L’intérêt de la spectroscopie proche infrarouge en analyse de terre … · B A S E Biotechnol. Agron. Soc. Environ. 2014 18(2), 247-261 Le Point sur : L’intérêt de la spectroscopie

BASE Biotechnol. Agron. Soc. Environ.201418(2),247-261 Le Point sur :

L’intérêtdelaspectroscopieprocheinfrarougeenanalysedeterre(synthèsebibliographique)ValérieGenot(1),LaurentBock(2),PierreDardenne(3),GillesColinet(2)(1)SPAA.RoutedeDinant,110.B-4557Tinlot(Belgique).E-mail:[email protected](2)UniversitédeLiège-GemblouxAgro-BioTech.UnitéSystèmesSol-Eau.PassagedesDéportés,2.B-5030Gembloux(Belgique).(3)CentrewallondeRecherchesagronomiques(CRA-W).DépartementValorisationdesProductionsagricoles.ChausséedeNamur,24.B-5030Gembloux(Belgique).

Reçule19février2013,acceptéle10décembre2013.

Cetarticleprésenteune revuebibliographiquerelativeaudéveloppementde laspectroscopieproche infrarougeappliquéeà l’analysede terreenvuedecontribuerà l’évaluationde lafertilitéchimiquedessols.Cette techniquepermetd’estimerlacompositionchimiquedeséchantillonsdeterregrâceà leurspropriétésd’absorptiondela lumière.Ils’agitdoncd’uneméthodedemesureindirectenécessitantunephased’étalonnagepréalableàlaprédictiondespropriétésétudiées.Elleprésentedenombreuxatoutsencomparaisonauxanalysesréaliséesselonlesméthodesderéférence:rapidité,facilitédemiseenœuvresansconsommationd’extractifs,etc.Trèscourantedanscertainsdomaines,commel’agro-alimentaire,elleacependanttardéàêtreutiliséeenanalysedeterreenraisondelacomplexitédelamatricesol.Depuisunedizained’années,grâcenotammentaudéveloppementdestechniqueschimiométriques,detrèsnombreusesrecherchesontétéeffectuéespourévaluersonpotentiel.Lamajoritéd’entreellesontconcluàlafaisabilitédelaprédictionpouruncertainnombredepropriétésdesol,maiscettetechniquerestetoutefoispeuutiliséeenroutineàl’heureactuelle.Aprèsuneprésentationdelatechniqueetdesméthodesd’analysesstatistiquess’yrapportant,lescaractéristiquesdusolquipeuventêtrepréditesparcettetechniquesontprésentées.Enfin,quelquesexemplesderésultatsobtenusenanalysedeterresontdétaillés,principalementpourladéterminationdutauxd’argile,dutauxdecarboneorganiqueetdelacapacitéd’échangecationique.Mots-clés.Spectroscopieinfrarouge,analysedesol,fertilitédusol.

Use of near-infrared reflectance spectroscopy in soil analysis. A review.Thispaperpresentsa literature reviewon thedevelopmentofnearinfraredreflectancespectroscopyforsoilanalysisandthecontributionofthistechniquetotheevaluationofsoil fertilityanalysis.This technique isused toestimate thechemicalcompositionofsoilsampleson thebasisof theirabsorptionproperties.Itisthereforeanindirectmethodofmeasurement,whichrequiresacalibrationphaseforthepredictionoftheseproperties.NIRspectroscopyoffersmanyadvantagescomparedtoreferenceanalysis:itisknowntobeaphysical,non-destructive,rapid,reproducibleandlowcostmethod.Oftenemployedinotheranalyticaldomains,suchasagro-food,NIRspectroscopyhas,however,seldombeenusedinsoilcharacterization,duetothecomplexityofthesoilmatrix.Thankstothedevelopmentofchemometricmethods,numerousstudieshaverecentlybeenconductedtoevaluatethefeasibilityoftheapplicationofthetechniqueinsoilanalysis.MostauthorsconcludethatNIRspectroscopyispromising;however,todate,useofthetechniquehasnotspreadtoroutinelaboratories.Thepaperisorganizedasfollows.Firstly,weprovideanoverviewoftheNIRspectroscopytechniqueandrelatedchemometricmethods.Secondly,wedescribethesoilcharacteristicsthatcanbepredictedusingthistechnique.Finally,wedetailexamplesofresultsthathavebeenobtainedthroughtheuseofthetechnique,mainlyinthedeterminationofclayandorganiccarboncontent,andofcationexchangecapacity.Keywords.Infraredspectrophotometry,soilanalysis,soilfertility.

248 Biotechnol. Agron. Soc. Environ. 201418(2),247-261 GenotV.,BockL.,DardenneP.etal.

1. INTRODUCTION

Lafertilitéd’unsolpeutêtredéfiniecommesonaptitudeàproduiredelabiomassevégétale,lesolétantalorslesupportdelaproduction.Ilestfréquemmentvisualisécommeuneboitenoiredanslaquelleonintroduitdesélémentsfertilisantsetdontonextraitdesproduits.Maislesolestlesièged’unesériedeprocessusintervenantauseindesystèmes (sol–eau–plante–atmosphère)dynamiquesetdontlacompréhensionestindispensablepour contribuer à une gestion qui concilie objectifsde production et durabilité environnementale (Genotetal.,2009).L’évaluationdelafertilitéchimiquepasseparlaréalisationd’uneanalyseenlaboratoire,domainedanslequel laspectroscopieprocheinfrarouge(SPIRouNIRSpourNear InfraRed Spectroscopy)offredesperspectives intéressantes d’autant que, vu sa largeutilisation dans le domaine agro-alimentaire, leslaboratoiresd’analysede terredisposent très souventd’un spectromètre. En effet, cette technique nenécessitequ’unepréparationminimaledel’échantillon,un faible besoin en matériel, une formation réduitedes manipulateurs et offre une grande rapidité demesure ainsi que la détermination simultanée deplusieurs composants (Russel et al., 2002). De plus,aucun extractif chimiquen’est utilisé et desmesuresin situ de propriétés physico-chimiques des sols sontégalementenvisageablesparcettetechnique(ViscarraRosseletal.,2006),cequiouvredesperspectivesenmatièred’agriculturedeprécision.Enfin,lamesuredecertainespropriétéschimiquesoubiologiquesdessolsqui ne se réalisepas en routine actuellement, car lesméthodessonttropcouteusesmalgréleurintérêtdansl’évaluationdelafertilitédusol,pourraitêtreremplacéeparuneprédictionsurbasedelaspectroscopieprocheinfrarouge(Stenbergetal.,2010).

