrairement à la méthode d’ajustement linéaire, l’ajustement direct avec une
minimisation sur la RRSEP% privilégie la première partie de la courbe, au détriment du
dernier temps d’extraction qui est mal modélisé.
Inversement, l’ajustement direct avec une optimisation sur la MAEP% (graphique B)
privilégie un ajustement sur la fin de la courbe. les deux calculs d’erreurs semblent
avoir un optimum différent. La méthode MAEP% est plus sensible aux erreurs de
prédiction sur les mesures présentant une faible concentration en isoproturon que la
RRSEP% (pour être exact, la MAEP% calcule une erreur relative à chaque mesure, elle
est donc moins dépendante des différences de concentration d’une extraction à
l’autre).
La figure 80 présente cas un peu différent de celui de la figure 79. Comme dans le
cas précédent, une minimisation de l’erreur sur la RRSEP% aboutit à privilégier les
195
J. Moeys Partie IV
premières mesures de la courbe. Mais à l’inverse du cas précédent, une minimisation

de l’erreur sur la MAEP% aboutit cette fois à privilégier aussi le début de la courbe. La
concentration plus basse en isoproturon à 98 jours explique certainement cette
différence, l’erreur relative d’ajustement de la courbe devenant moins importante dans
ce cas.
A – Optimisation sur la RRSEP% B – Optimisation sur la MAEP%

figure 79 – Exemple graphique du calcul de la DT50 de l’isoproturon par ajustement direct.
Site 20 003–P1.
L’optimisation sur la MAEP% (B) est, de par la procédure d’ajustement choisie, contrainte. Pour
les deux exemples choisis, les ajustements sur la RRSEP% contraints ou non-contraints (A)
donnent des résultats quasiment identiques. Le résultat des ajustements contraints n’est donc pas
présenté, même s’il donne dans d’autres cas un résultat différent. Les erreurs d’ajustement
indiquées sur le graphique correspondent à la RRSEP% (A) et à la MAEP% (B).
A – Optimisation sur la RRSEP% B – Optimisation sur la MAEP%

figure 80 – Exemple graphique du calcul de la DT50 de l’isoproturon par ajustement direct.
Site 20 006–P1.
196
J. Moeys Partie IV
– Autres éléments influençant le résultat

La méthode de minimisation de la RRSEP% par un algorithme d’optimisation est
sensible à plusieurs autres éléments, non développés ci-dessus.
– Le fait de prendre les valeurs d'erreur en fraction ou en pourcentage (RRSEP vs
RRSEP%) peut changer le taux de succès de l’optimisation.
Ce point peut partiellement être compensé par la fonction d'optimisation en
précisant un facteur d'échelle pour le paramètre à ajuster et un facteur d'échelle
pour la fonction d'erreur, de manière à ce qu'une variation d'une unité du paramètre
ajusté provoque, autant que possible, une variation d'une unité sur la fonction
d'erreur (notice de la fonction ‘optim’).
– Il n’est pas exclu que Les valeurs initiales de DT50 utilisées aient pu influencer le
résultat, même si plusieurs valeurs de départ ont été testées initialement.
– Les paramètres internes de ‘optim’ pour les méthodes BFGS et L-BFGS-B (facteurs
de 'tolérance' du 'gradient' pour déterminer si l'algorithme a convergé...).
Ces facteurs ont été ajustés empiriquement. Le principal objectif était d’assurer une
convergence systématique de l’algorithme afin que celui-ci n’échoue pas sur
certaines mesures de dégradation.
■ Choix d’une des méthodes testées

Comme suspecté initialement le choix de la méthode de calcul de la DT50 de
dégradation de l’isoproturon est crucial. Il est nécessaire d’en choisir une puisque la
plupart des modèles de dégradation ne prennent en compte que les dégradations
suivant une simple exponentielle de premier ordre.
□ Analyse a posteriori des fonctions d’erreur

Comme pour les ajustements directs des mesures d’infiltration, il peut être
intéressant de visualiser l’erreur d’ajustement entre les quantités d’isoproturon prédites
et les quantités réelles, en fonction des valeurs possibles de DT50, afin de bien
comprendre les différences entre les fonctions d’erreur testées (RRSEP% et MAEP%) :
La figure 81 montre très clairement que la fonction d’erreur MAEP% présente deux
minimums locaux, tandis que la RRSEP% n’en présente qu’un seul. Ces graphiques
confirment donc que l’ajustement par un algorithme de minimisation sur la RRSEP% est
pertinente, tandis qu’elle est plus délicate dans le cas d’une minimisation sur la
MAEP%. L’algorithme peut en effet converger vers l’un ou l’autre des optimums locaux,
selon les valeurs initiales de DT50 choisies ou son mode de fonctionnement.
L’approche plus systématique qui a été retenue dans le cas de la MAEP% est moins
rapide, mais plus robuste. Elle permet en outre de repérer aussi les optimums
locaux.
197
J. Moeys Partie IV
Site 20 003–P1 Site 20 006–P2

figure 81 – Erreur d’ajustement (RRSEP% ou MAEP%) en fonction de la DT50.
Les courbes tracées représentent l’erreur entre les valeurs de teneurs en isoproturon mesurées et les
valeurs estimées, selon deux modalités de calcul de l’erreur (RRSEP% et MAEP%) ; les droites
verticales représentent la valeur de DT50 obtenue après optimisation sur l’une ou l’autre des
fonctions d’erreur. La flèche ‘DT50 départ’ indique la valeur initiale utilisée pour l’optimisation de
la RRSEP%, la MAEP% ayant fait l’objet d’une recherche de minimum(s) ‘systématique’, du fait
des minimums locaux visibles sur ces graphiques.
□ Comparaison visuelle des résultats

Le graphique box & whisker de la figure 82 confirme visuellement les résultats
présentés ci-dessus : la méthode de calcul de la demi-vie de l’isoproturon affecte très
fortement les valeurs de DT50 estimées, tant pour leurs valeurs médianes que pour leur
dispersion.
Il existe une nette segmentation entre les méthodes linéaires et les méthodes
directes, ces dernières ayant globalement des valeurs de DT50 estimées bien plus
faibles. Non seulement les valeurs médianes de DT50 estimées sont nettement
différentes entre les cas linéaires et les cas directs, mais les gammes de valeurs elles-
mêmes se distinguent. La méthode de calcul direct avec une optimisation non
contrainte sur la MAEP, cas de la ‘valeur maximale’, se distingue des autres par
sa valeur médiane, proche de celle obtenue avec un ajustement linéaire direct (C0
ajusté), mais une très forte dispersion des valeurs.
Une analyse de la variance sur les valeurs de la demi-vie, obtenues en fonction de
la méthode, conclu à un effet très significatif de la méthode utilisée (probabilité de
2,2.10-16 d’observer de telles différences alors qu’il n’y a pas d’effet méthode).
198
J. Moeys Partie IV
figure 82 – Graphique ‘box & whisker’ des demi-vies (DT50) de dégradation de l’isoproturon
estimées selon les 7 méthodes de détermination testées.
Avec ‘Lin.’ pour les ajustements par régression linéaire sur ln(CIPU) = f(t), avec une valeur de C0
(Concentration en isoproturon au temps 0) fixée à 100 % de CIPU initiale ou ajustée ; ‘Dir.’ pour les
ajustements directs sur CIPU = f(t), optimisés alternativement sur la RRSEP% ou la MAEP% ;
‘cont.’ pour les ajustements avec une contrainte minimale et maximale pour les valeurs de DT50 ;
‘non cont.’ pour les ajustements non contraints. La méthode MAEP% est de fait contrainte. La
vibrisse manquante du cas ‘MAEP direct’ (optimum général) indique qu’il n’y a pas de valeurs
entre le quantile 75 % (Q75%) et les valeurs extrêmes au-delà de Q75% + 1,5 . (Q75%-Q25%).
□ Choix d’une méthode

La méthode qui a été retenue est la méthode de calcul direct avec une
optimisation non contrainte sur la MAEP%. Les autres méthodes tendent à
privilégier un ajustement sur le début de la courbe de dégradation (ajustement direct)
ou sur la fin de la courbe (ajustement linéaires). Cela s’explique par le fait que la
dégradation est en réalité souvent bi-exponentielle. La méthode retenue privilégie
alternativement le début de la courbe quand la cinétique devient nettement bi-
exponentielle (et/ou quand la concentration en isoproturon à 98 jours est faible), et la
fin de la courbe dans les autres cas.
Pour ces raisons, il semble que ce soit la seule méthode qui ne minimise pas la
variabilité de la dégradation.
Le tableau ci-dessous résume les caractéristiques de la DT50 retenue :
Moyenne Écart type CV [jours]
12 11 91 %
1 5 7 31 38
Distribution : Skewness 1.2 ; Kurtosis –0.2 ; test de Shapiro 1.2.10-8.
tableau 55 – Statistiques descriptives et de distribution de la demi-vie de dégradation de
l’isoproturon.
Le choix des valeurs de DT50 obtenues par la méthode MAEP% présente
l’inconvénient d’aboutir à une propriété (1) très variable, avec un coefficient de variation
de 91% (2) s’écartant très significativement de la normalité. La distribution de cette
199
J. Moeys Partie IV
dernière est même bimodale, comme le montre le graphique ci-dessous :
figure 83 – Histogramme de la DT50 estimée par minimisation de la MAEP%.

La courbe rouge représente les fréquences théoriques d’une propriété distribuée normalement
ayant la même moyenne et le même écart-type de la DT50.
Cette bimodalité peut poser problème pour les tests statistiques présentés plus loin,
mais quelques essais ont montré que ces tests n’étaient pas plus concluants en
utilisant les valeurs de DT50 issues des autres méthodes de calcul.
■ Demi-vie de minéralisation de l’isoproturon

La demi-vie de minéralisation de l’isoproturon a été évaluée de la même façon que
sa demi-vie de dégradation. Les cinétiques de minéralisation, non présentées ici, ne
présentent pas d’allure bi-exponentielle marquée comme c’est le cas de la
dégradation.
Moyenne Écart type CV [jours]
173 99 57 %
29 42 162 286 394
Distribution : Skewness 0,4 ; Kurtosis –0,7 ; test de Shapiro 5.0.10-2.
tableau 56 – Statistiques descriptives et de distribution de la demi-vie de minéralisation de
l’isoproturon.
Le temps de demi-vie de minéralisation est très élevé avec 173 jours en moyenne.
Son coefficient de variation, 57 %, est lui aussi conséquent. La propriété ne s’écarte
pas de la normalité.
tableau 57 – Graphique ‘box & whisker’ de la demi-vie de minéralisation de l’isoproturon.

intermédiaire
La mesure de l’adsorption de l’isoproturon dans les sols de Ouarville donne un
KD moyen de 1,10 kg.L-1, avec un coefficient de variation de 23 %. Les données de
la littérature scientifique indiquent que le KD peut varier entre 0,85 et 4,4 kg.L-1, et
200
J. Moeys Partie IV
son CV entre 11 et 41 %. L’adsorption de l’isoproturon dans les sols de Ouarville est

donc relativement faible comparé à ces valeurs, et son CV est intermédiaire.
Le constat pour le coefficient d’adsorption normalisé par le carbone organique,
KOC est similaire : les valeurs de KOC mesurées sont dans l’intervalle intermédiaire–
bas par rapport à ceux de la littérature, et le CV de 18 % mesuré est intermédiaire
par rapport aux 11 à 46 % de la littérature consultée. Les bases de données
internationales indiquent que le KOC de l’isoproturon peut varier enter 36 et
241 kg.L-1, et que sa moyenne se situe aux alentours de 120 kg.L-1, ce qui
correspond à la valeur maximale mesurée à Ouarville.
Cette analyse amène deux constats : utiliser des données de KOC de la littérature
ou des bases de données internationales conduirait à surestimer le KOC, et donc
‘potentiellement’ à sous-estimer les transferts. Ce biais est en accord avec ce qui a
déjà été constaté par Coquet et al. (2005b).
Le deuxième point soulevé par ces valeurs de KOC relativement basses est la
question de leur ‘causes’ agronomique ou pédologique. Les études statistiques
exposées plus loin ont pour but d’y répondre.
Enfin, il faut souligner qu’il est assez difficile de comparer des valeurs de KD, KF
ou KOC obtenus avec des méthodes différentes, à des concentrations en pesticides
différentes et/ou à des rapports sol/eau différents. L’effet méthode est
potentiellement important, comme le montre les différences obtenues entre les
données de Alletto (2004) et cette étude, pour les horizons de surface de la parcelle
d’étude. Il est possible, et il serait intéressant de recalculer des KD à partir de
valeurs de KF (ou du nF ; ou du rapport sol eau et concentration en pesticide
apporté) de la littérature, afin de disposer d’une base de comparaison plus fiable.
Les KD mesurés sur les sols de surface de 5 sols de la parcelle donnent un
résultat intéressant : le KD est en moyenne de 1,1 L.kg-1, comme sur le secteur
agricole. Les valeurs de KOC sont, elles aussi, très proches. On peut argumenter que
certes, les teneurs en matière organique et la granulométrie des sols de surface de
la parcelle est assez proche de ce qui est mesuré à l’échelle du secteur agricole,
mais il n’aurait pas été surprenant d’avoir des différences liées aux pratiques
agronomiques qui varient d’une parcelle à l’autre.
L’adsorption de l’isoproturon baisse de manière critique dès que l’on passe
sous l’horizon labouré : le KD est divisé par 3 par rapport à la surface dans les
horizons BT, par 3 (ou plus ?) dans les horizons argileux, et par 5 dans les horizons
carbonatés à la base du sol. Les mesures sont peu nombreuses, notamment pour
les horizons argileux, ce qui rend les conclusions incertaines, mais cela étaye
l’hypothèse de départ que l’horizon de surface est une ‘zone critique’
déterminante dans le comportement de l’isoproturon.
La demi-vie de dégradation de l’isoproturon (DT50) est de 12 jours en moyenne et
s’étale de 1 à 38 jours, avec un CV de 91 %. La distribution de ces valeurs est
bimodale, ce qui reflète probablement plus l’effet de la méthode qu’une réelle
segmentation des sols. Les cinétiques de dégradation exhibent souvent une allure
biphasique. Il existe probablement un seuil d’incurvation au-delà duquel l’ajustement
est meilleur en privilégiant le début de la dégradation, et en deçà duquel
l’ajustement est meilleur en privilégiant la fin de la dégradation. Mais si on peut
attribuer la bimodalité de distribution des valeurs de DT50 à la méthode employée,
l’étalement des valeurs reflète une réalité : la dégradation est d’abord rapide, puis
ralentit de manière plus prononcée que dans le cas d’une cinétique de premier
ordre. Suivant que l’on s’intéresse au début ou à la fin de la dégradation, on peut
privilégier, par le choix de la méthode d’ajustement, l’ajustement sur l’une ou l’autre
partie de la cinétique. La méthode d’ajustement retenue est un compromis entre les
201
J. Moeys Partie IV
deux, même si l’idéal serait d’ajuster une cinétique double et de pouvoir en intégrer
les paramètres dans un modèle qui la prend en compte.
La DT50 moyenne obtenue est, à 1 ou 2 jours près, en concordance avec les
données moyennes de la littérature (13,7 jours avec les données présentées
dans la partie bibliographie). Le CV de la DT50 est par contre plus important que ce
qui est généralement observé, ce qui confirme le risque de sous-estimer la
variabilité en utilisant les données de la littérature. La DT50 moyenne donnée par la
base de données Footprint PPDB (2007) est aussi de 12 jours. Charnay et al.
(2005) ont mesuré, dans un contexte un peu différent, une DT50 de 13 jours. Les
données d’Alletto et al. (2006a), obtenues sur les sols de surface de 3 fosses de la
parcelle d’étude, sont étonnamment proches, avec une DT50 de 11 jours.
La DT50 de minéralisation du pesticide est moins variable, et suit correctement
une cinétique de 1er ordre. Il faut près d’une demi-année, ou une saison culturale,
pour que l’essentiel de l’isoproturon (> 50%) et de ses métabolites soit minéralisé, et
donc dissipé (à 22°C et 90 % de la capacité au champ).
4 Étude statistique de la
variabilité spatiale et des
déterminismes agro-
pédologiques
La seule estimation de ses propriétés n'apporte que peu d'informations sur un milieu
complexe comme le sol. La mise en évidence des liens qui existent entre les
différentes propriétés présente un grand intérêt. Même si un lien statistique n'est pas
un lien causal, mais plutôt une variation concomitante suffisamment nette pour ne pas
être attribuée au hasard, il n'en est pas moins un jalon dans la compréhension du
fonctionnement du système. Ces variations concomitantes peuvent ensuite être
'modélisées' par des régressions ou d'autres outils, dans le but de quantifier la relation
entre deux propriétés, et parfois dans le but d'utiliser une propriété (plus) simple à
mesurer pour en estimer une autre, plus difficile à mesurer, là où des mesures sont
disponibles pour la première mais pas pour la seconde (voir ci-dessous).
La logique d'organisation de ce chapitre est d'examiner dans un premier temps
les liens des propriétés deux à deux. Soit par le calcul de coefficients de corrélation
si les deux propriétés sont quantitatives, soit par des analyses de la variance quand
une des propriétés est quantitative et l'autre qualitative. Dans un second temps, les
liens des propriétés quantitatives 'de plusieurs à plusieurs' (approche multivariée)
et avec les échantillons analysés sont examinés au moyen d'une décomposition de la
variabilité par une analyse en composantes principales. Le positionnement des
propriétés quantitatives est examiné visuellement en parallèle des propriétés
qualitatives (mais elles n'interviennent pas dans la décomposition de la variabilité par
ACP). Enfin, stade ultime de l'analyse, une modélisation des variations des
principales propriétés 'à expliquer' (KS, KD, KOC, DT50, etc.) par classes (de
propriétés quantitatives explicatives), puis par régressions multivariées, est calibrée et
évaluée de manière semi-indépendante.
202
J. Moeys Partie IV
Contrairement aux chapitres précédents, les 'synthèses, discussions et

conclusions' sont exposées au fur et à mesure des analyses.
■ 4.1 Transformer les propriétés non-normales ?

Plusieurs des propriétés mesurées, présentées dans les paragraphes précédents,
présentent des distributions qui semblent s’écarter de la normalité, parfois assez
nettement. Ces propriétés sont notamment la profondeur du sol, les fractions
grossières du sol (sable, graviers, cailloux) ou les paramètres qui y sont liés (CaCO3),
plusieurs propriétés qui dépendent aussi des pratiques agronomiques (carbone
organique, paramètres hA et b des fonctions de rétention en eau, K-1cm et KS.), ainsi que
la demi-vie de dégradation de l’isoproturon dans le sol.
Des transformations de ces propriétés permettant d’obtenir une distribution plus
proche de la normalité ont pu être identifiées pour la plupart de ces propriétés
(réduction de l’asymétrie, amélioration du test de Shapiro). Cependant les tests de
corrélation, d’analyse de la variance ou de régressions multivariées avec ces
propriétés transformées se sont avérés souvent très décevants (forte détérioration des
résultats des tests statistiques). La présence de deux ou plusieurs populations
d’observations, et donc de distributions en réalité bi- ou plurimodales expliquent
probablement ce constat (sols carbonatés/calcaires ou non ; travail du sol
conventionnel ou travail du sol simplifié).
Les tests statistiques non-paramétriques sur les propriétés non-transformées
ont donné des résultats plus satisfaisants. C’est donc cette solution qui a été
retenue (quand elle était possible) pour palier au problème des propriétés
s’écartant de la normalité. Par souci de cohérence, et bien que les tests non-
paramétriques soient moins puissants que leurs homologues paramétriques, ces tests
ont été utilisés sur toutes les propriétés (normales et non normales).
■ 4.2 Corrélations entre propriétés caractéristiques

du système pédologique
■ Cohérence du système pédologique

Argile Limon Sable E.G. tot. CaCO3
Argile -
Limon – 0,89 -
Sable 0,45 – 0,77 -
E.G. tot. 0,60 – 0,66 0,49 -
CaCO3 0,66 – 0,70 0,56 0,61 -
Profond. – 0,67 0,62 – 0,43 – 0,59 – 0,79
tableau 58 – Corrélations des propriétés pédologiques quantitatives entre elles.
Coefficient de corrélation de Spearman ; E.G. tot.: teneur en éléments grossiers totaux [g.kg-1] ;
Profond. : Profondeur du sol, mesurée par un sondage tarière. Sur toutes les corrélations testées, le
plus petit coefficient de corrélation significatif est de 0,32, une valeur relativement proche du seuil
de 0,28 que l’on peut calculer pour le coefficient de Pearson (alpha = 5% ; n = 50 observations).
Toutes les corrélations présentées sont significatives. Les corrélations les plus significatives sont
en gras (significatives au seuil alpha de 0,1 %, soit r >= 0,47).
Les coefficients de corrélation entre les propriétés pédologiques quantitatives
permettent de dégager les principales caractéristiques du système pédologique local,
et complètent de fait les observations de terrain. La portée de cette analyse est
203
J. Moeys Partie IV
toutefois limitée par le fait que de nombreuses propriétés n’ont été mesurées que dans
l’horizon de surface. Les corrélations informent sur les variations concomitantes des
propriétés deux à deux, mais pas sur les relations de cause à effet ou sur les
associations multiples de propriétés.
Argile Limon Sable E.G. tot. CaCO3

Profond. -0,48 0,43 (-0,22) -0,44 -0,31
tableau 59 – Coefficients de corrélation de Pearson pour la profondeur du sol (exemple
pour comparaison avec le coefficient de Spearman).
Les corrélations non significatives sont entre parenthèses.
La profondeur du sol est un élément essentiel de l’étude du système pédologique
local. On constate sur le tableau 58 que plus le sol est profond :
– Moins l’horizon de surface est argileux (rS = –0,67) et, mécaniquement, plus il est
limoneux (rS = 0,62) ;
– Moins l’horizon de surface est chargé en éléments grossiers (rS = –0,59) ;
– Moins l’horizon de surface est carbonaté (rS = –0,79).
Ce constat est tout à fait cohérent avec ce qui avait déjà été constaté à l’échelle
parcellaire dans le secteur (Moeys et al., 2006) : le substrat est invariablement un
matériau calcaire, sur lequel s’est déposée une épaisseur variable de limon éolien.
Moins le sol est épais, plus il contient d’inclusions du matériau calcaire sous-jacent :
éléments grossiers calcaires ou de meulières, carbonates, et fractions argileuses
issues de la décarbonatation du calcaire. La présence possible d’argile à meulière
entre le calcaire et le limon semble confirmer le lien entre profondeur du sol et
teneur en argile de surface. Le limon, sans doute peu carbonaté à l’origine, ne
contient plus de fractions carbonatées, ce qui renforce la corrélation entre les
fractions carbonatées fines ou grossières et la profondeur du substrat calcaire.
La teneur en éléments grossiers est assez bien corrélée à la teneur en carbonates

(rS = 0,61) et à la teneur en sables (rS = 0,56). On pourrait s’attendre à de meilleures
corrélations, mais il faut tenir compte du fait que ces fractions grossières ne sont pas
exclusivement carbonatées. Une part non négligeable de la fraction grossière peut être
constituée de meulière, ainsi que de sables et graviers quartzeux (du Burdigalien). La
répartition de ces deux éléments étant moins systématiquement liée à la présence du
calcaire à faible profondeur, cela atténue probablement les corrélations entre les
fractions grossières.
On ne peut pas non plus écarter les effets anthropiques tels que l’accumulation de
cailloux sur les chemins, haies et bords de parcelle, un effet direct du chaulage ou un
effet indirect par apport de graviers quartzeux avec le calcaire amendé38.
Le tableau 59 montre bien que, pour une propriété s’écartant de la normalité comme
la profondeur du sol, l’utilisation du coefficient de corrélation de Spearman permet de
mettre en évidence des corrélations qui n’apparaissaient pas avec le coefficient de
Pearson. Pour les propriétés normales, les différences entre les deux coefficients sont
généralement – et sauf exception – assez faibles (r +/- 0,1).
38
Cette hypothèse est une explication plausible à la présence fréquente, mais en petite quantité, de ces
graviers dans l'horizon de surface (de limon), alors qu'on ne le retrouve pas forcément en profondeur.
La présence de ces graviers dans le calcaire (et dans les argiles à meulières) est plus fréquente, et en
quantités beaucoup plus importantes, d'où l'hypothèse d'un apport par le calcaire utilisé pour le
chaulage.
204
J. Moeys Partie IV
■ Propriétés liées aux pratiques agronomiques

Les propriétés que l’on peut logiquement associer aux pratiques agronomiques sont
la teneur en carbone organique, la teneur en azote total, le rapport carbone sur azote
(C/N), ainsi que la masse volumique apparente du sol. La teneur en argile et la
profondeur du sol sont aussi présentées dans le tableau ci-dessus pour faire le lien
avec d’autres propriétés pédologiques. Les propriétés hydrologiques, qui peuvent
dépendre des caractéristiques pédologiques du sol comme des pratiques
agronomiques (pour l’horizon de surface) sont présentées dans un paragraphe
indépendant.
Le tableau 60 montre que si, le carbone et l'azote total sont très corrélés (rS = 0,95),
le rapport qui en dérive est peu corrélé au carbone organique (rS = 0,44) et n’est pas
corrélé à l’azote total. La masse volumique apparente n’est significativement corrélée à
aucune propriété agronomique ou pédologique (à l’exception des propriétés
hydrologiques présentées ci-dessous). La teneur en carbone organique est un peu
corrélée à la teneur en argile (ainsi qu’à la teneur en CaCO3 ; rS = 0,47), une teneur plus
élevée en argile (ou en CaCO3) pouvant induire une teneur en carbone plus élevée. De
la même manière, et probablement pour la même raison, la teneur en carbone est
corrélée négativement à la profondeur du sol (rS = –0,47).
CORG. C sur N NTOT. DAPP
CORG. -
C sur N 0,44 -
NTOT. 0,95 (0,20) -
ρb (-0,28) (-0,18) (-0.30) -
Argile (ND) 0,48 (0,13) 0,48 (-0,25)
Profond. -0,48 (-0,19) -0,45 (0,22)
tableau 60 – Corrélations des propriétés quantitatives pédologiques ou agronomiques entre
elles.
Coefficient de corrélation de Spearman. Les valeurs entre parenthèses ne sont pas significatives
(alpha = 5 %, n = 50). ρb : masse volumique apparente.
■ Propriétés de rétention en eau du sol
□ Corrélations des propriétés entre elles

θSAT. (pF0) θ(pF2) θ(pF4,2) R.U. hA
θS -
θ(pF2) (–0,29) -
θ(pF4,2) (–0,14) 0,48 -
R.U. (–0,09) 0,51 –0,43 -
hA 0,71 –0,73 (–0,05) –0,66 -
‘b’ (0,03) (–0,15) 0,75 –0,89 0,46
tableau 61 – Corrélations des propriétés de rétention en eau entre elles.
Les cellules grisées mettent en évidence les cas où une propriété est dérivée d’une autre, ce qui
rend plus probable les corrélations. Les valeurs entre parenthèses ne sont pas significatives. θS.,
θ(pF2) et θ(pF4,2), les teneurs en eau volumiques à saturation, à pF 2 et à pF 4,2, respectivement ;
R.U., la réserve utile du sol ; hA et b, le potentiel au point d’entrée d’air et le paramètre de forme
(respectivement) de la fonction de θ(h) de Campbell (1974).
En dehors des corrélations pouvant s’expliquer par le fait qu’une des propriétés
dérive de l’autre, on constate une corrélation positive entre les teneurs en eau aux pF 2
205
J. Moeys Partie IV
et 4,2 (rS = 0,48), quand l’une est basse, l’autre tend à l’être aussi. De même, la réserve
utile est négativement corrélée aux paramètres hA et b, ce qui est aussi assez logique
(hA et b dérivent des mêmes paramètres que la réserve utile).
□ Corrélations des propriétés avec d’autres propriétés agro-

pédologiques.
Limon (ND) E.G. tot. CaCO3 CORG. Profond.
θS (–0,16) (0,14) 0,36 0,39 (–0,32)
θ(pF2) (0,10) (0,00) (–0,12) (–0,11) (–0,07)
θ(pF4,2) –0,56 0,46 0,39 (–0,18) (–0,32)
R.U. 0,60 –0,33 –0,51 (–0,02) 0,36
hA –0,41 (0,28) 0,50 (0,18) 0,34
‘b’ –0,68 0,47 0,55 (0,07) –0,43
tableau 62 – Corrélations des propriétés de rétention en eau avec les propriétés agro–
pédologiques.
Les valeurs entre parenthèses ne sont pas significatives. Limon (ND), la teneur en limon (non
décarbonatée) ; E.G. tot. la teneur en éléments grossiers totaux ; CaCO3 la teneur en carbonate de
calcium ; CORG la teneur en carbone organique ; Profond. : la profondeur du sol.
Des 3 fractions granulométriques fines, c’est la teneur en limon qui est la mieux
corrélée à certaines propriétés hydriques. Plus la teneur en limon est élevée, plus la
teneur en eau à pF4,2 est faible (rS = -0,56), plus la réserve utile est importante
(rS = 0,60), et plus le paramètre b est faible (rS = -0,68). Les teneurs en éléments
grossiers et en carbonates ont des liens similaires avec les propriétés hydriques mais
d’intensité variable. Une valeur élevée de la teneur en éléments grossiers ou en CaCO3
est liée à une teneur en eau à pF 4,2 plus élevée (rS = 0,46 et 0,39), une réserve utile
plus faible (rS = –0,33 et –0,51) ou encore un paramètre 'b' plus élevé (rS = 0,47 et 0,55).
Les teneurs en carbone organique élevées sont (modérément) associées à des
teneurs en eau à saturation élevées. Ce lien est probablement un effet fortuit des
pratiques agronomiques (lit de semence des parcelles en travail simplifié avec plus de
carbone organique), ou un effet des matières organiques sur la capacité du sol à
retenir l'eau.
La profondeur du sol est positivement, mais faiblement, liée à la réserve utile de
l’horizon de surface, ainsi qu’au paramètre hA, et négativement liée au paramètre b.
Les liens avec les teneurs en eau aux potentiels caractéristiques ne sont pas
significatifs.
■ Propriétés hydrodynamiques
Les propriétés hydrodynamiques mesurées sont la conductivité hydraulique à
saturation (KS.) et au potentiel de –1 cm (K–1 cm). Ces deux propriétés sont (logiquement)
très corrélées (rS = 0,93), puisque KS. = K–1 cm quand hA < - 1 cm.
Limon (ND) E.G. tot. CaCO3 CORG. Profond.
K–1cm (–0,31) (0,31) 0,40 0,32 (-0,37)
KS. –0,38 0,35 0,47 0,34 –0,32
tableau 63 – Corrélations des propriétés de conductivité hydraulique avec les propriétés
agro-pédologiques.
Le tableau 63 des corrélations fait apparaître que les conductivités élevées sont
associées à des teneurs en limon plus faibles, à des teneurs en éléments grossiers, en
CaCO3 ou en matière organique plus importantes. Mais ces corrélations restent faibles,
206
J. Moeys Partie IV
si l’on excepte le rS de 0,47 entre KS. et la teneur en CaCO3.

θSAT. R.U. hA ‘b’
K–1cm 0,37 (–0,28) 0,44 (0,24)
KSAT. 0,46 –0,38 0,55 (0,30)
tableau 64 – Corrélations des propriétés hydrauliques avec les propriétés de rétention en

eau.
Les liens avec les autres propriétés hydriques ne sont pas très marqués non plus.
On notera que les conductivités élevées sont associées à une teneur en eau à
saturation ou un potentiel au point d’entrée d’air élevé, mais à une réserve utile plus
faible.
■ Fraction d’eau immobile (pour h = –1 cm)

La fraction d'eau immobile mesurée au potentiel de –1 cm n'est significativement
corrélée qu'avec un faible nombre de propriétés. Elle est notamment corrélée avec la
teneur en eau à saturation (rS = -0,48 ; une teneur en eau à saturation élevée
correspond à une fraction d'eau immobile faible), avec la teneur en eau à pF 2
(rS = 0,43 ; une teneur en eau à pF 2 élevée correspond à une fraction d'eau immobile
élevée), et avec la masse volumique apparente (rS = 0,44 ; une masse volumique
apparente élevée correspond à une fraction d'eau immobile élevée). La fraction d'eau
immobile n'est pas du tout corrélée à la teneur en eau à pF 4,2, ni à la réserve utile.
Ces résultats suggèrent que la partie non-mobile de la porosité du sol remplie entre la
saturation et la capacité au champ pourraient être, dans le secteur étudié,
essentiellement mobile.
La fraction d'eau immobile est aussi négativement corrélée à plusieurs
paramètres mesurés lors de l'infiltration ayant précédé l'apport de traceur. La
fraction d'eau immobile est ainsi corrélée au flux en régime permanent (rS = -0,58), à la
sorptivité (rS = -0,48) et à la conductivité hydraulique à saturation (rS = -0,39), mais pas
significativement à la conductivité à -1 cm.
La première hypothèse soulevée par ce résultat est que les sols à forte
conductivité hydraulique au voisinage de la saturation ont une teneur en eau
immobile faible (probablement du fait d'une 'connectivité' plus importante de la
porosité). La deuxième est que la fraction d'eau immobile mesure en fait un effet
cinétique du flux d'eau sur la répartition du traceur dans la phase liquide du sol
(préalablement remplie sous l'effet de la sorptivité et de la gravité), reflétant une
partie de la phase liquide 'beaucoup moins mobile' plutôt qu'une partie réellement
immobile. Le lien négatif entre la sorptivité et la fraction d'eau immobile est un peu
en contradiction avec le fait que, sous le disque, les effets gravitaires dominent
théoriquement. En effet, la sorptivité n’est plus sensée agir au moment où le traceur
est appliqué. On peut émettre l’hypothèse que la sorptivité est plus fortement
influencée par (et donc positivement corrélée à) une fraction de la porosité du sol
qui se sature par capillarité mais contribue peu (et donc négativement corrélée) au
mouvement d’eau au voisinage de la saturation.
La fraction d'eau immobile n'est significativement corrélée à aucune des

fractions granulométriques du sol, fines, grossières ou carbonatées, ni à la
teneur en matière organique.
207
J. Moeys Partie IV
■ Adsorption de l’isoproturon sur les sols : KD & KOC

Limon (ND) E.G. tot. CORG. C sur N max(E.G. Ca)
KD (0,05) (0,00) 0,55 0,59 -0,45
KOC 0,51 -0,40 (-0,31) (0,20) (-0,17)
tableau 65 – Corrélations des propriétés d'adsorption KD & KOC.
Le coefficient de corrélation de Pearson entre le KD et le Carbone organique CORG est de 0,67.
Le coefficient d'adsorption linéaire (KD) est positivement corrélé avec la matière
organique, ce qui va dans le sens des données de la littérature pour l'isoproturon
(comme pour beaucoup de molécules phytosanitaires). Il est cependant relativement
faible comparé aux coefficients de la littérature (même en prenant le r de Pearson).
■ Dégradation et minéralisation de l’isoproturon dans les

sols (DT50)
Argile (D). E.G. tot. CORG. Profond. KOC
DT50 dégr. -0,33 -0,33 -0,46 0,33 (0,25)
DT50 min. -0,52 -0,41 -0,55 0,51 0,48
diffDT50 -0,33 -0,33 0,40 0,23 0,54
tableau 66 – Corrélations des propriétés de dégradation et de minéralisation de
l’isoproturon.
La propriété diffDT50 est la différence entre la valeur minimale de la DT50 et la valeur maximale de
DT50 obtenue par la méthode MAPE% (optimums locaux), la DT50 de dégradation finale étant le
résultat présentant la plus faible erreur d’ajustement (optimum global). Plus la diffDT50 est élevée,
plus l’aspect biphasique de la cinétique de dégradation est accentué.
La demi-vie de dégradation de l'isoproturon, évaluée par ajustement direct sur la
MAPE%, est corrélée avec plusieurs propriétés agronomiques, pédologiques ou
physico-chimiques. Ces corrélations sont généralement assez faibles (rS ≤ 0,47 ;
P ≥ 0,001). La demi-vie de minéralisation de l'isoproturon est un peu mieux corrélée à
ces propriétés.
La demi-vie de dégradation de l'isoproturon est essentiellement corrélée à la teneur
en carbone organique (rS = -0,46) et de manière identique au C/N. Une teneur en
carbone organique élevée tend à être associée à une DT50 faible.
On peut supposer que la teneur élevée en carbone organique reflète une

microflore dégradante plus importante. Il est aussi possible que les teneurs en
carbone organique accentuent l'aspect biphasique des cinétiques de dégradation.
L'ajustement direct des cinétiques de dégradation privilégie souvent, dans le travail
présenté ici, la première partie de la courbe - notamment quand elles sont fortement
biphasiques et ont une teneur en isoproturon à 90 jours faible - ce qui tend à réduire
la demi-vie.
La demi-vie de minéralisation est aussi corrélée au carbone organique (rS = -0,55),

mais aussi à la teneur en argile (rS = -0,52). Plus le sol est argileux et/ou riche en
carbone organique, plus la demi-vie de minéralisation est faible. De même, les sols
plus profonds sont associés à une demi-vie de minéralisation plus élevée (rS = 0,51).
Ces trois corrélations sont cohérentes avec les relations constatées entre teneurs en
argile, carbone organique et profondeur du sol. Le KOC est aussi négativement corrélé
avec la demi-vie de minéralisation. Un KOC élevé correspond souvent à une demi-vie
faible.
208
J. Moeys Partie IV
La différence entre les deux optimums locaux d’ajustement de la cinétique de

dégradation (diffDT50 = DT50 max – DT50 min) reflète l’aspect biphasique (ou
monophasique) de la cinétique. Une différence importante montre que la courbe est
fortement biphasique (bi-exponentielle). Ce paramètre est bien corrélé au KOC : plus le
KOC est élevé, plus la courbe est biphasique.
Un KOC plus élevé peut être dû à une matière organique plus réactive vis-à-vis de
l’isoproturon (à quantité égale) et/ou une phase solide du sol plus réactive vis-à-vis
de la molécule. On peut émettre l’hypothèse que la réactivité de la phase solide ou
de la phase organique influence aussi la cinétique de dégradation (peut être par des
effets d’immobilisation du pesticide ou de ses métabolites, qui deviennent alors non-
extractibles).
■ 4.3 Approche graphique des covariations avec la

texture de surface
La combinaison d’un triangle des textures et de graphiques du type ‘à bulles’ permet
d’examiner visuellement les relations (ou l’absence de relation) entre les trois fractions
granulométriques et d’autres propriétés importantes. Le principe de ces graphiques est
de positionner une observation sur un triangle des textures (à 3 axes), puis de rendre
la taille du point ainsi placé proportionnelle à une quatrième propriété. Un gros point
correspond à une valeur importante de la 4e propriété, un petit à une valeur faible de la
4e propriété. Afin de rendre le graphique plus lisible et de limiter le ‘masquage’ de
points par d’autres, ceux ci sont tracés par ordre décroissant sur la 4e propriété (les
valeurs fortes – gros points – sont placées les premières, puis par-dessus ces
dernières sont placées les valeurs plus faibles), et un dégradé de couleur est appliqué,
ce qui permet de contraster les points de taille différente superposés.
A – Texture et CaCO3 B – Texture et teneur en graviers

figure 84 – Visualisation graphique des liens éventuels entre texture et la teneur en CaCO3,
ainsi qu’entre texture et teneur en graviers.
Pour la 4e propriété (A : teneur en CaCO3 ; B : teneur en graviers), plus la taille du point est
importante et plus la couleur est claire, plus la valeur est élevée (A : taille min = 0,0 % ; max =
15,3 % ; B: taille min = 0,0 % ; max = 2,9 %).
209
J. Moeys Partie IV
A – Texture et carbone organique B – Texture et KOC

figure 85 – Visualisation graphique des liens éventuels entre texture et carbone organique,
ainsi qu’entre texture et KOC.
Ces graphiques sont des agrandissements du triangle des textures présenté à la figure 37, p. 150.
Pour la 4e propriété (A : teneur en carbone organique ; B : KOC), plus la taille du point est
importante & plus la couleur est claire, plus la valeur est élevée (A : taille min = 1.1 % ; max =
2,2 %; B: taille min = 55 L.kg-1 ; max = 120 L.kg-1).
La figure 84 montre assez clairement l'existence de deux groupes de sol pour la
teneur en CaCO3 : les sols contenant plus de CaCO3 appartiennent tous à la classe de
texture 'AL' (sols dont la teneur en argile est ≥ à 30%), et contiennent éventuellement
une fraction sableuse plus importante. À quelques exceptions près, les sols avec une
fraction de CaCO3 faible ou nulle appartiennent à la classe de texture 'LA'.
La même segmentation semble pouvoir s'appliquer à la teneur en graviers, mais
l'effet est moins net : il existe des sols appartenant à la classe de texture 'LA'
contenant des graviers et des sols de la classe 'AL' qui en contiennent peu. La
présence éventuelle de graviers quartzeux du Burdigalien, et éventuellement de
meulière peut expliquer cette segmentation moins nette (l'un et l'autre ne sont pas
altérés sous les climats tempérés, contrairement au calcaire).
La figure 85-A semble indiquer que les sols appartenant à la classe texturale AL
tendent à être plus organiques, mais l'effet est peu prononcé. Les variations de teneur
en carbone organique liées aux pratiques agronomiques 'masquent' très certainement
les effets liés à la texture du sol.
La partie droite de la figure (B) indique par contre que les sols de texture 'AL' ont un
KOC plus faible que les sols de texture 'LA', même si certains sols de texture 'LA' ont un
KOC faible. Ce résultat est concordant avec les corrélations positives du KOC avec la
teneur en limon total ou négatives avec la teneur en éléments grossiers.
Afin de détailler ces relations, la propriété qualitative 'Classe de texture' a été
introduite dans les tests d'analyse de la variance.
■ 4.4 Importance des propriétés agro-pédologiques

qualitatives : analyses de la variance
L’analyse de la variance permet d’explorer les liens qui existent entre une propriété
mesurée de manière quantitative et d’autres propriétés exprimées de manière
qualitative. Ces dernières peuvent être importantes, et ni l’étude des corrélations, ni les
210
J. Moeys Partie IV
analyses en composantes principales ne permettent de prendre en compte ce type

d’association.
La présentation des résultats d’analyse de la variance a été séparée en 2
catégories, suivant le nombre de ‘facteurs contrôlés’ (propriétés qualitatives) étudiés
simultanément. Les analyses de la variance à un facteur contrôlé ont été réalisées
avec le test non paramétrique de Kruskal-Wallis, tandis que les analyses à plus d’un
facteur contrôlé ont été réalisées avec une analyse de la variance plus classique de
Fisher (test paramétrique, à défaut de disposer d'un test non paramétrique pour les
analyses de variance à plusieurs facteurs contrôlés).
■ Analyses de la variance à un facteur contrôlé
□ Seuillage de propriétés quantitatives

