Avant de pouvoir profiter des bienfaits de la modélisation, une phase de calibration est nécessaire pour tout modèle. C’est le moment de noter les différences entre la simulation et la réalité du terrain.
© William W. Potter/Adobe Stock
« Des amas d’eau comme nous venons d’en connaître durant l’hiver 2023-2024 sont assez rares, soupçonne Luc Lorin, gérant de la société Visio-Crop. Si les modèles agrométéorologiques qui alimentent les outils d’aide à la décision ne possèdent pas, dans leur base de données, les valeurs d’une année similaire, il y a de fortes chances que leurs simulations ne soient pas exactes, voire totalement fausses... »
Et l’impact du changement climatique sur les conditions météorologiques françaises risque bien de mettre en défaut de nombreux algorithmes, s’ils n’intègrent pas certains facteurs qui n’étaient pas nécessaires quelques années en arrière. Luc Lorin prend pour exemple la température : « D’ici quelques décennies, il y a une forte probabilité que les températures ressenties à Paris soient les températures historiques de Toulouse. »
De ce simple fait, il est assez facile de comprendre que, pour simuler correctement des stades de cultures ou de bioagresseurs, un modèle devra posséder en son sein des data encore inconnues sur un territoire donné. Un modèle « tournant » pour la région parisienne pourra sans doute valorise
Accédez en illimité à nos contenus et à nos newsletters thématiques
S'abonnerDéjà Abonné ?