LaSPIRs’esttoutd’abordtrèslargementdiffuséedanslemondedel’agro-alimentaire.Hartetal.(1962)etMassieetal.(1965)ontétéparmilespionniers,enutilisantlatechniquepourdesanalysessurlescéréalesetlesfruits.Enparallèle,ledéveloppementdeméthodeschimiométriques et de processeurs de plus en plusperformantsontégalementgrandementcontribuéàsonsuccès.Elleacependanttardéàêtreutiliséeenanalysede terre compte tenu du caractère complexe du sol.Islametal.(2003)décriventlesolcommeunsystèmenon idéal chimiquement et minéralogiquement, quiestpluscomplexequelessystèmespursfréquemmentétudiés dans les laboratoires. Bellon Maurel et al.(2010) justifient cette complexité par le fait que leséchantillons de terre, contrairement aux produitsissusdudomaineagro-alimentaire,n’ontpasdecodegénétique avec, pour conséquence, un comportementbeaucoupplusvariable,desdistributionsasymétriques,etc. Les mécanismes du sol sont ainsi malaisés àcomprendre complètement et les liens fondamentaux

entre les mesures chimiques et les propriétés du solsont complexes. Par conséquent, il est difficile demettre directement en relation une caractéristiquephysique,chimiqueouphysico-chimiquedusolavecune longueur d’onde particulière. Shepherd et al.(2002) indiquentainsique,dans l’objectifderéaliserunétalonnagedespropriétésdessols,ilestpréférabled’utiliser l’information du spectre en entier, plutôtque de tenter d’interpréter les bandes d’absorptionindividuellement.

LespremièrespublicationssurlespotentialitésdelaSPIRenanalysedeterreapparaissentaudébutdesannées1990aveclestravauxdeSudduthetal.(1991)etdeBen-Doretal. (1995) .Ellesontensuiteconnuunecroissanceexponentielleaucoursdesannées2000.Comme l’ont montré de nombreux auteurs (Dalaletal.,1986;Morraetal.,1991;Ben-Doretal.,1995;Chang et al., 2001; Hummel et al., 2001; Changetal., 2002; Fystro, 2002; Ludwig etal., 2002;Malleyetal.,2002;McCartyetal.,2002;Reevesetal.,2002;Shepherdetal.,2002; Islametal.,2003;Udelhovenetal.,2003;VanGroeningenetal.,2003;He et al., 2005; Brown et al., 2006; Nanni etal.,2006; Viscarra Rossel et al., 2006; Brunet et al.,2007;Terhoeven-Urselmansetal.,2008;Genotetal.,2011a;etc.),latechniqueSPIRappliquéeàl’analysedeterreprésenteainsidesérieuxatoutsenvued’uneutilisationenroutine,enremplacementouenparallèleauxprotocolesclassiques.Trèsprésentedanslemondede la recherche, elle a cependant encore très peuémergé en routine dans les laboratoires d’analyse deterre ou en technique embarquée pour des mesuresin situ. Actuellement, les laboratoires d’analyse deterre membres du réseau REQUASUD en Belgique(Genot et al., 2011b) utilisent cette technique pourprédirecertainespropriétésdesolcomme lecarboneorganique,laCEC,l’azotetotal,letauxd’humiditéetletauxd’argiled’échantillonsdeterreenremplacementou en complément des méthodes analytiques deréférence.

L’objectif de cette revue bibliographique estde présenter un état des recherches menées surl’application de la SPIR pour la prédiction depropriétés des sols indicatrices de leur fertilité etrépondre ainsi aux exigences d’une agricultureperformanteetrespectueusedel’environnement.Dansunpremiertemps,latechniqueSPIRetlesméthodeschimiométriques associées seront brièvementprésentées.Ensuite,nousprésenteronslesprincipalespropriétésdusolquiinfluencentlespectreinfrarouge.Nousprésenteronségalement lesprincipaux résultatsobtenuspourlaprédictiondutauxdecarboneorganiqueetdelaCEC.Enfin,nousdiscuteronsdesparamètresimportantsàconsidérerpourévaluer lespotentialitésde la techniqueenanalysesde terreetenvisageruneutilisationenroutine.

Laspectroscopieinfrarougeappliquéeàl’analysedeterre 249

2. FONDEMENTS DE LA SPIR ET ANALYSE STATISTIQUE MULTI-VARIÉE

2.1. SPIR et analyse spectrale

L’analyseparspectroscopiedansleprocheinfrarougeutiliselespropriétésdurayonnementprocheinfrarougeet permet d’établir une relation entre la réponse del’échantillonàce rayonnementet lescaractéristiquesdel’échantillonqu’onsouhaiteétudier.

Le rayonnement infrarouge est une radiationde nature électromagnétique de longueur d’ondesupérieureàcelledelalumièrevisibleetpluscourtequecelledesmicro-ondes(Figure 1).Cerayonnementestuntyped’énergiequisepropageàtraversl’espaceetlamatièreetdontlaplupartdespropriétéspeuventêtre décrites à l’aide d’unmodèle dans lequel il estassimilé à une onde sinusoïdale. Le rayonnementinfrarouge est traditionnellement subdivisé en troisrégions: les domaines du proche, du moyen et dulointaininfrarouge.Enprocheinfrarouge,lagammedelongueursd’onderetenuevariegénéralemententre700à780et2500nm,unedistinctionentreletrèsprocheinfrarougeetleprocheinfrarougeestparfoisfaite, lalimiteentrecesdeuxdomainessesituantentre900et1000nm.

La technique consiste à soumettre un échantillonà un rayonnement situé dans le domaine du procheinfrarouge,l’échantillonestainsiscanné.Pourchaquelongueur d’onde, la part du rayonnement réfléchi(réflectance,R)par l’échantillonestmesuréeà l’aidede détecteurs et convertie en absorbance (Log1/R).L’ensembledecesabsorbancesconstituent le spectrequipeutêtreconsidérécommeuneempreinteglobale,reflétantlacompositionchimiquedel’objetanalysé.