Il peut être intéressant de transformer des propriétés pédologiques quantitatives en
propriétés qualitatives afin d'essayer de mettre en évidence les effets de ces dernières
sur les propriétés d'intérêt (DT50, KD, KS., etc.). La stratégie retenue consiste à choisir
un seuil permettant de segmenter les valeurs de la propriété pédologique quantitative
en 2 classes distinctes (transformation en propriété binaire). Les propriétés ainsi
traitées sont le pH, la teneur en CaCO3 et la teneur en éléments grossiers. Le pH a été
scindé en deux classes pH ≥ 7 ou pH < 7; la teneur en CaCO3 a été scindée en deux
classes [CaCO3] ≥ 4 g.kg-1 ou [CaCO3] < 4 g.kg-1 ; la teneur en éléments grossiers
totaux a été scindée en deux classes [E.G. tot.] ≥ 40 g.kg-1 ou [E.G. tot.] < 40 g.kg-1.
Le choix du seuil de valeur permettant de créer deux classes à partir d’une propriété
quantitative a été effectué d’abord par des tests systématiques (non décrits ici), puis
déterminé et arrondi ‘empiriquement’ (= choix de l'opérateur).
De la même manière, il a été choisi de créer une propriété ‘type de sol’ simplifiée,
en deux classes, avec d’un côté (i) les sols à ambiance carbonatée (sols à
effervescence notable à HCl et/ou ayant une réserve de carbonates sous forme
d’éléments grossiers : CALCISOLS ou RENDOSOLS, et de l’autre (ii) les sols à ambiance
non carbonatée). Ce choix résulte d’une logique pédologique évidente, et il a été
confirmé par des tests visant à tester systématiquement la pertinence des
regroupements possibles de certaines des 6 classes de sols initiales afin d’aboutir à 2
groupes (ou en un nombre de groupes inférieur ou égal à 5).
□ Effets des propriétés agronomiques et pédologiques

qualitatives sur la masse volumique apparente et la teneur
en matière organique du sol
La teneur en carbone organique et la masse volumique apparente sont deux
propriétés importantes du sol influencées conjointement par les pratiques
agronomiques et les propriétés plus stables du sol. Les analyses de la variance
permettent de déterminer le degré d’association de ces propriétés avec les propriétés
agro-pédologiques qualitatives.
Le tableau 67 ci-dessous montre que la teneur en carbone organique est influencée
par le type de travail du sol et la classe de texture. Il est probable que la stratification
verticale (lit de semence, reste de l’horizon travaillé) ait un effet sur le carbone
organique, mais celui ci n’est pas significatif (test non paramétrique) ou peu significatif
(test paramétrique).
Pour la masse volumique apparente, les effets de la stratification verticale et du
211
J. Moeys Partie IV
travail du sol ont un effet très significatif. L'effet de la classe de texture sur la masse
volumique n'est pas significatif.
Couche Travail Type R.P. Classe text.
NB
Carbone org. 0,10239 0,02005 * 0,11006 0,00040 ***
Mass. vol. app. 0,00410 ** 0,00562 ** 0,10008 0,06251 °
tableau 67 – Analyse de la variance à un facteur contrôlé : effet des propriétés qualitatives
sur le carbone organique et la masse volumique apparente.
Méthode non-paramétrique de Kruskal-Wallis. Le tableau indique la probabilité P de l'absence
d'effet de la propriété qualitative (en colonne) sur la propriété quantitative (en ligne), et sa
significativité. Symboles suivant le P : '***' si 0 < P ≤ 0,001 ; '**' si 0,001 < P ≤ 0,01 ; '*' si 0,01 <
P ≤ 0,05 ; '°' si 0,05 < P ≤ 0,1 ; ' ' si P > 0,1). Les valeurs de P au-dessus de 0,05 ne sont pas
considérées comme révélant un effet significatif. Couche : effet couche de sol (lit de semence vs
reste de l'horizon travaillé); Travail : modalité de travail du sol (avec labour vs sans labour) ;
Type R.P. : type pédologique selon le Référentiel Pédologique, 6 classes identifiées ; Classe
text. : Classe de texture, d'après le triangle de l'Aisne, 2 classes identifiées ; Carbone org. : teneur
en carbone organique ; Mass. vol app. : masse volumique apparente.
NB : L'effet 'couche de sol' est tout juste significative avec une analyse de la variance de Fisher
avec P = 0,04409 *.
Les deux tableaux ci-dessous illustrent le sens des effets mis en évidence :
Couche Travail
Lit de sem. Reste horiz. Convent. Simplifié
n = 34 n = 16 n = 32 n = 18
-1
Carbone org. [g.kg ] 13,0 12,1 12,1 14,5
Mass. vol. app. [g.cm-3] 1,2 1,4 1,2 1,3
tableau 68 – Valeurs médianes de la teneur en carbone organique ou de la masse
volumique apparente selon la couche de sol considérée ou selon le type de travail du sol.
‘Lit de sem.’ : Lit de semence ; ‘Reste horiz.’ : reste de l’horizon travaillé, hors lit de semence ;
‘Convent.’ : travail conventionnel, avec labour ; ‘Simplifié’ : travail simplifié du sol, sans labour ;
les effectifs indiqués (n) sont le nombre d’échantillons, et non le nombre de sites.
La teneur en carbone organique est plus élevée dans le lit de semence, et en
situation de travail du sol simplifié. La masse volumique apparente est plus élevée
dans la partie de l’horizon travaillé qui n’a pas été semée, et dans les parcelles en
travail simplifié.
Classe de texture.
‘AL’ ‘LA’
n= n = 13 n = 37
-1
Carbone org. [g.kg ] 15,3 11,8
Mass. vol. app. [g.cm-3] 12,23 12,26
volumique apparente selon la classe de texture.
‘AL’ : texture argilo-limoneuse ; ‘LA’ : texture limono-argileuse ; les effectifs indiqués (n) sont le
nombre d’échantillons, et non le nombre de sites.
La classe de texture AL présente des échantillons plus organiques, mais n’a pas
d’effet sur la masse volumique apparente.
Les propriétés / variables qui ont été simplifiées en propriétés binaires (type
pédologique simplifié, classe de pH, classe de teneur en CaCO3 ou de teneur en
éléments grossiers) peuvent aussi avoir un effet sur la teneur en carbone organique ou
la masse volumique apparente.
212
J. Moeys Partie IV
Type RP (2) Cl. pH Cl. CaCO3 Cl. E.G.

Carbone org. 0,01283 * 0,00806 ** 0,00118 ** 0,00313 **
Mass. vol. app. 0,06251 ° 0,05376 ° 0,50298 0,28569
tableau 70 – Analyse de la variance avec les propriétés qualitatives 'dérivées' : effet sur la
teneur en carbone organique ou la masse volumique apparente.
Pour une explication des différents seuils de la probabilité P et des symboles associés se référer au
tableau 67 p. 212. Type RP (2) : classification du référentiel pédologique simplifiée en 2 classes
(sols à ambiance carbonatée ou non) ; Cl. pH : 2 classes de pH (acide vs neutre à basique) ; Cl.
CaCO3 : 2 classes de teneurs en CaCO3 (teneurs faibles vs teneurs élevées) ; Cl. E.G. : 2 classes
de teneurs en éléments grossiers (teneurs faibles vs teneurs élevées) ; Carbone org. : teneur en
carbone organique ; Mass. vol. app. : Masse volumique apparente.
Les 4 propriétés quantitatives (binaires) testées ont un effet significatif à très
significatif sur la teneur en carbone organique. Ainsi, les sols avec un pH, une teneur
en CaCO3 ou en éléments grossiers plus élevée, ont une teneur en carbone organique
plus importante. Le turnover du carbone est en effet plus lent quand le sol est
carbonaté, d'où un stock de matières organiques un peu supérieur.
Type RP (2) Cl. pH
{R.,C.} {B.,P.,N.,L.} pH < 7 pH ≥ 7
n = 12 n = 38 n = 19 n = 31
-1
Carbone org. [g.kg ] 15,2 12,1 11,7 13,1
tableau 71 – Valeurs médianes de la teneur en carbone organique selon le type pédologique
de sol simplifié ou selon la classe de pH.
‘R.’ : RENDOSOL ; ‘C.’ : CALCISOL ; ‘B.’ : BRUNISOL ; ‘P.’ : PSEUDO-LUVISOLS ; ‘N.’ :
NÉOLUVISOLS ; ‘L.’ : LUVISOLS ;
La teneur en carbone organique est supérieure pour les types de sol carbonatés, et
pour les sols dont le pH est supérieur à 7.
Cl. CaCO3 Cl. E.G.
< 4 g.kg-1 ≥ 4 g.kg-1 < 40 g.kg-1 ≥ 40 g.kg-1
n = 36 n = 14 n = 38 n = 12
-1
Carbone org. [g.kg ] 11,8 15,2 12,0 15,3
tableau 72 – Valeurs médianes de la teneur en carbone organique selon la classe de teneur
en CaCO3 ou la classe de teneur en éléments grossiers.
La teneur en carbone organique est plus élevée pour les sols à teneur plus élevée
en CaCO3 ou en éléments grossiers.
Il ressort de ces analyses que la valeur de la masse volumique apparente

dépend de la couche de sol considérée (lit de semence / reste de l'horizon
travaillé), ce qui est logique et, dans une moindre mesure, par la modalité de
travail du sol (conventionnel / sans labour).
La teneur en carbone organique varie selon la classe de texture, le pH, la
teneur en CaCO3 et en éléments grossiers, et dans une moindre mesure par le
type pédologique (simplifié) et la modalité de travail du sol.
213
J. Moeys Partie IV
□ Effets des propriétés agronomiques et pédologiques

qualitatives sur les propriétés hydriques du sol et sur les
interactions sol-isoproturon
Couche Travail Type R.P. Classe text.
Frac. Im. 0,00360 * 0,68605 0,25820 0,12976
θS. 0,00483 * 0,80836 0,77810 0,08252 °
θ(pF 2) 0,00175 * 0,05484 * 0,51037 0,58029
θ(pF 4,2) 0,00001 ** 0,12449 0,55398 0,00098 **
R.U. 0,13970 0,33187 0,06059 ° 0,00035 **
hA 0,03218 * 0,18222 0,33993 0,00236 *
'b' 0,00127 * 0,98387 0,05979 ° 0,00009 ***
KS. 0,05059 ° 0,15129 0,37325 0,00139 *
KD 0,08432 ° 0,11491 0,18404 0,58790
KOC 0,70814 0,85566 0,03543 * 0,00150 *
DT50 dégr. 0,59535 0,04509 * 0,32011 0,06600 °
tableau 73 – Analyse de la variance à un facteur contrôlé : effet des propriétés
qualificatives sur les propriétés hydriques du sol et les interactions sol-isoproturon.
tableau 67 p. 212.
La couche de sol (lit de semence ou reste de l’horizon travaillé) parait avoir une
importance pour de nombreuses propriétés : la fraction d’eau immobile, les teneurs en
eau à saturation, à pF 2 et 4,2 (très significativement pour ce dernier), mais aussi les
paramètres de Campbell b et hA.
Le travail du sol n’a une importance significative que pour peu de propriétés du sol :
la teneur en eau au pF 2 ou la DT50 de dégradation de l’isoproturon.
Le type pédologique (en 6 classes) n’est lié qu’au KOC.
La classe de texture est significativement liée à la teneur en eau à pF 4,2, à la
réserve utile de l’horizon et aux paramètres b et hA. La classe de texture est aussi la
seule propriété qualitative liée à la conductivité hydraulique à saturation.
Couche Travail
Lit de sem. Reste horiz. Convent. Simplifié
n = 34 n = 16 n = 32 n = 18
Frac. Im. [%] 36 79 n.s. n.s.
θSAT. [%] 48 44 n.s. n.s.
θ(pF 2) [%] 32 35 32 34
θ(pF 4,2) [%] 17 21 n.s. n.s.
hA [ cm ] -0,05 -0,13 n.s. n.s.
'b' [-] 7,7 10,4 n.s. n.s.
KSAT. [m.s-1] 0,02 0,01 n.s. n.s.
KD [L.kg-1] 1,11 0,97 n.s. n.s.
DT50 dégr. [j] n.s. n.s. 7,5 4,7
tableau 74 – Valeur médiane des propriétés bio-physico-chimiques testées selon la couche
de sol considérée ou selon le type de travail du sol.
‘Lit de sem.’ : Lit de semence ; ‘Reste horiz.’ : reste de l’horizon travaillé, hors lit de semence ;
‘Convent.’ : travail conventionnel, avec labour ; ‘Simplifié’ : travail simplifié du sol, sans labour ;
‘n.s.’ analyse de la variance non significative et non ‘limites’ (P > 0,1), les valeurs de la propriété
ne sont pas présentées. Les effectifs indiqués (n) sont le nombre d’échantillons, et non le nombre
de sites.
214
J. Moeys Partie IV
Le tableau 74 montre que les lits de semence ont en moyenne une fraction d’eau
immobile plus basse que le reste de l’horizon travaillé, une teneur en eau à saturation
légèrement plus élevée, mais des teneurs en eau aux pF2 et 4,2 plus basses. Ils ont
aussi une conductivité hydraulique à saturation plus élevée, et le KD de l’isoproturon y
est un peu plus élevé.
Les sols en travail du simplifié ont une demi-vie de l’isoproturon plus basse que les
sols en travail conventionnel.
Type R.P. (non simplifié) Classe text.
R. C. B. P. N. L. ‘AL’ ‘LA’
n= 1 11 17 4 16 1 n = 13 n = 37
θSAT. [%] n.s. n.s. n.s. n.s. n.s. n.s. 48 % 45 %
θ(pF 4,2) [%] n.s. n.s. n.s. n.s. n.s. n.s. 20 % 17 %
R.U. [%] 11% 14% 15% 13% 17% 19% 13 % 17 %
hA [-] n.s. n.s. n.s. n.s. n.s. n.s. -0,02 -0,10
'b' [-] 11,6 8,8 7,5 9,0 7,6 6,2 11,0 7,6
-1
KSAT. [m.s ] n.s. n.s. n.s. n.s. n.s. n.s. 0,04 0,01
-1
KOC [L.kg ] 55 67 83 88 83 65 74 83
DT50 dégr. [j] n.s. n.s. n.s. n.s. n.s. n.s. 5,0 7,3
tableau 75 – Valeur médiane des propriétés bio-physico-chimiques testées selon le type
pédologique de sol ou selon la classe de texture.
‘AL’ : texture argilo-limoneuse ; ‘LA’ : texture limono-argileuse ; ‘R.’ : Rendosol ; ‘C.’ :
Calcisol ; ‘B.’ : BRUNISOL ; ‘P.’ : PSEUDO-LUVISOLS ; ‘N.’ : Néoluvisols ; ‘L.’ : Luvisols ; ‘n.s.’
analyse de la variance non significative et non ‘limites’ (P > 0,1), les valeurs de la propriété ne
sont pas présentées. Les effectifs indiqués (n) sont le nombre d’échantillons, et non le nombre de
sites.
Sur le tableau 75, on peut voir que l’effet du type de sol sur le KOC semble se
segmenter en fonction des types de sols calcaires et des autres (les premiers ayant un
KOC plus bas), mais les LUVISOLS font exception à cette règle.
Les effets de la classe de texture sont plus clairs, avec une réserve utile plus basse
et une conductivité hydraulique à saturation plus élevée pour les sols argilo-limoneux.
Type RP (2) Cl. pH Cl. CaCO3 Cl. E.G.
Frac. Im. 0,13981 0,02330 * 0,06627 ° 0,01707 *
θS. 0,35167 0,00254 * 0,06162 ° 0,00961 **
θ(pF 2) 0,71626 0,18051 0,65000 0,21151
θ(pF 4,2) 0,20330 0,39005 0,00075 ** 0,14596
R.U. 0,06912 ° 0,01394 * 0,00054 ** 0,09720 °
hA 0,19539 0,00164 * 0,00267 * 0,00234 **
'b' 0,03093 * 0,01146 * 0,00011 ** 0,06918 *
KS. 0,04561 * 0,00021 ** 0,01078 * 0,00023 **
KD 0,75047 0,21900 0,66564 0,89159
KOC 0,00392 * 0,22658 0,00008 *** 0,00271 **
DT50 dégr. 0,09910 ° 0,20019 0,07080 ° 0,02734 *
tableau 76 – Analyse de la variance avec les propriétés qualitatives 'dérivées' : effet sur les
propriétés hydriques du sol et les interactions sol-isoproturon
tableau 67 p. 212. Type RP (2) : classification du référentiel pédologique simplifiée en 2 classes
(sols à ambiance carbonatée ou non) ; Cl. pH : 2 classes de pH (acide vs neutre à basique) ; Cl.
CaCO3 : 2 classes de teneurs en CaCO3 (teneurs faibles vs teneurs élevées) ; Cl. E.G. : 2 classes
de teneurs en éléments grossiers (teneurs faibles vs teneurs élevées).
Le tableau 76 montre les effets des propriétés qualitatives ‘dérivées’. L’utilisation du
215
J. Moeys Partie IV
‘type de sol simplifié’, en 2 classes, permet d’améliorer les résultats de l’analyse de la

variance pour le KOC et révèle un effet sur la conductivité hydraulique à saturation et
sur le paramètre b de la fonction de rétention en eau de Campbell.
La classe de pH est liée à la fraction d’eau immobile, à la teneur en eau à
saturation, à la réserve utile et à la conductivité hydraulique à saturation.
La classe de teneur en CaCO3 est liée à la teneur en eau à pF 4,2, à la réserve utile
et à la conductivité hydraulique à saturation. Elle a aussi un effet très significatif sur le
KOC.
La classe de teneur en éléments grossiers joue sur la fraction d’eau immobile, la
teneur en eau à saturation et la conductivité hydraulique à saturation. Cette propriété
est aussi liée au KOC et à la DT50 du pesticide.
On notera que, sur l’ensemble des propriétés qualitatives testées, le KD n’est
influencé significativement par aucune d’entre elles.
Type RP (2) Cl. pH
{R.,C.} {B.,P.,N.,L.} pH < 7 pH ≥ 7
n = 12 n = 38 n = 19 n = 31
Frac. Im. [%] n.s. n.s. 74 36
θS. [%] n.s. n.s. 44 48
R.U. [%] 13 16 17 14
hA [-] n.s. n.s. -0,17 -0,05
'b' [-] 9,2 7,7 7,2 8,6
-1
KS. [mm.s ] 0,03 0,01 0,01 0,03
-1
KOC [L.kg ] 66 83 n.s. n.s.
DT50 dégr. [j] 5,3 7,3 n.s. n.s.
tableau 77 – Valeur médiane des propriétés quantitatives testées selon le type pédologique
n.s. : analyse de la variance non significative et non ‘limites’ (P > 0,1).
Le tableau 77 révèle que la fraction d’eau immobile et la réserve utile sont plus
importantes dans les échantillons dont le pH est inférieur à 7.
La conductivité hydraulique à saturation est plus élevée dans les sols à ambiance
carbonatée et de la même manière dans les sols dont le pH est supérieur à 7.
Le KOC de l’isoproturon est plus élevé dans les sols à ambiance non carbonatée.
Cl. CaCO3 Cl. E.G.
< 4 g.kg-1 ≥ 4 g.kg-1 < 40 g.kg -1
≥ 40 g.kg-1
n = 36 n = 14 n = 38 n = 12
Frac. Im. [%] 56 32 59 31
θS. [%] 45 48 45 48
θ(pF 4,2) [%] 17 20 n.s. n.s.
R.U. [%] 17 13 15 13
hA [-] -0,11 -0,03 -0,11 -0,02
'b' [-] 7,6 10,6 7,7 9,2
-1
KS. [mm.s ] 0,01 0,03 0,01 0,05
-1
KOC [L.kg ] 84 68 83 70
DT50 dégr. [j] 7,5 5,0 7,5 5,0
tableau 78 – Valeur médiane des propriétés quantitatives testées selon le type pédologique
n.s. : analyse de la variance non significative et non ‘limites’ (P > 0,1).
On voit sur le tableau 78 que les effets de la classe de teneur en CaCO3 et ceux de
216
J. Moeys Partie IV
la classe de teneur en éléments grossiers vont dans le même sens, avec des effets
similaires entre les échantillons dont la teneur en CaCO3 est supérieure à 4 g.kg-1 et/ou
ceux dont la teneur en éléments grossiers est supérieure à 40 g.kg-1. Cette catégorie
d’échantillons a une fraction d’eau immobile inférieure, une teneur en eau à saturation
supérieure mais une réserve utile inférieure. Ces sols carbonatés / caillouteux ont
aussi une conductivité hydraulique à saturation plus élevée, une DT50 de l’isoproturon
inférieure et un KOC inférieur.
Le type de couche de sol est un facteur assez important, et parfois important

pour expliquer certaines propriétés hydriques du sol, notamment (et de manière
surprenante) la teneur en eau au point de flétrissement permanent. Cette relation
est incertaine pour KS et absente pour la réserve utile.
Le mode de travail du sol n'est un facteur important que pour la DT50 de
dégradation de l'isoproturon et la teneur en eau à la capacité au champ.
Le type de couche de sol et le mode de travail du sol étant des éléments
importants pour la structuration de la couche de sol concernée, il est
surprenant que les effets ne soient pas plus marqués sur les propriétés
hydriques.
La classe de texture est un facteur important pour le paramètre b de Campbell,
pour la teneur en eau au point de flétrissement permanent, et dans une moindre
mesure pour la réserve utile, la conductivité à saturation, le paramètre hA de
Campbell et le KOC de l'isoproturon. Le type pédologique simplifié influence b, KS
et le KOC.
Le pH, la teneur en CaCO3 et en éléments grossiers influencent la plupart des
propriétés hydriques (mais ce n'est pas systématique), à l'exception de la teneur en
eau à la capacité au champ. Le KOC est lié aux teneurs en CaCO3 et en éléments
grossiers, tandis que la DT50 ne paraît influencée que par la teneur en éléments
grossiers.
Dans la littérature, outre la masse volumique apparente du sol, la granulométrie
est généralement citée comme facteur explicatif des propriétés hydriques du sol.
Les corrélations ont montré que certaines propriétés hydriques sont (bien) liées aux
teneurs en limon et en CaCO3 (mais pas toujours). L'analyse de la variance
apporte un éclairage supplémentaire sur les déterminismes des propriétés
hydriques, mais les résultats ne sont pas nets.
Les propriétés pédologiques semblent avoir un effet sur le KOC, notamment les
teneurs en éléments grossiers et en CaCO3. Ce constat complète l'effet modéré de
la teneur en limon sur le KOC observé par les corrélations, mais ne fait pas ressortir
de déterminismes majeurs.
Le constat est le même pour la DT50 (peu de facteurs explicatifs, liens ténus), ce
qui aggrave le fait que la propriété ne soit corrélée qu'à la teneur en carbone
organique.
■ Analyses de la variance à plusieurs facteurs contrôlés

Les analyses de la variance à deux facteurs contrôlés ont été réalisées avec la
méthode paramétrique de Fisher. Les résultats sont plus délicats à interpréter qu’avec
le test de Kruskal-Wallis, car les propriétés quantitatives étudiées s’écartent parfois de
la normalité, l’égalité des variances n’est pas toujours respectée et la taille des
différents groupes d’échantillons distingués par le croisement des facteurs n’est jamais
équilibrée.
217
J. Moeys Partie IV
La teneur en carbone organique est influencée conjointement par la modalité de

travail du sol et la stratification verticale de l'horizon labouré (P = 0,000035 ***).
CORG. [g.kg-1] Couche
Lit de sem. Reste horiz.
Travail Convent. 11,9 12,4
Simplifié 16,7 11,9
tableau 79 – Valeurs médianes de la teneur en carbone organique pour les différents
groupes d’échantillons {travail du sol ; couche}.
Le tableau 79 montre que les échantillons provenant du lit de semence des

parcelles en travail simplifié sont nettement plus organiques que les autres.
Par contre les différences sont moins marquées entre le lit de semence et le reste
de l'horizon de surface en travail conventionnel. De même, la différence de teneur en
carbone organique du reste de l'horizon travaillé est faible entre les modalités travail
simplifié et conventionnel.
L'effet conjoint du mode de travail du sol et de la stratification verticale de l'horizon
travaillé sur la masse volumique apparente est moins important mais significatif
(P = 0,0118289 *) :
ρb [kg.dm-3] Couche
Lit de sem. Reste horiz.
Travail Convent. 1,23 1,24
Simplifié 1,26 1,48
tableau 80 – Valeurs médianes de la masse volumique apparente ρb pour les différents
groupes d’échantillons {travail du sol ; couche}.
Le tableau 80 fait apparaître des différences moins tranchées pour la masse
volumique que ne le laisse penser le résultat de l'analyse de la variance. La principale
différence de masse volumique est la masse volumique apparente nettement plus
élevée de l'horizon travaillé, hors lit de semence, en travail du sol simplifié
(1,48 kg.dm-3). Quelle que soit la modalité de travail du sol, les lits de semence sont
moins denses que le reste de l'horizon travaillé. La différence réelle est probablement
plus accentuée, du fait de la difficulté à réaliser un prélèvement de masse volumique
correct dans les zones les plus meubles du lit de semence, ce qui a pu biaiser la
représentativité de l'échantillonnage.
Le KD semble aussi influencé conjointement par le travail du sol et la couche
de sol de l’horizon labouré (P = 0,001755 **). On note aussi une influence croisée du
travail du sol et de la classe de teneur en CaCO3 sur ce dernier (P = 0,01284 *).
KD [L.kg-1] Couche Cl. CaCO3
Lit de sem. Reste horiz. < 4 g.kg-1 ≥ 4 g.kg-1
Travail Convent. 1,06 1,03 1,01 1,18
Simplifié 1,39 0,94 1,29 0,97
tableau 81 – Valeurs médianes de l’adsorption (KD) pour les différents groupes
d’échantillons {travail du sol ;couche} ou {travail du sol ; classe de CaCO3}.
Le tableau 81 montre que le partitionnement vertical de l’horizon travaillé

(couche) n’a pas d’influence sur le KD en travail du sol conventionnel, tandis qu’il est
important en situation de travail simplifié, le KD étant beaucoup plus élevé dans le lit
218
J. Moeys Partie IV
de semence de ce dernier (surface).
Par contre l’effet combiné du travail du sol et de la classe de teneur en CaCO3

sur le KD montre des effets contradictoires qui peuvent laisser penser que l’effet
révélé par l’analyse de la variance est fortuit. En effet on voit que les échantillons
en travail conventionnel ont un KD plus faible que ceux en travail simplifié quand le sol
n’est pas carbonaté, mais c’est l’inverse qui se produit pour les sols carbonatés.
L’effet du partitionnement vertical de l’horizon labouré sur la fraction d’eau immobile
semble avoir des effets croisés avec la classe de texture (P = 0,013215 *), la classe de
pH (P = 0,0026088 **), et le type pédologique simplifié (P = 0,021313 *).
fIMM. [%] Cl. text. Cl. pH Type RP simp.
‘LA’ ‘AL’ <7 ≥7 R. & C. autre
Couche Lit de sem. 49 27 74 31 31 49
Reste horiz. 78 85 70 81 86 69
tableau 82 – Valeurs médianes de la fraction d’eau immobile pour les différents groupes
d’échantillons {couche ; classe de texture} ou {couche ; classe de pH}, ou {couche ; type
pédologique simplifié}.
L’examen du tableau 82 montre un effet combiné assez net du partitionnement

vertical de l’horizon labouré avec la classe de texture. Le lit de semence a une
fraction d’eau immobile plus faible (effet le plus net) et la classe de texture vient
modérer (‘LA’) ou accentuer (‘AL’) les différences, la fraction d’eau immobile la plus
faible étant obtenue avec les lits de semence de texture ‘AL’ (5 échantillons
concernés).
Il apparaît que les sols dont le pH est inférieur à 7 voient leur teneur en eau
immobile peu affectée par la couche de sol, tandis que pour les sols dont le pH est
supérieur ou égal à 7, la fraction d’eau immobile est bien inférieure dans le lit de
semence que dans le reste de l’horizon travaillé. Une hypothèse pouvant expliquer ce
constat est une moindre stabilité structurale des sols un peu acides, entraînant du
même coup une baisse de la connectivité du réseau poral.
L’effet combiné de la couche de sol et du type pédologique simplifié apparaît être
moins net sur le tableau 82, si ce n’est fortuit. En effet on observe bien une fraction
d’eau immobile plus faible dans le lit de semence que dans le reste de l’horizon
travaillé, mais le groupe des RENDOSOLS et CALCISOLS a une teneur en eau immobile
plus basse dans le lit de semence que les autres types de sol, mais dans le reste de
l’horizon une fraction d’eau immobile plus élevée.
Des analyses de la variance à deux ou plusieurs facteurs contrôlés ont été réalisées
de la même manière sur les autres propriétés quantitatives importantes (DT50, KS, KOC),
en testant les différents croisements possibles des propriétés qualitatives présentées
plus haut (analyse de la variance à un facteur contrôlé), mais les résultats ne sont pas
ou peu significatifs (non présentés ici).
■ 4.5 Étude de la variabilité par Analyse en

Composantes Principales
Les matériels et méthodes relatifs à cette partie sont exposés p. 141.
219
J. Moeys Partie IV
■ Abréviations des noms de propriétés

Abrev. Nom. Abrev. Nom.
AND Teneur en argile non LND Teneur en limon totale non
décarbonatée décarbonatée
SND Teneur en sable totale non EG Teneur en éléments
décarbonatée grossiers totaux
CaCO3 Teneur en carbonates de pH H2O pH mesuré avec la méthode
calcium à l’eau
C_org Teneur en carbone ρb masse volumique apparente
organique
θS Teneur en eau volumique à θpF2 Teneur en eau volumique
saturation au pF 2
θpF4,2 Teneur en eau volumique au fIM Fraction d’eau immobile
pF 4,2 (volumique)
KS Conductivité hydraulique à DT50 Temps de demi-vie de
saturation dégradation de l’isoproturon
DT50m Temps de demi-vie de KD Coefficient d’adsorption
minéralisation de linéaire de l’isoproturon (KD)
l’isoproturon
KOC Coefficient d’adsorption K-1cm K(h=-1cm), conductivité
linéaire de l’isoproturon hydraulique à -1 cm
normalisé par la fraction de
carbone organique
1 Travail du sol conventionnel 2 Travail du sol simplifié
OU lit de semence OU reste de l'horizon
travaillé
r RENDOSOLS c CALCISOLS
b BRUNISOLS p PSEUDO-LUVISOLS
n NÉOLUVISOLS l LUVISOLS
tableau 83 – Abréviations des noms de propriétés utilisées pour les ACP et les PLSR.
La profondeur du sol, peu corrélée aux autres propriétés, n'a pas été inclue dans les
analyses présentées ici (mais a été testée). Les paramètres b, hA et la réserve utile de
l'horizon ont aussi été écartées au profit des teneurs en eau caractéristiques (à pF 2,
pF 4,2 et saturation), à partir desquelles les 3 paramètres cités plus haut sont calculés.
Cela permet aussi de limiter la redondance des informations, qui nuit à la lisibilité des
résultats de l'ACP.
Pour des raisons de lisibilité, les analyses en composantes principales sont
réalisées en prenant un panel de propriétés agro-pédologiques de base (granulométrie
...), systématiquement utilisé, avec une ou deux propriétés d'intérêt (KS, KD, DT50, etc.),
dont on cherche à comprendre la variabilité spatiale. Les liens entre les propriétés
d'intérêt ne sont pas examinés, car il n'y a pas probablement pas d'intérêt à prédire
l'une avec l'autre (ex. KSavec DT50).
■ Variabilité des propriétés physico-chimiques & de

rétention en eau des échantillons
220
J. Moeys Partie IV
Avant de procéder à un examen des propriétés les plus importantes pour le devenir
de l’isoproturon dans les sols (DT50, KD, KOC, KS), il est nécessaire d’examiner les liens
entre les propriétés pédologiques (physico-chimiques ou de rétention en eau) plus
simples à mesurer. L’analyse en composantes principales permet d’examiner ces liens,
par une décomposition de la variabilité des échantillons en strates (composantes)
indépendantes.
figure 86 – résultats de l’ACP sur les propriétés physico-chimiques et de rétention en eau des
échantillons.
Pour chacun des 4 graphiques, deux composantes sont représentées dans le plan : la droite
horizontale représente une première composante (composante 1 pour (A) et (B), composante 3 pour
(C) et (D)), la droite verticale représente la deuxième composante (composante 2 pour (A) et (B),
composante 4 pour (C) et (D)). L’axe du haut représente le poids des propriétés sur la composante
horizontale, l’axe de droite représente le poids des propriétés sur la composante verticale. L’axe du
bas représente le poids des observations dans la composante horizontale, l’axe de gauche
représente le poids des observations dans la composante verticale. Les graphiques (A) et (B)
représentent les mêmes résultats, mais en mettant en évidence des informations différentes (comme
pour les graphiques (C) et (D)). Les graphiques de gauche mettent en évidence les observations,
notées selon la convention {n° du site:strate}, avec en grisé les vecteurs des propriétés projetées.
Les graphiques de droite mettent en évidence les propriétés (flèches) avec en grisé la position des
observations et une information synthétique selon la convention {type de sol,modalité de travail
du sol}. Ces propriétés sont affichées, mais n’ont pas été utilisées dans l’ACP) ; la signification des
abréviations est donnée dans le tableau 83, p. 220.
221
J. Moeys Partie IV
Pas moins de 4 composantes sont nécessaires pour expliquer 79 % de la variabilité

des échantillons du point de vue de leurs propriétés physico-chimiques de base (figure
86). Le poids des propriétés pédologiques dans la construction des composantes est
généralement modéré et homogène. Les coefficients, dont les valeurs peuvent aller de
–1 à 1, ne dépassent généralement pas l’intervalle –0,5 à 0,5 (dans ces 4
composantes), ce qui montre qu’aucune propriété pédologique ne porte une part
dominante de la variabilité des observations.
Sur les composantes 1 & 2, la seule propriété qui se détache est la teneur en limon
non-décarbonatée, qui pèse surtout sur la composante 1 (positivement). Un groupe de
propriétés a, sur la même composante (et donc la même part de variabilité), un effet
opposé (négatif) : les teneurs en CaCO3, en argile non-décarbonatée et en éléments
grossiers, ainsi que le pH. On retrouve ici la segmentation entre les sols à ambiance
‘carbonatée’ et les sols ‘non-carbonatés’ qui se détachaient avec les analyses de la
variance non-paramétriques. Les propriétés liées à la structure du sol, comme la
masse volumique apparente et les teneurs en eau à pF 2 et pF 4,2 se distinguent
surtout sur la 2e composante (donc une autre part de la variabilité globale), avec un
poids positif. À l’opposé, mais sur la même composante, se détache la teneur en eau à
saturation.
Le carbone organique a une importance faible et homogène sur les 2 composantes
(négative).
La répartition des observations sur les 4 composantes est, elle aussi, instructive.
Tout d’abord on ne distingue pas de ‘groupes’ bien individualisés, quelle que soit la
composante. Si des ‘groupes’ distincts existent, comme les propriétés pédologiques ou
les pratiques agronomiques peuvent le laisser entendre, la segmentation n’est pas
brutale sur les propriétés du sol.
Ensuite, les informations additionnelles affichées sur les graphiques de l’ACP (site,
couche de sol, type de sol ...) montrent que les axes ont une certaine pertinence.
– Sur le graphique (A), on voit que la composante n°2 permet de distingu er les
échantillons du lit de semence des échantillons prélevés dans le reste de l’horizon
travaillé (les premiers XX:1, négativement liés à la composante 2 ; les seconds
XX:2 positivement liés à la composante). Cela montre notamment que la
stratification verticale de l’horizon travaillé influence surtout les propriétés
hydriques : le lit de semence a une teneur en eau à saturation élevée, mais une
teneur en eau à pF 2 et 4,2 relativement plus faible, et inversement pour les
échantillons du reste de l’horizon travaillé.
– Sur le graphique (B) les informations relatives au type de sol (rx, cx, bx, px, nx, lx)
sont plus mitigées. Les 2 composantes ne semblent pas distinguer nettement les
types de sol. Cela confirme les analyses de la variance qui ne mettaient pas (ou
rarement) en évidence d’effet type de sol (en 6 classes comme en 2 classes
simplifiées) sur les propriétés physico-chimiques.
– La modalité de travail du sol, exprimée sur le graphique (B) par les symboles x1 ou
x2 (respectivement travail conventionnel ou travail simplifié) n’est pas segmentée
par les axes 1 et 2 de l’ACP.
– Enfin l’échantillon 17:1 se détache nettement, sur la partie négative de l’axe 1. Il ne
s’agit pas d’une valeur aberrante, dans la mesure où il s’agit d’un sol identifié
comme un Rendosol, donc particulièrement calcaire.
Il ressort de ces constants que l’axe 1 de l’ACP reflète les caractéristiques

granulométriques fines et grossières du sol (et le carbonate associé aux
222
J. Moeys Partie IV
éventuelles fractions grossières), tandis que l’axe 2 est un axe lié à la

structure du sol et à ses propriétés de rétention en eau, qui distingue bien la
stratification verticale de l’horizon travaillé.
Sur le graphique (D), on voit que l’axe 4 (12 % de la variabilité) est surtout influencé
(négativement) par la masse volumique apparente, la teneur en eau à saturation et la
teneur en éléments grossiers. L’axe 3 est influencé par le carbone organique et la
teneur en eau au pF 2.
La répartition des observations n’est plus dirigée par la stratification verticale de
l’horizon travaillé, mais par plutôt par la modalité de travail du sol. On voit que les sols
en travail simplifié (x2) sont plutôt dans sous la diagonale y = x tandis que les sols en
travail conventionnel sont plutôt au-dessus de la diagonale y = x. Cette partition est
relativement logique, puisqu’elle indique que les sols en travail simplifié tendent à être
plus denses et plus organiques, avec une teneur en eau à saturation élevée.
Cependant, une partie non négligeable des observations est proche du croisement de
l’axe 3 et 4, ce qui montre que cette distinction n’est pas valable pour toutes les
observations.
En résumé les 20% de variabilité reflétés par les axes 3 et 4 mettent en