Lorsqu’un rayonnement atteint une couche dematière, certaines de ses fréquences peuvent êtresélectivement absorbées, l’énergie électromagnétiquecorrespondante est transférée aux atomes, ions oumoléculesconstituantlamatière.Cetransfertd’énergies’accomplit par absorption de photons et les atomesoumoléculespassentd’unétatfondamentalàunétaténergétiquesupérieurqualifiéd’étatexcité(Lachenal,2006).Quellequesoitsafréquence,unrayonnementprocheinfrarougen’estpassuffisammenténergétiquepourprovoquerdesmodificationsdesétatsd’énergie

des électrons et des particules. Il induit uniquementdes changements d’état d’énergie vibratoire ourotatoire. Les bandes d’absorption observées dans leproche infrarouge sontainsidesharmoniquesoudescombinaisons de bandes fondamentales observéesdans l’infrarouge moyen (Prévot, 2004). Elles sontpluslargesetcontiennentmoinsd’informationsquelesspectresobtenusdanslemoyeninfrarougeetpeuventdoncêtreplusdifficilesàinterpréter.Néanmoins,ellescontiennentdesinformationsutilessurlesconstituantsorganiques et inorganiques caractéristiques du sol.Commeillustréparlafigure 2,lesbandesd’absorptionobservéesdanslarégionduprocheinfrarougerésultentdes harmoniques des groupements OH, SO4 et CO3,ainsiquedescombinaisonsdesbandesfondamentalesdeH2OetCO2(Clark,1999).Cettefigure(©ASDInc.)se base sur les recherches menées par Ellis (1928),Kaye (1954), Goddu (1960), Goddu et al. (1960),Weyeretal.(2002)etWorkman(2000).Lesminérauxargileuxprésententégalementdesbandesd’absorptiondans la régionduproche infrarouge en relation avecdesliaisonsOH-métaletdesharmoniquesdesliaisonsO-H(ViscarraRosseletal.,2006).Lescarbonatesontégalementdespicsd’absorptionfaibledansledomainedu proche infrarouge (Hunt et al., 1970). Enfin,l’eau influence fortement le spectre avec des bandesd’absorptiondominantesautourde1450et1940nmet des bandes plus faibles dans d’autres parties dudomaineprocheinfrarouge(Liuetal.,2002).

2.2. Traitement du spectre

Compte tenu de la complexité du spectre, il esttoutefois difficile de tenter d’interpréter les bandesuneàunepourprédireunparamètrequantitatif.Desapproches statistiques d’analyses multi-variées ouchimiométriques sont développées pour progresserdansl’exploitationdesspectresSPIR.Lachimiométriepeut être définie comme l’ensemble des méthodesstatistiques, graphiques ou symboliques permettantdemieuxcomprendrelesinformationsobtenuesdansle domaine de la chimie (Bertrand et al., 2006).Lesspectressontlerésultatd’uneinteractiondelalumièreaveclamatièrequinepeutêtrecomplètementdécritesur leplanthéorique.Les lacunesdelaconnaissancethéorique rendent indispensable l’approche expéri-

Longueur d’ondes (nm)

250 500 1 000 2 000 4 000 8 000

Ultraviolet Visible Proche infrarouge Infrarouge moyen

Figure 1.Lesdifférenteszonesduspectrelumineux—Areas of light spectra(CIRAD,2013).


mentale.Pourtenircomptedesvariationsincontrôléesinhérentes à l’expérimentation, il est nécessaired’accumuler les spectres de nombreux échantillonset de traiter la collection spectrale ainsi obtenuepar des méthodes chimiométriques (Bertrand et al.,2006). C’est l’étape d’étalonnage des données quiest indispensable avant une utilisation en routinede la SPIR. Les analyses multi-variées s’appliquentà une collection homogène de spectres qui sert àl’établissement d’un modèle. La constitution, ausein de la population ou du territoire étudié, d’unecollectiond’échantillonsreprésentativedeladiversitédecettepopulationoudeceterritoireestuneétapecléde la réussite de la phase d’étalonnage des données.Unmodèleprédictifbasésurunlotd’échantillonsnonreprésentatifsnepermettrapasdeprédiredenouveauxéchantillons parce qu’ils seront trop éloignés de lacollection ayant servi à l’étalonnage. Au contraire,des modèles élaborés sur base d’une collectionreprésentativedeladiversitérencontréepermettrontde

prédirecorrectementdeséchantillonsfaisantpartiedelamêmepopulationoudumêmeterritoire.Unspectreest,parnature,unsignalcontinu,maisilesttransforméenunesuitedenombrestraitablesmathématiquementet statistiquement. Cette transformation, appelée lanumérisation du spectre, aboutit à la constitutiond’uneséquencedenombresprésentéesousformed’unvecteur. Par exemple, le spectromètre FOSS NIR-Systems 5000 peut enregistrer les absorbances d’unéchantillonentre1100et2498nmavecunintervallede mesure constant de 2nm, le vecteur du spectrenumérisécomprendraalors700valeursd’absorbance(adapté deBertrand et al., 2006).L’ensemble de cesvecteursouéchantillonsformeunematricesurlaquelleserontappliqués les traitementsdestatistiquesmulti-variées,dontlestechniquesderégressionmultiple.

Prétraitements de l’information spectrale. Avantd’être exploitées, les données spectrales brutes fontl’objetdediversprétraitementsdontlesobjectifssont:

Figure 2.Bandesd’analysemajeureetpositionsrelativesdespicspourlesabsorptionsprocheinfrarougeimportantes—Graph of near-infrared overtone absorptions peaks and positions (ASDInc.2005-2013).


– une atténuation ou une élimination de la non linéaritéprésenteentrelesvariablesdépendanteset explicatives,– uneéliminationdesinterférences,– une élimination ou une atténuation du bruit aléatoire lié aux conditions expérimentales et au bruitélectroniquedel’appareildemesure,– une réduction des corrélations entre les variables explicatives pour permettre l’application des techniquesderégressionlinéairemultiple.

La stratégie la plus courante a pour principe desoumettre les données brutes à une ou plusieurstransformation(s) mathématique(s) destinée(s) à lesrendre aptes à une modélisation linéaire (Prévot,2004).Le choixde la transformationest fonctiondutypedenon-linéaritéaffectantlesdonnéesetdoncdelaqualitédesmodèlesprédictifsélaboréspourchaqueprétraitement.

Développement des modèles d’étalonnage. Laméthode d’étalonnage la plus classique consiste àétablir une relation entre la variable à prédire (y)et les variables explicatives (x1 à xp correspondantaux différentes longueurs d’onde) en faisant appelaux méthodes de régression linéaire multiple. Larégressionselonlesmoindrescarréspartiels(PLS1)estactuellement uneméthode parmi les plus employéesdansledomainedelaspectroscopieinfrarouge.Cetteméthode sur la régression de la variable à prédire àpartirdevariablest1àtpquisontdesvariableslatentesoudescombinaisonslinéairesdex1àxp.Àladifférencede la régression par composantes principales (PCA),autreméthodeutilisée, les variables latentes tiennentcompteàlafoisdesxetdey,levecteurdesfacteursestainsicalculédemanièreàmaximiserlecarrédelacovarianceentrex,levecteurety(Palmetal.,1995).

Une méthode dérivée consiste à prédire leséchantillonsenlocaletendirect(Genotetal.,2011a).Danscecas,iln’yapasd’équationoudemodèleàlafindel’étaped’étalonnage,seuleunebasededonnéesspectralesetlesparamètresutilesàlarégressionPLSsontnécessairespourprédiredenouveauxéchantillonsenroutine,chaquespectreétantassociéàunevaleurduparamètrey.Enprédiction,lorsqu’unnouveauspectreestsaisi,ilestcomparéàlabasespectraleetlesspectresdontilestleplusprocheserventàlaréalisationd’unerégressionPLS.Cetteméthodepermetdeprendreencomptelanon-linéaritédelarelationentreleparamètreétudiéetlaréponsespectrale.Lorsquelamatriceesttrèshétérogène,commec’estlecaspourleséchantillonsdeterre, son principal inconvénient réside alors dans lenombreimportantdespectresetdevaleursderéférence

quedoitcontenirlabasededonnéespourquechaquenouvelindividusoitassociéàunnombresuffisantdespectresproches.

D’autres méthodes non linéaires existentégalement et sont de plus en plus utilisées, commela régression localement pondérée (LWR, locally weighted regression), la régression multivariée parfonction spline adaptative (MARS, Multivariate Adaptive Regression Splines ;Shepherdetal.,2002),les arbres de régression stimulés (BRT, Boosted Regression Trees ;Brownetal.,2006)et les réseauxneuronaux(artificial neural network ;Fidêncioetal.,2002). Viscarra Rossel et al. (2010) ont comparéplusieurs méthodes d’étalonnage pour prédire lecarboneorganique, le tauxd’argileet lepHà l’eau:la régression selon les moindres carrés partiels, lestechniques MARS, forêt d’arbre décisionnel (RF,Random Forest),BRT,machinesàsupportdevecteurs(SVM, Support Vector Machine), la décompositionen ondelettes (DWT,Discrete Wavelet Transform) etles réseaux neuronaux. Dans leur cas, la techniquecombinée de DWT et réseaux neuronaux proposaitlesmeilleurs résultatsen termesdeprédiction. Iln’ya cependant pas deméthode universelle et selon lesconditions de l’expérience (population, échantillons,paramètre à prédire, etc.), des méthodes différentespeuvents’avérerlesmeilleures.

Indicateurs de performance des modèles de prédiction. Il est indispensable de disposer deparamètres permettant de valider l’ajustement d’unmodèle et/ou de comparer plusieursmodèles afin dechoisir celui qui propose les meilleurs résultats entermes de prédiction. Chang et al. (2002) proposentainsitroisgroupesdeparamètrespermettantdetesterl’ajustement du modèle pour le ou les paramètresétudiés.Ils’agitdur²,duRMSEP2ouduRMSECV3etduRPD4.

Le r² correspond au coefficient de déterminationentre la variable dépendante y et l’estimation decettevariableŷpar lemodèleetdoncà lapartde lavariabilitédeyexpliquéeparlemodèle.Enpratique,une valeur de r² supérieure à 0,9 indique une bonneréponse de la SPIR pour le paramètre. Entre 0,9 et0,7, la réponse est moyenne et doit être amélioréepar l’ajout d’échantillons ou par la modification decertains paramètres du modèle. En-dessous de 0,7,la réponse est considérée comme mauvaise. Si lenombre d’échantillons est faible, il faut être prudent

2RMSEP:root mean square error of prediction – racinecarréedel’erreurquadratiquemoyennedeprédiction.3RMSECV:root mean square error of cross-validation–racinecarréedel’erreurquadratiquemoyennedevalidationcroiséecorrespondantàl’écart-typedeprédiction.4RPD:ratioentreladéviationstandardduvecteuryetleRMSEPouleRMSECV.1PLS : partial least square.


quantàl’interprétationdececoefficientquipeutêtresurévalué.Ilesttoujourspréférabledeconsidérerler²etl’erreur(RMSEPouRMSECV).

La MSE5 est un des paramètres de mesure del’erreur de prédiction qui correspond à la moyennede la différence entre la valeurmesurée et la valeurpréditeélevéeaucarré.Demanièreàtravaillerdanslesmêmesunitésquelavariabledépendante,onl’exprimeplus souvent par sa racine carrée, la RMSE. Cettedernièren’estpasconnueetdoitdoncêtreestiméeparunevalidationexterneouunevalidationinterne.Danslepremiercas,enplusdulotd’échantillonsdestinéàl’étalonnage, on dispose d’un lot pour la validation.On luiapplique lemodèleetondéfinitainsi l’erreurquadratiquedeprédiction(MSEP)ousaracinecarrée,la RMSEP, qui correspond à l’erreur résiduelle deprédiction.Celle-cipermetd’estimercorrectement laRMSE,maiselleest cependant rarementcalculéeenraison du cout élevé lié à l’obtention de ce nouveaulotdedonnéesdestinéàlavalidation.C’estpourquoilavalidationinterneestplusfréquemmentsuivie.Elleconsisteàutiliserlejeudedonnéesd’étalonnagepourréaliser la validation. Il est possible d’estimer ainsil’erreur quadratiquemoyenne d’étalonnage (MSEC6)qui correspond à l’erreur résiduelle de la régressionlinéairemultiple.ElleestunmauvaisestimateurdelaMSEqu’ellesous-évalueenneprenantpasencomptelesvariancesliéesauxcoefficientsderégression.C’estpourquoiilestrecommandédetravaillersurbasedelavalidationcroiséequiconsisteàenleversuccessivementunéchantillonouunlotd’échantillonspourobtenirunnouveaulotdedonnéesindépendantauquellemodèlepeut être appliqué. L’erreur quadratique moyennede la validation croisée (MSECV) est alors obtenue.La racine carrée correspond au RMSECV qui est leparamètrelepluscourammentutilisépourvaliderunmodèle. Il donne un résultat plus optimiste et doncinférieuràl’erreurrésiduelledeprédictionmaiscommeilvariegénéralementdanslemêmesensquecelle-ci,il est utile pour valider la méthode de modélisationchoisie.