évidence une distinction entre les sols en travail simplifié et les sols en travail
conventionnel, pour une partie seulement des échantillons.
■ Variabilité des propriétés physico-chimiques et de la

fraction d’eau immobile
figure 87 – Résultats de l’ACP sur les propriétés physico-chimiques, de rétention eau des
échantillons et la fraction d'eau immobile.
La légende de la figure 86 (p. 221) donne une description détaillée des graphiques tirés d’une
ACP ; la signification des abréviations est donnée dans le tableau 83, p. 220. Les composantes 3
et 4 ne sont pas présentées car le poids de la fraction immobile y est faible.
Les graphiques (A) et (B) de la figure 87, qui montrent les résultats de l'ACP sur les
composantes 1 et 2, fait apparaître des liens modérés, entre la fraction d'eau immobile
et les autres propriétés physico-chimiques du sol. Assez logiquement la fraction d'eau
immobile est (positivement) corrélée aux propriétés liées à la structure du sol, la
masse volumique apparente et les teneurs en eau aux pF 2 et 4,2. Elle est aussi
négativement corrélée, mais dans une moindre mesure, à la teneur en eau à
223
J. Moeys Partie IV
saturation. Les fractions fines et grossières du sol apparaissent relativement

indépendantes de la fraction d'eau immobile du sol pour les 58 % de variabilité globale
expliqués par les axes 1 et 2.
La localisation des observations sur ces deux axes est cohérente avec ce qui est
observé sur la figure 86, avec une distinction entre les échantillons du lit de
semence et ceux du reste de l'horizon travaillé. Les seconds ont une fraction
d'eau immobile plus importante.
Les 18 % de variabilité portés par les axes 3 et 4 ne font pas apparaître de liens
secondaires entre la fraction d'eau immobile et les autres propriétés. Le poids de la
fraction d'eau immobile est faible sur ces axes.
Les liens modérés entre la fraction d'eau immobile et la classe de pH, ou la classe
de teneur en éléments grossiers qui étaient mis en évidence par les analyses de la
variance non paramétriques ne sont pas confirmés par l'ACP.
La propriété fraction d’eau immobile s’écarte un peu de la normalité, et présente une
distribution d’allure bimodale. De ce fait une ACP a été tentée sur une transformation
de la fraction d’eau immobile, par centrage-réduction puis élévation au carré. La
propriété transformée est plus proche d’une distribution normale (significativement),
mais le résultat de l’ACP est moins bon que dans le cas d’une propriété non
transformée (propriété faible sur les composantes 1 et 2). Cette transformation ne
présente donc pas d’intérêt.
■ Variabilité des propriétés physico-chimiques et de la

conductivité hydraulique (K–1cm et KS.)
□ Conductivité hydraulique à saturation (KS.)
Les deux premiers axes représentent 54 % de la variabilité des échantillons. La
conductivité hydraulique à saturation semble un peu liée aux propriétés de l'axe 2,
mais ce lien est faible. Il est donc difficile de lier la conductivité à saturation à ce niveau
de variabilité.
Le lien est beaucoup plus net sur l'axe 4, mais ce dernier ne reflète que 10 % de la
variabilité totale. La conductivité hydraulique à saturation est bien liée à la masse
volumique apparente sur cet axe. L'échantillon 05:1 contribue fortement à cet axe et
on peut donc se demander si la relation conductivité hydraulique – masse volumique
apparente n'est pas en partie liée à ce cas extrême (et donc peut être fortuite).
L'analyse par ACP n'est donc pas vraiment concluante pour faire apparaître
les déterminismes pédologiques ou agronomiques de la conductivité
hydraulique à saturation.
Les liens entre la conductivité hydraulique à saturation et les propriétés qualitatives

que sont la classe de texture, la classe de teneur en éléments grossiers, la classe de
pH ou le type pédologique simplifié mis en évidence par les analyses de la variance ne
sont pas confirmés ici. Il est possible que l'analyse de la variance non
paramétrique tolère mieux les propriétés fortement non-normales comme le KS. Il
n'a pas été possible de tester une ACP sur une transformation du KS, car aucune des
transformations testées ne permettait d'obtenir une propriété de distribution normale.
224
J. Moeys Partie IV
figure 88 – résultats de l’ACP sur les propriétés physico-chimiques, de rétention eau des
échantillons et de conductivité hydraulique à saturation et à h = -1 cm.
ACP ; la signification des abréviations est donnée dans le tableau 83, p. 220.
□ Conductivité hydraulique à – 1 cm (K-1 cm)

La conductivité hydraulique à saturation étant dérivée de la conductivité mesurée au
potentiel -1 cm, il est intéressant de tester les déterminismes de K-1 cm.
L'ACP présentée sur la figure 88 fait assez clairement apparaître les relations entre
K-1cm et certaines propriétés physiques du sol. La propriété est liée positivement à la
teneur en eau à saturation et en carbone organique, et négativement à la teneur en
eau au pF2 et à la masse volumique apparente. Ces liens ne sont pas très forts,
aucune propriété ne pesant lourdement sur l'un ou l'autre des axes 1 & 2 (54 % de la
variabilité).
Ces conclusions confirment les tendances qui se dégageaient moins nettement de
l'ACP réalisée avec le KS.
Sur cette ACP, on constate que les échantillons du lit de semence sont liés
à des conductivités hydrauliques plus élevées que dans le reste de l'horizon
225
J. Moeys Partie IV
travaillé.
Les axes 3 et 4 de l'ACP réalisée avec K-1cm n'apportent pas d'information

supplémentaire pour cette propriété.
Une ACP a été tentée sur une transformation du K-1cm.. La transformation consiste à
centrer et réduire la propriété/variable, puis à calculer sa valeur inverse. La propriété
transformée est plus proche d’une distribution normale (significativement), mais le
résultat de l’ACP est moins bon que dans le cas d’une propriété non transformée (poids
de la propriété faible sur les composantes 1 et 2). Cette transformation ne présente
donc pas d’intérêt.
■ Variabilité des propriétés physico-chimiques et de

l’adsorption de l’isoproturon
□ Coefficient d’adsorption linéaire (KD)
échantillons et d'adsorption linéaire de l'isoproturon.
226
J. Moeys Partie IV
L'ACP réalisée avec le KD et les propriétés physico-chimiques et hydriques du sol

ressemble beaucoup à celles réalisées avec les conductivités hydrauliques à
saturation et h = -1 cm. Les axes 1 et 2, qui portent 56 % de la variabilité globale,
montrent que le KD est positivement lié à la teneur en matière organique et à la teneur
en eau à saturation, et négativement lié à la masse volumique apparente (le lien avec
la teneur en eau au p F2 est moins net que pour la conductivité hydraulique à
saturation). Les axes 3 et 4, qui portent 22 % de la variabilité, montrent aussi un lien
entre le KD et la teneur en eau au pF 4,2.
Si l'on observe la position du KD par rapport aux observations (axes 1 et 2, (A)), on
voit que les échantillons du lit de semence sont associés à des valeurs plus élevées du
KD que les échantillons du reste de l'horizon travaillé. On pourrait se demander si ce
constat n'est pas dû aux plus fortes teneurs en matière organique du lit de semence
des échantillons issus de parcelles en travail simplifié, mais le graphique (B) ne
confirme pas cette hypothèse (les deux modalités de travail du sol sont présentes dans
la partie haute, associée à des KD plus élevés). Par contre l'ACP présentée sur la
figure 86 (p. 221) montrait que les échantillons du lit de semence ont globalement une
masse volumique apparente plus faible, ont une teneur en eau à saturation plus
élevée, et une teneur en eau aux pF 2 et 4,2 plus basse, ce qui est cohérent avec les
constats faits pour le KD.
On constate assez nettement sur les axes 1 et 2 que le KD n'est pas ou peu lié aux
fractions granulométriques fines et grossières. Les axes 3 et 4 vont dans le même
sens, à l'exception d'un lien très modéré (négatif) entre le KD et le pH ou la teneur en
CaCO3.
On peut se demander si les associations mises en évidence entre le KD (ou

le K-1cm) et le pH ou la teneur en CaCO3 reflètent une réalité de fonctionnement
physique ou chimique du sol, ou s'il s'agit d'un lien indirect de ces propriétés
avec les propriétés physico-chimiques et de rétention en eau du sol, liens qui
dériverait d'autres propriétés du sol non mesurées ici.
Dans le cas du KD, seule la relation avec le carbone organique trouve une
explication claire et évidente dans les processus physico-chimiques de l'adsorption des
molécules sur les matières organiques du sol. Les liens avec les propriétés de
rétention en eau du sol sont d'autant plus surprenants que le KD est mesuré sur des
échantillons tamisés, puis complètement dispersés sous l'action de l'agitation dans la
solution contenant l'isoproturon. La porosité est donc en grande partie détruite lors de
la mesure. Il est possible que ce lien résulte de l'association circonstancielle entre la
teneur en carbone organique et les propriétés de rétention en eau du sol et de masse
volumique apparente, sous l'effet combiné de la préparation du lit de semence par les
outils agricoles et de l'accumulation de matières organiques en surface quand le sol
n'est pas labouré (ce 2e point n'est pas confirmé par l'ACP).
Une ACP réalisée avec les fractions granulométriques décarbonatées (à la place
des fractions non-décarbonatées) donne des résultats similaires (non présentés ici).
227
J. Moeys Partie IV
□ Coefficient d’adsorption normalisé par la fraction de

carbone organique (KOC)
échantillons et d'adsorption normalisée de l'isoproturon.
Les résultats de l'ACP réalisée avec le KOC sont assez indépendants de ceux
obtenus avec le KD (figure 89).
Sur les axes 1 et 2, qui représentent 57 % de la variabilité totale, le KOC est
positivement (mais faiblement) lié à la première composante, comme la teneur en
limon non-décarbonatée (le KD est surtout lié à la 2e composante). La teneur en argile,
en éléments grossiers, en sables, en CaCO3 et le pH sont sur le même axe, mais avec
un coefficient négatif. Cela signifie par exemple que les sols à teneur en argile plus
élevée ont un KOC plus faible.
Sur les axes 3 et 4, le KOC apparaît bien corrélé à la teneur en sable, et
négativement corrélée à la masse volumique apparente et la teneur en éléments
grossiers. Sur ces deux axes, qui comptent pour 19 % de la variabilité, les échantillons
en travail conventionnel semblent plus nombreux pour les valeurs de KOC fortes, et les
échantillons en travail simplifié se placent de l'autre côté de l'axe 4, avec des KOC plus
228
J. Moeys Partie IV
faibles et des masses volumiques plus importantes.
■ Variabilité des propriétés physico-chimiques, de la

dégradation et de la minéralisation de l’isoproturon
échantillons, de dégradation et de minéralisation de l'isoproturon.
Les 4 axes expliquent 75 % de la variance expliquée. La DT50 de dégradation de
l’isoproturon a un poids très faible sur les axes 1 et 2 de l’ACP. Les distinctions
précédentes (figure 86), basées sur (i) les fractions granulométriques fines et
grossières ou sur (ii) les propriétés de masse volumique apparente et de rétention en
eau n’ont que peu d’importance vis à vis de la DT50 sur les axes 1 et 2 (54 % de la
variabilité globale).
Par contre sur les axes 3 et 4 la DT50 de dégradation de l’isoproturon se détache
nettement, avec un poids positif sur l’axe 3 et un poids positif sur l’axe 4 (d’intensité
équivalente). Deux propriétés s’opposent nettement à la DT50, la teneur en limon non
décarbonatée et la teneur en eau à saturation.
229
J. Moeys Partie IV
Il parait cependant difficile de discriminer les valeurs de DT50 sur ces critères
(% limon et θS). Il ne s’agit que de 20% de la variabilité globale des échantillons, et
la distinction qui semblait se dessiner précédemment (tableau 73, p. 214) entre les
modalités de travail du sol simplifié et conventionnelle n’apparaît plus sur les axes 3
et 4 de cette ACP.
Il ressort de ces constants que la variabilité de la DT50 de l’isoproturon est

malheureusement indépendante d’une part essentielle de la variabilité des
propriétés du sol (composantes 1 et 2), et qu'elle porte seule une large part de la
variabilité sur les composantes 3 et 4.
■ 4.6 Prédiction des propriétés à l’aide de classes

ou de fonctions de pédotransfert locales :
faisabilité
Les matériels et méthodes relatifs à cette partie sont exposés p. 142.
Le faible nombre de sites de mesure et la forte variabilité spatiale des sols rendent
très incertaines des approches de spatialisation des propriétés importantes du sol ou
de l’isoproturon39 par interpolation.
Il est donc nécessaire de passer par une couche d’information intermédiaire, déjà
spatiale, comme une carte de sol ou une image satellite. Les propriétés plus ‘simples’
renseignées par la carte de sol (texture de surface, type de sol) ou par l’image satellite
(compte numérique ou réflectance) peuvent servir à prédire les propriétés d’intérêt,
dans la mesure où il existe un lien statistique (ou physique) entre les propriétés
simples et les propriétés d’intérêt.
Ce ‘lien statistique’ peut être discontinu (on parle alors de ‘classes de pédotransfert’)
ou continu (on parle alors de ‘fonctions de pédotransfert’). Il est nécessaire d’évaluer la
qualité de la prédiction (erreurs) pour déterminer la pertinence de ces dernières.
■ Classes de pédotransfert locales

La prédiction de propriétés importantes du sol et/ou de l’isoproturon à partir de leurs
valeurs moyennes par classes est une méthode de prédiction simple (classes de
pédotransfert). Couplée à l’usage d’une carte de sol, dont on peut extraire la répartition
géographique des classes d’intérêt, les ‘classes de pédotransfert’ doivent permettre de
spatialiser les propriétés importantes du sol ou de l’isoproturon.
Seule une partie des classes de pédotransfert testées est présentée ici.
39
Propriétés hydriques, teneur en eau immobile, adsorption et demi-vie de l’isoproturon.
230
J. Moeys Partie IV
□ Classes de pédotransfert pour le KS ou K-1 cm

Propriété qualitative Classe ‘K-1cm’ élevé
Couche 1
Classe de texture AL
Classe pédologique simplifiée {R,C}
Classe de pH ≥7
Classe de teneur en CaCO3 ≥ 4 g.kg-1
Classe de teneur en éléments grossiers ≥ 40 g.kg-1
tableau 84 – Propriétés qualitatives utilisées pour discriminer les valeurs de conductivité
hydraulique à h = –1 cm.
30 échantillons sont classés ‘valeurs élevées’, 20 sont classés ‘valeurs basses’. Un échantillon
donné sera globalement classé comme ‘K-1 cm élevé’ si au moins deux des critères décrits ci-dessus
sont favorables à une valeur de K-1 cm élevée (par exemple classe de texture AL et teneur en
CaCO3 ≥ 4 g.kg-1).
La valeur de K-1cm de chaque catégorie a été calculée en prenant la valeur médiane,
qui donne des résultats un peu meilleurs qu’avec la valeur moyenne.
Le K-1cm moyen de la catégorie ‘valeurs élevées’ est de 0,025 mm.s-1, celui de la
classe ‘valeurs basses’ est de 0,006 mm.s-1.
Les écarts à la moyenne relatifs obtenus par CV-LOO indépendante sans
prédiction40 sont de 69 % (RRMSEP%) ou de 67 % (MAPE%).
Les écarts entre les prédictions et les valeurs réelles obtenus par CV-LOO
indépendante sont de 60 % (RRMSEP%) ou de 58 % (MAPE%).
La différence d’erreur est donc de 10 %, la prédiction n’a donc quasiment

aucune utilité ici. D’autres combinaisons de propriétés qualitatives et d’autres
seuils ont été testés, mais ils ne donnent pas de meilleurs résultats.
Les prédictions sur le KS sont encore moins bonnes.
□ Classes de pédotransfert pour le KOC

Comme le KD est généralement prédit à partir d'une estimation du KOC et d'une
valeur de teneur en carbone organique, les prédictions catégorielles ont été tentées
directement sur le KOC. Le KOC est lié à certaines propriétés qualitatives qui ont été
testées.
Propriété qualitative Classe ‘KOC’ élevé
Classe de texture LA
Classe pédologique simplifiée {B,P,N,L}
Classe de teneur en CaCO3 ≤ 4 g.kg-1
Classe de teneur en éléments grossiers ≤ 40 g.kg-1
tableau 85 – Propriétés qualitatives utilisées pour discriminer les valeurs de KOC.
Un échantillon donné sera globalement classé comme ‘KOC élevé’ si au moins deux des critères
décrits ci-dessus sont favorables à une valeur de KOC élevée (par exemple classe de texture LA et
teneur en CaCO3 ≤ 4 g.kg-1).
La valeur de KOC de chaque catégorie a été calculée en prenant la valeur moyenne
qui donne des résultats un peu meilleurs qu’avec la valeur médiane.
40
Il s'agit d'une 'fausse prédiction' destinées à servir de point de référence en terme d'erreur de
prédiction : la valeur prédite de la variable X pour la ie mesure est égale à la moyenne de X (de i=1 à n)
231
J. Moeys Partie IV
Le KOC moyen de la classe ‘valeurs élevées’ est de 86 L.kg-1, celui de la classe

‘valeurs basses’ est de 69 L.kg-1.
Les écarts à la moyenne relatifs obtenus par CV-LOO indépendante sans prédiction
sont de 18 % (RRMSEP%) ou de 15 % (MAPE%).
La différence d’erreur est donc de 1 à 2 %, la prédiction n’a donc quasiment
aucune utilité ici ! D’autres combinaisons de propriétés qualitatives et d’autres seuils
ont été testés, mais ils ne donnent pas de meilleurs résultats.
□ Classes de pédotransfert pour la DT50 de l’isoproturon

Propriété qualitative Classe ‘DT50’ élevé
Modalité de travail du sol conventionnel
Classe de texture LA
Classe pédologique simplifiée {B,P,N,L}
Classe de teneur en CaCO3 ≤ 4 g.kg-1
Classe de teneur en éléments grossiers ≤ 40 g.kg-1
tableau 86 – Propriétés qualitatives utilisées pour discriminer les valeurs de DT50.
Un échantillon donné sera globalement classé comme ‘DT50 élevé’ si au moins deux des critères
décrits ci-dessus sont favorables à une valeur de DT50 élevée (par exemple classe de texture LA et
teneur en CaCO3 ≤ 4 g.kg-1).
La valeur de DT50 de chaque catégorie a été calculée en prenant la valeur médiane
qui donne des résultats un peu meilleurs qu’avec la valeur moyenne.
La DT50 moyen de la classe ‘valeurs élevée’ est de 7,75 j, celui de la classe ‘valeurs
basses’ est de 4,75 j.
Les écarts à la moyenne relatifs obtenu par CV-LOO indépendante sans prédiction
sont de 75 % (RRMSEP%) ou de 61 % (MAPE%).
La différence d’erreur est donc de 2 à 4 %, la prédiction n’a donc quasiment

aucune utilité ici. D’autres combinaisons de propriétés qualitatives et d’autres
seuils ont été testés, mais ils ne donnent pas de meilleurs résultats.
□ Classes de pédotransfert pour d’autres propriétés

La prédiction d’autres propriétés a été envisagée. Les résultats pour la prédiction de
la teneur en eau à saturation et aux pF 2 et 4,2, et de la réserve utile sont défavorables
(réduction de l’erreur insignifiante).
□ Conclusions sur les classes de pédotransfert

Les classes de pédotransfert testées ici n’apportent rien par rapport aux écarts à la
moyenne. Cela signifie que la prédiction est inopérante, il n’est donc pas pertinent
d’utiliser cette approche, combinée à la carte de sol, pour spatialiser les propriétés
hydriques et les propriétés d’interaction sol-isoproturon.
232
J. Moeys Partie IV
■ Fonctions de pédotransfert locales
□ Approche par régression multivariée : PLSR
– Fonction de pédotransfert pour le KSAT.

L’analyse PLSR présentée ici se base sur une prédiction de la conductivité
hydraulique à saturation avec un jeu de 11 propriétés initiales : les teneurs en argile,
en limons et en sables totaux sans décarbonatation, les teneurs en carbone organique
et en azote total, les teneurs en CaCO3 et en éléments grossiers totaux, le pH, les
teneurs en eau à pF 2, pF 4,2 et à saturation et la masse volumique apparente. Pour le
KSAT comme pour les autres propriétés à prédire, d'autres jeux de données ont été
testés (granulométries après décarbonatation notamment), mais les résultats ne sont
pas exposés ici, faute d'être meilleurs.
La procédure de sélection des propriétés aboutit à en sélectionner 2 : la masse
volumique apparente et la teneur en eau au pF 2. La propriété la plus importante est la
teneur en eau à pF 2 (VIP : 1,39), puis la masse volumique apparente (VIP : 0,25).
La RMSEP évaluée par CV-LOO (partiellement indépendante) aboutit à une RMSEP
de 0,5039 mm.s-1.
En comparaison, la RMSEP d’une régression linéaire simple entre conductivité à
saturation et la masse volumique apparente aboutit à une RMSEP de 0,5025 mm.s1. Les
écarts à la moyenne relatifs obtenus par CV-LOO indépendante sans prédiction sont
de 100 % d’erreur (RRMSEP%), avec une RMSEP de 0,5023 mm.s-1.
L’utilisation de la PLSR ou d’une régression linéaire simple n’apporte rien à la

prédiction de la conductivité hydraulique à saturation.
Fonction de pédotransfert pour K-1cm (après transformation de la propriété) :

Si les paramètres θS., hA et ‘b’ sont connus, la conductivité hydraulique à saturation
peut être dérivée directement d’une donnée de conductivité non-saturée. Pour cette
raison, il peut être intéressant de tester les déterminismes de la conductivité
hydraulique à –1cm qui a été mesurée (et éventuellement les possibilités de prédiction
de celle-ci avec d’autres propriétés).
Le paramètre K-1cm a une distribution qui s’écarte assez significativement de la
normalité (test de Shapiro), mais contrairement au KSAT, il s’est avéré possible de le
transformer pour obtenir une distribution se rapprochant de la normale. C’est donc la
valeur transformée de cette propriété qui a été utilisée. La transformation consiste à
centrer-réduire la propriété (équation 67), puis à appliquer la transformation inverse
décrite par l’équation 68.
La réalisation d’une PLSR sur la propriété transformée ne permet pas de réduire
l’erreur de prédiction de manière substantielle (RMSEP de 0,1163 au lieu de 0,1380 de
RMSEP sans prédiction). Il est à noter que l’erreur relative (RRMSEP) est de 30 % au
lieu de 100 % avec les conductivités non transformées.
– Fonction de pédotransfert pour la teneur en eau immobile

au potentiel -1 cm
L’analyse PLSR présentée ici se base sur une prédiction de la fraction d’eau
immobile avec un jeu de 11 propriétés initiales, propriétés physico-chimiques et
hydriques du sol (granulométrie non-décarbonatée).
233
J. Moeys Partie IV
La procédure de sélection des propriétés aboutit à en sélectionner 4 : la teneur en

carbone organique, la teneur en CaCO3, la masse volumique apparente et la teneur en
eau au pF 2. La propriété la plus importante est la masse volumique apparente (VIP :
1,17), puis le carbone organique et la teneur en eau à pF 2 (VIP : 1,07 et 1,01).
de 21 % (fraction de la teneur en eau à –1 cm).
En comparaison, la RMSEP d’une régression linéaire simple entre la fraction d’eau
immobile et la masse volumique apparente aboutit à une RMSEP de 24 %. Les écarts à
la moyenne relatifs obtenus par CV-LOO indépendante sans prédiction sont de 43 %
d’erreur (RRMSEP%), avec une RMSEP de 26 %.
L’utilisation d’une prédiction par PLSR de la fraction d’eau immobile réduit d’à
peine 1/5e l’erreur par rapport à une absence de prédiction. L’utilisation de la PLSR
pour prédire la fraction d’eau immobile est donc peu pertinente.
– Fonction de pédotransfert pour le KD.

L’analyse PLSR présentée ici se base sur une prédiction du KD avec un jeu de 11
propriétés initiales, propriétés physico-chimiques et hydriques du sol (granulométrie
non-décarbonatée).
La procédure de sélection des propriétés aboutit à en sélectionner 6 : le carbone
organique (C_org), la teneur en limon sans décarbonatation (L_T_ND) et en
éléments grossiers totaux (EG_TOT), ainsi que les teneurs en eau aux pF 2 et 4,2
(PF2_V, PF42_V). Les propriétés les plus importantes (VIP) sont le carbone organique,
les éléments grossiers totaux et la teneur en limon. Une PLSR équivalente peut être
obtenue en utilisant seulement ces propriétés (erreur de prédiction un peu plus
élevée), ce qui souligne la redondance d’information entre les propriétés pour le KD
(MN_KD).
figure 92 – Coefficients de la régression multiple (PLSR) de prédiction du KD, et graphique

valeurs prédites – valeurs réelles de la régression.
Avec ‘Ord or’ l’ordonnée à l’origine de la PLSR ; ‘Rég. simple’ : Régression linéaire simple entre
le KD et le carbone organique, KD = 0,257 + 0,062.C_org ; voir le texte ci-dessus pour les
abréviations.
On voit que la régression par PLSR permet de réduire quelque peu une tendance à
la sous-estimation du KD par rapport à la régression simple, mais la différence est peu
visible. Les résultats (non présentés) de la régression linéaire simple montrent que
234
J. Moeys Partie IV
l’ordonnée à l’origine est significative au seuil 5 %, et que la pente est significative à un

seuil inférieur à 0,1 %.
de 0,17 L.kg-1.
En comparaison, la RMSEP d’une régression linéaire simple entre le KD et la teneur
en carbone organique aboutit à une RMSEP de 0,20 L.kg-1. Les écarts à la moyenne
relatifs obtenus par CV-LOO indépendante sans prédiction sont de 23% (RRMSEP%),
avec une RMSEP de 0,25 L.kg-1.
Ramené en écart moyen ou en écart moyen entre la prédiction et la valeur réelle,
l’application d’une régression multiple fait passer l’erreur de 0,20 à 0,11. Cette
évaluation est moins stricte que la RMSEP, mais elle met en évidence l’intérêt éventuel
de cette prédiction.
L’amélioration de la prédiction du KD par une régression multiple est donc

relative, mais néanmoins acceptable.
Il est possible de trouver des hypothèses logiques aux facteurs sélectionnés pour
cette PLSR. Le KD de l’isoproturon est, comme pour de nombreux pesticides,
positivement corrélé à la quantité de matières organiques. Ce lien est démontré de
longue date (Wauchope et al., 2002). Les mesures de KD sur les horizons profonds
carbonatés ont montré que ces matériaux adsorbent très peu l’isoproturon. C’est
donc logiquement que les éléments grossiers, souvent carbonatés, soient
négativement corrélés à l’adsorption. Il est peu probable que les éléments grossiers
de meulière (minéral siliceux : calcédoine) ou que les graviers de Lozère (pour
partie des quartzs, donc siliceux) adsorbent l’isoproturon. Par contre ces différents
types d’éléments grossiers ont des porosités différentes, ce qui pourrait expliquer
des différences d’effet (non mesurées) sur le KD, notamment si une part de
l’adsorption est due à la diffusion dans les micropores. L’effet de la teneur en limon
total sans décarbonatation est plus difficile à envisager, car ce sont généralement
les fractions argileuses qui agissent sur l’adsorption. Peut-être les effets de la
teneur en argile sont-ils contrebalancés par les effets inverses de la fraction
sableuse (grossière notamment) qui est positivement corrélée avec la teneur en
argile (r = 0,45), notamment dans les sols carbonatés, qui sont aussi plus
argileux.
Les effets des teneurs en eau aux pF 2 et 4,2 sont plus difficiles à expliquer. On
peut émettre l’hypothèse qu’il s’agit là d’un effet de la microporosité qui peut avoir
un effet sur l’adsorption par diffusion. Les sols avec une teneur en eau à pF 4,2
faible auraient une microporosité moins abondante, tandis que les sols avec une
teneur en eau élevée à pF 4,2 auraient une microporosité plus abondante, favorable
à la diffusion. Deux éléments réduisent cette hypothèse : (i) les teneurs en eau aux
pF 2 et 4,2 sont positivement corrélées (r=0,48), quand l’une est élevée, l’autre tend
à l’être aussi (ii) La teneur en eau immobile, elle aussi liée à une porosité fine et/ou
non continue, est positivement corrélée à la teneur en eau au pF 2, négativement
corrélée à la teneur en eau à saturation, et pas corrélée à la teneur en eau au
pF 4,2. Teneur en eau immobile et KD ne sont d’ailleurs pas corrélés
significativement.
– Fonction de pédotransfert pour le KOC.

L’analyse PLSR présentée ici se base sur une prédiction du KD avec un jeu de 11
propriétés initiales, identique à celui utilisé pour le KD.
La procédure de sélection des propriétés a abouti à sélectionner les mêmes
235
J. Moeys Partie IV
propriétés que dans le cas du KD. Les propriétés les plus importantes (VIP) sont les
éléments grossiers totaux et la teneur en limon. Le carbone organique a une
importance plus faible, et les teneurs en eau aux pF2 et 4,2 ont une importance
intermédiaire.
figure 93 – Coefficients de la régression multiple (PLSR) de prédiction du KOC, et graphique

valeurs prédites – valeurs réelles de la régression.
Avec ‘Ord or’ l’ordonnée à l’origine de la PLSR ; ‘Rég. simple’ : Régression linéaire simple entre
le KOC et le carbone organique, KOC = 88,720 + –0,274.EG_TOT ; voir le paragraphe précédent
(KD) pour les abréviations.
On voit que les régressions par PLSR ou linéaire simple tendent toutes les deux à
sous estimer le KOC quand sa valeur est élevée, et à le surestimer quand sa valeur
réelle est faible. Les résultats (non présentés) de la régression linéaire simple montrent
que l’ordonnée à l’origine et la pente sont significatives à un seuil inférieur à 0,1 %.
de 12 L.kg-1.
En comparaison, la RMSEP d’une régression linéaire simple entre le KOC et la teneur
éléments grossiers ou entre le KOC et la teneur en limon aboutit à une RMSEP de
13 L.kg-1. Les écarts à la moyenne relatifs obtenus par CV-LOO indépendante sans
prédiction sont de 18 % (RRMSEP%), avec une RMSEP de 15 L.kg-1.
L’amélioration de la prédiction du KOC par une régression multiple est donc

très relative. Il n’y a pas d’amélioration notable par rapport à une prédiction du
KD par régression multiple (mêmes propriétés), les deux approches donnant un
résultat équivalent.
– Fonction de pédotransfert pour la DT50 de l’isoproturon

L’analyse PLSR présentée ici se base sur une prédiction du DT50 avec un jeu de 11
propriétés initiales, identique à celui utilisé pour le KD.
La procédure de sélection des propriétés aboutit à la sélection de la teneur en
éléments grossiers et la teneur en eau à pF 2. La propriété la plus importante est la
teneur en eau au pF2 (VIP : 1,12).
de 11 jours.
En comparaison, la RMSEP d’une régression linéaire simple entre la DT50 et la
236
J. Moeys Partie IV
teneur éléments grossiers ou entre le DT50 et la teneur en eau à pF 2 aboutit à une

RMSEP de 10 jours (quasiment identique à celle de la PLSR sans arrondi). Les écarts
relatifs à la moyenne obtenus par CV-LOO indépendante sans prédiction sont de 68 %
(RRMSEP%), avec une RMSEP de 11 jours.
L’amélioration de la prédiction du DT50 par une régression multiple ou une

régression simple est donc nulle. Avec le jeu de données étudié, il n’y a pas
d’intérêt à prédire la demi-vie de l’isoproturon par régression.
□ Approche par régression multivariée : GIFI-PLSR

L’utilisation de la méthode GIFI-PLSR n’a malheureusement pas permis d’améliorer
la prédiction des propriétés d’intérêt. La méthode donne cependant des résultats
similaires à ceux de la PLSR pour la prédiction du KD et de la fraction d’eau immobile,
ce qui montre qu’elle peut être aussi efficace que cette dernière. Les résultats sont
identiques si l’on considère l’écart moyen entre la valeur prédite et la valeur réelle,
mais moins bons si l’on considère la RMSEP. De tels écarts sont prévisibles, car la
méthode GIFI-PLSR repose sur une dégradation partielle des propriétés. En l’absence
de relations non-linéaires, son utilisation est discutable par rapport à une PLSR
normale.
Les tests de régression GIFI-PLSR sur la DT50 de dégradation de l’isoproturon,

sur le KOC, la conductivité hydraulique à saturation et la réserve utile n’apportent rien
par rapport aux résultats de la PLSR normale (ou les dégradent).

intermédiaire
Les tests statistiques effectués montrent que, prises deux à deux, il est possible
d’identifier des liens entre les différentes propriétés du sol mesurées, qu’elles soient
quantitatives ou qualitatives (corrélations, analyse de la variance). Ce lien est
néanmoins généralement ténu. Il est parfois logique (une hypothèse d’explication
rationnelle existe), mais pas toujours.
L’hypothèse qui en découle est que les liens entre propriétés sont multiples
(e.g. une propriété est influencée par plusieurs autres) et complexes (e.g. une
propriété est influencée par plusieurs autres, qui peuvent avoir des effets
antagonistes). L’approche par analyse de la variance montre, elle-aussi, des liens
entre propriétés, auxquels on peut souvent trouver des explications rationnelles,
mais ces liens restent (très) ténus.
L’hypothèse supplémentaire à partir de ces conclusions est que les liens entre
propriétés sont non seulement multiples, mais aussi peut-être non-linéaires.
L’analyse de la variance est certes valide sur des données non-normales ou aux
relations non-linéaires, mais elle se base sur une décomposition linéaire de la
variabilité, peut être inadéquate. La modélisation statistique des liens entre
propriétés ‘simples’ et les propriétés d’‘intérêt’ ne peut dès lors reposer que sur une
méthode de régression linéaire robuste (PLSR), ou une méthode non-linéaire
(GIFI-PLSR), voire sur des prédictions catégorielles.
Or, si l’on excepte un succès mitigé de la PLSR pour la prédiction du KD, ces
tentatives de modélisation statistique des propriétés d’intérêt sont un échec.
Plusieurs hypothèses non-exclusives peuvent être avancées pour expliquer
237
J. Moeys Partie IV
ce problème, elles sont détaillées dans la partie « Discussion & conclusions »

qui suit.
Une question importante doit être discutée : pouvait-on, et fallait-il tenter de
modéliser la variabilité spatiale des propriétés mesurées par une approche de
type géostatistique ? Il a été choisi de privilégier d'autres approches au détriment
de celle-ci, pour plusieurs raisons. Un micro-projet d'étudiants en Master (SILAT)
sur une partie des sondages tarière ayant servi à élaborer la carte des sols du
secteur a tenté une approche géostatistique de la variabilité spatiale de la
profondeur du sol, de la teneur en argile et en éléments grossiers de surface. Ce
travail n'est pas parvenu à mettre en évidence de structure spatiale de la variabilité,
mais il s'est avéré par la suite que ces données contenaient des erreurs de
positionnement des sondages (voir de numérotation pour certains d'entre eux ;
Delmas, 2007). Il existe une variabilité spatiale élevée de certains paramètres
pédologiques à l'échelle de la parcelle. La profondeur du sol notamment est très
variable, ainsi que la teneur en éléments grossiers et la teneur en argile des
horizons argilo-limoneux de sub-surface. Ces variations sont dues notamment à des
phénomènes périglaciaires de gélifraction, cryoturbation et solifluxion. Tout le
secteur agricole ne semble pas affecté par ces phénomènes, mais ils ont été
visualisés nettement sur les fosses de la parcelle d'étude, mais aussi sur plusieurs
fosses (10 m x 10 m x 2 m) ouvertes pour l'implantation de l'embase d'éoliennes, au
sud-est de Ouarville, dans le secteur étudié. Une estimation empirique de terrain de
l'intervalle de distance sur laquelle la profondeur du sol et le taux d'éléments
grossiers peut varier très significativement est de 5 mètres à 100 mètres, soit
beaucoup moins que la distance minimale entre les 34 sites d'étude (figure 21 et
figure 22, p. 93 et 94). Les horizons de surface semblent un peu moins variables du
point de vue pédologique. Il subsiste cependant un effet parcelle probable lié aux
pratiques culturales, ce qui peut s'avérer gênant pour mettre en évidence une
structure spatiale de propriétés mesurées dans des parcelles différentes. Enfin, le
nombre de sites caractérisés (34) est une limitation forte, et non des
moindres : Webster et Oliver (1992) affirment ainsi que les échantillons
comprenant moins de 50 mesures ‘ont peu de valeurs’, et qu’un minimum de
100 mesures sont nécessaires pour estimer le variogramme d’une propriété
du sol.
238
J. Moeys Partie V
Partie V Discussion &

conclusions
Retour sur les choix
méthodologiques effectués
et leurs limites
239
J. Moeys Partie V
1 Discussion
■ 1.1 Identification des problèmes rencontrés
... ou l'analyse a posteriori d’un échec relatif...
Pour quelles raisons n’a-t-il pas été possible d’identifier
clairement et de modéliser statistiquement les déterminismes de
la variabilité des propriétés du sol et de l'isoproturon ?
Si des tendances sont observées, qui montrent des liens logiques entre les
différentes propriétés mesurées, il n’a pas été possible de modéliser statistiquement la
variabilité des propriétés d’intérêt de manière satisfaisante. Il est donc nécessaire de
chercher à expliquer cet échec. Plusieurs hypothèses, non exclusives, sont possibles :
Hypothèse 1 : Les propriétés agro-pédologiques mesurées ne sont pas les
propriétés explicatives réelles des propriétés d’intérêt (KSAT, KD, KOC, DT50). On
peut par exemple supposer que la prédiction des propriétés hydriques du sol
bénéficierait d’une meilleure description (quantitative) de la structure du sol à
l’échelle de la mesure (voir Lin et al., 1999 a et b). Concernant le KD, les pistes à
envisager sont l’effet de la nature biochimique des matières organiques et l’effet
des éléments grossiers et de la fraction sableuse. Les deux derniers paramètres
ont été mesurés, mais pas sur une gamme de valeurs suffisamment étendue. Ils
auraient aussi dû/pu être mesurés sur les quelques grammes de sol ayant servi à
mesurer le KD, et leur volume soustrait à celui de la terre fine, afin d'évaluer le KD de la
terre fine. En accord avec la bibliographie, une étude plus précise de la microflore
dégradante du sol aurait peut-être permis de dégager quelques pistes d’explications
de la DT50. La spécificité de la flore dégradante et la complexité des processus en jeu
en font une hypothèse réaliste, mais difficile à traiter à l’échelle d’un secteur agricole.
En l’absence de mesures additionnelles d’autres propriétés du sol, statuer sur

leur rôle dans les déterminismes des propriétés d’intérêt dans le secteur agricole
étudié n’est que pure spéculation. Une analyse plus approfondie des données de la
littérature est nécessaire pour définir de futures pistes de recherche.
Hypothèse 2 : les tests statistiques employés et les combinaisons de

propriétés testées ne sont pas adéquats. Il est certain qu’il aurait été préférable
d’utiliser une méthode de sélection des propriétés reconnue et validée (comme par
exemple l’algorithme génétique employé par Kah et al., 2007, pour leur étude des
déterminismes de 10 pesticides). Les tests statistiques alternatifs sont nombreux, mais
cette étude manque pour l'instant de recul pour définir lesquels mériteraient d’être
testés (arbres de régression ?).
Hypothèse 3 : La variance/variabilité résiduelle est trop importante et masque
les relations entre les propriétés (voir Webster, 2007, pour un exemple sur l’analyse
de la variance). Plusieurs raisons sont possibles pour cela :
Hypothèse 3.a : Il existe pour un même site un décalage spatial entre les
différentes mesures, alors que la variabilité du sol s’exprime à une échelle inférieure
à la distance entre les mesures et le nombre de répétitions des mesures par site ne
suffit pas à réduire la variance résiduelle qui en découle. Cette hypothèse est
240
J. Moeys Partie V
parfaitement réaliste compte tenu de la variabilité spatiale de la structure du sol et de la