LeRPDestlerapportentreladéviationstandarddulotdedonnéesd’étalonnagepourleparamètre(surbasede lamesureobtenueselon laméthodederéférence)etleRMSEPouleRMSECV.UnRPDélevégarantitunebonnequalitédeprédiction.Changet al. (2002)estiment qu’une valeur de RPD supérieure à 2 estsynonymed’unebonnequalitédeprédiction.Entre1,4et2,l’ajustementestmoyenetilestconsidérécommemauvaispourunevaleurinférieureà1,4.Ceparamètrecomplète utilement le RMSEP ou le RMSECVen intégrant la variabilité de la population pour le

paramètrepréditetenévitantainsiunesurestimationde la qualité de la prédiction pour des populationspeudiversifiéesoureprésentantdesterritoireslimitésgéographiquement(vanGroenigenetal.,2003).

3. PRÉDICTION DES PROPRIÉTÉS DU SOL

3.1. Signatures spectrales

Comme explicité dans le paragraphe précédent, lesol est une matrice minérale et organique complexeet il est donc particulièrement délicat d’interpréterles bandes d’absorption qui y sont observées (Ben-Dor et al., 1995; Fidêncio et al., 2002). Outre cetaspect chimique, le spectre infrarouge est égalementinfluencé par les caractéristiques physiques du sol.La taille et la forme des particules, l’espace entrecelles-ciet leurarrangementaffectent la longueurdela transmission lumineuse atteignant l’échantillon etdoncsonabsorbance.Ilestdoncdélicatd’interpréterdirectementlespectred’unéchantillondesol,d’autantplus que si les vibrations sont bien distinctes dansl’infrarougemoyen,cen’estpaslecasdansleprocheinfrarougeoùlesharmoniquessesuperposent,rendanttrèsdélicatel’identificationdepicsetdoncl’utilisationdebandesspécifiques,commeillustréesàlafigure 2.Pourcesraisons,leséquationsd’étalonnagesebasentprioritairement sur une approche multi-variée enconsidérant la totalité du spectre, plutôt que sur unerecherche de longueurs d’onde caractéristiques pourl’élément considéré. Néanmoins, des recherchesfondamentales ont été conduites en vue de définirles propriétés spectrales des sols. L’objectif sous-jacentestalorslapossibilitéd’éliminerl’effetdeceséléments sur le spectre de manière à augmenter lasensibilitéàladétectiond’autresparamètres.Bogrekciet al. (2004) notent ainsi que la propriété photo-physique d’un échantillon de sol est très utile pourdéterminer la distribution de la taille des particulesetsagranulométrie,maisquecemêmefaitn’estpasdésirablepourévaluersaconcentrationenphosphore.Il est également avantageux de connaitre lesconditionsenvironnementalesaffectant lespropriétésd’absorbance du sol. Si les relations entre celle-ciet les propriétés physiques et chimiques peuventêtre établies quantitativement pour des conditionsenvironnementalesdonnées,alorscesspectrespourrontêtre utilisés pour extraire des informations utiles surlessols(Baumgardneretal.,1985).

3.2. Humidité

He et al. (2005), ainsi que d’autres auteurs dontBen-Dor et al. (1995),Changet al. (2002),Fidêncioet al. (2002), caractérisent le spectre par trois pics

5MSE:mean square error–erreurquadratiquemoyenne.6MSEC:mean square error of calibration –erreurquadratiquemoyenned’étalonnage.


d’absorption de forte intensité dans le domaine duprocheinfrarouge(1400,1900et2200nm).ViscarraRossel et al. (1998)placent cesmêmespics à1450,1940 et 2200nm. Mouazen et al. (2007) se basentsurl’intensitédupicà1450nmpourévaluerledegréd’humiditédusol.Bertrandal.(2006)identifienttroisbandes à 1190, 1450 et 1940nm. Les propriétésgénéralesd’absorbancesontégalementinfluencéesparledegréd’humidité.Lessolsapparaissentplusfoncéslorsqu’ilssontplusfrais,avecpourconséquenceuneaugmentationdel’absorbance.

Cette propriété est un des principaux freins àl’utilisationdelaSPIRpourprédired’autrespropriétésdusolpar lebiaisdemesures in situ.Minasnyetal.(2011)ontnotammentétudiél’opportunitéd’éliminerl’effetdel’humiditédusolpouraméliorerlaprédictionducarboneorganiquein situ.

3.3. Matières organiques

Principes. La réponse du spectre à la quantité et àla nature de la matière organique, dans le domainedu proche infrarouge, est un fait connu et une despremières et des plus courantes applications de laSPIRenanalysedeterre.Néanmoins,larelationentrece spectre et lamatièreorganiqueest très complexe,enlienaveclasuperpositiondesharmoniquesdansleprocheinfrarouge.

Iln’empêcheque lesperspectives liéesà laSPIRsonttrèsintéressantes:– unequantificationdutauxdematièreorganique(par l’intermédiairedeladéterminationdupourcentage decarboneorganique),– uneprédictiondutauxdeminéralisationdel’azote etducarboneenvued’évaluerladynamiquedela matière organique et la disponibilité des éléments pourlesplantes(Fystro,2002;Russeletal.,2002; Mutuoetal.,2006),– une évaluation du niveau de décomposition de la matière organique dans les sols et dans diverses matières amendantes (Coûteaux et al., 2003; Cozzolinoetal.,2006),– uneévaluationdeladistributiondutauxdematière organique au sein des différentes fractions du sol (Barthèsetal.,2008),– unequantificationphysique,chimiqueetbiologique de la matière organique (Niemeyer et al., 1992; Ben Dor et al., 1995; Haberhauer et al., 1998; Hartmann et al., 2006). Certains auteurs (Ertlen et al., 2010) ont également étudié l’opportunité d’utiliser laSPIRpour identifier l’originevégétale delamatièreorganique.

Performances de prédiction.L’évaluationdutauxdecarboneorganique(CO)par laSPIRafait l’objetdenombreusesétudescommedétaillédans letableau 1

etdanslarevuebibliographiqueeffectuéeparStenberget al. (2010). Lorsque le taux de CO varie dans lagammedesvaleurshabituellementrencontréespourlacouchearabledessolscultivés,lesmodèlesprédisentavec une précision de l’ordre de 0,2 à 0,5g.100g-1,à l’exception de celui d’Udelhoven et al. (2003) quiprédit avec une erreur d’environ 1,5g.100g-1. Lesauteurs ayant travaillé sur un plus large éventail detaux de CO (entre 0 et plus de 20g.100g-1 de CO)obtiennent de bons résultats en termes deRMSECVou RMSEP, variant entre 0,6 et 0,8g.100g-1 et desvaleurs de RPD supérieures ou proches de 2. Cesrésultatsmontrent l’acuité dudosagedu tauxdeCOparSPIR.Àl’exceptiondel’étuded’Udelhovenetal.(2003),letauxdeCOpeutêtrecorrectementpréditparla SPIR. Lesméthodes classiques, détaillées dans letableau 1,fournissentdesrésultatsavecunevariationdel’ordrede0,2g.100g-1deCO.Pourledomainedessolssousculture,avecuntauxdeCOvariantentre0,5et5g.100g-1,lesprédictionsdelaSPIRapprochentlesrésultats obtenus par lesméthodes de référence.Cesécartsdeperformances,malgrélenombreimportantdebandesliéesàlamatièreorganique,peuventêtredusaufaitquelesignaldanslarégionprocheinfrarougeestfaible,particulièrementdansdessolscontenantpeudematière organique et caractérisée par unematriceminéralevariable(ViscarraRosseletal.,1998).Mêmesi nous n’avons comparé que des études portantsur un grand nombre d’échantillons, la diversité desdispositifs expérimentaux, la taille et l’homogénéitéde la population d’échantillons peuvent égalementexpliquercesdifférences.

Certaines recherches, Morra et al. (1991) etCozzolinoetal.(2006),sebasentsurunedéterminationduCOenséparantaupréalablelesdifférentesfractionsgranulométriques.Cozzolinoetal.(2006)ont,deplus,réalisé pour chaque fraction unmodèle sur base desspectresbrutsetdeleurdérivéeseconde.Surbasede180échantillons, ils observent que les taux de COvarient en fonction de la fraction considérée: pourcelledessables,lestauxs’échelonnentde0,02à1,1%et de 0,5 à 4,8% pour les fractions limoneuses etargileuses.Lesrésultatsdumodèleobtenueneffectuantla dérivée seconde des spectres sont légèrementmoinsbons, en termesdeprédiction.Lesvaleurs dur²sontdel’ordrede0,90,cellesduRMSECVvarientaux alentours de 0,09%, celles du RMSEP variententre 0,09% (fraction sableuse) et 0,25% pour lesfractionslimoneuseetargileuse.Encomparaisonauxapprochesclassiquesmenéessurl’échantillondeterre,les résultats s’ajustent mieux lorsqu’une séparationgranulométrique est effectuée, chaque fraction étantirradiéeparlalumièreinfrarouge.Ilparaitnéanmoinsdélicat de suivre cette procédure dans le cadre d’untravailderoutine,letempspasséàséparercesfractionsétanttropimportant.


3.4. Taille des particules

Comme pour lesmatières organiques, la réponse duspectre à la taille des particules est enmême tempstrès intéressantepourdéterminer lagranulométriedel’échantillonet, aucontraire,peutmasquer l’effetdecertainsautresconstituantsdu sol sur le spectre.Lesétudesmenéesdanscedomaineontpermisd’identifiercertains pics liés aux groupements OH etAl-OH enrelationavecletauxetlaminéralogiedesargiles.Lesbandes d’absorption relatives aux groupements OHsont également retenues, l’essentiel des autres picsidentifiéss’observantau-delàde2000nm.

SelonOrlov7(1966),Kojima8(1958)etZwerman9(1940)citésparBaumgardneretal.(1985),l’effetdela taille des particules sur l’intensité du spectre estunefonction inversedudiamètrede laparticule.Lesterres lesplus sableuses,présentantundiamètreplus

7OrlovD.S.,1966.QuantitativepatternsoflightreflectionbysoilsI.Influenceofparticle(aggregate)size.Soviet Soil Sci.,13,1495-1498.8KojimaM.,1958.Relationshipbetweensizeofsoilparticlesandsoilcolors.(Abstr.)Soil Plant Food,3(4),204.9ZwermanC.H.&AndrewsA.I.,1940.Relationofparticlesizeandcharacteristicoflightreflectedfromporcelainenamelsur-faces.J. Am. Ceram. Soc.,23,93-102.

Tableau 1. PrincipauxrésultatsobservésdanslalittératurepourlaprédictiondutauxdecarboneorganiqueparSPIR—Main results found in the literature for the prediction of organic carbon content by NIRS.Référence Méthode

d’analyse(1)Set d’étalonnage

Set de validation

Gamme (%) Modèle(2) r² SEC(V) ou SEP (%)(3)

Dalaletal.,1986 WB 72 /(4) 0,3-2,5 MLR 0,93 0,22Morraetal.,1991 CS 68 16 0,1-9,0 MLR 0,93 0,59Ben-Doretal.,1995 Pertefeu 35 56 0,1-13,2 MLR 0,55 0,13Changetal.,2001 CS 743 / 0,1-28,6 PCR 0,87 0,79Hummeletal.,2001 CS ?(5) ? 0,3-9,2 MLR 0,79 0,78Changetal.,2002 CS 76 32 1,5-14,5 ? 0,96 0,65Fystro,2002 CS 75 48 0,6-7,9 PLSR 0,95 0,67Ludwigetal.,2002 CS 40 80 1,5-2,1 ? 0,97 1,45McCartyetal.,2002 CS 177 60 0,1-10,4 PLSR 0,86 0,54Malleyetal.,2002 WB ? ? 0,169,3 ? 0,97 2,14Reevesetal.,2002 CS 64 / 0,5-2,8 PLSR 0,93 0,12Shepherdetal.,2002 SK 1011 / 0,2-5,6 MARS 0,91 0,22Islametal.,2003 WB 121 40 0,1-4,9 PCA+MLR 0,61 0,44Udelhovenetal.,2003 ? 114 / ? 0,60 0,14vanGroenigenetal.,2003 ? 100 / 0,9-1,6 ? 0,01 0,16Heetal.,2005 ? 95 30 1,0-1,7 PLSR 0,96 0,07Brownetal.,2006 CS 4184 / 0–53,7 BRT 0,87 0,79McCartyetal.,2006 ? 181 363 0,4-2,9 ? 0,90 0,16Nannietal.,2006 ? 184 / ? MLR 0,28 1,05ViscarraRosseletal.,2006 SK 118 / 0,0–2,0 PLSR 0,60 0,18Brunetetal.,2007 CS 87 186 0,2-4,2 PLSR 0,87 3,69Terhoeven-Urselmansetal.,2008