teneur en matière organique. Le décalage spatial découle à la fois de l’impossibilité de
faire toutes les mesures au même point (mesures destructives), et du décalage spatial
possible induit par l'imprécision du géoréférencement des mesures entre les
différentes phases d’étude. Le nombre de répétitions est très faible, quand ce n’est pas
une mesure unique. De ce fait, la structure de la variabilité spatiale des données
intègre à la fois une variabilité entre sites et une variabilité au sein d’un même
site, difficilement quantifiable en l’absence de réels réplicats. Les différentes propriétés
mesurées sur un même site ne portent pas sur les mêmes objets.
Pour le cas précis de l’échantillonnage de sol très localisé pour les analyses
physico-chimiques et les mesures des propriétés de l’isoproturon, réaliser un
échantillonnage à partir de plusieurs sous échantillons groupés et mélangés ensuite
aurait peut être permis de mieux relier les propriétés citées plus-haut aux propriétés
hydriques et à la masse volumique apparente. Mais cela n’aurait pas résolu le
problème du manque de répétitions pour les propriétés hydriques. Cela n’aurait pas
non plus amélioré l’étude des liens entre les propriétés physico-chimiques et les
propriétés de l’isoproturon puisque, pour ces propriétés, l « objet-sol » mesuré est le
même. Enfin, cela aurait peut être conduit à une réduction de la variabilité spatiale
mesurée pour ces propriétés, en passant d’une surface échantillonnée de quelques
dm2 à quelques m2. Une perte d’information sur cette variabilité spatiale peut être
critique pour une évaluation correcte des risques de transferts à l’aide d’un modèle
mécaniste dont les paramètres sont générés de manière stochastique sur la base de
leur distribution. Une bonne estimation des valeurs moyennes comme des valeurs
extrêmes est importante (e.g. Coquet et al., 2005a).
Hypothèse 3.b : Il existe un décalage temporel entre certaines mesures qui, du fait
de l’évolution des propriétés hydriques et des propriétés de structuration du sol sur cet
intervalle de temps, empêche de mettre en évidence les liens qui existent entre les
propriétés du sol. Cette hypothèse est difficile à évaluer. La plupart des différentes
propriétés hydriques du sol ont été mesurées en même temps, sur une période
restreinte relativement à la durée de la saison culturale (~1 mois). Il existe par contre
un décalage temporel conséquent entre la période d’échantillonnage du sol (pour les
propriétés physico-chimiques et les propriétés de l’isoproturon) et les mesures et
prélèvements destinés aux propriétés hydriques (4 à 5 mois). Les propriétés de
rétention en eau sont importantes pour la cinétique de dégradation des pesticides, leur
(hypothétique) variation au cours de la saison culturale est-elle susceptible d’affecter
l’interaction sol-isoproturon ? La masse volumique apparente, seule propriété liée à la
structure qui a été mesurée, est susceptible d’évoluer au cours de la saison culturale,
mais elle a été mesurée en même temps que les propriétés hydriques.
Hypothèse 3.c : Il existe une différence de volume élémentaire représentatif
entre les différentes propriétés mesurées. Si la différence de taille entre les objets
mesurés est avérée, l’effet de cette différence est difficile à évaluer. Les 50 cm3 de sol
utilisé pour la mesure de la rétention en eau ne correspondent pas aux quelques dm3
de la mesure d’infiltration, ni aux 5 à 10 cm3 du prélèvement utilisé pour la fraction d’eau
immobile, ni aux 100 à 500 cm3 de la mesures de masse volumique apparente, ni aux
1,5 kg de sols prélevés pour faire les mesure de dégradation, et encore moins au
3390 cm3 prélevés à la tarière pour la description du sondage.
Hypothèse 3.d : Du fait des erreurs de mesures, les estimations des propriétés
du sol sont trop imprécises, ce qui introduit une variance/variabilité additionnelle.
Aucune analyse de sensibilité de 1er ordre n’a été effectuée sur les différentes
propriétés mesurées (à partir des équations qui permettent de les calculer), de manière
à étudier la sensibilité des propriétés estimées aux erreurs sur les mesures
directes/brutes. En l’état actuel, il n’est pas possible d’estimer précisément les effets
241
J. Moeys Partie V
des erreurs sur les propriétés estimées. Les sources d’erreur lors des différentes
mesures sont par contre généralement connues. Les principales sources d’erreur qui
ont pu être identifiées/soupçonnés lors de cette étude sont : (i) l’imprécision de la
lecture de la hauteur d’eau écoulée dans le réservoir de l’infiltromètre, et les problèmes
possibles de potentiel imposé non-constant du fait des effets du vent sur le vase de
Mariotte et sur la stabilité de l'infiltromètre. (ii) La difficulté d’effectuer un prélèvement
non-destructif à la gouge sous l’infiltromètre à la fin de l’infiltration ou la différence de
masse volumique apparente entre les mesures au cylindre (qui servent à ‘corriger’ les
prélèvements sous l’infiltromètre) et la masse volumique apparente réelle sous
l’infiltromètre (inconnue). (iii) Le manque de précision des mesures de quantité
d’isoproturon résiduelle au temps final des incubations, lié notamment à une mauvaise
estimation des quantités de molécules radiomarquées nécessaires (en partie liée à
l’aspect biphasique des cinétiques). (iv) Il est difficile de réaliser des prélèvements de
bonne qualité (non perturbés) pour les mesures de la relation θ(h) sur de petits
cylindres de sol (plus large que haut). Sur ce point, la qualité des prélèvements
semblait néanmoins correcte (comme pour les prélèvements de masse volumique
apparente).
Hypothèse 3.e : Une part de l’imprécision des mesures résulte d’une
inadéquation entre les ‘modèles de processus’ simples qui ont été choisi et la
‘réalité des processus’ plus complexe. Ce type d’erreur, appelé ‘erreur
structurelle’, pose à la fois problème lors de l’estimation des paramètres du modèle
avec des données mesurées et lors de l’utilisation des propriétés estimées dans des
modèles informatiques de prédiction du comportement des pesticides dans les sols
(sur ce dernier point, voir Dubus et al., 2003), avec les mêmes équations. La réalité
mesurée n’est pas correctement prise en compte lors de l’estimation des paramètres,
puis le modèle informatique échoue à reproduire de manière satisfaisante des mesures
réalisées par ailleurs. Quand elle est identifiée, l’erreur structurelle s’apparente au non-
respect des hypothèses de base liées aux modèles de processus. Ce problème est
évident pour l’estimation de la DT50 avec une cinétique de 1er ordre, et il a
probablement été aggravé par le faible nombre de temps d’extraction (3) au cours de la
cinétique de dégradation.
Il est fort possible que les problèmes d’interprétation des mesures d’infiltration
soient en partie dus au non-respect des hypothèses des modèles utilisés. Si l’utilisation
des équations de Campbell pour décrire la rétention en eau et la conductivité du sol
n’est pas problématique (avec 3 mesures de teneur en eau et une conductivité
hydraulique, un seul ajustement est possible), il est évident que la forme des courbes
θ(h) et K(h) ne reproduit pas la forme plus complexe des relations réelles. Cresswell et
Paydar (1996) ont cependant montré que les erreurs dérivant de cette méthode sont
acceptables. La mesure du coefficient d’adsorption avec un modèle linéaire est aussi
une simplification par rapport au processus réel mieux reproduit par l’équation de
Freundlich. Plusieurs études ont montré que l’adsorption de l’isoproturon s’écarte un
peu de la linéarité (NF < 1 ; e.g. Coquet et Barriuso, 2002).
Il n’est pas possible en l’état actuel de quantifier la contribution des

différentes sources de variabilité ‘additionnelle’ qui ont pu nuire à une bonne
détermination des relations entre les différentes propriétés mesurées. Il apparaît
cependant réaliste que chacune de ces hypothèses a pu contribuer à l’erreur
globale.
La stratégie retenue, qui consiste à assurer un nombre de sites (34) et
d’échantillons (50) caractérisés conséquent, au prix d’une réduction du
nombre de répétitions de mesures pour chaque site, de l’adoption de modèles
242
J. Moeys Partie V
simples (avec peu de paramètres à caractériser, facilement mesurables) pour

décrire les processus, et d’une caractérisation a minima de ces processus
(faible nombre de temps d’extraction pour la DT50, avec un nombre limité de pseudo
réplicats) contribue probablement à augmenter la variance résiduelle, non
explicable par les interactions entre propriétés. Cette stratégie est un échec
relatif, mais ce constat à plusieurs conséquences qu’il convient de discuter.
■ 1.2 Répercussions des problèmes rencontrés

L’adoption de la stratégie décrit ci-dessus (et dans l’introduction) avait pour objectif
de caractériser de manière satisfaisante la variabilité spatiale des propriétés
hydriques du sol et le comportement de l’isoproturon. Le risque étant de sous-
estimer la variabilité réelle et donc de ne pas rendre compte correctement du
comportement de la molécule in situ et des transferts. En partant de l’hypothèse
(discutable) que le travail réalisé a permis de caractériser le niveau de variabilité
spatiale des propriétés, plusieurs points de vue sont alors possibles :
– Il est nécessaire d’augmenter le nombre de mesures réalisées, au bénéfice des
répétitions de mesure au sein de chaque site.
– Le compromis entre le nombre de sites caractérisés et le nombre de
répétitions par sites n’est pas correct, il faut réduire le nombre de sites
caractérisés et augmenter le nombre de répétitions de mesures par sites. Dans ce
cas, y a-t-il un risque de sous estimer la variabilité spatiale des propriétés ?
De fait des moyens et du temps disponible, le nombre de mesures qu’il est
possible de réaliser est classiquement le principal facteur limitant. C’est donc la
deuxième question qu’il faut examiner.
Cette question en soulève une autre, que des générations de pédologues se sont
posées : combien de répétitions faut-il pour caractériser correctement le centrage
(moyenne) et la dispersion (variance) des propriétés mesurées ? Si l’on se réfère
à Warrick et Nielsen (1980), concernant l’estimation de la moyenne, la réponse est 2
pour la masse volumique apparente, 50 à 150 pour la granulométrie, 60 à 100 pour les
propriétés de rétention en eau et 1300 (!) pour la conductivité hydraulique.
Les 50 couches/échantillons du travail présenté ici, réparties sur la surface et la
profondeur de l’horizon de surface du secteur agricole seraient donc à peine
satisfaisantes pour caractériser la granulométrie et les propriétés de rétention en eau
du sol, et tout à fait insatisfaisantes pour caractériser la conductivité hydraulique. Le
nombre d’échantillons nécessaires dépend en fait de la surface du secteur étudié et de
la structure de la variabilité spatiale de la propriété d’intérêt (portée et palier du
semivariogramme), et il est donc difficile de savoir ou se situe la taille ‘idéale’ de
l’échantillon.
La question du nombre d'échantillons doit aussi être tranchée du point de vue
statistique : Quel est le nombre minimum de sites qu'il faut caractériser pour
disposer de tests statistiques robustes (régressions, analyse de la variance...)?
Lorsque les propriétés sont catégorielles, il est aussi nécessaire de disposer d'un
nombre de mesures par modalité satisfaisant. Enfin, un échantillonnage de taille trop
réduite limite les possibilités de validation croisée, par l'utilisation de méthodes comme
le Jackknife, et plus encore pour un 'vrai' échantillon de validation indépendant.
La comparaison des valeurs mesurées sur le secteur agricole avec les
mesures effectuées sur la parcelle d’étude par Alletto et al. (2006) ou par Millot
(2004) montre que les valeurs sont étonnamment proches par leurs moyennes,
(carbone organique, KSAT, KD, DT50), mais les études à la parcelle sous-estiment
243
J. Moeys Partie V
généralement la variabilité (le nombre de mesures est aussi plus faible). Cela signifie-
t-il que des mesures à l’échelle d’une parcelle sont suffisantes pour caractériser
le secteur agricole de Ouarville ? La question est importante car, si la parcelle n’est
pas a proprement parler un secteur de référence, elle a été sélectionnée sur les
mêmes critères qu’un secteur de référence (hypothèse de représentativité vis-à-vis
de la diversité et de la répartition spatiale de la couverture pédologique).
D’un point de vue pédologique il est assez clair que le choix de cette parcelle
était pertinent. La plupart des matériaux géo-pédologiques du secteur y sont
représentés, et leur répartition à une échelle allant jusqu’à la 100aine de mètres est
caractéristique de ce qui s’observe à l’échelle du secteur agricole complet. Elle n’est
pas pertinente pour étudier les règles de répartition des sols dans le paysage, mais ces
règles ne sont pas plus apparentes à l’échelle du secteur agricole complet.
Comme les seules propriétés comparées sont celles de l’horizon de surface, et
que les analyses statistiques ont montré que cet horizon de surface avait des
propriétés pédologiques peu contrastées à l’échelle du secteur agricole, on peut par
contre se demander si l’adéquation entre les propriétés mesurées à la parcelle et
celles mesurées à l’échelle du secteur agricole n’est pas fortuite.
Cette question est légitime dans la mesure où la parcelle ne représente pas la
diversité des pratiques agronomiques dans le secteur étudié. Ces pratiques
influencent les propriétés de l’horizon de surface (carbone organique et structure
notamment), et les tests statistiques ont montré que certaines de ces propriétés
influencent les propriétés hydriques du sol et le comportement de l’isoproturon dans
ces sols.
2 Conclusion générale
Le travail présenté dans ce document a concerné la mise en œuvre d’une stratégie
d’évaluation de la variabilité spatiale des propriétés du sol, à l’échelle d’un
secteur agricole de 2600 ha, en relation avec leur impact potentiel sur le
comportement de l’isoproturon dans ces sols. La mise en évidence des facteurs
agronomiques et pédologiques qui influencent le comportement de l’isoproturon – ou
plus exactement le risque de voir cette molécule transportée par l’eau au travers du sol
vers la nappe – est une étape clé pour définir ensuite les zones ‘à risque’ pour ces
transferts.
L’évaluation des risques de transferts par l’utilisation de modèles informatiques
mécanistes, qui doit suivre ce travail, est un moyen essentiel de compréhension des
phénomènes. Par le couplage des processus, elle apporte une vision synthétique et
globale qui ne peut être mise en œuvre par l’examen individuel des propriétés du sol.
Mais cette approche est lourde à mettre en œuvre et coûteuse. Le pari de ce travail
était donc de réaliser une évaluation ‘a minima’ des propriétés du sol, tout en restant
dans le cadre ‘mécaniste’ de processus biologiques, physiques et chimiques intégrés
dans les modèles, en utilisant des jeux d’équations relativement simples à paramétrer.
La contrepartie attendue du choix de modèles de processus simples est la possibilité
de multiplier les mesures et, par-là, de mieux évaluer la variabilité spatiale des
propriétés, et de décortiquer les facteurs agronomiques et pédologiques qui influencent
les propriétés les plus critiques. La stratégie d’échantillonnage mise en œuvre et les
méthodes de mesures employées avaient pour but de capturer au mieux la variabilité
spatiale des propriétés du sol essentielles pour ces transferts.
La première question posée dans les objectifs de cette thèse est « quel est le
niveau de variabilité spatiale des processus étudiés ? ». Les mesures ont révélé
244
J. Moeys Partie V
que le niveau de variabilité spatiales des propriétés agronomiques (carbone organique)

et pédologiques (teneurs en argile, en CaCO3, etc.) du sol de surface sont relativement
faibles, si l’on excepte la masse volumique apparente. Le contexte géo-pédologique
présente une gamme de matériaux contrastés qui – après d’importants remaniements
par des phénomènes périglaciaires – se répartissent dans le paysage selon de règles
bien difficiles à décrypter. Malgré le nombre d’intergrades des matériaux parentaux (se
distinguant par leurs teneurs en argile et par la nature et l’abondance des éléments
grossiers), l’horizon de surface reste relativement homogène. Il semblerait que les
phénomènes de mélange qui ont pu survenir décroissent vers la surface, si bien que
les sols de surface sont essentiellement dérivés du limon des plateaux, d’où la relative
homogénéité de ces horizons cultivés. De même, malgré des différences de modalité
de travail du sol dans le secteur étudié, les teneurs en carbone de surface ne sont pas
très contrastées. Si les propriétés de rétention en eau du sol sont peu à moyennement
variables, la conductivité hydraulique au voisinage de la saturation et la fraction d’eau
immobile s’avèrent éminemment variables, comme c’est généralement le cas. Les
mesures quantitatives permettant de décrire la structure du sol – propriété qui pourrait
expliquer une telle variabilité de la conductivité – manquent. On décèle un effet de la
masse volumique apparente sur les propriétés hydriques du sol, mais celui-ci est
modéré. L’adsorption de l’isoproturon a une variabilité spatiale moyenne, à l’image de
la teneur en carbone organique dont elle dépend beaucoup. Le temps de demi-vie de
dégradation de l’isoproturon a une variabilité spatiale très importante. Comme pour la
conductivité hydraulique à saturation, les propriétés agro-pédologiques qui pourraient
expliquer ce niveau de variabilité n’apparaissent pas, ou n’ont pas été mesurées.
Ces constats nous amènent sur la deuxième question à laquelle cette thèse doit
répondre : « parmi les propriétés du sol mesurées et les paramètres
agronomiques pris en compte, lesquels sont déterminants pour les processus
étudiés ? ». L’étude statistique des relations entre les propriétés mesurées a montré
que beaucoup de propriétés agronomiques ou pédologiques du sol ont un lien, et peut-
être une influence, sur les propriétés hydriques du sol et sur sa réactivité vis-à-vis de
l’isoproturon. On décèle globalement deux grandes catégories de sol dont l’horizon de
surface se distingue par ses propriétés hydriques ou par ses propriétés d’adsorption et
de dégradation de l’isoproturon. La première catégorie est celle des sols peu profonds
‘à ambiance carbonatée’. Ils ont un horizon de surface avec des teneurs en argile,
carbonates et éléments grossiers plus élevées, ainsi qu’un pH neutre ou légèrement
basique. Ces sols occupent une faible surface dans le secteur étudié, ce sont
généralement des RENDISOLS, des CALCOSOLS ou des CALCISOLS. La seconde
catégorie est celle des sols moyennement profonds à profonds. Ils ont inversement un
horizon de surface avec des teneurs en argile, carbonates et éléments grossiers plus
faibles, ainsi qu’un pH neutre ou légèrement acide, et ils occupent une surface
importante. Les analyses en composantes principales révèlent que les ‘sols peu
profonds’ sont globalement plus organiques ; ils ont une réserve utile et une fraction
d’eau immobile plus faible, une conductivité à saturation plus élevée et un KOC plus
faible. La vitesse de dégradation de l’isoproturon y est apparemment plus élevée (DT50
plus faible). Ce constat intéressant est balayé par la réalité géologique, pédologique et
agronomique qui fait que les sols ‘typiques’ décrits ci-dessus deviennent sur le terrain
des intergrades, présentant un degré de rattachement variable avec les ‘sols types’.
Conséquence logique, il s’avère impossible de créer des classes de
pédotransfert ‘fiables’ sur la base des relations entre les propriétés de base du
sol (teneur en argile, CaCO3, éléments grossiers, etc.) et les propriétés d’intérêt
(rétention en eau, KSAT, KOC, DT50). Le constat est le même pour les fonctions de
pédotransfert qui ont été élaborées et testées : l’erreur de prédiction est trop élevée
pour que la prédiction des propriétés d’intérêt soit possible. Seule une prédiction du
245
J. Moeys Partie V
KD est envisageable, basée sur les teneurs en carbone organique, en éléments

grossiers et en limon du sol, et éventuellement ses teneurs en eau
caractéristiques à pF 2 et pF 4,2.
Les constats sont les mêmes pour les effets des pratiques agronomiques sur les
propriétés importantes dans les processus de transferts. Les échantillons des lits de
semence des parcelles en travail simplifié sont plus riches en carbone organique. La
distinction entre le lit de semence et le reste de l’horizon travaillé est importante,
notamment pour les propriétés hydriques du sol. Le lit de semence a une réserve utile
et une teneur en eau immobile plus faible, et une conductivité hydraulique à saturation
plus élevée. Sa masse volumique apparente est bien sur plus faible. Les sols en travail
simplifié semblent dégrader un peu plus vite l’isoproturon. Mais ces distinctions ne
permettent pas de prédire les propriétés hydriques du sol, du fait de la grande
variabilité des propriétés au sein de chacune des catégories distinguées (stratification
verticale, modalité de travail du sol).
figure 94 - Diagramme 'équi-moyens' d'arbitrage du rapport 'nombre de sites' / 'nombre de

répétitions par sites' / 'complexité des modèles' de l'étude de la variabilité spatiale de
propriétés du sol mesurées sur des supports différents, pour une surface, un milieu
pédologique et un contexte agronomique de complexité donnée.
Ou « le dilemme de l’hydropédologue »
Avec 'puissance statistique', la puissance des tests, modèles et validations statistiques, qui
augmente avec le nombre de sites caractérisés ; 'complexité des modèles', la complexité des
modèles physiques ou chimiques de processus et la résolution de la représentation de la couverture
pédologique ; les 'moyens' sont les moyens matériels, financiers et humains, et le temps
disponibles ; la complexité du milieu comprend notamment le niveau et la structure des variations
des propriétés dans l'espace.
La question suivante posée au début du manuscrit de thèse, qui était « parmi les
processus étudiés, lesquels pourraient être prépondérants, au vu de leur intensité
et de leur variabilité spatiale, dans les transferts de l’isoproturon à l’échelle du
secteur agricole étudié ? » a une réponse tout aussi nuancée que la précédente. Il
existe des antagonismes entre les propriétés des ‘sols types’ présentés ci-dessus. Si
l’on prend le cas des ‘sols peu profonds à ambiance carbonatée’, ils sont peu épais,
souvent caillouteux, ont une réserve utile plus faible, un KOC plus faible et une
conductivité hydraulique à saturation plus élevée. Ces critères sont favorables aux
transferts de pesticides au travers du sol, mais ces sols ont aussi une vitesse de
dégradation plus élevée, une teneur en eau immobile plus faible et un teneur en
carbone organique plus élevée (ce qui augmente mécaniquement le KD), ce qui réduit
les risques de transfert. Seul un travail de modélisation permettrait de déterminer
246
J. Moeys Partie V
les effets qui sont prépondérants sur les risques de transferts de l’isoproturon.
En conclusion (1) les sols de surface du secteur agricoles de Ouarville sont
peu contrastés du point de vue de leurs propriétés agronomiques et
pédologiques ; (2) certaines propriétés cruciales pour le comportement de
l’isoproturon sont néanmoins très variables ; (3) si l’on parvient à identifier
certains de leur déterminismes (facteurs agro-pédologiques), ces déterminismes
sont, à l’exception notoire du KD, trop peu marqués pour permettre de prédire les
propriétés du sol importantes pour les transferts de pesticides à partir de ses
propriétés de base. (4) Enfin, les propriétés du sol importantes pour les
transferts de pesticides ont parfois des effets antagonistes sur les risques de
transferts.
La prédiction spatiale des risques de transferts de pesticides à partir d’une
carte des propriétés pédologiques du sol ne semble donc pas possible. Une
prédiction du KD à partir d’une carte des teneurs en matières organiques est par
contre envisageable.
La dernière question à laquelle doit répondre cette thèse a pour but d’apporter un
éclairage sur les raisons de l’échec relatif exposé ci-dessus : « quelles sont les
conséquences du choix méthodologique privilégiant l’estimation de la variabilité
spatiale au détriment de la complexité des processus suivis ». Ces conséquences
ont été largement discutées dans le chapitre précédent (discussion), elles sont
synthétisées par la figure 94 ci-dessus.
Le fait est que les moyens dont disposent les études portant sur des problèmes
agro-environnementaux liés au sol sont généralement le facteur limitant, notamment du
fait des limites méthodologiques à la connaissance des sols, qui ont été exposées en
introduction de ce document. La complexité du milieu naturel en général et des sols en
particulier est aussi un invariant avec lequel il faut composer.
Il n'est pas toujours possible de mesurer toutes les propriétés du sol sur un seul et
même prélèvement, ou sur un seul et même point de mesure (appelé ici 'site'). Or, si
certaines propriétés du sol varient à courte distance (sa structure dans l'horizon
labouré par exemple), la différence de support de mesure engendre une variabilité
supplémentaire, parasite, qui masque une partie des liens existant entre les propriétés
mesurées.
La solution la plus évidente consiste à réduire le nombre de sites caractérisés, afin
d'augmenter le nombre de répétitions de chaque mesure pour un même site, afin de
compenser la variabilité locale – les moyens, et donc le nombre de mesures étant un
invariant. La baisse du nombre de sites caractérisés engendre à son tour une réduction
de la puissance des méthodes statistiques employées, notamment si le nombre de
sites caractérisés est faible.
Mais si on ne peut réduire le nombre de sites caractérisés, et qu'il faut augmenter le
nombre de répétitions, il est encore possible d'utiliser des modèles de processus
plus simples, qui demandent moins de mesures pour être calibrés. C'est la
stratégie qui a été retenue pour cette thèse, et nous avons vu qu'elle peut
engendrer à son tour une variabilité supplémentaire - du fait de l'inadéquation
entre les modèles et la réalité - qui masque elle aussi une partie des relations entre
propriétés.
Mais l'optimum présenté sur la figure 94 existe-t-il toujours ? Ou y a-t-il des

situations pour lesquelles une approche spatialisée de certaines propriétés du
sol n'est pas possible ?
247
J. Moeys Références bibliographiques
◊ Références bibliographiques
AFES, 1995. Référentiel pédologique - principaux sols d'Europe. INRA éd., col. Techniques et
Pratiques, Paris, 332 p., ISBN : 2-7380-0633-7.
AFNOR, 1995(a). NF ISO 10693 / NF X31-105. Qualité du sol - Détermination de la teneur en
carbonate - Méthode volumétrique. Thème : Propriétés chimiques des sols. Juin. 12 p.
AFNOR, 1995(b). NF ISO 10694 / NF X31-409. Qualité du sol - Dosage du carbone organique
et du carbone total après combustion sèche (analyse élémentaire). Thème : Propriétés
chimiques des sols. Juin. 12 p.
AFNOR, 1995(c). NF ISO 13878 / X31-418. Qualité du sol - Détermination de la teneur totale
en azote par combustion sèche ("analyse élémentaire"). Thème : Propriétés chimiques des
sols. Juillet. 12 p.
AFNOR, 1998(a). NF ISO 11272 / X 31-556. Qualité du sol – Détermination de la masse
volumique apparente sèche. Septembre. 15 p. In AFNOR, 1999. Qualité des Sols. Vol 1
& 2. col. Recueil Normes, Paris. 408 et 566 p.
AFNOR, 1998(b). NF X31-003. Qualité du sol – Description du sol. Thème: Qualité du sol et
pédologie en général. Décembre. 60 p.
AFNOR, 2003. NF X31-107. Qualité du sol – Détermination de la distribution granulométrique
des particules du sol - Méthode à la pipette. Thème: Propriétés physiques des sols.
Septembre. 20 p.
AFSSA – DIVE, 2007. AGRITOX – Base de données sur les substances actives
phytopharmaceutiques. (Isoproturon). Site internet, <http://www.dive.afssa.fr/agritox>,
dernier accès octobre 2007.
AHMAD R., NELSON P.N. & KOOKANA R.S., 2006. The molecular composition of soil organic
13
matter as determined by C NMR and elemental analyses and correlation with pesticide
sorption. European Journal of Soil Science, 57, pp. 883--893.
AILLOT B. & VERBEQUE B., 1995. Les terres de Beauce - Typologie des sols. Chambres
d'Agricultures d'Eure-et-Loir, du Loiret et du Loir-et-Cher. 52 p.
AILLIOT B. & SALLÉ S., 2003. Plan d'action de ouarville - état des travaux - mars 2003. Chambre
d'Agriculture d'Eure-et-Loir. Travaux financés par le Conseil Régional Centre, le Conseil
Général, les Agences de l'eau Loire-Bretagne et Seine-Normandie, le BRGM et Bayer
Crop Science dans le cadre du GREPPPES. 20 p. + annexes.
ALLETTO L., 2004. Dissipation des pesticides à l'échelle de la parcelle agricole - Étude des
mécanismes d'adsorption - dégradation et de transport de l'isoproturon sur une parcelle
agricole hétérogène de la Beauce. Rapport de DEA National de Science du Sol. UMR, EGC
(INA-PG/INRA), Thiverval-Grignon. 20 pp.
ALLETTO L., COQUET Y., BENOIT, P. & BERGHEAUD V., 2006(a). Effects of temperature and water
content on degradation of isoproturon in three soil profiles. Chemosphere 64:7 pp. 1053-
1061.
ALLETTO L., COQUET Y., VACHIER P. & LABAT C., 2006(b). Hydraulic conductivity, immobile water
content, and exchange coefficient in three soil profiles. Soil Science Society of America
Journal, 70:4 pp. 1272-1280.
VAN ALPHEN B.J. & STOORVOGEL J.J., 2002. Effect of soil variability and weather conditions on
pesticide leaching – a farm level evaluation. Journal of Environmental Quality 31 pp. 797-
805.
ANGULO-JARAMILLO R., GAUDET J.P., THONY J.L. & VAUCLIN M., 1996. Measurement of hydraulic
properties and mobile water content of a field soil Soil Science Society of America Journal,
60, 710–715.
ANGULO-JARAMILLO R., MORENO F., CLOTHIER B.E., THONY J.L., VACHAUD G., FERNANDEZ-BOY E.
& CAYUELA J.A., 1997. Seasonal variation of hydraulic properties of soils measured using
a tension disc infiltrometer. Soil Science Society of America Journal, 61, 27–32.
248
ANGULO-JARAMILLO R., VANDERVAERE J., ROULIER S., THONY J., GAUDET J. & VAUCLIN M., 2000.
Field measurement of soil surface hydraulic properties by disc and ring infiltrometers: A
review and recent developments. Soil and Tillage Research, 55, pp. 1–29.
ANKENY M.D., AHMED M., KASPAR T.C., HORTON R., 1991. Simple field method for determining
unsaturated hydraulic conductivity. Soil Science Society of America Journal, 55(2), pp. 467-
470.
ANTEA, 1999. Carte piézométrique de la nappe des calcaires de beauce sur le bassin versant
de ouarville.
ARVALIS, APCA, FFCAT, FNA, FNSEA, IN VIVO, JEUNES AGRICULTEURS, MINISTÈRE DE
L’AGRICULTURE, DE L’ALIMENTATION, DE LA PÊCHE ET DES AFFAIRES RURALES, UIPP,
COUMA–AFPP. 2003. Isoproturon, Chlortoluron – Nouvelle dose d'emploi. Note
d’information commune. 2 p.
AYLMORE L.A.G. & DI H.J., 2000. Predicting the probability of groundwater contamination by
pesticides under variable recharge. Australian Journal of Soil Research, 38 pp. 591-602.
BAIZE D., JABIOL B., 1995. Guide pour la description des sols. INRA, col. Techniques et pratiques.
375. p.
BANTON O., 1993. Filed- and laboratory-determined hydraulic conductivities considering
anisotropy and core surface area. Soil Science Society of America Journal, 57, pp. 10–15.
BARRIUSO E. & BENOÎT P., 2006. State-of-the-art review on bound residues. Report DL#5 of the
FP6 EU-funded FOOTPRINT project, <www.eu-footprint.org>, 79 p.
BASCOMB C.L. & JARVIS M.G., 1976. Variability in 3 areas of denchworth soil map unit .1. Purity
of map unit and property variability within it. Journal of Soil Science, 27:3, pp. 420-437. (cité
par Vauclin, 1982)
BASTET G., 1999. Estimation des propriétés de rétention en eau des sols à l’aide de fonctions
de pédotransfert : développement de nouvelles approches. Thèse Université d’Orléans,
214 p. (cité par Morvan et al. 2004)
BAVEYE P., JACOBSON A.R., ALLAIRE S.E., TANDARICH J.P. & BRYANT R.B., 2006. Whither goes
soil science in the United States and Canada? Soil Science, 171:7, pp. 501-518.
BECK A.J., JONES K.C., 1996(a). The effects of particle size, organic matter content, crop
residues and dissolved organic matter on the sorption kinetics of atrazine and isoproturon
by clay soil. Chemosphere, 32:12, pp. 2345-2358.
BECK A.J., HARRIS G.L., HOWSE K.R. JOHNSTON A.E. & JONES K.C., 1996(b). Spatial and
temporal variation of isoproturon residues and associated sorption/desorption parameters
at the field scale. Chemosphere, 33, pp. 1283-1295.
BENDING G.D., LINCOLN S.D. & EDMONDSON R.N., 2006. Spatial variation in the degradation rate
of the pesticides isoproturon, azoxystrobin and diflufenican in soil and its relationship with
chemical and microbial properties. Environmental Pollution, 139, pp. 279-287.
BENDING G.D. & RODRIGUEZ-CRUZ M.S., 2007. Microbial aspects of the interaction between soil
depth and biodegradation of the herbicide isoproturon. Chemosphere, 66, pp. 664-671.
BERGER B.M., 1999. Factors influencing transformation rates and formation of products of
phenylurea herbicides in soil. Journal of Agricultural And Food Chemistry, 47,
pp. 3389-3396.
BEULKE S. ET BROWN C.D., 2001. Evaluation of methods to derive pesticide degradation
parameters for regulatory modelling. Biology and Fertility of Soils, 33, pp. 558-564.
BEULKE S., VAN BEINUM W., BROWN C.D., MITCHELL M. & WALKER A., 2005. Evaluation of
Simplifying Assumptions on Pesticide Degradation in Soil. Journal of Environmental
Quality, 34, pp. 1933-1943.
BLACKSHAW R.E., O’DONOVAN J.T., HARKER K.N., CLAYTON G.W. ET STOUGAARD R.N., 2006.
Reduced herbicide doses in field crops: A review. Weed Biology and Management, 6,
pp. 10–17.
BLANCO M., COELLO J., ITURRIAGA H., M ASPOCH S. & PAGES J., 2000. NIR calibration in non-
linear systems: different PLS approaches and artificial neural networks. Chemometrics and
Intelligent Laboratory Systems, 50, pp. 75-82.
249
BOIVIN A., CHERRIER R. & SCHIAVON M., 2006. A comparison of five pesticides adsorption and
desorption processes in thirteen contrasting field soils. Chemosphere, 61, pp. 668-676.
BOSCH D.D. & WEST L.T., 1998. Hydraulic conductivity variability for two sandy soils. Soil Science
Society of America Journal, 62, pp. 90–98.
BOURAOUI F., 2007. Testing the PEARL model in the Netherlands and Sweden. Environmental
Modelling & Software, 22, pp. 937-950.
BOUYER J., 1996. Méthodes statistiques - médecine - Biologie. ESTEM, éd. INSERM. 351 pp.
ISBN : 2-909455-74-2.
BRONICK C.J. & LAL R., 2005. Soil structure and management: a review. Geoderma, 124, pp. 3-
22.
BROOKS & COREY, 1964. Hydraulic properties of porous media. Colorado State University, Fort
Collins, USA. Hydrology paper, 3.
BRUAND A., FERNANDEZ P.P. & DUVAL O., 2003. Use of class pedotransfer functions based on
texture and bulk density of clods to generate water retention curves. Soil Use and
Management, 19, pp. 232-242
BRUCKLER L., BERTUZZI P., ANGULO-JARAMILLO R. & RUY S., 2002. Testing an Infiltration Method
for Estimating Soil Hydraulic Properties in the Laboratory. Soil Science Society of America
Journal, 66, pp. 384-395.
BUCKINGHAM E., 1907. Studies on the movement of soil moisture. Bull. 38. USDA, Bureau of
Soils, Washington D.C. (cité par Kutílek et Nielsen, 1994)
CABINET VEILLAUX, 2000. Carte pédologique en vue d'un plan d'action pour la réduction de la
pollution par les phytosanitaires : secteur de ouarville. Chambre d'Agriculture d'Eure-et-
e
Loir (maître d'œuvre). Carte + notice, échelle 1/10000 .
CALVET R., 2003. Le Sol. Propriétés et fonctions. Tome 1 : Constitution et structure,
phénomènes aux interfaces. Éd. France Agricole, Dunod, 456 p.
CALVET R., 2005. Les pesticides dans le sol Conséquences agronomiques et
environnementales. Éd. France Agricole, col. Référence scientifique. 637 p.
CALVET R., BARRIUSO E. & DUBUS I.G., 2007. Application of two surface complexation models to
the adsorption of weak organic acids by soil: an additive approach. European Journal of
Soil Science, 58, pp. 609-624.
CAMERON D.R., 1978. Variability of soil water retention curves and predicted hydraulic
conductivities on a samll plot. Soil Science, 129, pp. 364–371. (cité par Vauclin 1982)
CAMPBELL, 1974. A simple-method for determining unsaturated conductivity from moisture
retention data. Soil Science 117:6. pp. 311-314.
CASEY F.X.M., LOGSDON S.D., HORTON R. & JAYNES D.B., 1997. Immobile water content and
mass exchange coefficient of a field. Soil Science Society of America Journal, 61, pp. 1030–
1036.
CASSEL D.K. ET BAUER A., 1975. Spatial variability in soils below depth of tillage : bulk density
and 15 atmosphere percentage. Soil Science Society of America Proceeding, 39, pp. 247–
250. (cité par Vauclin 1982)
CENTRAL SCIENCE LABORATORY, 2007. Pesticide Usage Statistics. <http://pusstats.csl.gov.uk/>.
Pesticide Usage Survey: <http://www.csl.gov.uk/aboutCsl/scienceGroupsAndTeams/fsg/-
pesticides/pusTeam.cfm>. (accès novembre 2007)
CHARNAY M.P., TUIS S., COQUET Y. & BARRIUSO E., 2005. Spatial variability in C-14-herbicide
degradation in surface and subsurface soils. Pest Management Science, 61, pp. 845-855.
CHEVALLIER T., VOLTZ M., BLANCHART E., CHOTTE J.L., ESCHENBRENNER V., M AHIEU M. &
ALBRECHT A., 2000. Spatial and temporal changes of soil C after establishment of a
pasture on a long-term cultivated vertisol (Martinique). Geoderma, 94, pp. 43-58.
CHIN W.W., MARCOLIN B.L. & NEWSTED P.R., 1996. A Partial Least Squares Latent Variable
Modeling Approach For Measuring Interaction Effects: Results From A Monte Carlo
Simulation Study And Voice Mail Emotion/Adoption Study. Proceedings of the 17th
International Conference On Information Systems. DeGross J.I., Jarvenpaa S. & Srinivasan
250
A. (éds) December 16-18, Cleveland, Ohio, USA. <http://disc-nt.cba.uh.edu/ chin/

icis96.pdf>
CHONG I. & JUN C., 2005. Performance of some variable selection methods when
multicollinearity is present. Chemometrics and Intelligent Laboratory Systems, 78,
pp. 103-112.
CIPRA J.E., BIDWELL D.A., WHITNEY D.A., FEYERHERM A.M., 1972. Variation with distance in
selected fertility measurement of pedons of Western Kansas Ustoll. Soil Science Society of
America Journal, 36, pp. 111–118. (cité par Vauclin 1982)
CLAUSEN L., FABRICIUS I. & M ADSEN L., 2001. Adsorption of pesticides onto quartz, calcite,
kaolinite, and alpha-alumina. Journal of Environmental Quality, 30, pp. 846-857.
CLAUSEN L. & FABRICIUS I., 2001. Atrazine, Isoproturon, Mecoprop, 2,4-D, and Bentazone
Adsorption onto Iron Oxides. Journal of Environmental Quality, 30, pp. 858-869.
CLOTHIER B.E. & SMETTEM K.R.J., 1990. Combining laboratory and field measurements to
define the hydraulic properties of soil. Soil Science Society of America Journal, 54,
pp. 299-304.
CLOTHIER B.E., KIRKHAM M.B. & MCLEAN J.E., 1992. In situ measurements of the effective
transport volume for solute moving through soil. Soil Science Society of America Journal,
56:733–736.
CLOTHIER B.E., HENG L.K., M AGESAN G.N. & VOGELER I, 1995.The measured mobile-water
content of an unsaturated soil as a function of hydraulic regime. Australian Journal of Soil
Research, 33, pp. 397–414.
COATS K. & SMITH B., 1964. Dead end pore volume and dispersion in porous media. Society of
Petroleum Engineers Journal, 4, pp. 73–84.
CONNOLLY R.D., 1998. Modelling effects of soil structure on the water balance of soil-crop
systems: a review. Soil & Tillage Research, 48, pp. 1-19.
COOKE C.M., SHAW G. & COLLINS C.D., 2004. Determination of solid-liquid partition coefficients
(Kd) for the herbicides isoproturon and trifluralin in five UK agricultural soils. Environmental
Pollution, 132, pp. 541-552.
COQUET Y., BOUCHER A., LABAT C., VACHIER P. ET ROGER-ESTRADE J., 2000. Caractérisation
hydrodynamique des sols à l'aide de l'infiltromètre à disque – Aspects théoriques et
pratiques. Étude et Gestion des Sols, 7:1, pp. 7–24.
COQUET Y., ROGER-ESTRADE J., BOUCHER A., LABAT C. & VACHIER P., 2001. Intérêt d'une
compartimentation morphologique du profil cultural pour l'étude de l'infiltration de l'eau
dans les couches de sol travaillées - Premiers résultats. Étude et Gestion des Sols, 8:1,
pp. 19-31.
COQUET Y. & BARRIUSO E., 2002. Spatial variability of pesticide adsorption within the topsoil of a
small agricultural catchment. Agronomie, 22, pp. 389-398.
COQUET Y., 2003. Sorption of Pesticides Atrazine, Isoproturon, and Metamitron in the Vadose
Zone. Vadose Zone Journal, 2, pp. 40-51.
COQUET Y., DESBOURDES-COUTADEUR C., VACHIER P., ŠIMŮNEK J., & ROGER-ESTRADE J., 2004.
Influence de la variabilité spatiale de la structure des sols cultivés sur les transferts de
l’eau et de l’ion bromure. Étude et Gestion des Sols, 11:1, pp. 81–92.
COQUET Y., HADJAR D., GILLIOT J.M., CHARNAY M.P., MOEYS J., DUFOUR A. & BEAUDOIN N.,
2005(a). Biases in the spatial estimation of pesticide loss to groundwater. Agronomy For
Sustainable Development, 25, pp. 465-472.
COQUET Y., VACHIER P., LABAT C., 2005(b). Vertical variation of near-saturated hydraulic
conductivity in three soil profiles. Geoderma, 126:3-4, pp. 181-191.
COQUET Y., VAUDOUR E., COUSIN I., NICOULLAUD B., ANGULO-JARAMILLO R., 2006. Projet de
Recherche ESHEL – Caractérisation du risque de contamination de la nappe de Beauce
par les pesticides : Elucidation des mécanismes du transport préférentiel et approche
spatiale du risque à l’échelle du bassin hydrologique – Rapport intermédiaire sur
l’avancement du projet de recherches. Programme MEDD « Evaluation et réduction des
risques liés à l’utilisation des pesticides », INA-PG, INRA, LTHE. 54 pp.
251
COUSIN I., NICOULLAUD B. & COUTADEUR C., 2003. Influence of rock fragments on the water
retention and water percolation in a calcareous soil. Catena, 53, pp. 97-114.
COUTADEUR C., COQUET Y. & ROGER-ESTRADE J., 2002. Variation of hydraulic conductivity in a
tilled soil. European Journal Of Soil Science, 53, pp. 619-628.
CPCS (Commission de Pédologie et de Cartographie des Sols), 1967. Classification des Sols.
Travaux CPCS 1963-1976. Polycopié, 67 p.
CRAWFORD J.W., 1994. The relationship between structure and the hydraulic conductivity of
soils. European Journal of Soil Science, 45, pp. 493–502.
CRESSWELL H.P. ET PAYDAR Z., 1996. Water retention in Australian soils. 1. Description and
prediction using parametric functions. Australian Journal of Soil Research, 34, pp. 195-212.
CRESSWELL H.P., COQUET Y., BRUAND A. ET MCKENZIE N.J., 2006. The transferability of
Australian pedotransfer functions for predicting water retention characteristics of French
soils. Soil Use and Management, 22, pp. 62–70.
DARCY H., 1856. Les fontaines publiques de la ville de dijon - Exposition et application des
principes à suivre et des formules à employer dans les questions de distribution d'eau -
Ouvrage terminé par un appendice relatif aux fournitures d'eau de plusieurs villes, au
filtrage des eaux et à la fabrication des tuyaux de fonte, de plomb, de tole et de bitume.
Par Henry Darcy, Inspecteur Général des Ponts et Chaussées. Victor Dalmont, Éd., Paris.
Référence consultable [http://www.cig.ensmp.fr/~hydro/BIB/darcy/loi_de_darcy.htm].
DE ALBA S., LINDSTROM M., SCHUMACHER T.E. & M ALO D.D., 2004. Soil landscape evolution due
to soil redistribution by tillage: a new conceptual model of soil catena evolution in
agricultural landscapes. Catena, 58, pp. 77-100.
DELMAS M., 2007. Evaluation d'une carte pédologique à moyenne échelle. Mémoire de Master,
STV, parcours "Sols: Organisation, fonctionnement et gestion", Université Piere et Marie Curie,
AgroParisTech, Paris. 43 p. + annexes.
DESCHAMPS C., 1999. Protéger et restaurer la qualité des eaux souterraines en Beauce : le
bassin versant de Ouarville. Mémoire de Fin d’Études de l’Institut National Agronomique
Paris-Grignon.
DODGE Y., 2003. Premiers pas en statistique. Éd. Springer-Verlag France, 427 p.
DUBUS I.G., BROWN C.D. & BEULKE S., 2003. Sources of uncertainty in pesticide fate modelling.
The Science of the Total Environment, 317, pp. 53-72.
E.E.A., 2004. Digital elevation model of europe : hillshade 1 km x 1 km, raster data. European
Environmental Agency.
ELKHATTABI K., BOUHAOUSS A., PERRIN-GANIER C. & SCHIAVON M., 2004. Fate of isoproturon in
two Moroccan soils. Agronomie, 24, pp. 177-183.
EL-SEBAI T., LAGACHERIE B., COOPER J.F., SOULAS G. & M ARTIN-LAURENT F., 2005. Enhanced
isoproturon mineralisation in a clay silt loam agricultural soil. Agronomy For Sustainable
Development, 25, pp. 271-277.
ERTLI T., M ARTON A. & FOLDENYI R., 2004. Effect of pH and the role of organic matter in the
adsorption of isoproturon on soils. Chemosphere, 57, pp. 771-779.
VAN ES H., OGDEN C., HILL R., SCHINDELBECK R. & TSEGAYE T., 1999. Integrated Assessment of
Space, Time, and Management-Related Variability of Soil Hydraulic Properties. Soil
Science Society of America Journal, 63, pp. 1599-1608.
FAO, 1998. World reference base for soil resources. World Soil Resources Reports n°84. ISSS,
ISRIC. 109 p. <http://www.fao.org/docrep/W8594E/W8594E00.htm>
FLURY M., 1996. Experimental evidence of transport of pesticides through field soils – A review.
Journal of Environmental Quality, 25, pp. 25–45.
FOOTPRINT, 2007. The FOOTPRINT Pesticide Properties DataBase. (Isoproturon). Database
collated by the University of Hertfordshire as part of the EU-funded FOOTPRINT project
(FP6-SSP-022704). Site internet <http://www.eu-footprint.org/ppdb.html>, dernier accès
octobre 2007.
252
GAJEM Y.M., WARRICK A.W. & MYERS D.E., 1981. Spatial dependence of physical properties of a
typic torrifluent soil. Soil Science Society of America Journal, 45, pp. 709–715. (cité par
Vauclin 1982)
GARDNER W.R., 1958 Some steady-state solutions of the unsaturated moisture flow equation
with application to evaporation from a water table. Soil Science, 85, pp. 228-232.
VAN GENUCHTEN, 1980. A closed form equation for predicting the hydraulic conductivity of
unsaturated soils. Soil Science Society of America Journal, 44:. pp. 892-898.
GIAMBELLUCA T.W., LOAGUE K., GREEN R.E. & NULLET M.A., 1996. Uncertainty in recharge
estimation: impact on groundwater vulnerability assessments for the Pearl Harbor Basin,
O'ahu, Hawai'i, U.S.A. Journal of Contaminant Hydrology, 23, pp. 85-112.
GIGOT CL. & DESPREZ N., 1976. Carte géologique de la france à 1/50000 - voves, xxi-17
Ministère de l'industrie et de la recherche, Bureau des Recherches Géologiques et Minières,
Service Géologique National. Orléans. Carte + notice (Gigot C., Desprez N & Ferdière A.)
GIRARD M.-C., 1983. Recherche d’une modélisation en vue d’une représentation spatiale de la
couverture pédologique – Application a une région des plateaux jurassiques de
Bourgogne. Thèse de doctorat de l’Université de Paris VII, Paris. 429 p.
GIRARD M.C, WALTER C., BERTHELIN J., REMY J.C., MOREL J.-L.. 2005. Sols et Environnement -
Cours et Etudes de cas. Dunod, col. Sciences Sup., 832 p.
GOBAT J.-M., ARAGNO M. & M ATTHEY W., 2003. Le sol vivant - Bases de pédologie - Biologie
e
des sols. 2 éd. Col. Gérer l'Environnement, Presse Polytechniques et Universitaires de
Lausanne. 568 p.
GOVERS G., VANDAELE K., DESMET P., POESEN J. & BUNTE K., 1994. The Role of Tillage in Soil
Redistribution on Hillslopes. European Journal of Soil Science, 45, pp. 469-478.
GUIMONT S., PERRIN-GANIER C., REAL B. & SCHIAVON M., 2005. Effects of soil moisture and
treatment volume on bentazon mobility in soil. Agronomy For Sustainable Development, 25,
pp. 323-329.
GUMAA S.G., 1978. Spatial variability of in situ available water. PhD thesis of the University of
Arizona , Tucson. 140 p. (cité par Vauclin 1982)
GUSTAFSON D.I. & HOLDEN L.R., 1990. Nonlinear pesticide dissipation in soil - a new model
based on spatial variability. Environmental Science & Technology, 24, pp. 1032-1038 (cité
par Beulke et Brown 2001)
HALL D.G., REEVE M.J., THOMASSON A.J., WRIGHT V.F., 1977. Water retention, porosity and
density of field soils. Technical monograph. n°9. Soil Survey of England & Wales,
Harpenden. (cité par Morvan et al., 2004)
HAVERKAMP R. , ROSS P.J., SMETTEN K.R.J. & PARLANGE J.Y., 1994. Three dimensional analysis
of infiltration from the disk infiltrometer 2. Physically based infiltration equation. Water
Resources Research, 30:11, pp. 2931–2935.
HAVERKAMP R., ARRUE J.L., VANDERVAERE J.-P., BRAUD I., BOULET G., LAURENT J.-P., TAHA A.,
ROSS P.J. & ANGULO-JARAMILLO R., 1996. Hydrological and thermal behaviour of the
vadose zone in the area of Barrax and Tomelloso (Spain): Experimental study, analysis
and modeling Project UE n8 EV5C-CT 92 00 90. (cité par Lassabatère et al. 2006)
HERMAN R.A. & SCHERER P.N., 2003. Comparison of linear and nonlinear regression for
modeling the first-order degradation of pest-control substances in soil. Journal of
Agricultural And Food Chemistry, 51, pp. 4722-4726.
HERMAN R.A. & SCHERER P.N., 2006. Fit of four curve-linear models to decay profiles for pest
control substances in soil. Journal of Agricultural And Food Chemistry, 54, pp. 4343-4349.
HOLLANDER M. & WOLFE D.A., 1973. Nonparametric statistical inference. John Wiley & Sons,
New York. pp. 115-120. (cité par R Development Core Team 2006, à propos du test de
Kruskal-Wallis)
IBANEZ F., GROSJEAN P. & ETIENNE M., 2006. pastecs: Package for Analysis of Space-Time
Ecological Series. version 1.3-4, 2006-11-28. <http://cran.r-project.org/ src/ contrib/
Descriptions/ pastecs.html> dernier accès octobre 2007.
253
IFEN, 2000. Les pesticides dans les eaux – Bilan 1997–1998. Institut Français de
l’Environnement, Col. Études et Travaux, 16 p.
IFEN, 2002. Les pesticides dans les eaux – Bilan annuel 2002. (données 1999–2000) Institut
Français de l’Environnement, Col. Études et Travaux, n°36, 25 p.
IFEN, 2003. Les pesticides dans les eaux – Cinquième bilan annuel – Données 2001. Institut
IFEN, 2004. Les pesticides dans les eaux – Sixièmes bilan annuel – Données 2002. Institut
IFEN 2006. Les pesticides dans les eaux –Données 2003–2004. Institut Français de
l’Environnement, Col. ‘Les dossiers IFEN’, n°5, 40 p.
IGN, 2005. Série Bleue France – Voves – 2117E. 1/25 000. (édition précédente utilisée pour la
topographie).
INBERNON J., 1981. Variabilité spatiale des caractéristiques hydrodynamiques d’un sol du
Sénégal. Appllication au calcul d’un bilan sous culture. Thèse de 3e cycle, Université
Scientifique et Médicale de Grenoble, Institut National Polytechnique de Grenoble. (cité
par Vauclin 1982)
INERIS, 2007. Données technico-économiques sur les substances chimiques en France :
Isoproturon. 27 p. <http://rsde.ineris.fr/>
ISI, 2007. ISI glossary of statistical terms. ISI – International Statistical Institute, Voorburg, The
Netherlands. <http://isi.cbs.nl/glossary/>, dernier accès octobre 2007.
ISSA S. & WOOD M., 2005 Degradation of atrazine and isoproturon in surface and sub-surface
soil materials undergoing different moisture and aeration conditions. Pest Management
Science, 61, pp. 126-132.
JAMAGNE M., 1967. Bases et techniques d'une cartographie des sols. Annales Agronomiques, 18
(hors série), 142 p.
JENKINSON D.S, & COLEMAN K., 1994. calculating the annual input of organic mater to soil from
measurement of total organic carbon and radiocarbon. European Journal of Soil Science,
45, pp. 167–174.
JENNY H., 1941. Factors of Soil Formation – A System of Quantitative Pedology. McGraw-Hill,
New York. (cité par McBratney et al., 2003 et Salvador-Blanes et al., 2007)
JOURNAL OFFICIEL DE LA RÉPUBLIQUE FRANÇAISE, 13 avril 2002. Arrêté du 7 mars 2002 portant
inscription de la substance active isoproturon et modifiant l'arrêté du 14 avril 1998
établissant la liste des substances actives dont l'incorporation est autorisée dans les
produits phytopharmaceutiques. Ministère de l'Agriculture et de la Pêche. JORF n°87, texte
n°38, p. 6551.
JOURNAL OFFICIEL DE LA RÉPUBLIQUE FRANÇAISE, 18 février 2004. avis aux distributeurs et
utilisateurs de produits antiparasitaires visés par l’article L 253-1 du code rural . Ministère
de l'Agriculture, de l'Alimentation, de la Pêche et des Affaires Rurales. JORF n°41, texte n°
140, p. 3333.
JUNIOR, R.P.S., JARVIS N.J., BOESTEN J.J., VAN DER ZEE S.E. & ROULIER S., 2007. Testing
MACRO (version 5.1) for pesticide leaching in a Dutch clay soil. Pest Management Science,
63, pp. 1011-1025.
JURADO-EXPOSITO M. & WALKER A., 1998. Degradation of isoproturon, propyzamide and
alachlor in soil with constant and variable incubation conditions. Weed Research, 38,
pp. 309-318.
KAH M., BEULKE S. & BROWN C.D, 2007. Factors influencing degradation of pesticides in soil.
Journal of Agricultural And Food Chemistry, 55, pp. 4487-4492.
KAH M. & BROWN C.D., 2007. Changes in pesticide adsorption with time at high soil to solution
ratios. Chemosphere, 68, pp. 1335-1343.
KAY B.D. & ANGERS D.A., 2002. Soil structure. pp. 249–295, chap. 7, In WARRICK A.W. (éd.),
2002. Soil physics companion., CRC Press, USA, 389 p.
254
KLUTE A., 1965. Laboratory Measurement of Hydraulic Conductivity of Saturated Soil. pp. 210–
221 In BLACK C.A., EVANS D.D., WHITE J.L., ENSMINGER L.E. & CLARK F.E., 1965.
Methods of Soil Analysis. Agronomy, 9, part 1, 770 p.
KÖHNE J.M., KÖHNE S., MOHANTY B.P. & ŠIMŮNEK J., 2004. Inverse Mobile-Immobile Modeling of
Transport During Transient Flow: Effects of Between-Domain Transfer and Initial Water
Content. Vadose Zone Journal, 3, pp. 1309-1321.
KOREN V.I., FINNERTY B.D., SCHAAKE J.C., SMITH M.B., SEO D.J. & DUAN Q.Y., 1999. Scale
dependencies of hydrologic models to spatial variability of precipitation. Journal of
Hydrology, 217, pp. 285-302.
KUTÍLEK M. & NIELSEN D.R., 1994. Soil hydrology. Catena-Verlag, GeoEcology textbook,
Germany. ISBN : 9-923381-26-3., 370 p.
KUTÍLEK M., 2004. Soil hydraulic properties as related to soil structure. Soil and Tillage Research,
Soil Physical Quality, 79, pp. 175-184.
LAFRANCE P. & BANTON O., 1995. Implication of spatial variability of organic carbon on
predicting pesticide mobility in soil. Geoderma, 65, pp. 331–338.
LARSEN L. & AAMAND J., 2001. Degradation of herbicides in two sandy aquifers under different
redox conditions. Chemosphere, 44, pp. 231-236.
LASSABATÈRE L., ANGULO-JARAMILLO R., SORIA UGALDE J.M., CUENCA R., BRAUD I. &
HAVERKAMP R., 2006. Beerkan Estimation of Soil Transfer Parameters through Infiltration
Experiments – BEST. Soil Science Society of America Journal, 70, pp. 521–532.
LEIJ F.J. & VAN GENUCHTEN T.M., 2002. Solute transport. chap. 6, pp. 189–248, In WARRICK
A.W. (éd.), 2002. Soil physics companion., CRC Press, USA, 389 p.
LENNARTZ B., 1999. Variation of herbicide transport parameters within a single field and its
relation to water flux and soil properties. Geoderma, 91, pp. 327-345.
LIN H.S., MCINNES K.J., WILDING L.P. & HALLMARK C.T., 1999(a). Effects of Soil Morphology on
Hydraulic Properties: I. Quantification of Soil Morphology. Soil Science Society of America
Journal, 63, pp. 948–954.
LIN H.S., MCINNES K.J., WILDING L.P. & HALLMARK C.T., 1999(b). Effects of Soil Morphology on
Hydraulic Properties: II. Hydraulic Pedotransfer Functions. Soil Science Society of America
Journal, 63, pp. 955–961.
LOGSDON S.D. & JAYNES D.B., 1996. Spatial variability of hydraulic conductivity in a cultivated
field at different times. Soil Science Society of America Journal, 60, pp. 703–709.
LORAIN J.-M., GIGOUT M. & DESPREZ N., 1973. Le Calcaire de Beauce - Géologie, Hydrologie.
Bulletin de liaison des laboratoires des Ponts et Chaussées, 78, Spécial U.
LORAIN J.-M., 1973. La géologie du calcaire de Beauce. pp. 14-49, LORAIN J.-M., GIGOUT M. &
DESPREZ N., 1973. Le Calcaire de Beauce - Géologie, Hydrologie. Bulletin de liaison des
laboratoires des Ponts et Chaussées, 78, Spécial U.
LOVELAND P. & WEBB J., 2003. Is there a critical level of organic matter in the agricultural soils
of temperate regions: a review. Soil and Tillage Research 70, pp. 1-18.
LUXMOORE R.J. & SHAMA M.L., 1980. Runoff response to soil heterogeneity : experimental and
simulation comparison for two contrasting watersheds. Water Resources Research, 16:4,
pp. 675–684. (cité par Vauclin 1982)
M ACMILLAN B., 2007. Digital Soil Mapping and Soil Science. In Minasny B. ed., Pedometron 22,
The newsletter of the pedometrics commission of the IUSS, p. 15.
M ADRIGAL I., BENOIT P., BARRIUSO E., ETIÉVANT V., SOUILLER C., RÉAL B. ET DUTERTRE A., 2002.
Capacités de stockage et d'épuration des sols de dispositifs enherbés vis-à-vis des
produits phytosanitaires Deuxième partie : Propriétés de rétention de deux herbicides,
l'isoproturon et le diflufénicanil dans différents sols de bandes enherbées. Étude et Gestion
des Sols, 9(4), pp. 287-302.
M ADRIGAL, I. 2004. Rétention de pesticides dans les sols de dispositifs tampon, enherbés et
boisés – rôles des matières organiques. Thèse de l'Institut National Agronomique, Paris-
Grignon. (cité par Vincent et al. 2007)
255
M ANICHON H., 1982. Influence des systèmes de culture sur le profil cultural: élaboration d’une
méthode de diagnostic basée sur l’observation morphologique. Thèse de l’Institut National
Agronomique Paris-Grignon, Paris.
MCBRATNEY A.B., MINASNY B., CATTLE S.R. & VERVOORT R.W., 2002. From pedotransfer
functions to soil inference systems. Geoderma, 109, pp. 41–73.
MCBRATNEY A.B., MENDONCA SANTOS M.L. & MINASNY B., 2003. On digital soil mapping.
Geoderma, 117, pp. 3-52.
MEIWIRTH K., 2003. Regional and local scale pesticide transport in the alluvial plain of the Swiss
Rhône River Valley. Thèse de l'école Polytechnique Fédérale de Lausanne, no 2869.
MEVIK B.H., 2006. VIP.R: Implementation of VIP (variable importance in projection) for the 'pls'
package. Script en language R, version 1.1, <http://mevik.net/ work/ software/ VIP.R>
MEVIK B.H. & WEHRENS R., 2007. The pls package: Principal component and partial least
squares regression in R. Journal of Statistical Software, 2007, 18:2, 24 p.,
<http://www.jstatsoft.org/ v18/ i02>
MILLOT G., 2004. Caractérisation du transport préférentiel des pesticides dans les sols de
Beauce - Etude de la variabilité spatiale de la teneur en eau immobile à l'échelle d'une
parcelle cultivée. Mémoire de Stage de l'école Polytechnique, UMR EGC (INA-PG/INRA),
24 p. + annexes.
MOEYS J., 2003. Description et désignation des sols agricoles de la Somme à la tarière.
Mémoire de Fin d'Études de Institut Supérieur d'Agriculture (ISA) de Lille, Chambre
d'Agriculture de la Somme, Amiens. 143 p. + annexes.
MOEYS J., 2004. Variabilité des sols et risques de contamination des aquifères : intérêts d’une
prospection géophysique – Résistivité et organisation spatiale des sols. Rapport de DEA
National de Science du Sol. UMR, EGC (INA-PG/INRA), Thiverval-Grignon. 19 pp.
MOEYS J., NICOULLAUD B., DORIGNY A. COQUET Y. & COUSIN I., 2006. Cartographie des sols à
grande échelle : intégration explicite d'une mesure de résistivité apparente spatialisée à
l'expertise pédologique. Etude Et Gestion Des Sols 13:4. pp. 269-286.
MORVAN X., BRUAND A., COUSIN I., ROQUE J., BARAN N. & MOUVET C., 2004. Prédictions des
propriétés de rétention en eau des sols d'un bassin versant à l'aide de fonctions de
pédotransfert: Influence de la densité apparente et de la teneur en éléments grossiers.
Étude et Gestion des Sols, 2004, 11, pp. 117-135.
MULLA D.J. & MCBRATNEY A.B., 2002. Soil spatial variability. chap. 9, pp. 343–373, In WARRICK
A.W. (éd.), 2002. Soil physics companion, CRC Press, USA, 389 p.
NEMES A., 2002. Unsaturated soil hydraulic database of Hungary: HUNSODA. Agrokémia és
Talajtan. 51, pp. 17–26. (cité par Nemes et al. 2005)
NEMES A., RAWLS W.J. & PACHEPSKY Y.A., 2005. Influence of Organic Matter on the Estimation
of Saturated Hydraulic Conductivity. Soil Science Society of America Journal, 69,
pp. 1330-1337.
NEMETH-KONDA L., FULEKY G., MOROVJAN G. & CSOKAN P., 2002. Sorption behaviour of
acetochlor, atrazine, carbendazim, diazinon, imidacloprid and isoproturon on Hungarian
agricultural soil. Chemosphere, 48, pp. 545-552.
NIELSEN D.R., BIGGAR J.W. & ERH K.T., 1973. Spatial variability of field-measured soil-water
properties. Hilgardia, 42, pp. 215–260. (cité par Vauclin 1982)
NOBORIO K., 2001. Measurement of soil water content and electrical conductivity by time
domain reflectometry: a review. Computers and Electronics in Agriculture, 31, pp. 213-237.
OFFICIAL JOURNAL OF THE EUROPEAN COMMUNITIES, 19 /08 / 1991. Council Directive of 15 July
1991 concerning the placing of plant protection products on the market (91/414/EEC)
Official Journal L230. (195 p.)
OFFICIAL JOURNAL OF THE EUROPEAN COMMUNITIES, 26 /02 /2002. Commission Directive
2002/18/EC of 22 February 2002 amending Annex I to Council Directive 91/414/EEC
concerning the placing of plant-protection products on the market to include isoproturon
as an active substance 2002/18/EC. 4 p.
256
OR D. & WRAITH J.M., 2002. Soil water content and water potential relationships. chap. 3,
pp. 49–84, In W ARRICK A.W. (éd.), 2002. Soil physics companion., CRC Press, USA, 389 p.
PACHEPSKY Y., RAWLS W. & LIN H., 2006. Hydropedology and pedotransfer functions. Geoderma,
131, pp. 308-316. Hydropedology: Bridging disciplines, scales and data.
PANEL P., 2000. Protéger et restaurer la qualité des eaux souterraines vis-à-vis des produits
phytosanitaires en beauce : le plan d'action de ouarville - mise au point d'une méthode de
quantification. Aventis CropScience France. Mémoire de Fin d'Etudes de l'Institut National
Agronomique Paris-Grignon. 54 p. + annexes.
PANTANI O.L., DOUSSET S., SCHIAVON M. & FUSI P., 1997. Adsorption of isoproturon on
homoionic clays. Chemosphere, 35, pp. 2619-2626.
PERRIN-GANIER C., BREUZIN C., PORTAL J. & SCHIAVON M., 1996. Availability and Persistence of
Isoproturon under Field and Laboratory Conditions. Ecotoxicology and Environmental Safety,
35, pp. 226-230.
PESTICIDE ACTION NETWORK, 2007. PAN Pesticide Database. <www.pesticideinfo.org>, dernier
accès octobre 2007.
PESTICIDES SAFETY DIRECTORATE, 2007. Phase out of products containing Isoproturon.
Regulatory update: 06/2007. Issued: 15 March 2007 <http://www.pesticides.gov.uk/
approvals.asp?id=2078>, dernier accès octobre 2007. voir aussi ADVISORY COMMITTEE ON
PESTICIDES, 2007. Minutes of the 323rd meeting of the Advisory Committee on Pesticides
(ACP) held on 30th January 2007. < http://www.pesticides.gov.uk/ acp.asp?id=2079>,
dernier accès octobre 2007.
PHILIP J.R., 1969. Theory of infiltration. Advances in Hydrosciences, 5, pp. 215-305. Academic
Press, New York, USA.
PITRES, J.-C., 2006. Étude des relations entre les propriétés de surface des sols, leur état
Hydrique et leur réflectance en Beauce chartraine. Apports pour l’interprétation d’images
satellitaires. Master recherche ‘Environnements Continentaux et Hydro-sciences’ (INAPG/Paris
VI) mention ‘Sols : Organisation, Fonctionnement et Gestion’, 17 pp.
RADCLIFFE, D.E. & RASMUSSEN T.C., 2002. Soil water mouvement. chap. 4, pp. 85–126. In
WARRICK A.W. (éd.), 2002. Soil physics companion, CRC Press, USA, 389 p.
RAO P.S.C., HORNSBY A.G. & JESSUP R.E., 1985. Indice for Ranking the Potential for Pesticide
Contamination of Groundwater. Symposium, Florida Agricultural Experiment Station
Journal, Series n°6525, vol 44, pp. 1-8.
RAWLS W.J., GIMÉNEZ D., & GROSSMAN R., 1998. Use of soil texture, bulk density and the slope
of the water retention curve to predict saturated hydraulic conductivity. Transaction of the
ASAE, 4, pp. 983–988.
R DEVELOPMENT CORE TEAM, 2006. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, <http://www.R-
project.org>.
REGALADO C.A., 2005. On the distribution of scaling hydraulic parameters in a spatially
anisotropic banana field. Journal of Hydrology, 307, pp. 112-125.
REFSGAARD J.C. & HENRIKSEN H.J., 2004. Modelling guidelines - terminology and guiding
principles. Advances in Water Resources, 27, pp. 71-82.
REYNOLDS W.D. & ELRICK, D.E., 1990. Ponded infiltration from a single ring. Part 1. Analysis of
steady flow. Soil Science Society of America Journal, 54, pp. 1233–1241.
RICHARDS L.A., 193 1. Capillary conduction of liquids in porous mediums. Physics, 1, pp. 318–
333. (cité par Kutílek et Nielsen, 1994)
RIGAUD A.C., 1998. Apport de la modélisation en tant qu’outil d’évaluation du risque de
contamination des eaux souterraines par les produits de protection des plantes. Mémoire
de Fin d’étude de l’Institut National Agronomique Paris-Grignon, DAA AGER, Rhône-Poulenc
Agro France, 53 p. + annexes.
RIGAUD J.-P. & LEBRETON J.-C., 2004. Points de repère - Blé : désherbage de post-levée.
Chambre d'Agriculture de Mayenne. <http://www.mayenne.chambagri.fr/ services/
documentation/ ble_desherbage_post_levee.pdf>, denier accès octobre 2007.
257
ROBERTS T.R. (Éd.), 1998. Metabolic pathways of agrochemicals – Part 1 – Herbicides & plant
growth regulators. The Royal Society of Chemistry, Cambridge.
RODRIGUEZ-CRUZ S.M., JONES J.E. & BENDING G.D., 2006. Field-scale study of the variability in
pesticide biodegradation with soil depth and its relationship with soil characteristics. Soil
Biology and Biochemistry, 38, pp. 2910-2918.
ROGER-ESTRADE J., RICHARD G., CANEILL J., BOIZARD H., COQUET, Y., DEFOSSEZ P. & M ANICHON
H., 2004. Morphological characterisation of soil structure in tilled fields: from a diagnosis
method to the modelling of structural changes over time. Soil and Tillage Research 79 ,
pp. 33-49.
ROULIER S., 1999. Caractérisation hydrodispersive in situ de sols non saturés par infiltration
d'eau et de soluté. Cas de sols structurés et de sols hétérogènes. Thèse de l’Université
Joseph Fourrier – Grenoble I, spécialité mécanique des milieux géophysiques et
Environnement. 267 p.
ROYSTON P., 1982. An Extension of Shapiro and Wilk's W Test for Normality to Large Samples.
Applied Statistics, 31, pp. 115-124. (cité par R Development Core Team, 2006)
RUSSO D. & BRESLER E., 1981. Soil hydraulic properties as stochastic processes : I. An analysis
of field spatial variability. Soil Science Society of America Journal, 45, pp. 682–687.
RUSSO D. & BOUTON M., 1992. Statistical analysis of spatial variability in unsaturated flow
parameters. Water Ressources Research, 28:7, pp. 1911–1925.
SALVADOR-BLANES S., MINASNY B. & MCBRATNEY A.B., 2007. Modelling long-term in situ soil
profile evolution: application to the genesis of soil profiles containing stone layers.
European Journal of Soil Science, 58, pp. 1535–1548.
SANCO, 2002. Review report for the active substance isoproturon. European Commission,
Health & Consumer Protection Directorate General, Directorate E – Food Safety: plant
health, animal health and welfare, international questions, E1 Plant health. 3045/99-final.
32 pp.
SAUER T.J. & LOGSDON S.D., 2002. Hydraulic and Physical Properties of Stony Soils in a Small
Watershed. Soil Science Society of America Journal, 66, pp. 1947-1956.
SCHWARZEL K. & PUNZEL J., 2007. Hood Infiltrometer A New Type of Tension Infiltrometer Soil.
Soil Science Society of America Journal, 71, pp. 1438-1447.
SCOTTER D.R., CLOTHIER B.E., HARPER E.R., 1982. Measuring saturated hydraulic conductivity
and sorptivity using twin rings. Australian Journal of Soil Research, 20, 295–304.
SHEIKH V. & VAN LOON E.E., 2007. Comparing Performance and Parameterization of a One-
Dimensional Unsaturated Zone Model across Scales. Vadose Zone Journal, 6,
pp. 638-650.
SHLENS J., 2005. A Tutorial on Principal Component Analysis. 10/12/2005, version 2, Systems
Neurobiology Laboratory, Salk Insitute for Biological Studies & Institute for Nonlinear Science,
University of California, San Diego, La Jolla, CA; <http://www.snl.salk.edu/ ~shlens/ pub/
notes/ pca.pdf> dernier accès octobre 2007.
ŠIMŮNEK J., ANGULO-JARAMILLO R., SCHAAP M.G., VANDERVAERE J.-P. & VAN GENUCHTEN M.T.,
1998. Using an inverse method to estimate the hydraulic properties of crusted soils from
tension-disc infiltrometer data. Geoderma, 86, pp. 61–81.
ŠIMŮNEK J., JARVIS N.J., VAN GENUCHTEN M.T. & GARDENAS A., 2003. Review and comparison
of models for describing non-equilibrium and preferential flow and transport in the vadose
zone. Journal of Hydrology, 272, pp. 14–35.
SMETTEN K.R.J. & CLOTHIER B.E., 1989. Measuring unsaturate sorptivity and hydraulic
conductivity using multiple disk permeameters. Journal of Soil Science, 40, pp. 563-568.
SMETTEM K.R.J., PARLANGE J.-Y., ROSS P.J., AND HAVERKAMP R., 1994. Three-dimensional
analysis of infiltration from the disc infiltrometer: 1. A capillary-based theory. Water
Resources Research. 30, pp. 2925-2929.
SMETTEM K.R.J., ROSS P.J., HAVERKAMP R., AND PARLANGE J.-Y., 1995. Three-dimensional
analysis of infiltration from the disc infiltrometer: 3. Parameter estimation using a
double-disc tension infiltrometer. Water Resources Research, 31, pp. 2491-2495.
258
SNOW V., 1999. In situ measurement of solute transport coefficients: Assumptions and errors.
Soil Science Society of America Journal, 63, pp. 255–263.
SØRENSEN S.R., BENDING G.D., JACOBSEN C.S., W ALKER A. & AAMAND J., 2003. Microbial
degradation of isoproturon and related phenylurea herbicides in and below agricultural
fields. FEMS Microbiology Ecology, 45, pp. 1–11.
SPARK K.M. & SWIFT R.S., 2002. Effect of soil composition and dissolved organic matter on
pesticide sorption. The Science of The Total Environment, 298, pp. 147-161.
SPLIID N.H. & KOPPEN B., 1998. Occurrence of pesticides in danish shallow ground water.
Chemosphere, 37, pp. 1307-1316.
STOLTE J., 1997. Determination of the saturated hydraulic conductivity using the constant head
method. pp. 27–32, In STOLTE J. (éd.), 1997. Manual for Soil Physical Measurement –
version 3. Technical Document 37, sc-dlo, Wageningen, The Nederlands. 77 pp.
STOWA-RIZA, 1999. Smooth Modelling in Water Management, Good Modelling Practice
Handbook. STOWA report 99-05, Dutch Dept. of Public Works, Institute for Inland Water
Management and Waste Water Treatment. report 99.036, ISBN 90-5773-056-1, 165 p.
TALSMA T. & PARLANGE J.Y., 1972. One dimensional vertical infiltration. Australian Journal of Soil
Research, 10, pp. 143–150. (cité par Roulier 1999)
TAMARI S., BRUCKERT L., HALBERTSMA J. & CHABOEUF J., 1993. A Simple Method for
determining soil hydraulic properties in the laboratory. Soil Science Society of America
Journal, 57:3, pp. 642–651.
THOMAS E.V., 2003. Non-parametric statistical methods for multivariate calibration model
selection and comparison. Journal of Chemometrics, 17, pp. 653-659.
TOMLIN C. (éd.), 1994. A world compendium – The pesticide manual – Incorporating the
e
Agrochemical Handbook. 10 éd., British Crop Protection Council, Royal Society of Chemistry,
Information Sciences, Farnham, Royaume-Uni. 1376 p.
TRANTER G., MINASNY B., MCBRATNEY A.B., MURPHY B., MCKENZIE N.J., GRUNDY M. & BROUGH
D., 2007. Building and testing conceptual and empirical models for predicting soil bulk
density. Soil Use and Management, 23(4), pp. 437-443.
VANDERVAERE J.P., 1995. Caractérisation hydrodynamique du sol in situ par infiltrométrie à
disques. Analyse critique des régimes pseudopermanents, méthodes transitoires et cas
des sols encroûtés. Thèse de Doctorat de l'Université Joseph Fourier, Grenoble 1, INPG,
329 p.
VANDERVAERE J., VAUCLIN M. & ELRICK D.E., 2000(a). Transient flow from tension infiltrometers:
I. The two-parameter equation. Soil Science Society of America Journal, 64, pp. 1263-1272.
VANDERVAERE J., VAUCLIN M. & ELRICK D. E., 2000(b). Transient Flow from Tension
Infiltrometers: II. Four Methods to Determine Sorptivity and Conductivity. Soil Science
Society of America Journal, 64, pp. 1272–1284.
VAUCLIN M., 1982. Méthodes d'étude de la variabilité spatiale des propriétés d'un sol. pp. 9–43,
In INRA (éd.) 1983, Variabilité spatiale des processus de transfert dans les sols. Les
colloques de l’INRA, n°15, Avignon, 24–25 juin 1982.
VEREECKEN H., M AES J., FEYEN J., DARIUS P., 1989. Estimating the soil moisture retention
characteristics from texture, bulk density and carbon content. Soil Science, 148:6,
pp. 389-403.
VINCENT A., BENOIT P., POT V., M ADRIGAL I., DELGADO-MORENO L. & LABAT C., 2007. Impact of
different land uses on the migration of two herbicides in a silt loam soil: unsaturated soil
column displacement studies. European Journal of Soil Science, 58, pp. 320-328.
DE VOS B., VAN MEIRVENNE M., QUATAERT P., DECKERS J. & MUYS B., 2005. Predictive Quality of
Pedotransfer Functions for Estimating Bulk Density of Forest Soils. Soil Science Society of
America Journal, 69, pp. 500-510.
WALKER A. & JURADO-EXPOSITO M., 1998. Adsorption of isoproturon, diuron and metsulfuron-
methyl in two soils at high soil : solution ratios. Weed Research, 38, pp. 229–238.
WALKER A., TURNER I., CULLINGTON J. & WELCH S., 1999. Aspects of the adsorption and
degradation of isoproturon in a heavy clay soil. Soil Use And Management, 15, pp. 9-13.
259
WALKER A., JURADO-EXPOSITO M., BENDING G.D. & SMITH V.J.R., 2001. Spatial variability in the
degradation rate of isoproturon in soil. Environmental Pollution, 111, pp. 407-415.
WALKER A., BROMILOW R.H., NICHOLLS P.H., EVANS A.A. & SMITH V.J.R., 2002. Spatial variability
in the degradation rates of isoproturon and chlorotoluron in a clay soil. Weed Research, 42,
pp. 39-44.
WALKER A. & AUSTIN C.R., 2004. Effect of recent cropping history and herbicide use on the
degradation rates of isoproturon in soils. Weed Research, 44:1, pp. 5-11.
WARKENTIN B.P., 1992. Soil Science For Environmental-Quality – How Do We Know What We
Know? Journal Of Environmental Quality, 21:2, pp. 163-166.
WARRICK A.W. & NIELSEN D.R., 1980. Spatial variability of soil physical properties in the field.
chap. 13, pp. 319-376 In HILLEL D. (ed.) 1980. Applications of soil physics, Academic Press.
WARRICK A.W. & BROADBRIDGE P., 1992. Sorptivity and macroscopic capillary length
relationships. Water Resources Research, 28, pp. 427–431.
WAUCHOPE R., YEH S., LINDERS J., KLOSKOWSKI R., TANAKA K., RUBIN B., KATAYAMA A.,
KORDEL, W., GERSTL Z., LANE M. & UNSWORTH J., 2002. Pesticide soil sorption
parameters: theory, measurement, uses, limitations and reliability. Pest Management
Science, 58, pp. 419-445.
WEBSTER R., 1977. Spectral analysis of gilgai soil. Australian Journal of Soil Research, 15:3,
pp. 191-204. (cité par Vauclin, 1982)
WEBSTER R. & OLIVER M.A., 1992. Sample adequately to estimate variograms of soil properties.
Journal of Soil Science, 43, pp. 177–192.
WEBSTER R., 2001. Statistics to support soil research and their presentation. European Journal of
Soil Science, 52, pp. 331-340.
WEBSTER R., 2007. Analysis of variance, inference, multiple comparisons and sampling effects
in soil research. European Journal of Soil Science, 58, pp. 74–82.
WHITE I. & SULLY M.J., 1987. Macroscopic and microscopic capillary length and time scale from
field infiltration. Water Resources Research, 23, pp. 1514–1522.
WILLIAMS J., ROSS P.J. & BRISTOW K.L. 1992. Prediction of the Campbell water retention
function from texture, structure and organic matter. In Proceedings of an International
Workshop on Indirect Methods for Estimating the Hydraulic Properties of Unsaturated Soils (éds
van Genuchten M.T.h., Leij (cité par Cresswell et al. 2006)
WIND G.P., 1968. Capillary conductivity data estimated by a simple method. pp. 181–191, In
RIJTEMA P.E. & WASSINK H. (éd.), Water in the unsaturated zone. Vol. 1. Proceedings of the
Wageningen symposium, Wageningen, the Netherlands. 19–23 June 1966. IASH,
Gentbrugge, the Netherlands and UNESCO, Paris.
WOLD S., SJOSTROM M. & ERIKSSON L., 2001(a). PLS-regression: a basic tool of chemometrics.
Chemometrics and Intelligent Laboratory Systems, 58, pp. 109-130.
WOLD S., TRYGG J., BERGLUND A. & ANTTI H., 2001(b). Some recent developments in PLS
modeling. Chemometrics and Intelligent Laboratory Systems, 58, pp. 131-150.
WOODING R.A., 1968. Steady infiltration from a shallow circular pond. Water Resourses Research,
4, pp. 1259-1273.
WORRALL F., PARKER A., RAE J.E. & JOHNSON A.C., 1996. Equilibrium adsorption of isoproturon
on soil and pure clays. European Journal of Soil Science, 47, pp. 265-272. (cité par Clausen
et al., 2001).
WÖSTEN, J.H.M., LILLY A., NEMES A., & LE BAS C., 1999. Development and use of a database of
hydraulic properties of European soils. Geoderma, 90, pp. 169–185. (cité par Nemes et al.
2005)
WRAITH J.M., ROBINSON D.A., JONES S.B. & LONG D.S., 2005. Spatially characterizing apparent
electrical conductivity and water content of surface soils with time domain reflectometry.
Computers and Electronics in Agriculture, Applications of Apparent Soil Electrical
Conductivity in Precision Agriculture, 2005, 46, pp. 239-261.
260
ZIMMERMAN D.W., 2000. Statistical significance levels of nonparametric tests baised by