CS 113 / 0,8-3,8 PLSR 0,94 0,15

(1)Méthodesd’analyse—analysis methods:WB=Walkley-Black,CS=Combustionsèche–Perteaufeu—Dry combustion – Ignition loss;SK=Springler-Klee;(2)Modèles—models:BRT=arbresderégressionstimulés—boosted regression trees,MARS=régressionmultivariéeparfonctionsplineadaptative—multivariate adaptive regression splines,MLR=régressionlinéairemultiple—multiple linear regression,PCA=analyseparcomposantesprincipales—principal components analysis,PCR= régressionparcomposantesprincipales—principal components regression,PLSR=régressionselonlesmoindrescarréspartiels—partial least square regression;(3)SEC=erreurstandardd’étalonnage—standard error of calibration ;SECV=erreurstandarddelavalidationcroisée—standard error of cross validation;SEP=erreurstandarddeprédiction—standard error of prediction;(4)lesauteursn’ontpasutilisédesetdevalidation—authors did not use a validation set;(5)pasd’informationdisponible—no available information.


important,sontlogiquementcellespourlesquelleslesbandesd’absorptiondel’eausontlesmoinsmarquées.

Bogrekcietal.(2004)ontétudiél’effetdelatailledesparticulesd’échantillonssableuxsur ladéterminationspectraledelaconcentrationenphosphoredisponible.Ilsconcluent:– qu’il existe une différence spectrale significative entre les fractions sableuses fines, moyennes et larges, les particules les plus grandes absorbant davantagelalumièrequelesparticulesmoyenneset fines,– que demeilleurs résultats sont obtenus, en termes d’étalonnage,lorsquelephosphoreestévaluépour chacune des fractions plutôt que sur l’échantillon completduquell’effetgranulométriqueaétéounon soustrait.

Dans le même sens, Brunet et al. (2007) ontégalement étudié l’importance de la préparation del’échantillon pour prédire les taux de carbone etd’azote. Ils ont comparé la qualité de la prédictiond’échantillonsémottésettamisésà2mmoubroyésà200µmsurbased’unsetd’échantillonsreprésentatifde situations pédologiques variées. Ils ont soulignél’importancede travaillersurdeséchantillonsbroyésetdemêmenature.

3.5. Capacité d’échange cationique

Baumgardner et al. (1985) indiquent que la CECprésente fréquemment des corrélations plus élevéesavec l’absorbance que la matière organique ou lepourcentaged’argileconsidéréindividuellement.Ceciest à mettre en relation avec les constituants du solen termes de quantité et de nature, ainsi qu’avec lesphénomènesdecomplexationsorgano-minérales,nonconsidéréslorsdesdosagesindividuelsdel’argileetdelamatièreorganique.

Comme le précisentChang et al. (2001), laCECest une propriété secondaire du spectre. LaCEC esteffectivement fonction des propriétés organiques,minérales et organo-minérales du sol.Ces propriétésétant des propriétés primaires du spectre, la CECpeut être prédite par la SPIR. Les résultats de cetteprédiction sontplusprécisqueceuxobtenusvia uneéquationliantlestauxd’argileetdematièreorganique.

Chang et al. (2001), Shepherd et al. (2002),Islametal.(2003)etvanGroenigenetal.(2003)ontnotamment testé l’opportunité d’appliquer la SPIRpourévaluer laCECde l’échantillonde terreanalysé(Tableau 2).

van Groenigen et al. (2003) obtiennent de trèsbonnes prédictions, avec une précision de l’ordre de

Tableau 2. Principaux résultats observés dans la littérature pour la prédiction de la capacité d’échange cationique parSPIR—Main results found in the literature for the prediction of cation exchange capacity by NIRS.Référence Méthode

d’analyse(1)Set d’étalonnage

Set de validation

Gamme (cmol+.kg-1)

Modèle(2) r² (cmol+.kg-1)

SEC(V) ou SEP (cmol+.kg-1)(3)

Ben-Doretal.,1995 effective 35 56 1,4-62,1 MLR 0,82 8,46Changetal.,2001 Metson 744 /(4) 1,9-92,2 PCR 0,81 3,82Shepherdetal.,2002 effective 1109 / 0,4-55,0 MARS 0,95 2,60Islametal.,2003 effective 121 40 2,5-31,2 PCA

MLR0,64 4,07

vanGroeningenetal.,2003

effective 100 / 21,6-38,0 ?(5) 0,83 1,36

Islametal.,2003 effective 291 286 41,1-92,4 ? 0,76 4,88Brownetal.,2006 Metson 4184 / 0,2-165,5 BRT 0,83 5,50ViscarraRosseletal.,2006

? 49 / 24,0-72,0 PLSR 0,13 10,4

(1)Méthodesd’analyse—analysis methods:Effective=CECeffectivesurbasedelasommedesbases—effective – sum of bases,Metson=méthodeMetson—Metson’s method ;(2)Modèles—models:BRT=arbresderégressionstimulés—boosted regression trees,MARS=régressionmultivariéeparfonctionsplineadaptative—multivariate adaptive regression splines,MLR=régressionlinéairemultiple—multiple linear regression,PCA=analyseparcomposantesprincipales—principal components analysis,PCR= régressionparcomposantesprincipales—principal components regression,PLSR=régressionselonlesmoindrescarréspartiels—partial least square regression;(3)SEC=erreurstandardd’étalonnage—standard error of calibration ;SECV=erreurstandarddelavalidationcroisée—standard error of cross validation;SEP=erreurstandarddeprédiction—standard error of prediction;(4)lesauteursn’ontpasutilisédesetdevalidation—authors did not use a validation set;(5)pasd’informationdisponible—no available information.