heterogeneous variances of treatment groups. Journal of General psychology, 127,
pp. 354-364.
DE ZORZI P., B ARBIZZI S., BELLI M., CICERI G., FAJGELJ A., MOORE D., SANSONE U. & VAN DER
PERK M., 2005. Terminology in soil sampling (iupac recommendations 2005). Pure and
Applied Chemistry, 77:5, p. 827–841.
◊ Liste des figures

figure 1 – Articulation entre le travail de thèse et le programme ESHEL. .......... 19

figure 2 – Volumes et masses des constituants solides, liquides et gazeux du
sol. ................................................................................................... 25
figure 3 – Fractions granulométriques fines et grossières du sol. ...................... 26
figure 4 – Triangle des textures de la Chambre d’Agriculture de l’Aisne et ses 15
classes de textures........................................................................... 27
figure 5 – Les processus de transport, d’adsorption et de dégradation des
pesticides dans les différentes phases du sol. .................................. 38
figure 6 – Allure de la fonction de Campbell (1974) de θ en fonction de h......... 44
figure 7 – Allure de la fonction de Campbell (1974) de K en fonction de h. ....... 48
figure 8 – Schéma du modèle eau mobile – eau immobile. ............................... 55
figure 9 – Allure d’une isotherme de Freundlich pour différentes valeurs de NF et
schéma explicatif de l’adsorption. ..................................................... 58
figure 10 – Exemple d’allure de cinétiques de dégradation exponentielle et bi-
exponentielle. ................................................................................... 61
figure 11 – Formule plane de l’isoproturon et de ses métabolites........................ 63

figure 12 – Localisation du secteur étudié à l'échelle de la France...................... 72
figure 13 – Carte topographique du secteur étudié. ............................................ 73
figure 14 – Paysages agricoles autour de Ouarville. ........................................... 74
figure 15 – Graphique ‘box & whisker’ de la température moyenne mensuelle, et
du nombre de jours de gel entre 1971 et 2005. ................................ 76
figure 16 – Graphique ‘box & whisker’ des précipitations et de l’évapotranspiration
potentielle de chaque mois entre 1971 et 2005. ............................... 76
figure 17 – Graphique ‘box & whisker’ des précipitations journalières maximales
de chaque mois entre 1971 et 2005. ................................................ 77
figure 18 – Carte géologique du secteur étudié................................................... 80
figure 19 – Carte des sols du secteur de Ouarville. ............................................. 82

figure 20 – Photo illustrant le protocole de prélèvement (Site 20 037)................. 92
261
J. Moeys Liste des figures
figure 21 – Localisation des sites de prélèvements dans le secteur de Ouarville. 93

figure 22 – Distances du site le plus proche, distance moyenne aux autres sites et
histogramme des distances entre les 34 sites échantillonnés........... 94
figure 23 – Répartition des sites étudiés par rapport au type de sol indiqué par la
carte de sol du secteur. .................................................................... 95
figure 24 – Répartition des sites étudiés par rapport à la formation géologique
indiquée par la carte géologique du secteur. .................................... 95
figure 25 – Schéma de l’infiltromètre à disque et des composantes de l’infiltration.101
figure 26 – Méthode de détermination graphique de la sorptivité (White et Sully,
1987). ............................................................................................. 107
figure 27 – Méthode de détermination graphique du flux en régime permanent qRP
(White et Sully, 1987). .................................................................... 108
figure 28 – Méthode de détermination de la sorptivité sur un graphique
d.I/d.√t = f(√t), avec la méthode de Haverkamp et al. (1994). ......... 111
figure 29 – Méthode de détermination de la sorptivité sur un graphique
d.I/d.√t = f(√t), pour la méthode White et Sully modifiée.................. 112
figure 30 – Mesures de l’adsorption d’une molécule par agitation d’un tube
contenant un mélange eau-sol liquide (mesure en batch).............. 124
figure 31 – Incubation de sol avec une solution de 14C isoproturon pour mesurer la
cinétique de dégradation et de minéralisation................................. 127
figure 32 – Extractions successives de l’isoproturon des incubations avec une
solution de CaCl2 et 3 ajouts de méthanol. ..................................... 128
figure 33 – Concentration sur cartouches de la solution aqueuse contenant
l’isoproturon extrait des incubations................................................ 129
figure 34 – Concentration par évaporation du méthanol contenant l’isoproturon
extrait des incubations.................................................................... 130
figure 35 – Position des différentes statistiques sur un graphique ‘box & whisker’.136
figure 36 – Illustration des composantes (axes de plus grande variance)
déterminées par analyse en composantes principales sur 3 propriétés
corrélées X, Y et Z.......................................................................... 141
figure 37 – Textures non décarbonatées des sols du secteur agricole de Ouarville,
placées sur le triangle des textures de la Chambre d’Agriculture de
l’Aisne. Vue générale et agrandissement........................................ 150
figure 38 – Histogramme de la teneur en argile (non-décarbonatée)................. 151
figure 39 – Graphique ‘box & whisker’ des charges massiques des différentes
fractions granulométriques grossières (graviers, cailloux et totale). 151
figure 40 – Graphique ‘box & whisker’ de la teneur en carbone organique........ 152
figure 41 – Graphique ‘box & whisker’ de la teneur en azote organique............ 152
figure 42 – Graphique ‘box & whisker’ du rapport carbone organique sur azote.153
figure 43 – Graphique ‘box & whisker’ de la teneur en CaCO3. ......................... 153
figure 44 – Graphique box & whisker du pH des échantillons analysés............. 154
figure 45 – Graphique ‘box & whisker’ des masses volumiques apparentes
mesurées (g.cm-3)....................................................................... 154
262
figure 46 – Symboles utilisés dans les schémas pour les principaux matériaux
parentaux du secteur étudié. .......................................................... 155
figure 47 – Schéma des successions de matériaux parentaux observées (ou non)
sur le secteur étudié. ...................................................................... 156
figure 48 – Matériaux ‘intermédiaires’ résultants de mélanges sous l’effet de la
cryoturbation................................................................................... 156
figure 49 – Statistiques descriptives des teneurs en éléments grossiers maximales
dans les sondages décrits à la tarière............................................. 157
figure 50 – Statistiques de distribution des teneurs en éléments grossiers
maximales dans les sondages décrits à la tarière........................... 158
figure 51 – Graphique ‘box & whisker’ des teneurs en éléments grossiers
maximales des sondages tarière. ................................................... 158
figure 52 – Graphiques box & whisker des teneurs en eau [cm3.cm-3] mesurées à
différents potentiels matriciels caractéristiques (saturation, pF 2 et
pF 4,2) & de la réserve utile estimée. ............................................. 163
figure 53 – Graphique ‘box & whisker’ du paramètre hA de Campbell. .............. 164
figure 54 – Graphique ‘box & whisker’ du paramètre b de Campbell. ................ 165
figure 55 – Exemple graphique (1) de détermination de la sorptivité pour la
méthode White et Sully (modifiée), en d.I/d.√t = f(√tgéom). ............... 167
figure 56 – Exemple de résultat (1) de la détermination de qRP par la méthode de
White et Sully (1987) et de l’ajustement de la courbe d’infiltration
I = S.√t avec la valeur de S déterminée précédemment.................. 167
figure 57 – Exemple graphique (2) de détermination de la sorptivité pour la
méthode White et Sully (modifiée), en d.I/d.√t = f(√tgéom). ............... 168
figure 58 – Exemple de résultat (2) de la détermination de qRP par la méthode de
White et Sully et de l’ajustement de la courbe d’infiltration I = S.√t
avec la valeur de S déterminée précédemment.............................. 168
figure 59 – Exemple de résultat (1) de la détermination de S et K par la méthode
de Haverkamp et al. (1994), avec une détermination graphique en
d.I/d.√t = f(√tgéom). ........................................................................... 170
figure 60 – Exemple de résultat (2) de la détermination de S et K par la méthode
de Haverkamp et al. (1994), avec une détermination graphique en
d.I/d.√t = f(√tgéom). ........................................................................... 171
figure 61 – Exemple de résultat (1) de l’ajustement des équations de Haverkamp
et al. (1994) du régime transitoire et du régime permanent, sur I=f(t),
après détermination graphique de S et K sur le régime transitoire.. 171
du régime transitoire et du régime permanent, sur I=f(t), après
détermination graphique de S et K sur le régime transitoire............ 172
après détermination directe de S et K sur les régimes transitoire et
permanent. ..................................................................................... 174
après détermination directe de S et K sur les régimes transitoire et
permanent. ..................................................................................... 174
263
figure 65 – Isovaleurs de la RRSEP%RT (régime transitoire) en fonction des

valeurs de S et de K. ...................................................................... 178
figure 66 – Isovaleurs de la RRSEP%RT,RP (moyenne du régime transitoire et du
régime permanent) en fonction des valeurs de S et de K. Les isolignes
représentées sont 10, 25, 50, 100, 250, 500, 1000 %..................... 179
figure 67 – Isovaleurs de la RRSEP% globale (moyenne du régime transitoire, du
régime permanent et de l’écart à un temps de stabilisation) en
fonction des valeurs de S et de K. Les isolignes représentées sont 10,
25, 50, 100, 250, 500, 1000 %........................................................ 179
figure 68 – Graphique ‘box & whisker’ des sorptivités, en fonction des différentes
méthodes de calcul (intervalle [i-1,i+1]). ......................................... 180
figure 69 – Graphique ‘box & whisker’ des conductivités hydrauliques, en fonction
des différentes méthodes de calcul (intervalle [i-1,i+1]). ................. 181
figure 70 – Graphique ‘box & whisker’ des écarts au temps de stabilisation, en
fonction des différentes méthodes de calcul (intervalle [i-1,i+1]). .... 182
figure 71 – Graphique ‘box & whisker’ de la conductivité hydraulique KS. ......... 183
figure 72 – Flux d’infiltration en fonction de l’infiltration cumulée pour les mesures
d’infiltrométrie destinées à mesurer la teneur en eau immobile. ..... 184
figure 73 – Graphique box & whisker de la fraction d'eau immobile. ................. 184
figure 74 – Histogramme de la fraction d’eau immobile..................................... 185
figure 75 – Exemple graphique du calcul de la DT50 de l’isoproturon par
régression linéaire, avec C0 imposée. Lit de semence du site 20 003.192
régression linéaire, avec C0 imposée. Lit de semence du site 20 006.193
régression linéaire, avec C0 calculée. Lit de semence du site 20 003.193
figure 78 – Exemples graphiques du calcul de la DT50 de l’isoproturon par
régression linéaire, avec C0 calculée. Lit de semence du site 20 006.194
ajustement direct. Site 20 003–P1. ................................................. 196
ajustement direct. Site 20 006–P1. ................................................. 196
figure 81 – Erreur d’ajustement (RRSEP% ou MAEP%) en fonction de la DT50.198
figure 82 – Graphique ‘box & whisker’ des demi-vies (DT50) de dégradation de
l’isoproturon estimées selon les 7 méthodes de détermination testées.199
figure 83 – Histogramme de la DT50 estimée par minimisation de la MAEP%. .. 200
figure 84 – Visualisation graphique des liens éventuels entre texture et la teneur
en CaCO3, ainsi qu’entre texture et teneur en graviers. .................. 209
figure 85 – Visualisation graphique des liens éventuels entre texture et carbone
organique, ainsi qu’entre texture et KOC. ......................................... 210
figure 86 – résultats de l’ACP sur les propriétés physico-chimiques et de rétention
en eau des échantillons. ................................................................. 221
figure 87 – Résultats de l’ACP sur les propriétés physico-chimiques, de rétention
eau des échantillons et la fraction d'eau immobile. ......................... 223
figure 88 – résultats de l’ACP sur les propriétés physico-chimiques, de rétention
eau des échantillons et de conductivité hydraulique à saturation et à
h = -1 cm. ....................................................................................... 225
264

eau des échantillons et d'adsorption linéaire de l'isoproturon. ........ 226
eau des échantillons et d'adsorption normalisée de l'isoproturon.... 228
eau des échantillons, de dégradation et de minéralisation de
l'isoproturon.................................................................................... 229
figure 92 – Coefficients de la régression multiple (PLSR) de prédiction du KD, et
graphique valeurs prédites – valeurs réelles de la régression......... 234
figure 93 – Coefficients de la régression multiple (PLSR) de prédiction du KOC, et
graphique valeurs prédites – valeurs réelles de la régression......... 236

figure 94 - Diagramme 'équi-moyens' d'arbitrage du rapport 'nombre de sites' /
'nombre de répétitions par sites' / 'complexité des modèles' de l'étude
de la variabilité spatiale de propriétés du sol mesurées sur des
supports différents, pour une surface, un milieu pédologique et un
contexte agronomique de complexité donnée................................. 246
figure 95 – Modalité de prélèvement des cylindres de sol non perturbés pour les
masses volumiques apparentes. .................................................... 282
figure 96 – Les différents types de variables utilisées par les modèles
informatiques de transferts de pesticides........................................ 302
figure 97 – Fiche de sondage tarière utilisée pour décrire les sondages. .......... 303
figure 98 – Carte de la profondeur du sol et de la teneur en argile de l’horizon de
surface sur 34 sites (50 couches) étudiés....................................... 304
figure 99 – Carte des valeurs de teneur en éléments grossiers et en CaCO3 de
l’horizon de surface sur 34 sites (50 couches) étudiés.................... 304
figure 100 – Carte des valeurs de réserve utile et des conductivités hydrauliques à
saturation de l’horizon de surface sur 34 sites (50 couches) étudiés.305
figure 101 – Carte des valeurs de fraction d’eau immobile de l’horizon de surface
sur 34 sites (50 couches) étudiés. .................................................. 305
figure 102 – Carte des valeurs teneurs en carbone organique et de coefficient
d’adsorption de l’horizon de surface sur 34 sites (50 couches) étudiés.306
figure 103 – Carte des valeurs de coefficient d’adsorption normalisé par la fraction
de carbone organique et de temps de demi-vie de l’isoproturon de
l’horizon de surface sur 34 sites (50 couches) étudiés.................... 306
◊ Liste des tableaux

tableau 1 – Nomenclature de l’isoproturon et de ses métabolites. ....................... 64
265
J. Moeys Liste des tableaux
tableau 2 – Principales propriétés physico-chimiques de l’isoproturon................. 64

tableau 3 – Valeurs d’adsorption (KF ou KOC) de l’isoproturon fournies par les
bases de données internationales et certains ouvrages de référence.66
tableau 4 – Valeurs de dégradation (DT50) aérobie en laboratoire de l’isoproturon
fournies par les bases de données internationales et certains
ouvrages de référence...................................................................... 66
tableau 5 – Comparaison des valeurs de KD, KF, NF ou KOC de l’isoproturon
trouvées dans la littérature scientifiques (liste non-exhaustive). ....... 67
tableau 6 – Comparaison des valeurs de temps de demi-vie (DT50) de l’isoproturon
trouvées dans la littérature scientifique (liste non-exhaustive). ......... 68
tableau 7 – Proportion des analyses d’eau de surface et souterraine pour
lesquelles l’isoproturon a pu être quantifié (présence), d’après les
données IFEN. ................................................................................. 69

tableau 8 – Occupation des sols dans le secteur étudié. ..................................... 74
tableau 9 – Récapitulatifs des formations géologiques présentes sur le secteur de
Ouarville, d’après la carte géologique de Voves. .............................. 79
tableau 10 – Surface occupée par les différentes formations géologiques............. 81
tableau 11 – Règles de conversion utilisées pour passer des types de sol de la
classification CPCS à ceux du Référentiel pédologique 1995........... 82
tableau 12 – Surface occupée par les différents types de sol sur la carte.............. 83
tableau 13 – Horizons caractéristiques des types pédologiques représentés par la
carte des sols du secteur.................................................................. 84

tableau 14 – Méthodes et normes utilisées pour les analyses physico-chimiques
des échantillons par le Laboratoire d’Analyse des Sols de Arras. ..... 96
tableau 15 – Interprétation des valeurs de Skewness et Kurtosis. ....................... 137
tableau 16 – Décomposition des propriétés en plusieurs propriétés ‘simplifiées’
utilisées pour l’approche GIFI-PLSR............................................... 146
tableau 17 – Statistiques descriptives des fractions granulométriques non
décarbonatées................................................................................ 149
tableau 18 – Statistiques descriptives des fractions granulométriques
décarbonatées................................................................................ 149
tableau 19 – Statistiques de distribution des fractions granulométriques non
décarbonatées................................................................................ 150
tableau 20 – Statistiques descriptives du carbone, de l’azote organique, et du C/N.152
tableau 21 – Statistiques de distribution du carbone, de l’azote organique, et du
C/N................................................................................................. 152
tableau 22 – Statistiques descriptives de la teneur en CaCO3 (en g de CaCO3 . g de
sol sec total-1). ................................................................................ 153
tableau 23 – Statistiques descriptives du pH des échantillons analysés [-]. ......... 153
266
tableau 24 – Statistiques descriptives des masses volumiques apparentes

mesurées (g.cm-3). ......................................................................... 154
tableau 25 – Statistiques descriptives de la profondeur d’apparition du substrat
(cm)................................................................................................ 157
tableau 26 – Graphique ‘box & whisker’ de la profondeur d’apparition du substrat.157
tableau 27 – Contingence des échantillons en fonction du type de sol. ............... 159
tableau 28 – Contingence des échantillons en fonction de la modalité de travail du
sol (conventionnel – simplifié)......................................................... 159
tableau 29 – Statistiques descriptives des teneurs en eau volumiques mesurées à
différents potentiels matriciels caractéristiques (saturation, pF2 et
pF4,2) et de la réserve utile estimée. [g.cm-3]. ................................ 163
tableau 30 – Statistiques de distribution des teneurs en eau mesurées à différents
potentiels matriciels caractéristiques (pF 0, 2 et 4,2) et de la réserve
utile estimée. .................................................................................. 164
tableau 31 – Statistiques descriptives des paramètres de la fonction de rétention en
eau de Campbell. ........................................................................... 164
tableau 32 – Statistiques de distribution des paramètres de la fonction de rétention
en eau de Campbell. ...................................................................... 164
tableau 33 – Paramètres statistiques de S et K calculés avec la méthode de White
et Sully (1987), pour le secteur agricole.......................................... 166
tableau 34 – Paramètres statistiques de S et K calculés avec la méthode de White
et Sully (1987), pour la parcelle (Millot, 2004)................................. 166
tableau 35 – Paramètres statistiques de S et K calculés avec la méthode de
Haverkamp et al. (1994), avec un ajustement graphique par
régression linéaire, pour le secteur agricole.................................... 169
Haverkamp et al. (1994), avec un ajustement graphique par
régression linéaire, pour la parcelle d’étude. .................................. 169
Haverkamp et al. (1994), avec un ajustement direct et une fonction
d’erreur basée sur les régimes transitoire et permanent, ainsi que
l’écart au temps de stabilisation, (secteur agricole ; fonction d’erreur
%RRSEPglobale). .............................................................................. 173
d’erreur basée sur les régimes transitoire et permanent, ainsi que
l’écart au temps de stabilisation, (parcelle d’étude ; fonction d’erreur
%RRSEPglobale). .............................................................................. 173
d’erreur basée sur les régimes transitoire et permanent (fonction
d’erreur %RRSEPglobale). ................................................................. 175
d’erreur basée sur les régimes transitoire et permanent (secteur
agricole ; fonction d’erreur %RRSEPglobale,alt)................................... 176
267
d’erreur basée sur les régimes transitoire et permanent (fonction

d’erreur %RRSEPglobale). ................................................................. 177
tableau 42 – Statistiques descriptives et de distribution de la conductivité
hydraulique à saturation KS. ........................................................... 182
tableau 43 – Statistiques descriptives de la teneur en eau immobile. .................. 184
linéaire KD....................................................................................... 188
tableau 45 – Graphique ‘box & whisker’ du coefficient d’adsorption linéaire KD. .. 188
normalisé par le carbone organique KOC......................................... 189
tableau 47 – Graphique ‘box & whisker’ du coefficient d’adsorption linéaire KOC.. 189
tableau 48 – KD des horizons de surface de la parcelle d’étude........................... 189
tableau 49 – KD des horizons BT sans éléments grossiers de la parcelle d’étude.190
tableau 50 – KD des horizons argileux lourds avec une charge modérée en graviers
siliceux et/ou de meulière. .............................................................. 190
tableau 51 – KD des horizons C ou S carbonatés. ............................................... 191
tableau 52 – Valeurs de DT50 calculées par régressions linéaires avec une
concentration initiale imposée ou calculée...................................... 192
tableau 53 – Valeurs de DT50 calculées par ajustement direct par minimisation de la
RRSEP%........................................................................................ 194
tableau 54 – Valeurs de DT50 calculées par minimisation de la MAEP%. ........... 195
tableau 55 – Statistiques descriptives et de distribution de la demi-vie de
dégradation de l’isoproturon. .......................................................... 199
tableau 56 – Statistiques descriptives et de distribution de la demi-vie de
minéralisation de l’isoproturon. ....................................................... 200
tableau 57 – Graphique ‘box & whisker’ de la demi-vie de minéralisation de
l’isoproturon.................................................................................... 200
tableau 58 – Corrélations des propriétés pédologiques quantitatives entre elles. 203
tableau 59 – Coefficients de corrélation de Pearson pour la profondeur du sol
(exemple pour comparaison avec le coefficient de Spearman). ...... 204
tableau 60 – Corrélations des propriétés quantitatives pédologiques ou
agronomiques entre elles. .............................................................. 205
tableau 61 – Corrélations des propriétés de rétention en eau entre elles............. 205
tableau 62 – Corrélations des propriétés de rétention en eau avec les propriétés
agro–pédologiques. ........................................................................ 206
tableau 63 – Corrélations des propriétés de conductivité hydraulique avec les
propriétés agro-pédologiques. ........................................................ 206
tableau 64 – Corrélations des propriétés hydrauliques avec les propriétés de
rétention en eau. ............................................................................ 207
tableau 65 – Corrélations des propriétés d'adsorption KD & KOC........................... 208
tableau 66 – Corrélations des propriétés de dégradation et de minéralisation de
l’isoproturon.................................................................................... 208
qualitatives sur le carbone organique et la masse volumique
apparente. ...................................................................................... 212
268

volumique apparente selon la couche de sol considérée ou selon le
type de travail du sol....................................................................... 212
volumique apparente selon la classe de texture. ............................ 212
tableau 70 – Analyse de la variance avec les propriétés qualitatives 'dérivées' : effet
sur la teneur en carbone organique ou la masse volumique apparente.213
tableau 71 – Valeurs médianes de la teneur en carbone organique selon le type
pédologique de sol simplifié ou selon la classe de pH. ................... 213
tableau 72 – Valeurs médianes de la teneur en carbone organique selon la classe
de teneur en CaCO3 ou la classe de teneur en éléments grossiers.213
qualificatives sur les propriétés hydriques du sol et les interactions
sol-isoproturon................................................................................ 214
tableau 74 – Valeur médiane des propriétés bio-physico-chimiques testées selon la
couche de sol considérée ou selon le type de travail du sol............ 214
tableau 75 – Valeur médiane des propriétés bio-physico-chimiques testées selon le
type pédologique de sol ou selon la classe de texture. ................... 215
tableau 76 – Analyse de la variance avec les propriétés qualitatives 'dérivées' : effet
sur les propriétés hydriques du sol et les interactions sol-isoproturon215
tableau 77 – Valeur médiane des propriétés quantitatives testées selon le type
tableau 78 – Valeur médiane des propriétés quantitatives testées selon le type
tableau 79 – Valeurs médianes de la teneur en carbone organique pour les
différents groupes d’échantillons {travail du sol ; couche}. .............. 218
tableau 80 – Valeurs médianes de la masse volumique apparente ρb pour les
différents groupes d’échantillons {travail du sol ; couche}. .............. 218
tableau 81 – Valeurs médianes de l’adsorption (KD) pour les différents groupes
d’échantillons {travail du sol ;couche} ou {travail du sol ; classe de
CaCO3}........................................................................................... 218
tableau 82 – Valeurs médianes de la fraction d’eau immobile pour les différents
groupes d’échantillons {couche ; classe de texture} ou
{couche ; classe de pH}, ou {couche ; type pédologique simplifié}.. 219
tableau 83 – Abréviations des noms de propriétés utilisées pour les ACP et les
PLSR.............................................................................................. 220
tableau 84 – Propriétés qualitatives utilisées pour discriminer les valeurs de
conductivité hydraulique à h = –1 cm.............................................. 231
tableau 85 – Propriétés qualitatives utilisées pour discriminer les valeurs de KOC.231
tableau 86 – Propriétés qualitatives utilisées pour discriminer les valeurs de DT50.232

tableau 87 – Proportions visées et proportions réelles des différents types de sols
renseignés par la carte pour l’échantillonnage................................ 280
269
tableau 88 – Proportions visées et proportions réelles des différentes classes de

profondeur de sols renseignés par la carte pour l’échantillonnage.. 280
tableau 89 – Proportions visées et proportions réelles des différentes formations
géologiques renseignées par la carte géologique pour
l’échantillonnage............................................................................. 280
tableau 90 – Proportions visées et proportions réelles des différentes classes de
clarté de l’image satellite. ............................................................... 281
tableau 91 – Histoire géologique pré-glaciaire du site de Ouarville. ..................... 298
tableau 92 – Histoire géologique du site de Ouarville de la période glaciaire à fin du
quaternaire. .................................................................................... 299
◊ Liste des équations

équation 1 – Masse volumique de la phase solide du sol.................................. 30
équation 2 – Masse volumique apparente du sol. ............................................. 31
équation 3 – Estimation de la porosité du sol. ................................................... 31
équation 4 – Modèle conceptuel de la masse volumique apparente de Tranter et
al. (2007). .................................................................................... 32
équation 5 – Teneur en eau volumique et massique du sol............................... 40
équation 6 – Relation entre teneur en eau massique, teneur en eau volumique et
masse volumique apparente. ....................................................... 41
équation 7 – Conversions de la masse ‘équivalent sol sec’ (MS) à la masse de
sol humide (Mtot) ou de Mtot vers MS. ............................................ 41
équation 8 – Application de la loi de Jurin à l’ascension de l’eau dans un pore. 41
équation 9 – Conversion d’une hauteur équivalente à une pression.................. 42
équation 10 – Potentiel hydrique total du sol (expression simplifiée)................... 42
équation 11 - Le pF, une expression logarithmique du potentiel matriciel. .......... 42
équation 12 – Modèle de Brooks et Corey θ(h). .................................................. 43
équation 13 – Modèle de Campbell 1974 reformulé en θ(h)................................ 43
équation 14 – Flux en régime non saturé monodimensionnel ou tridimensionnel,
d'après la loi de Buckingham-Darcy. ............................................ 47
équation 15 Modèle de Brooks et Corey de K en fonction de h. .......................... 48
équation 16 – Modèle de Campbell (1974) de K en fonction de θ. ...................... 49
équation 17 – Modèle de Campbell (1974) de K en fonction de h (reformulé). .... 49
équation 18 – Équation de conservation de la masse pour un flux de soluté
convectif et dispersif, monodimensionnel, en régime transitoire... 52
équation 19 – Équation de conservation de la masse pour un flux de soluté
convectif et dispersif, monodimensionnel, en régime permanent. 52
équation 20 – Équation de conservation de la masse pour un flux convectif et
dispersif de soluté adsorbé, monodimensionnel, en régime
permanent.................................................................................... 52
270
J. Moeys Liste des équations
équation 21 – Séparation de la phase liquide du sol en un compartiment mobile et

un compartiment immobile. .......................................................... 54
équation 22 – Bilan de masse de soluté dans les parties mobile et immobile de la
phase liquide du sol. .................................................................... 54
équation 23 – Équations aux dérivées partielles des teneurs en eau mobile et
immobile et de leurs concentrations en soluté.............................. 55
équation 24 – Relation linéaire pour l’adsorption à l’équilibre, entre Q (phase
solide) et C (phase liquide). ......................................................... 57
équation 25 – Relation de Freundlich pour l’adsorption à l’équilibre, entre Q
(phase solide) et C (phase liquide)............................................... 58
équation 26 – Relation entre le KD et la fraction de carbone (ou de matière)
organique..................................................................................... 59
équation 27 – Modèle de diminution de la concentration d’une molécule en
fonction du temps suivant une cinétique de 1er ordre. .................. 60
équation 28 – Relation entre la constante de dégradation k et la demi-vie DT50.. 61
équation 29 – Modèle de diminution de la concentration d’une molécule en
fonction du temps suivant une cinétique bi-exponentielle............. 61

équation 30 – Modèle de Campbell 1974, exprimé en ln(θ) = f( ln(h) ). ............... 99
équation 31 – Estimation de KS avec une mesure de Kh (h ≤ 0), en connaissant les
paramètres hA et b. .................................................................... 100
équation 32 – Solution approchée de Wooding 1968 du flux en régime permanent
pour une infiltration axisymétrique.............................................. 105
équation 33 – Potentiel d’écoulement Φ défini par Gardner (1958). .................. 105
équation 34 – Relation entre la sorptivité et le potentiel d’écoulement établie par
White et Sully (1987).................................................................. 106
équation 35 – Équation de Wooding reformulée en fonction de la sorptivité d’après
la relation entre sorptivité et potentiel d’écoulement de White et
Sully 1987. ................................................................................. 106
équation 36 – Estimation de la sorptivité de Philip (1969) sur les temps courts de
la mesure d’infiltration. ............................................................... 106
équation 37 – Estimation de la sorptivité de Philip (1969) à partir du le
comportement initial de la mesure d’infiltration........................... 107
équation 38 – Équation de Haverkamp et al. 1994 de l’infiltration en régime
transitoire. .................................................................................. 109
équation 39 – Paramètre C2 de l’équation 38 reformulé avec le paramètre b. .. 109
équation 40 – Linéarisation différentielle de l’équation de Haverkamp et al. (1994)
par Vandervaere (1995), pour la détermination graphique des
paramètres................................................................................. 110
équation 41 – Calcul de d.I/d.√t et de √tgeom sur l’intervalle [i-1;i]. ...................... 110
équation 42 – Calcul de d.I/d.√t et de √tgeom sur l’intervalle [i-1,i+1]. .................. 110
équation 43 – Temps gravitaire de Philip (1969). .............................................. 113
équation 44 – Temps géométrique de Philip 1969 modifié par Roulier 1999. .... 114
271
J. Moeys Liste des équations
équation 45 –Temps de stabilisation de Vandervaere 2000. ............................. 114

équation 46 – Équation de Haverkamp et al. (1994) de l’infiltration en régime
quasi-permanent. ....................................................................... 115
équation 47 – RRSEP% adaptée au régime transitoire de la mesure d’infiltration.117
équation 48 – RRSEP% adaptée au régime permanent de la mesure d’infiltration.117
équation 49 – Fonction d’erreur pour l’écart au temps de stabilisation. ............. 117
équation 50 – Correction apportée à la pondération des 3 composantes de la
fonction d’erreur globale de l’ajustement direct. ......................... 118
équation 51 – Fonction globale d’erreur pondérée de l’ajustement direct.......... 118
équation 52 – Fonction d’erreur englobant régime transitoire et régime permanent.119
équation 53 – Fonction d’erreur globale alternative intégrant le nombre de
mesures concernées par le régime transitoire et le régime
permanent.................................................................................. 119
équation 54 – Calcul de la teneur en eau immobile pour une infiltration avec un
seul traceur (Clothier et al., 1992) quand les échanges par diffusion
sont négligeables. ...................................................................... 120
équation 55 – Linéarisation de l’équation de dégradation de premier ordre par
transformation logarithmique...................................................... 132
équation 56 – Calcul de l’intervalle de confiance sur la médiane....................... 135
équation 57 – Critère de définition des valeurs extrêmes. ................................. 135
équation 58 – Calculs des paramètres Skewness et (excès de) Kurtosis.......... 136
équation 59 – Calcul de la statistique W de Shapiro-Wilk.................................. 137
équation 60 – Coefficients de corrélation de Pearson et de Spearman. ............ 139
équation 61 – Erreur moyenne et moyenne de l'erreur en valeur absolue......... 288
équation 62 – Somme des carrés des écarts (SCE).......................................... 288
équation 63 – Racine carrée de l'erreur quadratique moyenne. ........................ 288
équation 64 – Racine carrée de l'erreur relative au carré (1)............................. 289
équation 65 – Racine carrée de l'erreur relative au carré (2)............................. 289
équation 66 – Pourcentage d'erreur moyen en valeur absolue, MAPE.............. 290
équation 67 – Centrage et réduction d’une variable. ......................................... 292
équation 68 – Transformation inverse négative d’une variable.......................... 292
équation 69 – Transformation logarithmique décimale d’une variable. .............. 292
272
THÈSE
pour obtenir le grade de
Docteur
n° /__/__/__/__/__/__/__/__/__/__/
de
l’Institut des Sciences et Industries du Vivant et de l’Environnement
– AgroParisTech –
Spécialité : sciences du sol
Variabilité spatiale et déterminismes

agro–pédologiques du devenir d’un
herbicide dans l’horizon de surface
ANNEXES
application au cas de l'isoproturon
dans un secteur agricole
de Beauce chartraine
présentée et soutenue publiquement par
Julien MOEYS
le 20 décembre 2007
devant un jury composé de
M. Rafael ANGULO-JARAMILLO C.R. ENTPE rapporteur

M. Guy SOULAS D.R. INRA rapporteur
MME Liliane BEL M.C. AgroParisTech examinateur
M. Dominique KING D.R. INRA examinateur
M. Ludovic LOISEAU Dr. AFSSA examinateur
M. Yves COQUET Pr. AgroParisTech directeur de thèse
travail réalisé au sein de l’UMR 1091 INRA / AgroParisTech

Environnement et Grandes Cultures, 78850 Thiverval-Grignon
J. Moeys Annexes
Partie VI Annexes
274
J. Moeys Annexes
1 terminologie
Il est nécessaire de préciser succinctement la définition de certains termes utilisés
fréquemment dans ce document. Ils se réfèrent aux définitions communément admises
dans la littérature, mais apportent des précisions spécifiques au travail présenté.
■ 1.1 Termes de pédologie

Sol : Dans cette étude, le sol est défini selon les mêmes termes que Girard et al.
(2005), "Le sol est une entité naturelle [...], superficielle et souvent meuble
résultant de la transformation au contact de l'atmosphère et des être vivants [...]
d'un matériau minéral [...] sous l'influence de processus physiques, chimiques et
biologiques". Dans cette étude, le sol est le matériau meuble et structuré qui se
superpose à la roche (à quelques rares exceptions près, la roche est un calcaire
altéré).
Pédologique : qui à trait aux sol(s). On parlera ainsi d'horizons pédologiques et de
couverture pédologique (ci-dessous).
Pédogenèse, pédogénétique : La pédogenèse est l'ensemble des processus
contribuant à la formation, à la genèse du sol. Un processus est dit
pédogénétique quand il contribue à la formation des sols.
Horizon : Girard et al. (2005) définissent les horizons comme "des volumes [de sol]
considérés comme homogènes [...]". On pourrait y ajouter un élément de la
définition de 'strates' de De Zorzi et al. (2005) citée ci-dessous "dont on pense
qu'elles sont plus homogènes que la population totale pour les caractéristiques
étudiées", la population totale étant dans ce cas 'le sol', et les strates étant les
horizons pédologiques. De la même manière, les ‘caractéristiques étudiées’
permettant de définir un horizon pédologique sont généralement les propriétés
morphologiques (constituants et structure) et pédologiques (pédogenèse de
l’horizon).
Couverture pédologique : Girard et al. (2005) définissent la couverture pédologique
comme : "un objet continu et tridimensionnel [...], formée de constituants
minéraux et organiques [...] ; elle est organisée en horizons qui sont eux même
des volumes". Tandis que le terme sol désigne une succession verticale
d'horizons, localisée, le terme couverture pédologique désigne l'agencement
tridimensionnel de ces horizons au-dessus des matériaux géologiques. La
compréhension et le mode de représentation de cet agencement, forcément
simplifiés par rapport à la réalité, est un enjeu essentiel de toute approche
spatiale des problématiques liées au sol.
Soluté : Un soluté est une substance (molécule) qui est présente, naturellement ou
artificiellement, dans la solution du sol, sous forme solubilisée (dissoute). Le
comportement / mouvement du soluté par rapport aux flux d’eau dans le sol
dépend de ses propriétés physico-chimiques et de la manière dont il interagit
avec les différentes phases du sol.
Lixiviation : D'après le glossaire en ligne qui complète l'ouvrage de Girard et al. (2005)
sur le site de l'A.F.E.S. : "Transport dans la couverture pédologique, vers la
profondeur et les aquifères, de substances dissoutes (nitrates, pesticides, etc.)
résultant des mouvements de la phase liquide du sol".
[http://www.inra.fr/internet/Hebergement/afes//Ressources/ouvragedunod/-
glossaire.php], dernier accès novembre 2007.
Traceur d’eau : Un traceur d’eau est une molécule appliquée au sol pour ‘suivre’ les
275
J. Moeys Annexes
mouvements de l’eau dans ce dernier. Les propriétés attendues d’un traceur sont
(i) d’être, en l’absence d’apport externe, à une concentration nulle ou négligeable
dans le sol, (i) l’absence d’interaction avec la phase solide du sol (adsorption) (ii)
l’absence de dégradation biologique ou physico-chimique.
Déterminisme(s) agro-pédologique(s) : Dans cette étude, les 'déterminismes'
agronomiques et pédologiques d'une propriété du sol sont l'ensemble des autres
propriétés plus élémentaires (propriétés du sol, éventuellement influencées par
les pratiques agronomiques locales) qui influencent (déterminent) directement ou
indirectement cette propriété et sa valeur lorsqu'on mesure cette propriété. Voir
les « Termes relatifs aux tests statistiques » ci-dessous, quand cette propriété
est vue comme une propriété d'intérêt ou une propriété à prédire.
■ 1.2 Termes spécifiques à l'étude

Secteur d'étude de Ouarville : Secteur géographique de 2600 ha sur lequel a porté le
travail présenté ici. L'emprise de ce secteur est délimité par les coordonnées
extrêmes (Nord, Sud, Est et Ouest) de la carte des sols établie sur lors du 'Plan
d'action pesticide' de Ouarville. Il s'agit aussi d'une sous-partie du bassin versant
hydrologique alimentant le captage d'Alimentation en Eau Potable (AEP) situé à
l'entrée Ouest de Ouarville. Les figure 12 et figure 13 (p. 72 et 73) présentent ce
secteur.
Parcelle d'étude : Parcelle de 22 ha située dans la partie nord du secteur agricole de
Ouarville sur laquelle ont été menées les investigations à l'échelle parcellaire du
programme ESHEL (voir à ce sujet Moeys et al., 2006, Alletto et al., 2006a, et
Alletto et al., 2006b).
■ 1.3 Termes relatifs à l'échantillonnage

Site ; site d'échantillonnage ; site de mesure : D'après De Zorzi et al. (2005), un site
d'échantillonnage est "Une aire bien délimitée où l'opération d'échantillonnage a
lieu"41. Pour l'étude présentée ici, un site d'échantillonnage est un lieu connu par
ses coordonnées (Longitude Est et Latitude Nord, exprimées et mesurées en
'Lambert 1 carto', que j'appellerai X et Y par souci de simplicité), située au sein
du secteur d'étude de Ouarville, et sur lequel des prélèvements ou des mesures
ont pu être effectués.
Extension géographique d'un site d'échantillonnage : De part (i) l'impossibilité de
réaliser des mesures ou prélèvements réellement ponctuels, (ii) l'imprécision de
la mesure des coordonnées par GPS et (iii) l'addition des imprécisions lorsqu'il
est nécessaire de retrouver un site à l'aide d'un GPS, un site est en réalité une
aire géographique de quelques mètres carrés (approximativement 10 m x 10
m) centrée sur le point de la première mesure des coordonnées
géographiques.
Couche de sol ; couche de sol échantillonnée : La définition d'une couche de sol se
rapproche de celle de 'strate' donnée par De Zorzi et al. (2005) : "Une division de
la population en sous populations mutuellement exclusives et exhaustives
(appelée strates), dont on pense qu'elles sont plus homogènes que la population
totale pour les caractéristiques étudiées"42. Dans le cadre de cette étude, pour un
site donné, il s'agit d'une strate de sol caractérisée par sa profondeur minimale
et maximale (à partir de la surface du sol ; notée Z). C'est sur les ensembles
41 Sampling site: "A well delimited area, where sampling operations take place"
42 Stratification (ISO 3534-1, 1993) : "The division of a population into mutually exclusive and
exhaustive sub-populations (called strata), which are thought to be more homogeneous with
respect to the characteristics investigated than the total population"
276
J. Moeys Annexes
[site:couche de sol] qu'ont porté les mesures et échantillonnages. Deux éléments

sont entrés en ligne de compte pour définir une couche de sol : (i) la délimitation
des horizons du sol lors d'un sondage tarière, (ii) la délimitation verticale des
différentes couches de l'horizon travaillé créées sous l'effet du travail du sol ou
du semis.
Point d'échantillonnage; point de mesure : D'après De Zorzi et al. (2005), un point
d'échantillonnage est "l'endroit / le point où l'échantillonnage a lieu dans le site
d'échantillonnage"43. Dans le cadre de cette étude, il s'agit du point
(éventuellement localisé en longitude, latitude et profondeur à partir de la surface
du sol) sur lequel a porté l'échantillonnage ou la mesure, au sein d'une couche
de sol, pour un site donné.
Échantillon de sol : D'après De Zorzi et al. (2005), un échantillon est "une portion de
matériau sélectionnée à partir d'une plus grande quantité de matériau"44. Dans
cette étude, il s'agit du sol issu d'un prélèvement sur un site donné, une couche
de sol donnée, à une date donnée. Dans l'étude présentée ici, les échantillons
ont été prélevés sur une surface très réduite (0,25 m par 0,15 m) et non par un
prélèvement groupé issu de plusieurs - effectués sur le site, afin de ne pas
minimiser la variabilité spatiale des propriétés mesurées.
■ 1.4 Termes relatifs aux modèles

Une partie des termes peut aussi être utilisée dans un cadre statistique (modélisation d'une
variable, en dehors d'un programme informatique de processus). Le terme de ‘variable’
employé ici peut aussi faire référence à une ‘propriété’ du milieu modélisé.
Constante : "Quantité dont la valeur est connue précisément"45, définition traduite de
STOWA-RIZA (1999).
Variable : "Quantité dont la valeur peut changer"46, définition traduite de STOWA-RIZA
(1999).
Variable indépendante : D'après STOWA-RIZA (1999) "variable en fonction de
laquelle les changements d'un système dynamique sont décrits; e.g. le temps,
les 3 dimensions de l'espace"47.
Variable dépendante : D'après STOWA-RIZA (1999), "variable qui change en fonction
de une ou plusieurs variables indépendantes".
Variable auxiliaire : d'après STOWA-RIZA (1999) : "variable dont la valeur n'est pas
dépendante de la valeur d'une variable indépendante (e.g. pas dépendante de sa
valeur à un temps précédent)". En pratique, il s'agit d'une variable qui peut varier
dans le temps et dans l'espace mais qui ne varie pas 'en fonction' du temps et de
l'espace.
Conditions aux limites : Les conditions aux limites sont la description quantitative
des conditions appliquées aux limites supérieure (généralement l'atmosphère),
inférieure (généralement la zone saturée ou non au-delà de la zone d'intérêt), ou
éventuellement latérale ou même internes (fossés, drainage) du système. Elles
incluent ainsi les précipitations, l'évapotranspiration, les températures, et les
conditions de potentiel (ou de hauteur de nappe). Ces conditions peuvent varier
dans le temps (ce qui est généralement le cas de la limite supérieure) et/ou dans
l'espace. Il s'agit de variables dépendantes, mais elles sont choisies par
43 Sampling point: "The place where sampling occurs within the sampling site"
44 Sample (IUPAC, 1990; ISO 11074-2, 1998) : "A portion of material selected from a larger
quantity of material".
45 "constant : a quantity whose value is accurately known".
46 "variable : quantity whose value may change".
47 " independent variable : variable versus which changes in a dynamic system are described; e.g. time,
three spatial dimension ".
277
J. Moeys Annexes
l'utilisateur ou calées sur des mesures in-situ.

Variable de forçage : Le terme est utilisé dans la littérature, mais n'est pas clairement
défini (STOWA-RIZA, 1999, p. 39). Une variable de forçage d'un modèle est une
variable dont la valeur change au cours du temps, et éventuellement dans
l'espace, mais dont la valeur ne dépend pas des résultats du modèle à un
temps précédent. Les conditions aux limites sont des variables de forçage.
Paramètre : D'après STOWA-RIZA (1999) : "quantité qui est supposée constante,
mais dont la valeur n'est pas connue exactement". Dans ce document, un
paramètre est une variable dépendante de l'espace, mais pas du temps.
L'évolution éventuelle au cours du temps de la variable n'est pas prise en
compte, pour des raisons de simplification ou d'adéquation entre l'échelle
temporelle de modélisation et l'échelle temporelle de variation du paramètre.
Variable d'état ; état du système : "état : un groupe de variables du système,
considéré à un temps spécifique, qui contient toutes les informations du passé
pertinentes pour [prédire] le futur du système" (STOWA-RIZA, 1999). Cette
définition englobe les paramètres du système, mais dans ce document, le terme
de variable d'état sera utilisé comme une variable dépendante du temps (et
éventuellement de sa localisation dans l'espace) et des résultats de la
modélisation aux temps précédents, qui est utilisé pour la modélisation au
temps suivant avec l'aide des variables de forçage et des paramètres.
État initial : de la même manière qu'il faut définir les conditions aux limites du
système, et leur variation dans le temps et/ou l'espace, il est nécessaire à
l'utilisateur de définir la valeur des variables d'état au sein du système au temps
initial (t(0) de modélisation). L'état initial peut varier dans l'espace.
Propriétés (du sol, d'une molécule) : Le terme 'propriété du sol' ou 'propriété de la
molécule' est employé ici dans un sens large, pouvant s'appliquer à une
constante, une variable ou un paramètre spécifique au sol ou à la molécule
considéré.
Paramétrisation (d'un modèle) : La paramétrisation d'un modèle consiste à fixer
l'ensemble de ses caractéristiques nécessaires pour effectuer une modélisation.
Cela inclut donc le choix des conditions aux limites et de leur évolution dans le
temps (variables de forçage), la valeur des variables d'état au temps initial et la
valeur des paramètres. Cette paramétrisation peut être modulée dans l'espace.
Calibration d'un modèle : D'après Refsgaard et Henriksen (2004) : « Procédure
d'ajustement de la valeur de paramètres d'un modèle pour reproduire la réponse
réelle [...] »48. La calibration d'un modèle consiste utiliser des valeurs mesurées
de variables de sorties du modèle (connues) pour estimer certains de ses
paramètres (inconnus). Suivant la complexité des modèles, il existe plusieurs
approches de calibration. La plus courante est la calibration d'un modèle
statistique sur des données observées (ex : estimation de la pente et de
l'ordonnée à l'origine d'une régression linéaire du coefficient d'adsorption de
l'isoproturon en fonction de la teneur en carbone organique du sol). La
'modélisation inverse' fait aussi partie de procédures de calibration (ex :
estimation des propriétés de rétention en eau du sol à partir d’une modélisation
inverse HYDRUS 1D et des volumes d'eau collectés à la base d'une colonne de
sol).
48 "Model calibration: The procedure of adjustment of parameter values of a model to

reproduce the response of reality within the range of accuracy specified in the performance
criteria"
278
J. Moeys Annexes
■ 1.5 Termes relatifs aux tests statistiques

Comme dans le paragraphe précédent, le terme de ‘variable’ employé ici peut aussi faire
référence à une ‘propriété’ du milieu étudié.
Variable explicative ; variable expliquée : Deux variables présentant des variations
concomitantes (corrélations) et dont on sait (ou on suppose) que la valeur de
l'une (variable explicative) affecte la valeur de l'autre (valeur expliquée) par un
lien de cause à effet.
Variable prédictive ; variable prédite : quand deux variables présentent des
variations concomitantes qu'on parvient à modéliser (par un modèle
statistique généralement, ou un modèle informatique), on peut utiliser l'une
(variable prédictive) pour prédire l'autre (variable prédite) avec une précision
dépendant de la qualité de la relation entre les deux variables. Cette opération ne
présuppose pas de lien de cause à effet. En général la variable prédite est une
variable dont la mesure demande plus de moyens que la variable prédictive
(principe des fonctions de pédotransfert).
Variable d'intérêt : dans ce document, une variable d'intérêt est une variable qui
présente un intérêt direct et indispensable pour l'étude (nécessaire au modèle
par exemple).
Variable secondaire : dans ce document, une variable secondaire est une variable qui
ne présente pas un intérêt direct et indispensable pour l'étude, mais qui permet
soit (i) de prédire et éventuellement d'expliquer une variable d'intérêt, avec un
rôle variable prédictive, voir explicative (ii) de définir le contexte de l'étude
(contexte pédologique, contexte agronomique) et éventuellement d'estimer le
domaine de validité (géographique, pédologique) des résultats obtenus.
■ 1.6 Termes de programmation

Langage de programmation interprété : Un langage de programmation interprété est
un langage de programmation qui n’a pas besoin d’être compilé (transformé en
fichier autonome exécutable) pour être exécuté. Un logiciel dit ‘interprète’ lit ou
reçoit les commandes données par l’utilisateur et les traduit en instructions pour
l’ordinateur. Un tel langage à l’avantage d’être généralement plus facile à mettre
en œuvre, multiplateformes (e.g. MS Windows, Linux, Mac OS), mais
l’inconvénient d’être (beaucoup) plus lent que les langages compilés (comme le
C ou le Fortran).
Script : Fichier au format texte contenant des commandes dans un langage de
programmation interprété. Le programme dit ‘interprète’ lit / importe les
commandes contenues dans le script et les traduit en instructions pour
l’ordinateur. L’utilisation de scripts permet de garder une trace des commandes
passées par l’utilisateur à l’‘interprète’ et permet d’éviter d’avoir à les saisir une
par une à chaque exécution.
R : Langage de programmation interprété dédié aux calculs de statistiques et à la
création de graphiques. Il a été développé à partir du ‘standard’ ‘S’ établi par les
laboratoires Bell de AT&T. Ce langage est sous Licence Publique Générale GNU
(GPL). Les fonctionnalités de R peuvent être étendues par des ‘packages’
(fonctions additionnelles) développés par des utilisateurs.
279
J. Moeys Annexes
2 Stratification de
l’échantillonnage : objectifs
■ 2.1 Type de sol
Type de sol Objectif [-] Proportion de la grille [-]
R 0.100 0.0117
Ca 0.125 0.0771
Ci 0.125 0.0611
B 0.100 0.0542
NL 0.300 0.4779
L 0.250 0.0318
tableau 87 – Proportions visées et proportions réelles des différents types de sols
renseignés par la carte pour l’échantillonnage.
Avec R : RENDOSOL ou Rendisol ; Ca : CALCOSOL ; Ci : CALCISOL ; B : BRUNISOL ; NL :
NÉOLUVISOL ; L : LUVISOL.
■ 2.2 Classe de profondeur
Classe de profondeur Objectif [-] Proportion de la grille [-]

1 0.05 0.0006
2 0.05 0.0114
3 0.10 0.0666
4 0.35 0.4240
5 0.20 0.2300
6 0.25 0.2675
tableau 88 – Proportions visées et proportions réelles des différentes classes de profondeur
de sols renseignés par la carte pour l’échantillonnage.
■ 2.3 Formation géologique

Formation géologique Objectif [-] Proportion de la grille [-]
LP 0.700 0.8311
LP_m1b 0.010 0.0100
inconnu 0.025 0.0250
m1a1 0.105 0.1050
m1a2 0.150 0.1500
tableau 89 – Proportions visées et proportions réelles des différentes formations
géologiques renseignées par la carte géologique pour l’échantillonnage.
Avec LP : Limon des plateaux ; LP_m1b : Limon des plateaux recouvrant une formation du
Burdigalien (Sables de Lozère) ; m1a1 : marne de Voise ou calcaire de Berchère ; m1a2 : calcaire
de Beauce ; inconnu : hors de la carte utilisée.
280
J. Moeys Annexes
■ 2.4 Classe de clarté sur une image satellite

Classe de clarté Objectif [-] Proportion de la grille [-]
0 0.0062 0.0061
1 0.1681 0.1681
2 0.0017 0.0017
3 0.0013 0.0013
4 0.0428 0.0428
5 0.2067 0.2067
6 0.2687 0.2687
7 0.1362 0.1362
8 0.1101 0.1101
9 0.0365 0.0365
10 0.0217 0.0217
tableau 90 – Proportions visées et proportions réelles des différentes classes de clarté de
l’image satellite.
■ 2.5 Distance entre les sites

La distance moyenne entre les sites d'échantillonnage est évaluée par une matrice
des distances, qui présente en ligne et en colonne la liste des sites d'échantillonnages
retenus. La cellule à l'intersection de la ligne d'un échantillon A et de la colonne de
l'échantillon B contient la distance [AB]. Seul le triangle supérieur ou inférieur de la
matrice, hors diagonale, est utilisé afin d'éviter les redondances et les distances d'un
point avec lui-même.
La distance moyenne doit être la plus élevée possible. La limite inférieure possible
de cette distance correspondrait à un échantillonnage suivant une grille régulière. Mais
la distance moyenne est forcément supérieure à celle-ci du fait des autres éléments
entrant dans la stratification de l'échantillonnage (cf. ci-dessous).
La distance moyenne entre les sites (moyenne des distances de point à point) visée
est de 2911 mètres (ce qui correspond à une grille régulière de 10 x 10 points)
■ 2.6 Pondération des différents critères

Les différents critères ont été pondérés de manière à ajuster leur importance
respective : Le type pédologique a été pondéré à 10, la classe de profondeur de sol à 5
et la formation géologique et la classe de clarté à 1.
La distance moyenne a une pondération de 1, comme la formation géologique et la
classe de clarté.
281
J. Moeys Annexes
3 Protocoles de mesure
■ 3.1 Masse volumique apparente au cylindre
A – Prélèvement B – Arasement C – Ensachage

figure 95 – Modalité de prélèvement des cylindres de sol non perturbés pour les masses
volumiques apparentes.
Les éléments figurés dans la phase A sont, de haut en bas, (a) le maillet ; (b) une pièce de bois
destinée à amortir les coups de maillet et protéger les pièces métalliques de l’embase ; (c) une
embase métallique qui s’emboîte dans le cylindre ; (d) le cylindre d’acier biseauté ; (e) le sol
prélevé. Source : J. Moeys / INRA d’Orléans, 2004, non publié.
Le protocole décrit ci-dessous suit globalement la norme NF ISO 11272, de
septembre 1998 (X 31-556) (AFNOR, 1998c), intitulée « Détermination de la masse
volumique apparente sèche » (méthode au cylindre). Le nombre de répétitions
préconisé (6) pour chaque couche de sol n’a pas été suivi (3 répétitions seulement).
Du fait de la présence d’éléments grossiers dans le sol, la méthode de
détermination « à l’eau » ou « au sable » aurait été plus pertinente. Mais des essais
préliminaires de la méthode à l’eau ont montré qu’elle était trop longue à mettre en
œuvre par rapport au temps disponible. La méthode du densitomètre à membrane
n’est pas pertinente quand les sols sont saturés, car il y a risque de tassement des
parois par la membrane caoutchouc.
La mesure de la masse volumique apparente porte, dans cette étude, sur le lit de
semence ou sur le reste de l’horizon travaillé. Si la mesure porte sur le reste de
l’horizon travaillé, il faut d’abord retirer le sol se situant au-dessus de la couche à
prélever, à l’aide d’une petite pelle, en veillant à ne pas tasser le sol qui se trouve en-
dessous. On procède donc en arrachant la terre ou en la découpant parallèlement à la
surface du sol.
Environ un centimètre au-dessus de la profondeur à prélever, on effectue un
dégagement plus fin du sol, à l’aide d’un long couteau, jusqu’à obtenir une surface à
peu près horizontale et plane (c’est à dire dont la rugosité ne dépasse pas 1 à 2
millimètres). Son étendue doit dépasser de quelques centimètres celle du cylindre. Les
particules de sol qui dépassent doivent être tranchées horizontalement ou arrachées.
Si le sol n’est pas excessivement humide, il est possible d’affiner ce travail à la main en
‘pelant’ les petites particules de sol délicatement. Si des racines dépassent ou
entravent l’arrachement des particules, il est nécessaire de les trancher au couteau ou
avec une paire de ciseaux.
282
J. Moeys Annexes
Le cylindre est ensuite posé sur la surface ainsi préparée. Deux dimensions de
cylindres ont été utilisées : des cylindres de 8,4 cm de diamètre intérieur et 9,2 cm de
haut (‘grands cylindres’), et des cylindres de 5 cm de diamètre intérieur pour 5 cm de
haut (‘petits cylindres’). Les premiers ont un volume de 510 cm3, les seconds un
volume de 100 cm3. La partie basse des deux types de cylindres, celle qui est posée
sur le sol, est biseautée de manière à ce que la terre soit tranchée lors de
l’enfoncement du cylindre (et non poussée, ce qui perturberait le prélèvement).
Le diamètre intérieur des grands cylindres est réduit de 1 mm à la base de ce
dernier, sur un centimètre de haut, de manière à limiter la surface de contact entre le
cylindre et le sol lors du prélèvement. La force de cisaillement exercée par le cylindre
sur le sol lors du prélèvement peut en effet provoquer un tassement du sol sous le
cylindre et à l’intérieur de celui-ci. Les cas où de tels phénomènes se produisent sont
repérables visuellement : lorsque le haut du cylindre atteint la surface du sol (autour du
cylindre), le niveau du sol dans le cylindre est plus bas, ce qui montre que le sol s’est
tassé à l’intérieur (ce qui est sans conséquence sur la masse volumique apparente)
et/ou qu’il s’est tassé sous le cylindre (tout le volume initial du sol n’a pas été prélevé,
une partie reste en dessous et la masse volumique est alors sous-estimée, de même
que la teneur en eau volumique).
Une fois posé sur la surface arasée, le cylindre est ensuite enfoncé dans le sol.
Cela peut être effectué à la main, si le sol est suffisamment humide, en exerçant une
pression verticale sur le cylindre. Si le sol n’est pas proche de la saturation, une
embase métallique est posée sur le rebord supérieur du cylindre. Cette dernière a le
même diamètre intérieur, mais elle est plus large que le cylindre. Elle permet de fermer
le dessus du cylindre, et de l’enfoncer un peu au-delà de la surface du sol, du fait de
son volume intérieur. Une embase a été utilisée pour les petits cylindres, mais pas
pour les grands (faute d’en avoir une). Une pièce de bois est posée sur l’embase ou
directement sur le cylindre, et le cylindre est enfoncé en appliquant des coups de
maillets d’intensité modérée, au centre de la pièce de bois.
Une fois complètement enfoncé, le cylindre et le sol qu’il contient sont dégagés en
excavant le sol qui se trouve autour, en dégageant une partie du sol située à un niveau
inférieur à la base du cylindre (mais pas sous le cylindre). Le cylindre est alors extrait
en tranchant horizontalement la terre à 1 cm en dessous, à l’aide d’un long couteau.
La terre dépassant de part et d’autre du cylindre doit être arasée au couteau,
comme lors de la préparation de la surface. Une fois le cylindre arasé, son contenu est
soigneusement vidé dans un sac plastique de type ‘Ziplock’, qui est ensuite fermé
hermétiquement et dûment annoté.
En cas de blocage de l’enfoncement du cylindre par un élément grossier, ou en
cas d’effondrement du sol au prélèvement du fait d’une structure trop peu
cohérente, le prélèvement a été recommencé jusqu’à être satisfaisant.
L’échantillon de sol prélevé est ensuite ramené au laboratoire. Il est placé dans une
barquette en aluminium ou un récipient en porcelaine de poids connu, et pesé (ce qui
donne le poids de sol humide). Les barquettes de sol sont placées dans une étuve à
105°C ventilée, pendant 48 h. Après ce délai, les barquettes de sol sont sorties de
l’étude, refroidies à l’air libre jusqu’à une température compatible avec une
manipulation à la main et pesées (ce qui donne le poids de la phase solide du sol).
Une pesée des échantillons à trop haute température perturbe la mesure.
La masse volumique apparente de chaque couche de sol a été caractérisée,
par le prélèvement d’un grand cylindre et deux petits, soit 3 répétitions. Les
résultats obtenus avec les grands cylindres et avec les petits sont généralement tout à
fait comparables. Les premiers sites mesurés ont parfois eu moins de prélèvements,
du fait de la mise au point méthodologique.
283
J. Moeys Annexes
■ 3.2 Mesure de la relation θ(h) – Presses de

Richards
■ Prélèvement de cylindres de sol non perturbés

Les échantillons de sol utilisés pour cette mesure sont des prélèvements au
cylindre non perturbés. Le mode de prélèvement est quasiment identique à celui
utilisé pour les masses volumiques apparentes au cylindre (voir p. 97). Les
échantillons de sol non perturbés destinés aux mesures de rétention en eau ont été
prélevés en même temps que les masses volumiques apparentes et que les mesures
d’infiltration. Les cylindres sont de taille différente de celle des cylindres à masse
volumique apparente : ils mesurent 5 cm de diamètre intérieur pour une hauteur de
2,5 cm, soit un volume de 49 cm3. Le prélèvement est assisté par une embase
supérieure prolongée d’une tige métallique le long de laquelle vient glisser une masse
mobile destinée à ‘percuter’ le cylindre. Une fois le prélèvement réalisé, le cylindre est
partiellement arasé, mais n’est pas vidé, puis protégé de deux capuchons plastiques,
et placé dans un sac de type ‘Ziplock’ hermétique. Tous les cylindres de prélèvement
sont numérotés et leur poids est connu. De retour du terrain, les échantillons sont
placés dans une chambre froide à 4°C, dans des boit es rigides destinées à éviter tout
tassement accidentel, en attendant la mesure de rétention en eau.
Pour chacune des 50 couches de sol à caractériser, un seul prélèvement de
sol non perturbé a été réalisé pour la mesure de rétention en eau (pas de
répétitions).
■ Humectation et saturation en eau des échantillons de sol

non perturbés
Avant d’être humectés, les échantillons de sol sont dégagés de leurs emballages et
arasés plus finement, de manière à obtenir une surface supérieure et inférieure la
moins rugueuse possible (rugosité < 1 mm).
Ils sont pesés avant leur humectation. Connaissant le poids du cylindre, on en
déduit le poids de sol humide (uniquement utilisé pour des contrôles a posteriori).
Le cylindre est posé sur grille plastique fine mais relativement rigide. Cette dernière
est destinée à prévenir un effondrement ou une désagrégation partielle des cylindres
lorsqu’ils sont manipulés par la suite. Cette grille est numérotée, elle a un poids sec et
un poids ‘humide’ connu (eau retenue entre les mailles).
Les cylindres sont ensuite posés sur un bac à humectation. Ce bac est composé
d’un lit de 3 à 4 cm de billes de verres de 45-90 µm de diamètre recouvert de deux
épaisseurs de toile de nylon très fines du même type que celle utilisée pour les
infiltromètres. Le fond de ce bac est connecté par un tuyau à un réservoir d’eau dont le
niveau supérieur est situé sous le niveau supérieur du lit de bille de verre. De cette
manière, l’eau à la surface du lit de billes de verre est à un potentiel légèrement
négatif. Les cylindres de sol sont posés sur la toile de nylon, avec leur grille plastique.
Le fait que le potentiel de l’eau à la surface du bac soit inférieur à la saturation prévient
l’effondrement du sol par une saturation trop rapide (éclatement des agrégats). Les
cylindres de sol sont laissés à humecter pendant 48 h. Pendant ces 48 h, le niveau
d’eau du réservoir est progressivement remonté jusqu’au niveau supérieur du lit de
billes de verre. Quelques minutes avant la mesure, le niveau d’eau est monté un peu
au-dessus afin d’achever la saturation des échantillons.
Les échantillons sont ensuite prélevés un par un avec une spatule plate et pesés
avec leur grille plastique (dont le poids humide est connu), ce qui évite leur
effondrement. On obtient ainsi le poids de l’échantillon à saturation (h = 0 m).
284
J. Moeys Annexes
■ Mesure de la teneur en eau à un potentiel imposé

Une fois pesés, les échantillons sont posés sur une plaque en céramique de même
forme que les presses. Les plaques en céramique ont un point d’entrée d’air à pF 3,75
(#1600) et supérieur à pF 4,18 (#1500)49. Cette plaque en céramique a été au préalable
saturée en eau un minimum de 12 heures. La face inférieure de la plaque est fermée
par une pièce de caoutchouc souple. Un petit drain, connecté à un capillaire en
plastique, traverse la plaque est permet d’évacuer l’eau en excès emprisonnée entre la
base de la plaque et le caoutchouc. La face supérieure de la plaque a été enduite
d’une fine couche de pâte humide de kaolin de 2 mm d’épaisseur. Les échantillons sont
posés sur cette pâte sur la plaque. La pâte est destinée à assurer un contact optimal
entre les échantillons posés dessus et la plaque de céramique.
La plaque et les échantillons posés dessus sont placés dans la presse. Le drain et
son capillaire sont branchés à un tuyau métallique permettant d’évacuer l’eau en excès
vers l’extérieur de la presse. La presse est refermée et verrouillée. Un conduit
métallique la relie au compresseur et au manomètre, ce qui permet d’imposer une
pression donnée au-dessus de la plaque (choisie d’abord égale à 1 m). Sous l’action
de la pression, l’eau du sol en excès50 sort de l’échantillon, passe dans le kaolin et à
travers la plaque en céramique jusqu’à la membrane de caoutchouc, et est évacuée
vers l’extérieur par le drain. Ce processus s’étale sur plusieurs jours. Quand
l’écoulement d’eau à l’extérieur de la presse cesse, le sol peut être considéré comme à
l’équilibre. Cela se produit entre 24 et 48 h après le début de la mise en pression (pour
les échantillons testés).
Après cette opération, la presse est remise à la pression atmosphérique, et les
échantillons sont sortis pour être pesés. Cette pesée donne le poids de l’échantillon
au potentiel imposé (h = –1 m).
Après cette pesée les échantillons sont replacés dans la presse et l’opération est
recommencée à une pression de 160 m.
■ Séchage à 105°C et mesure du poids sec

Une fois les mesures en presse terminées, les échantillons sont placés dans une
étuve à 105°C durant 48 h. Ils sont ensuite pesés, ce qui permet d’obtenir le poids sec
des échantillons (masse de la phase solide). Cette masse connue, il est ensuite
possible de déduire les masses d’eau à saturation, à h = -1 et -160 m, ainsi que les
teneurs en eau massiques et volumiques aux mêmes potentiels.
Ces mesures sont utilisées pour déduire les paramètres hA et b de l’équation 30
(θSAT étant mesuré directement).
49
80 et 220 psi.
50
L’eau du sol qui est retenue à une succion trop faible pour compenser la pression imposée.
285
J. Moeys Annexes
4 Précisions sur l’organisation et

la gestion des données
■ 4.1 Stockage et organisation des données
L’ensemble des mesures effectuées lors de cette étude ont été organisées et
stockées dans deux bases de données distinctes : une base de donnée pour les
sondages tarière et une base de donnée pour les autres mesures. Ces bases ne sont
pas des systèmes d’information géographique à part entière, mais elles contiennent
une information géoréférencée.
■ Base de données des mesures

Toutes les mesures effectuées, à l’exception des sondages tarière, ont été stockées
dans une base de données dédiée, élaborée avec le logiciel MS Access (Microsoft®
Access 2000). Il serait inopportun de décrire la base en détail ici, mais le point central de
la base est le tandem ‘table sites’ – ‘table couches/échantillons’. Le site est une aire
géographique définie, qui comporte plusieurs couches (lit de semence – reste de
l’horizon travaillé) sur lesquelles les différentes mesures in situ ou les différents
prélèvements (= échantillons) pour les mesures de laboratoire ont porté. Les mesures
et les prélèvements peuvent avoir des coordonnées géographiques spécifiques, mais
ils sont rassemblés par sites et par couches.
A partir de cette base site – couche, l’ensemble des données brutes a été organisé
et stocké dans différentes tables (non détaillées ici).
Les principaux avantages de cette approche sont (1) la localisation unique des
données sources, plus sure que de multiples fichiers (2) la spécification des relations
entre les différentes données / tables, qui offre la possibilité d’effectuer les calculs
de base par requêtes, ce qui permet d’avoir une actualisation immédiate de ces
dernières (3) la possibilité d’effectuer des requêtes de synthèse permettant de
rassembler les différents résultats de mesure sur les différentes couches en une
même table (4) la possibilité de réaliser des traitements par ‘scripts’ à partir d’une
même source de données (5) la possibilité d’intégrer ces données dans un Système
d’Information Géographique plus complet.
■ Base de données des sondages tarière

Les données des sondages tarière ont été stockées dans une base de donnée
dédiée, dérivée d’une base élaborée par Moeys (2003), entièrement refondue et
adaptée aux informations notées sur les fiches de sondages tarière de Cabinet Veillaux
(2000) et la fiche présentée en annexe (figure 97, p. 303). La base (relationnelle)
s’organise à partir des catégories/tables suivantes ‘table études’ > ‘table sites’ >
‘table sondages’ > ‘table horizons’ > ‘table teneurs en éléments grossiers’. La clef
de voûte de ce système est la distinction entre sites et sondages. Cette distinction
n’est pas indispensable pour les informations spécifiques aux sondages tarière, mais
elle est essentielle pour créer des requêtes permettant de rassembler les résultats de
plusieurs mesures (cf. ci-dessus). Delmas (2007) a présenté cette base un peu plus en
détail.
Les identifiants uniques et les numéros des sites sont identiques entre les deux
bases sondages et mesures. Les raisons de la séparation des données en deux bases
286
J. Moeys Annexes
de données distinctes – stratégie a priori non recommandée – sont d’ordre pratique :

les données sur les sondages tarière devaient être utilisées dans d’autres volets du
programme ESHEL, par d’autres utilisateurs (Delmas, 2007).
■ 4.2 Traitement des données

La quasi-totalité des traitements de données51 et des calculs et tests statistiques ont
été réalisés en utilisant des scripts en langage de programmation statistique R (R
Development Core Team, 2006). L’utilisation des scripts ne rend pas les calculs
‘automatiques’, mais il permet de les répéter à l’identique rapidement et facilement. Le
programme R permet d’extraire les informations directement de la base de donnée, et il
permet aussi d’inscrire les résultats de synthèse les plus importants dans la base
de données (dans des tables séparées, mais qui peuvent aussi être reliées aux autres
tables). Les autres résultats ‘intermédiaires’ sont produits sous forme de fichiers textes,
de fichiers au format ‘pdf’ comportant des informations textuelles et des graphiques, de
graphiques au format image, ou d’objets R (.Rdata). Cela permet un examen minutieux
des résultats.
Les principaux avantages de cette stratégie sont :
– L’intégration des différentes étapes de calculs pour les différentes mesures, de la
donnée brute à la donnée traitée. Cette intégration est partielle, car tous les
résultats ne sont pas régénérés automatiquement à la suite d’une modification des
données ou des calculs, mais elle permet de refaire tout ou partie des traitements
rapidement et de manière fiable.
– La répétabilité des calculs, que ce soit d’une mesure à une autre ou lors de
l’actualisation d’un traitement.
– La possibilité d’utiliser des conditions dans les calculs (si telle mesure est
supérieure à ..., effectuer ... ; si le calcul sur tel intervalle de temps ne répond pas à
la condition X, tester un autre intervalle)
– Réduire au minimum les effets ‘opérateur’ dans les calculs : quand un calcul
offre plusieurs possibilités, il est possible de les tester tous, de noter la qualité des
résultats et éventuellement d’en choisir un selon des critères précis et fixes.
– Identifier les points critiques (choix de l’opérateur, échec de la méthode dans
certaines conditions) et définir des règles précises pour les résoudre, identiques
pour toutes les mesures.
– La facilité de réaliser empiriquement des études de sensibilité des résultats
finaux aux méthodes de calcul employées, et aux erreurs sur les données brutes
(possibilité non exploitée dans ce travail).
L’utilisation des bases de données et des scripts de traitements pose aussi
plusieurs problèmes : (i) il est difficile de documenter correctement les bases de
données et le code des scripts (malgré une utilisation intensive des commentaires) ; (ii)
certaines erreurs de calcul restent difficiles à repérer, malgré le fait qu’elles portent de
fait sur toutes les mesures. Une validation sur des calculs indépendants est donc
indispensable (iii) ; la masse d’information produite est considérable (iv) ; des trois
points précédents, il ressort que la transmission des données est aussi critique que
sans l’utilisation des bases de données et des scripts (connaissance du langage de
programmation notamment). Malgré tout, à problèmes comparables, cette approche
intégrée permet d’aller beaucoup plus loin dans les traitements et les calculs.
51
Calculs destinés à passer d’une information brute, directement dérivée d’une mesure, aux paramètres
d’intérêt des processus. Par exemple le passage d’une infiltration cumulée à une valeur de conductivité
hydraulique et de sorptivité.
287
J. Moeys Annexes
5 Qualité des ajustements : les

fonctions d'erreur
Lorsque l'on ajuste une fonction mathématique sur des données mesurées, il est
nécessaire de déterminer la qualité de l'ajustement. Plusieurs paramètres permettent
cela. Le plus courant est le coefficient de corrélation linéaire de Pearson, noté R, ou sa
valeur exprimée au carré, le coefficient de détermination R2, dont les valeurs s'étalent
entre 0 et 1 (0 étant une absence de corrélation, 1 une corrélation parfaite).
Mais la mesure du degré de corrélation linéaire entre une variable mesurée et sa
valeur prédite ne prend pas en compte les biais systématiques qui peuvent exister,
d'où l'intérêt des fonctions d'erreur, basées sur l'écart entre la valeur réelle et la valeur
prédite. On peut ainsi mesurer l'écart moyen ou la moyenne des valeurs absolues des
écarts, qui présentent l'avantage d'être exprimés dans la même unité de mesure que la
variable étudiée, mais l'inconvénient d'être modérément sensibles aux écarts entre
mesure et estimation les plus extrêmes.
équation 61 – Erreur moyenne et moyenne de l'erreur en valeur absolue.

Avec yi,est la ie valeur de la variable y estimée (par une fonction de prédiction) et yi,mes la ie valeur =
mesurée (observée) de la variable y ; n est le nombre de paire {observations:estimations}.
L'erreur moyenne est une mesure du biais, comme les surestimations et les sous-
estimations se compensent, tandis que la moyenne des erreurs en valeur absolue
mesure la qualité de l'ajustement.
Les fonctions d'erreur basées sur la somme des carrés des écarts (SCE) sont plus
sensibles aux écarts extrêmes et aux biais éventuels.
équation 62 – Somme des carrés des écarts (SCE).
■ 5.1 Racine carrée de l'erreur quadratique

moyenne
La racine carrée de la moyenne des erreurs au carré, souvent appelée Root Mean
Squared Error of Prediction (RMSEP), se calcule comme suit :
équation 63 – Racine carrée de l'erreur quadratique moyenne.

C'est une fonction d'erreur couramment utilisée, mais il est parfois difficile de
comparer les ajustements entre eux (e.g. entre différents échantillons) si ces derniers
ont des valeurs moyennes (valeurs moyenne de y), voire des ordres de grandeur
sensiblement différents.
288
J. Moeys Annexes
■ 5.2 Racine carrée de l'erreur relative au carré
■ Erreur relative à l’importance de la variable

La racine carrée de l'erreur relative au carré, ou (Root) Relative Squared Error of
Prediction (RRSEP ; encore appelée Relative Standard Error of Prediction), est calculée
selon la formule suivante :
équation 64 – Racine carrée de l'erreur relative au carré (1).

Avec yi,mes valeur de la variable y mesurée au temps t(i) et yi,est la valeur de la variable y estimée
par la fonction au temps t(i). Elle peut être exprimée en % de la valeur moyenne de la variable y.
On voit qu'il s'agit d'une normalisation de l'erreur au carré, qui est exprimée comme
une fraction (potentiellement > 1) de la valeur de la variable au carré. Son principal
avantage est de permettre des comparaisons entre échantillons, voire pour différentes
variables étudiées.
■ Erreur relative à l’importance du résidu de la variable

Il existe un deuxième mode d'expression de la racine carrée de l'erreur relative au
carré, toujours appelée RRSEP :
avec
équation 65 – Racine carrée de l'erreur relative au carré (2).

Avec la moyenne des yi mesurés.
Dans ce cas l'erreur carrée n'est plus normalisée par la valeur de la variable y au
carré, mais par l'écart entre la variable y et sa moyenne au carré. C'est donc
l'amplitude des variations de y autour de sa moyenne (variabilité) qui sert de référence.
C'est l'équation 64 de la RRSEP qui a été utilisée dans les calculs.
Si la RRSEP permet de comparer la qualité des ajustements entre les échantillons,
elle a tendance à privilégier, pour une même cinétique de dégradation, les mesures
présentant une quantité de molécule élevée par rapport à celles qui présentent une
quantité faible (au dénominateur comme au numérateur de l'équation). La RRSEP
pénalise plus des erreurs aux concentrations élevées, et moins les erreurs aux
concentrations basses. Or, dans certains cas de figure, il peut être important d'avoir
une prédiction de qualité équivalente aux concentrations élevées ou basses. A long
terme, sous-estimer la teneur résiduelle en molécule peut amener à sous-estimer le
risque de lixiviation tardive de cette dernière.
Pour cette raison un autre calcul d'erreur a été testé, qui se base sur la valeur
moyenne des erreurs relatives au carré, et non sur la valeur relative des erreurs au
carré. Elle est décrite dans le paragraphe ci-dessous.
289
J. Moeys Annexes
■ 5.3 Pourcentage d'erreur moyen en valeur

absolue
Le pourcentage d'erreur moyen en valeur absolue, « Mean Absolute Percentage of
Error » (MAPE), est une moyenne de déviation relative à la valeur de chaque mesure
yi. Il peut être exprimé en % de valeur de la variable y :
équation 66 – Pourcentage d'erreur moyen en valeur absolue, MAPE.

Avec la moyenne des yi mesurés.
Le MAPE permet d’exprimer une erreur qui ne défavorise pas, pour un même
échantillon, les mesures dont la valeur est faible par rapport à celle dont la valeur est
forte. Cela peut être intéressant pour les cinétiques de dégradation, dont les valeurs
initiales sont souvent bien plus élevées que les valeurs finales.
■ 5.4 Estimation des erreurs par validation croisée

Il existe plusieurs méthodes permettant d'évaluer la qualité (ou l'erreur) de
prédiction d'une fonction de régression. Pour comprendre ces méthodes il faut
distinguer ce que l'on appelle l'échantillon de calibration de la régression (c'est-à-dire
les observations qui ont servi à calculer les paramètres de la régression), de
l'échantillon de validation de la régression (c'est à dire les observations qui servent à
évaluer la qualité de la prédiction).
■ Estimation de l’erreur avec les données de calibration

du modèle ou avec des données indépendantes
Les méthodes les plus simples utilisent les mêmes observations pour calibrer et
pour évaluer la régression. Calibration et régression ne sont pas indépendantes, ce qui
réduit fortement la puissance de ces tests. L'équation 61, p. 288, donne deux
estimations simples du biais et de l'erreur.
A l'autre extrême, on peut disposer de deux jeux d'observations indépendants, un
pour la calibration du modèle, et un autre pour sa validation. Les deux jeux
d'observations peuvent être issu d'un même jeu de données initial, séparé –
préalablement et aléatoirement – en deux parties. Cette approche garantit une bonne
indépendance des résultats de calibration et des résultats de validation, mais elle ne
met pas à l'abri d'un tirage aléatoire donnant deux jeux de données 'contrastées' et
aboutissant à une erreur plus faible ou plus forte que pour un tirage aléatoire donnant
deux jeux de données similaires. Les fonctions utilisées pour estimer le biais ou l'erreur
sont les mêmes que précédemment, celles utilisées dans le calcul étant simplement
différentes de celles utilisées pour calibrer la régression.
■ Validation croisée ‘leave-one-out’ ou ‘leave-some-out’

Il existe des méthodes intermédiaires, se basant sur des échantillons de calibration
et de validation séparés aléatoirement et indépendants, mais avec plusieurs répétitions
de l'opération. L'estimation de l'erreur est alors réalisée sur la moyenne des résultats
des opérations répétées, ce qui garantit une meilleure répétabilité des estimations. La
méthode utilisée ici est une variante de la 'validation croisée'. La validation croisée
consiste à diviser le jeu de n observations initiales en k groupes de taille approchant
290
J. Moeys Annexes
n/k. La répartition des observations dans les k groupes est effectuée par tirage
aléatoire. On calcule ensuite k régressions successives, avec pour jeu de calibration
les n observations initiales, moins les observations du groupe k. Les observations du
groupe k servent à calculer l'erreur de la ke régression, ce qui constitue une estimation
indépendante. On obtient ainsi k estimations de l'erreur de régression, dont on prend la
valeur moyenne comme estimation de l'erreur de la régression globale. Cette dernière
est calculée en utilisant cette fois le jeu complet des n observations. On voit que
l'erreur est estimée sur des régressions différentes de la régression finale, mais
élaborées avec une sous-partie du jeu de données. Elle est donc supposée proche de
l'erreur de prédiction réelle de la régression finale. Cette méthode est appelée
validation croisée (cross-validation) 'leave-some-out'.
La variante de la validation croisée (cross validation) utilisée est appelée
'leave-one-out' (abrégée 'CV-LOO') car le nombre de sous-groupes k est égal à n.
C'est donc une seule observation qui est mise de côté à chacune des n étapes du
calcul de l'erreur. Cette variante présente quelques limitations sur le plan statistique
(Wold et al., 2001, p. 116), mais elle a l'avantage considérable de donner un résultat
exactement identique pour un même jeu de données, ce qui est très important pour les
étapes décrites dans les paragraphes suivants (choix du nombre de composantes et
sélection des variables). Il est en effet important d'obtenir un résultat 'stable', qui ne
change pas d'un essai l'autre.
Une alternative à la méthode CV-LOO décrite ci-dessus pourrait être l'augmentation
du nombre de répétitions des opérations de cross-validation (répéter les calculs z fois,
avec, chaque fois, un découpage aléatoire en k groupes de taille homogène). Les
techniques de bootstrap sont une alternative et une généralisation de la méthode de
cross-validation. Il s'agit dans ce cas de répéter z fois une opération de tirage aléatoire
séparant les n données initiales en 2 groupes calibration/validation dont la taille est
déterminée à l'avance (si n est faible, il est préférable d'avoir un échantillon de
validation de petite taille par rapport à l'échantillon de calibration), avec à chaque étape
un calcul de l'erreur de prédiction sur l'échantillon de validation. Ces approches
présentent cependant plusieurs inconvénients : il est nécessaire de tester au préalable
le nombre de répétitions z nécessaires pour avoir une estimation de l'erreur ne variant
pas trop d'un essai à un autre (stabilité de l'estimation) ; comme z est souvent élevé
(>> 100 dans notre cas), les temps de calculs peuvent être élevés. C'est pour cette
raison que ces méthodes n'ont pas été utilisées avec la PLSR ou avec les autres
méthodes de prédiction.
6 Transformations de variables :
quelques exemples
■ 6.1 Centrage et réduction d’une variable
Le centrage d’une variable consiste à lui retrancher sa valeur moyenne. La valeur
moyenne de la variable est alors égale à zéro. La réduction d’une variable, aussi
appelée mise à l’échelle, consiste à la diviser par son écart type. L’écart type de la
variable devient est alors égal à un. Si l’on applique les deux transformations, on
obtient une variable centrée réduite (équation 67).
Il ne s’agit pas d’une normalisation puisque cela ne corrige nullement l’asymétrie de
la distribution. Il s’agit plutôt d’une ‘standardisation’ des valeurs et de leur variabilité.
291
J. Moeys Annexes
équation 67 – Centrage et réduction d’une variable.

Avec xC,R la variable x centrée et réduite ; la moyenne de x et σx l’écart type de x.
■ 6.2 Transformation inverse négative

La transformation inverse négative d’une variable consiste à prendre sa valeur
inverse (1/x). Appliquée seule, cette transformation a quelques inconvénients. Le
résultat de la transformation est multiplié par –1 afin de garder l’ordre des valeurs
initiales. La transformation inverse ne supporte pas de valeurs nulles. De plus, la
fonction inverse est fortement discontinue au voisinage de x = 0 (positif ou négatif). Afin
de palier à ces inconvénients, on ajoute à la variable x la valeur maximale de ces
valeurs absolues, multipliée par un faible coefficient (fixé ici à 1,001). Cela garantit que
toutes les valeurs transformées seront strictement positives. L’équation 68 décrit
l’ensemble de la transformation :
équation 68 – Transformation inverse négative d’une variable.

Avec xT la variable x transformée ; max(|x|) la valeur maximale de la valeur absolue de x.
Il est aussi possible de soustraite le maximum de la valeur absolue de x, au lieu de
l’additionner. Cela peut, dans certains cas, ‘normaliser’ une variable plus efficacement
que la transformation ci-dessus (cas du limon fin non décarbonaté par exemple).
■ 6.3 Transformation logarithmique

La transformation logarithmique décimale d’une variable consiste à prendre le
logarithme de base 10 de la variable, après une translation de celle-ci sur des valeurs
strictement positives (comme dans le cas précédent).
équation 69 – Transformation logarithmique décimale d’une variable.

Avec xT la variable x transformée.
7 Choix du nombre de
composantes et de variables
pour la PLSR
■ Méthode de sélection du nombre de composantes
A moins de limiter arbitrairement le nombre de composantes calculées par la
fonction PLSR utilisée, cette dernière calcule automatiquement n-2 composantes (n
étant le nombre d'observations utilisées pour le calcul). A chaque composante la
fonction associe une erreur croisée. L'erreur croisée de la composante u correspond
en fait à l'erreur croisée d'une prédiction utilisant les valeurs cumulées des coefficients
des composantes 1 à u. Le nombre de 'composantes cumulées' présentant la plus
292
J. Moeys Annexes
faible validation croisée est considéré comme le nombre de composantes optimal. Ce

sont les coefficients cumulés correspondant à ce nombre de composantes qui sont
utilisés comme résultat de la PLSR.
■ Méthodes de sélection des variables prédictives

Deux méthodes de sélection ont été utilisées. Elles sont basées sur le même
principe de sélection de variables, mais leur mode de fonctionnement diffère.
□ Méthode de sélection ‘backward’

La première, intitulée ici sélection ‘backward’ (en marche arrière), consiste à partir
du jeu complet de variables prédictives et à éliminer les variables une par une, en
évaluant à chaque étape, et de manière systématique, la variable la plus intéressante à
supprimer.
À une étape donnée, le critère permettant de choisir la variable la plus intéressante
à supprimer est l’erreur croisée de prédiction (méthode Leave-One-Out, LOO). La
procédure exacte de choix est exposée ci-dessous. Soit un jeu de n variables
prédictives initiales parmi lesquelles le choix doit être effectué (x1, x2, x3, ..., xn) :
– A une étape donnée (l’étape k), on dispose d’un jeu de i (i ≤ n) variables prédictives
restantes (x1, x2, x3, ..., xi) pour prédire la valeur de la variable y. Ce jeu de i
variables est appelé jeu de variables initial de l’étape.
– L’opération va consister à calculer i PLSR avec, pour chacune, un jeu de données
ne différant du jeu initial de l’étape que par une variable (en moins).
– La PLSR n°1 est réalisée en prenant le jeu de variables pr édictives complet moins la
variable explicative x1 (x2, x3, ..., xi) ; la PLSR n°2 est réalisée en prenant le jeu de
variables prédictives complet moins la variable explicative x2 (x1, x3, ..., xi) ... et ainsi
jusqu’à la ie PLSR. Le nombre de composantes ‘optimal’ de chacune des PLSR
calculées est choisi en suivant la procédure décrite plus haut, basée sur l’erreur
croisée de prédiction.
– Pour chacune des i PLSR, l’erreur croisée de prédiction a été calculée.
– La PLSR présentant l’erreur croisée de prédiction minimale correspond à la variable
qu’il faut éliminer. Ainsi, si la PLSR n°4 a l’erreur croisée de prédiction la plus faibl e,
cela signifie que la variable x4 est la variable à éliminer à cette étape, puisque sa
‘non-utilisation’ dans la PLSR n°4 a permis d’obtenir la plus faible erreur crois ée des
i PLSR testées.
– L’erreur croisée de la PLSR n°4 devient, par la même occasion, l’erreur croisé e
attribuée à l’étape k. Cette valeur sera utilisée au moment de comparer les
différentes étapes de la sélection, afin de déterminer celle qui a permis d’aboutir à
l’erreur croisée la plus faible. De même, le jeu de données ‘final’ (dans notre
exemple : x1, x2, x3, x5, ..., xi) de l’étape est aussi associé à l’étape.
Dans un premier temps la procédure backward est réalisée jusqu’au bout, c’est-à-
dire qu’elle n’est interrompue que quand il ne reste plus qu’un nombre limité de
variables de prédiction (2 variables étant le nombre choisi arbitrairement pour cette
étude). On a donc un nombre d’étapes k égal à (n-2).
Dans un second temps, chacune des k étapes (suppression de variables) de la
procédure est examinée, afin de déterminer à quelle étape l’erreur de prédiction était
minimale. Le jeu de variables prédictives final de l’étape retenue, et la PLSR
correspondante, correspondent à la meilleure prédiction obtenue (qui n’est pas
forcément la meilleure PLSR pouvant être obtenue).
293
J. Moeys Annexes
Le nombre d’étapes de calcul de cette procédure pouvant être assez considérable

(pour 15 variables, 117 calculs de PLSR sont nécessaires), elle a été entièrement écrite
sous forme d’un script en langage R permettant d’exécuter toute la procédure ‘en bloc’.
La fonction de calcul de PLSR du logiciel R n’inclut malheureusement pas de procédure
de sélection de variables, contrairement à son concurrent commercial SAS.
L’inconvénient de cette méthode est sa relative lenteur (du fait du nombre de
calculs). L’avantage de cette méthode est qu’elle ne nécessite pas de choisir
‘arbitrairement’ une variable de départ, contrairement à la deuxième méthode
exposée ci-dessous. Les limitations communes aux deux méthodes sont exposées
plus loin.
□ Méthode de sélection ‘forward’

La seconde méthode, intitulée ici sélection ‘forward’ (en marche avant) consiste,
en partant d’une variable initiale jugée pertinente par l’opérateur, à ajouter les
variables une par une, en évaluant à chaque étape, et de manière systématique, la
variable la plus intéressante à ajouter.
À une étape donnée, le critère permettant de choisir la variable la plus intéressante
à ajouter est – comme pour la méthode backward – l’erreur croisée de prédiction
(méthode Leave-One-Out). La procédure exacte de choix est exposée ci-dessus. Soit
un jeu de n variables prédictives initiales parmi lesquelles le choix doit être effectué (x2,
x3, ..., xn ; la 1ère variable, x1, étant la variable imposée) :
– A la première étape, on dispose de la variable initiale imposée, x1, et du reste des
variables explicatives, parmi lesquelles il faut en sélectionner une à ajouter à la
variable initiale pour le calcul de la PLSR. Plus généralement, à une étape donnée
(l’étape k), on dispose d’un jeu de i=k variables prédictives initiales résultant des
sélections précédentes (x1, x2, x3, ... , xi) pour prédire la valeur de la variable y.
– L’opération va consister à calculer j PLSR (j=n-k) avec, pour chacune, un jeu de
données ne différant du jeu initial de l’étape que par une variable (en plus).
– La PLSR n°1 est réalisée en prenant le jeu de variables pr édictives initial de l’étape
plus la variable explicative xi+1 (x1, x2, x3, ..., xi, xi+1) ; la PLSR n°2 est réalisée en
prenant le jeu de variables prédictives initial plus la variable explicative xi+2 (x1, x2, x3,
..., xi, xi+2) ... et ainsi jusqu’à la je et dernière PLSR (xj). Le nombre de composantes
‘optimal’ de chacune de ces PLSR calculées est choisi en suivant la procédure
décrite plus haut, basée sur l’erreur croisée de prédiction.
– Pour chacune des j PLSR, l’erreur croisée de prédiction a été calculée.
– La PLSR présentant l’erreur croisée de prédiction minimale correspond à la variable
qu’il faut ajouter. Ainsi, si la PLSR n°6 a l’erreur croisée de prédiction la plus faibl e,
cela signifie que la variable x6 est la variable à ajouter à cette étape, puisque son
utilisation dans la PLSR n°6 a permis d’obtenir la plus faible erreur crois ée des j
PLSR testées.
L’erreur croisée de la PLSR n°6 devient, par la même occasion, l’erreur croisé e
attribuée à l’étape k. Cette valeur sera utilisée au moment de comparer les différentes
étapes de la sélection, afin de déterminer celle qui a permis d’aboutir à l’erreur croisée
la plus faible. De même, le jeu de donnée ‘final’ (x1, x2, x3, ... , xi, x6) de l’étape est aussi
associé à l’étape.
Dans un premier temps, la procédure forward est réalisée jusqu’au nombre de
variables explicatives sélectionnées choisi préalablement par l’opérateur (pour cette
étude, la procédure a été limitée à 15 variables). Elle peut aussi être menée jusqu’au
bout, c’est-à-dire quand les n variables initiales ont été ajoutée.
Limiter le nombre de variables ajoutées présente l’intérêt de limiter le nombre de
294
J. Moeys Annexes
calculs à effectuer. Cela ne présente pas d’inconvénient dans la mesure où au-delà

d’un certain nombre de variables, l’intérêt de la dernière variable ajoutée relativement
au résultat obtenu précédemment est généralement faible (i.e. amélioration ou
dégradation négligeable de la RMSEP). Inversement, réduire de manière trop
importante le nombre maximal de variables explicatives à ajouter peut parfois poser
problème. En effet, certaines variables n’ont une valeur explicative pour la variable
d’intérêt que lorsqu’une autre variable explicative est inclue dans l’analyse. Ce n’est
donc qu’une fois cette dernière variable inclue dans l’analyse que l’ajout de la première
améliore significativement la prédiction croisée (cas d’interdépendance des variables
explicatives). Dans l’étude présentée ici, ces cas étaient rares et présentaient peu
d’intérêt.
Comme pour la méthode backward, le nombre d’étapes de calcul de cette
procédure a conduit à formaliser la procédure sous forme d’un script en langage R
permettant d’exécuter toute la procédure ‘en bloc’.
L’inconvénient de cette méthode est l’importance cruciale de la variable initiale
choisie. Ce point est éclairci dans le paragraphe suivant. L’avantage de cette
méthode est sa relative rapidité, puisqu’elle peut être interrompue prématurément.
□ Choix de la variable explicative initiale avec la méthode

forward
Avec la méthode de sélection forward, le choix de la variable initiale est très
important. Il est donc nécessaire d’exposer la manière dont il a été effectué, d’autant
que celui-ci se fait parfois en plusieurs étapes.
Dans un premier temps, la variable initiale choisie, x1, est la variable explicative la
mieux corrélée à la variable d’intérêt (corrélation de Spearman). Ce choix effectué, une
procédure de sélection forward est lancée sur un jeu de variables explicatives (incluant
forcément la variable initiale x1). Dans un deuxième temps, une procédure de sélection
backward est effectuée sur le même jeu de variables explicatives.
Deux constats peuvent amener à réévaluer le choix de la variable initiale de la
procédure forward :
– La RMSEP de la PLSR obtenue sur le jeu de données ‘optimal’ déterminé par la
méthode forward est plus élevée que celle de la méthode backward.
– La dernière variable éliminée dans la procédure backward n’est pas la variable
initiale choisie pour la procédure forward, ce qui signifie que, dans la procédure
backward, la variable x1 a été éliminée avant la fin, à l’avantage d’une autre variable
dont l’élimination pénalisait plus le résultat de la PLSR (plus que l’élimination de x1).
Si l’un ou l’autre de ces cas (généralement les deux) existe, une nouvelle procédure
de sélection forward est lancée, avec, pour variable initiale, la variable qui n’a pas été
éliminée lors de la sélection backward ou, alternativement, une autre variable bien
corrélée à la variable d’intérêt.
□ Cas de résultats divergents entre les méthodes backward et

forward
Il arrive que les deux procédures de sélection de variables donnent, pour un même
jeu de variables explicatives et une même variable expliquée, des résultats différents
(variables explicatives retenues). Il arrive aussi que se surajoute à ce problème le fait
que les deux procédures donnent des erreurs de croisée de prédiction similaires, ce
qui rend difficile le choix d’une méthode plutôt qu’une autre.
Ce problème vient à la fois des caractéristiques des variables utilisées que des
différences de fonctionnement entre les méthodes. Les variables explicatives utilisées
295
J. Moeys Annexes
sont parfois corrélées. Elles sont même parfois très liées de part la manière dont elles
ont été obtenues. Les fractions granulométriques non-décarbonatées et décarbonatées
sont ainsi très similaires du fait de la faible quantité (ou de l’absence) de carbonates
dans les échantillons. Les paramètres des fonctions de rétention en eau et de
conductivité hydraulique de Campbell sont très liés aux variables dont elles sont
dérivées : teneur en eau à saturation, à pF 2, à pF 4,2, conductivité hydraulique à -
1 cm...
Pour ces raisons, les variables corrélées & physiquement similaires ont une
importance proche dans la PLSR. Or, lors de la procédure de sélection, le cortège de
variables avec lesquelles sont mises en concurrence les variables ‘liées’ diffère d’une
méthode à l’autre. Il en résulte des choix différents d’une procédure à l’autre. Dans le
cas de la méthode forward, à une étape donnée, une variable est mise en concurrence
avec des variables qui ne sont pas encore intégrées à la PLSR, et elle est utilisée avec
des variables sélectionnées aux étapes précédentes. Dans le cas de la procédure
backward une variable est mise en concurrence et utilisée avec des variables qui n’ont
pas encore été éliminées de la PLSR. Il est donc probable que les étapes initiales de la
sélection backward aboutissent à de mauvais ajustements et/ou une capacité de
prédiction faible (erreur croisée élevée), du fait des nombreuses variables inutiles,
pouvant engendrer l’élimination de variables ‘pertinentes’ (au regard de la sélection
forward).
Un nombre important de variables explicatives au départ semble être un facteur
aggravant ces problèmes. Cela aboutit en tout cas plus fréquemment à des résultats
divergents entre les méthodes forward et backward. Pour cette raison, plusieurs jeux
de variables explicatives de départ, de taille plus limitée que la 50aine de variables
disponibles, ont été constitués. Le paragraphe suivant expose la manière dont ils
ont été constitués.
■ Constitution de sous-ensembles de variables prédictives

à tester dans les analyses par PLSR
Du fait des limitations inhérentes aux procédures de sélection de variables mises en
œuvre, il a été nécessaire de constituer des sous-ensembles de variables explicatives,
préalablement choisis, sur lesquels ont été effectuées les procédures de sélection.
Cela permet de limiter les différences de résultats entre les méthodes. Ces jeux de
données sont basés sur un principe de cohérence (uniformité des méthodes de
mesure) et de non-redondance de l'information (élimination des variables très liées).
Les jeux de variables explicatives sont :
– (1) Les propriétés physico-chimiques de base, avec des fractions
granulométriques non-décarbonatées, à savoir : la teneur en éléments grossiers
totaux, les 3 fractions granulométriques non-décarbonatées (argile, limon, sable), le
carbone organique, le pH, la teneur en CaCO3, la masse volumique apparente, les
teneurs en eau à saturation, pF 2 et pF 4,2 (11 variables) ;
– (1b) Ce jeu de variables explicatives est identique au précédent, mais le carbone
organique y est remplacé par le ratio C/N. Ce jeu de données a été choisi
spécifiquement pour la prédiction de la DT50 de l'isoproturon.
– (2) Les propriétés physico-chimiques de base, avec des fractions
granulométriques décarbonatées. Le jeu de données est identique au précédent, à
l'exception des fractions granulométriques qui sont cette fois décarbonatées (11
variables) ;
– (3) Les propriétés physico-chimiques et pédologiques de base, avec une
granulométrie non-décarbonatée. Il s'agit des mêmes variables que dans le jeu (1),
296
J. Moeys Annexes
avec en plus la profondeur du sol et la teneur maximale en éléments grossiers

calcaires du profil (13 variables).
La variabilité spatiale de la profondeur du sol et de la teneur maximale en éléments
grossiers calcaires, et la subjectivité l'estimation de cette dernière expliquent la
constitution de jeux de données séparés (3 et 4). Cela permet d'évaluer leur
importance malgré le fait que les résultats de l'analyse risquent d'être plus relatifs
que dans les cas 1 et 2.
– (4) Un jeu de variables explicatives supplémentaire a été constitué spécialement
pour la prédiction de la demi-vie de l'isoproturon (en plus des autres ci-dessus). Il
s'agit du même jeu que le jeu de variables explicatives (3), avec en plus la demi-vie
de minéralisation, le KD et le KOC (soit 16 variables au total). Les 3 dernières
variables sont en effet plus simples à acquérir que la mesure de la demi-vie de
dégradation de l'isoproturon, d'où l’intérêt éventuel d'une prédiction basée sur ces
variables (si elles sont pertinentes).
297
J. Moeys Annexes
8 Histoire géologique et
pédologique du site de
Ouarville : synthèse et
hypothèses
■ 8.1 Histoire géologique pré-glaciaire
Période géologique Climat / Paysage Phénomène
Aquitanien.............. Lacustre ..................... Dépôt du calcaire NG, sur le site :
- faciès gris sur les points hauts. HY, NG.
- faciès blanc crème. HY, NG.
- faciès rosé à meulières (talwegs). HY, NG.
Burdigalien............. Aride .......................... Assèchement NG
Burdigalien............. Climat plus humide .... Dépôts de graviers de Lozère NG = graviers
translucides quartzeux et rosés (de feldspaths
potassiques ?)
Pliocène.................. Climat tiède et ........... Pénéplanation par l’érosion, donne le relief
humide actuel NG
- localement : mélange des graviers de
Lozère au calcaire. HY
- érosion plus accentuée sur les versants
orientés au sud et à l’ouest. HY
- formation par fissuration et dissolution du
réseau karstique dans le calcaire. HY
- en surface, apparition d’avens, voire de
petites dolines. HY
- dans les pentes, les dolines sont plus
caillouteuses, au moins en surface, du fait
des apports locaux par érosion. HY
- sur terrain plat et sous limon épais, les
dolines sont non caillouteuses en surface
et avec plus d’argile de décarbonatation. HY
Pliocène ? .............. ? .............................. Formation de l’argile à meulières HY, piégeage
dans les avens karstiques HY
- souvent : mélange avec les graviers de
Lozère HY.
- Y a-t-il (eu) des orientations de pentes plus
favorables à la formation de ces argiles à
meulières ??
tableau 91 – Histoire géologique pré-glaciaire du site de Ouarville.
HY : hypothèse ; NG : information donnée par la notice de la carte géologique.
298
J. Moeys Annexes
■ 8.2 Histoire géologique glaciaire

Période géologique Climat / Paysage Phénomène
.......... ers
Glaciations IVaires Froid ........................... Gélifraction des 1 mètres du calcaire de
NG
Beauce.
- Formation d’un cailloutis calcaire en
surface qui sera ensuite plus ou moins
fortement altéré par la suite. HY
- Fractionnement important des cailloux de
meulières, facilité par leur nature poreuse.
HY
aires
Glaciations IV ? ... Froid ........................... Cryoturbation
- La surface de contact entre calcaire, limon
et argile à meulière devient irrégulière,
voire ondulée.
- Très localement, apparition en surface de
zones caillouteuses dans des secteurs
plutôt plats et avec un limon plutôt épais.
HY
aires
Glaciations IV ? ... Froid ........................... Solifluxion ?
- Localement, en conditions de saturation en
eau et de dégel, déplacement en masse
des formations argileuses ou du cailloutis
calcaire ? HY
aires
IV ;......................... Steppique ?................ Dépôt éolien de limon des plateaux NG
Pléistocène ; Würm - Faiblement carbonaté ? HY
- Au début / à la base, mélange du limon
avec l’argile sous-jacente, par le gel ? Par
l’érosion superficielle ? Par bioturbation ?
HY
- Par endroits, mélange avec des cailloux de

calcaire et/ou de meulières, par l’érosion
superficielle ? HY
- Par endroits, l’érosion puis le dépôt de
limon dans les fonds de talweg donne des
limons rougeâtres ou grisâtres.
? ? Formation d’argile de décarbonatation sous
le limon et l’argile à meulières, surtout dans les
avens karstiques. HY
tableau 92 – Histoire géologique du site de Ouarville de la période glaciaire à fin du
quaternaire.
HY : hypothèse ; NG : information donnée par la notice de la carte géologique.
■ 8.3 Pédogenèse récente et facteurs anthropiques
■ Pédogenèse
Depuis approximativement 10 000 ans (IVaire, néogène, holocène), les matériaux
géologiques présents en surface n’ont pas subi de remaniements profonds comme
pendant les périodes glaciaires et périglaciaires. Les processus pédogénétiques ont
progressivement altéré et structuré les matériaux géologiques meubles de surface.
– Décalcification de la couverture limoneuse, sauf en cas de présence d’éléments
grossiers calcaires. HY
– Brunification et structuration de la couverture limoneuse. HY
– Structuration des horizons argileux de décarbonatation ou à meulières. HY
299
J. Moeys Annexes
– localement : lessivage des argiles (apparition d’horizons E) et accumulation

(formation d’horizons BT).
– localement : phénomènes d’hydromorphie temporaires sur les horizons BT,
d’argile à meulières ou d’argile de décarbonatation.- Taches rouilles (rares, dans
Argile lourde).- Concrétions ferro-manganiques et enrobage des graviers de
Lozère.- Traînées sombres dans les couches d’argile lourde.
■ Mise en culture des terres

Depuis environ 2000 ans, avec le climat tempéré favorable, les sols ont
progressivement été mis en culture par l’homme, ce qui a contribué à un remodelage
discret mais réel de la couche de surface des sols :
– Le travail du sol de plus en plus profond tend à homogénéiser les 30 à 40
premiers centimètres du sol.
– Pour les sols de limon moyen, pertes en matières organiques, engendrant ou
accentuant des phénomènes de battance, puis de ruissellement par saturation,
avec pour conséquence une érosion de surface. Les particules arrachées se
déposent en bas des pentes, ou un peu plus loin HY, ce qui engendre :
– une accentuation des accumulations de fractions limoneuses en bas des pentes
les plus importantes. HY
– très localement, des accumulations de fractions fines en surface des avens non
caillouteux (la surface devient plus claire et plus battante). HY
Voire par exemple Govers et al. (1994) ou De Alba et al. (2004).
– Amendements calcaires en surface à partir de carrières locales, induisant :
– une re-carbonatation locale et temporaire de l’horizon de surface. HY
– un apport plus pérenne de graviers de Lozère (avec le calcaire) sur l’horizon
de surface. Le calcaire fini par être dissout dans l’horizon de surface, mais les
graviers de Lozère, siliceux, restent. HY
– Disparition progressive des zones boisées, jusqu’à ne maintenir que quelques
bois épars. HY
L’anthropisation se manifeste aussi par le tracé de routes et de chemins, la
plantation de haies et le marquage des limites de parcelles, par :
– apport de cailloux de calcaires et de meulières, de provenance locale, pour
stabiliser les chemins. HY
– alimentation en cailloux par épierrement des champs, et dépôt sur les bords de
parcelles. S’ajoute aujourd’hui l’épierrage par les chantiers de récolte de pomme de
terre. HY
– en période estivale de récolte des céréales, transport par le vent de particules
fines. HY
– re-dépôt de ces particules dans les zones enherbées : bords de parcelle, haies,
chemins. HY
La conséquence globale de ces ‘linéaires’ de communication et de démarcation
est un épaississement par accumulation des bords de parcelle, haies, chemins,
créant ainsi des reliefs aussi important que la microtopographie locale. HY
Au XXe siècle, après la 2e guerre mondiale, deux remembrements successifs, en
300
J. Moeys Annexes
1958 puis en 1992 ont accompagné ou induit :

– la disparition progressive de l’élevage (s’il existait encore ?) et des prairies qui y
étaient associées ;
– un agrandissement conséquent des parcelles ;
– la suppression de chemins intercommunaux, suppression ou déplacement de
chemins inter-parcelles, de haies et de limites de parcelles.
On retrouve, à l’heure actuelle, en lieu et place des anciens chemins, une
microtopographie d’origine anthropique, qui marque souvent des sols encore
‘perturbés’ par l’anthropisation (tassements, charge en éléments grossiers). HY
301
J. Moeys Annexes
9 Typologie des variables des

modèles de transfert
figure 96 – Les différents types de variables utilisées par les modèles informatiques de
transferts de pesticides.
Inspiré du schéma conceptuel et du glossaire des Good Modelling Practice (STOWA-RIZA,
1999).
302
J. Moeys Annexes
10 Fiche des sondages tarière
figure 97 – Fiche de sondage tarière utilisée pour décrire les sondages.

Version modifiée et adaptée de la fiche de la Chambre d’Agriculture de la Somme (2003).
303
J. Moeys Annexes
11 Cartes des propriétés

quantitatives mesurées
■ 11.1 Propriétés pédologiques et physico-
chimiques
A – Profondeur du sol B – Teneur en argile

figure 98 – Carte de la profondeur du sol et de la teneur en argile de l’horizon de surface sur
34 sites (50 couches) étudiés.
La taille des cercles est proportionnelle à la valeur de la propriété ; quand deux cercles
concentriques sont représentés, il s’agit de deux couches mesurées sur un même site : le lit de
semence et le reste de l’horizon travaillé ; les croix obliques indiquent la localisation précise des
sites, tandis que le quadrillage régulier de croix droites reprend les coordonnées Lambert 1 carto
indiquées par les axes de latitude et de longitude. La topographie, les routes et les forêts sont
représentées en trame de fond.
A – Teneurs en éléments grossiers B – Teneurs en CaCO3

figure 99 – Carte des valeurs de teneur en éléments grossiers et en CaCO3 de l’horizon de
surface sur 34 sites (50 couches) étudiés.
Légende : voir la figure 98 ; l’échelle des teneurs en CaCO3 est transformée en log10.
304
J. Moeys Annexes
■ 11.2 Propriétés hydrologiques
A – Réserve utile de surface B – Conductivité à saturation

figure 100 – Carte des valeurs de réserve utile et des conductivités hydrauliques à
saturation de l’horizon de surface sur 34 sites (50 couches) étudiés.
Légende : voir la figure 98; l’échelle des KSAT. est transformée en log10.
A – Fraction d’eau immobile

figure 101 – Carte des valeurs de fraction d’eau immobile de l’horizon de surface sur 34
sites (50 couches) étudiés.
Légende : voir la figure 98.
305
J. Moeys Annexes
■ 11.3 Carbone organique et propriétés d’adsorption

et de dégradation de l’isoproturon
A – Teneurs en carbone organique B – Coefficient d’adsorption KD

figure 102 – Carte des valeurs teneurs en carbone organique et de coefficient d’adsorption
de l’horizon de surface sur 34 sites (50 couches) étudiés.
A – KOC. B – DT50 de l’isoproturon

figure 103 – Carte des valeurs de coefficient d’adsorption normalisé par la fraction de
carbone organique et de temps de demi-vie de l’isoproturon de l’horizon de surface sur 34
sites (50 couches) étudiés.
306
J. Moeys
◊ Abstract
Keywords: Soil; herbicide; isoproturon; spatial variability; determinisms; adsorption;
degradation; hydraulic properties; immobile water fraction.
Diffuse pollution of groundwater bodies by pesticides is a critical environmental
issue. Approaches designed to spatially modulate the applied pesticide dose, as a
function of pesticide leaching risks down the soil, seem to be appealing solutions. In a
research context, such approaches require a mapping of soil hydropedologic properties
and of pesticides adsorption and degradation properties, in order to be able to model
molecules fate in soils. The PhD work presented here deals with the first step of such
approach: the characterisation of soils properties and an herbicide molecule -
isoproturon - fate properties in soil at the scale of a 2600 ha agricultural area in the
Beauce chartraine region.
The PhD objectives hold in 3 parts: [i] characterising the spatial variability of soils
pedological, physico-chemical and hydraulic properties (water retention, hydraulic
conductivity KSAT, immobile water fraction fIMM), as well as isoproturon adsorption (KD)
and degradation (DT50) properties in the topsoil of the studied area; [ii] Identify the
agronomical and/or pedological determinisms of properties that are important for
pesticides fate in soils; [iii] Calibrate and test pedotransfer classes or functions in
order to predict important properties using simpler agronomical and/or pedological
properties.
Soils in the studied area have intermediate thickness and are derived from an
aeolian loess that stands on a frost cracked and cryoturbed limestone. The topsoil of
34 sites has been characterised, with a systematic measurement of the seedbed
properties, and a partial measurement of the rest of the cultivated layer. Among the 50
layers / samples that were characterised, one-third holds in no-tillage fields. With the
exception of bulk density, soil physico-chemical properties are moderately variable
(notably clay and CaCO3 contents). If the water holding properties and isoproturon KD
are moderately contrasted too, soil fIMM, and KSAT, as well as isoproturon DT50 are
highly variable. An important ‘method effect’ has been identified when treating the
measurements results of these two last variables. A ‘robust’ direct fitting procedure has
been established for KSAT computation, and a direct fitting procedure has been applied
for DT50 estimation. This last method does not solve the critical lack of correspondence
between a degradation kinetics that was indeed biphasic and the first order equation
used by pesticide fate models.
A close look at the statistical relations that exist between variables with both
parametric and non-parametric methods revealed coherent but weak links (and thus
potentially determinisms) between the variables: an important part of the spatial
variability is not explained by the measured agro-pedological variables. The
impossibility of calibrating local classes or pedotransfer functions with a satisfying
prediction error arises as a logic, but problematic, consequence of this ‘undetermined’
variability of soils and isoproturon fate variability. It is only possible to consider a KD or
KOC prediction. It does not seems to be possible to predict – and so to spatialize – the
other important properties influencing isoproturon fate in the topsoil of the studied area,
using the measured properties together with the statistical analysis tested.
307
J. Moeys
◊ Résumé
Mots clé : Sol ; herbicide ; isoproturon ; variabilité spatiale ; déterminismes ; adsorption ;
dégradation ; propriétés hydriques ; fraction d’eau immobile.
La pollution diffuse des nappes phréatiques par les pesticides pose un problème
environnemental critique. Les approches visant à moduler spatialement la dose de
pesticide apportée en fonction des risques de transfert des molécules phytosanitaires à
travers le sol sont a priori une solution séduisante. Dans un cadre de recherche, ces
approches requièrent une connaissance spatialisée des caractéristiques
hydropédologiques du sol, de l'adsorption et de la dégradation des molécules
phytosanitaires, afin de pouvoir modéliser le comportement des molécules. Le travail
de thèse présenté ici porte sur la première étape d'une telle démarche, la
caractérisation des propriétés du sol et d’une molécule herbicide – l’isoproturon – à
l’échelle d’un secteur agricole de 2600 ha de Beauce chartraine.
Les objectifs de la thèse se décomposent en 3 parties : [i] Caractériser la variabilité
spatiale des propriétés pédologiques, physico-chimiques et hydriques du sol (rétention
en eau, conductivité hydraulique KSAT, fraction d'eau immobile fIMM), ainsi que les
propriétés d’adsorption (KD) et de dégradation (DT50) de l’isoproturon dans l’horizon de
surface du secteur agricole étudié ; [iii] Identifier les déterminismes agronomiques
et/ou pédologiques des propriétés importantes pour le comportement des pesticides
dans les sols ; [iv] Établir et tester des classes et des fonctions de pédotransfert
permettant de prédire ces propriétés déterminantes à partir de propriétés
agronomiques ou pédologiques plus simples.
Les sols de ce secteur sont des sols moyennement épais développés dans un limon
éolien reposant sur un calcaire gélifracté et cryoturbé. L’horizon de surface de 34 sites
a été caractérisé, avec une détermination systématique des propriétés du lit de
semence, et une détermination partielle du reste de l’horizon travaillé. Sur les 50
couches / échantillons de sol caractérisés, un tiers se trouvent dans des parcelles en
travail simplifié (sans labour). À l’exception de la masse volumique apparente, les
propriétés physico-chimiques du sol sont peu variables (teneur en argile et en
CaCO3 notamment). Si les propriétés de rétention en eau et le KD de l’isoproturon sont,
elles aussi, modérément contrastées, la fIMM, la KSAT, et la DT50 de l’isoproturon sont
très variables. Un ‘effet méthode’ conséquent a été identifié pour l’interprétation des
résultats des mesures de ces deux dernières propriétés. Une procédure d’ajustement
direct ‘robuste’ des données d’infiltration a été mise au point pour calculer le KSAT, ainsi
qu'une procédure d’ajustement direct des données de dégradation pour le calcul de la
DT50 de l'isoproturon, mais elle ne résout pas l’inadéquation critique entre la cinétique
de dégradation ‘effectivement’ biphasique observée pour la molécule et le modèle
d’ordre 1 utilisé par les modèles pesticides. Une étude attentive des liens statistiques
entre les propriétés par des méthodes paramétriques et non-paramétriques révèle des
liens (et donc des déterminismes potentiels) cohérents mais peu marqués entre les
propriétés : une part importante de la variabilité spatiale n’est pas expliquée par les
propriétés agro-pédologiques mesurées. La conséquence logique, mais problématique,
de cette variabilité ‘indéterminée’ des propriétés du sol et de l’isoproturon est
l’impossibilité d’établir des classes ou des fonctions de pédotransfert locales avec une
erreur de prédiction satisfaisante. Seule la prédiction du KD, ou du KOC, peut être
envisagée. Avec les propriétés mesurées et les méthodes d’analyse testées, il ne
semble pas possible de prédire – et donc de spatialiser – les autres propriétés
importantes pour le devenir de l’isoproturon dans l’horizon de surface de ce secteur.
308

These Julien MOEYS

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

These Julien MOEYS

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Julien MOEYS

Transféré par

Droits d'auteur :

Formats disponibles

Spacial variability and agro-pedological determinisms of

an herbicide fate in the surface horizon - an application

To cite this version:

HAL Id: pastel-00004448

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Variabilité spatiale et déterminismes

application au cas de l'isoproturon

M. Rafael ANGULO-JARAMILLO C.R. ENTPE Rapporteur

travail réalisé au sein de l’UMR 1091 INRA / AgroParisTech

[...] The soil technology era ended when we had to

WARKENTIN, 1992, Soil Science For Environmental-Quality - How

« L’aire de la technologie du sol s’est achevée quand nous avons eu à définir et

Partie I Étude bibliographique .......................24

Partie I Étude bibliographique .......................24

■ 1.2 Phase solide du sol : constituants.................................... 26

■ Dégradation des pesticides dans le sol................................................................... 60

Partie II Le secteur agricole de Ouarville ......71

Partie III Matériels & méthodes ....................86

1 DÉMARCHE GÉNÉRALE ............................................ 87

quantitatives par analyse de la variance .......................... 140

■ Coefficient d'adsorption normalisé par le carbone organique................................ 189

□ Conductivité hydraulique à – 1 cm (K-1 cm).........................................................................225

Partie V Discussion & conclusions ................239

■ 2.2 Classe de profondeur ...................................................... 280

□ Cas de résultats divergents entre les méthodes backward et forward ................................295

1 Avant propos &

À André Moeys, mon grand-père.

À celles et ceux qui aiment

(Toc... ... Toc... ... Toc... ... )

A tous, bon vent, et au plaisir !

■ 2.2 Processus en jeu

■ 2.3 Solutions envisageables

phytosanitaire pouvant être transférées vers les ressources en eau, suivant

■ 2.4 Programme de recherche ESHEL

figure 1 – Articulation entre le travail de thèse et le programme ESHEL.

■ 2.5 Limites méthodologiques

fortement adsorbées sur la phase solide du sol.

■ 3.2 Objectifs du travail de thèse

– Les incertitudes liées aux mesures et méthodes choisies ;

■ 3.3 Organisation du mémoire de thèse

1 Le sol : constituants &

■ 1.1 Phase solide, phase liquide et phase gazeuse

figure 2 – Volumes et masses des constituants solides, liquides et gazeux du sol.

■ 1.2 Phase solide du sol : constituants

figure 3 – Fractions granulométriques fines et grossières du sol.

comprendre l’origine géologique et pédogénétique du sol. Elle n’est cependant pas

■ Granulométrie des constituants : texture du sol

figure 4 – Triangle des textures de la Chambre d’Agriculture de l’Aisne et ses 15 classes de

g de carbone organique. Ce rapport est généralement utilisé pour estimer la teneur

■ Masse volumique de la phase solide

équation 1 – Masse volumique de la phase solide du sol.

■ Niveaux d’organisation du sol et structure

désignent la structure du sol au sens pédologique du terme. Cette dernière

■ Masse volumique apparente

équation 2 – Masse volumique apparente du sol.

équation 3 – Estimation de la porosité du sol.

équation 4 – Modèle conceptuel de la masse volumique apparente de Tranter et al. (2007).

■ Variabilité temporelle de la structure