2cmol+.kg-1deTSetunRPDsupérieurà2,cecipourune gamme de valeurs de CEC assez large, puisquevariantenvironentre2et40cmol+.kg-1deTS.Cefaitpeutêtremisen relationavec laméthodeutiliséequifournit,ici,uneestimationdelaCECeffectivedusol,obtenueaprèssommationdescationséchangeablesetde l’acidité d’échange. Il est possible que le spectreobtenusoitplusdirectementliéàunevaleureffectivede laCECplutôtqu’àunevaleurpotentielleobtenueentamponnantlesolàunevaleurdepHdonné(pH7,0ou8,2selonlesméthodes).Lesautresétudesmontrentégalementunebonneréponsedusolpourl’évaluationde la CEC. La précision de la valeur prédite estd’environ4cmol+.kg-1deTS.

3.6. Composition minéralogique

Le spectre du sol est influencé par sa compositionminérale(Baumgardneretal.,1995).Cefaitrendplusdifficile l’évaluation de la granulométrie du sol ounécessitedetravaillerpargrandefamilleminéralogiquepourmieuxévaluerlatexture.Cettepropriétéprésente,par contre, l’avantage de pouvoir envisager unepremière évaluation de la compositionminéralogiquedusolparl’étudedel’empreintespectrale.Laprésenced’ionsferriques,enfaiblequantitédans leskaolinitespar opposition aux montmorillonites, se marqueégalementauniveauduspectreparunpicd’absorptiond’intensité variable, aux alentours de 1100nm. Lesillites se distinguent également par une absorbanceplus importantepour les longueursd’ondeinférieuresà 1700nm. De même, les bandes d’absorptioncaractéristiquesdel’eauetdeshydroxydessontd’uneintensité plus faible pour les illites, par comparaisonauxkaolinites et auxmontmorillonites (Baumgardneretal.,1995).

En ciblant les ions ferriques et les hydroxydes, ilest également possible de distinguer des minérauxcommel’hématite,lalimonite,lagoethite.Lagibbsite,en relation avec les hydroxydes d’aluminium, estégalement reconnaissable sur le spectre infrarouge(Baumgardneretal.,1985).

Demattê et al. (2004) ont conclu que le quartz,la magnétite, la kaolinite et la smectite étaient lesminérauxquiinfluençaientprincipalementlespectreetpermettaientdediscriminerlessols.

Lacouleurplusblanchedessolsrichesencarbonatede calcium influence les propriétés spectrales dusol. Chang et al. (2002) notent qu’un sol plus blancentraine une plus forte réflectance et donc une plusfaibleabsorbancedusol.Ilsindiquent,enoutre,deuxpicsdeforteintensitéà2340et2500nmettroispluspetits respectivementà1870,2000et2160nm,dontl’intensité permet de doser la teneur en carbonate decalciumdusol.Ilsattribuentcespicsauxharmoniqueset aux combinaisons des bandes fondamentales

observéesdansl’infrarougemoyenenrelationaveclavibrationdesliaisonsdelamoléculeCO3.Gomezetal.(2012)ontégalementmontrél’opportunitédeprédireletauxdecarbonatedecalciumetletauxdeferparSPIR.

4. DISCUSSION RELATIVE AUX PRINCIPAUX RÉSULTATS EN ANALYSE DE TERRE

Lesdifférentesétudesdefaisabilitéliéesàl’applicationde la SPIR pour évaluer les paramètres physiques,chimiquesetphysico-chimiquess’inscriventdanstroiscadresprincipaux:1.Des approches à l’échelle régionale.L’objectif est, alors,detesterlesparamètresrépondantpositivement à l’analyse et de développer des équations d’étalonnagepourceux-ciàtraversledéveloppement de librairies spectrales à l’échelle d’une région, d’un ou de plusieurs pays. De nombreuses études sont réalisées dans ce sens. Leur principal point faible, à l’exception de certaines études comme celles menées par Chang et al. (2001), Shepherd et al. (2002)etBrownet al. (2006), est lenombre restreint d’échantillons utilisés. Seules les perspectivesdelaSPIRsontalorsenvisagéesetune applicationenroutinen’estpasdirectementpossible. Deplus,lerisqueprincipalestunesurestimationde lavaleurdesrésultatsdelaprédiction(vanGroenigen etal.,2003).2.Desapprochesà l’échellede laparcelle envuede répondre aux besoins de l’agriculture de précision (Heetal.,2005).Cettevoiedemandedeconnaitre précisément la variabilité spatiale des paramètres physiquesetchimiquesd’uneparcelle.Unnombre important d’échantillons est soumis à l’analyse et latechniquedelaSPIRpermetdoncuneéconomie considérable. Cette approche voit également se développerdesappareillagespermettantdesmesures in situ(Mouazenetal.,2007;Malekietal.,2008).3.Desapprochesplusfines,permettantdecaractériser plusprécisémentcertainsparamètresdusolet leur évolution. L’objectif n’est plus alors de remplacer des techniques existantes, mais de les compléter. Malgré leur intérêt dans le conseil de fumure, certainespropriétésde solne sontpasdéterminées parce qu’elles font appel à des techniques trop longuesou tropcouteuses.Uneapprocheplusfine delacompositiondesmatièresorganiques(Coûteaux etal.,2003),maisaussidelacompositionminérale dusol,pourraientapporteruneréelleplus-valueau conseildefumure(Vendrameetal.,2012).

Les paramètres physiques, chimiques et physico-chimiquessusceptiblesd’êtredéterminéspar laSPIRsontl’humiditérésiduelle,lepH,lamatièreorganique(carboneorganique,azotetotaletautrescomposantes),


lesfractionsgranulométriques(tauxd’argile,delimonetdesableetcaractérisationminéralogique),lacapacitéd’échangecationique.Enoutre,desrecherchesontétémenées pour prédire certains éléments disponibles,certainsélémentstotauxmajeursoutraces.C’estainsiqueMouazen et al. (2007) ont évalué l’opportunité,notamment,dedoserlephosphoredisponiblesurdeséchantillonsséchés,émottésettamisés.

Lesprincipalessourcesdevariationentrelesétudessont:– lenombred’échantillonsetladiversitépédologique; certainesétudesneconcernentquedeséchantillons desolstrèshomogènes,alorsqued’autrestententde couvrirunelargediversitédesituationspédologiques (Changetal.,2001;Shepherdetal.,2002;Brown etal.,2006;Barthèsetal.,2008;ViscarraRossel, 2009;Genotetal.,2011a);– l’application d’analyses de références variables en fonction de la région considérée, lesméthodes nesontpastoutesnormaliséesetcomparables,cette particularitérendantparfoisdifficilelacomparaison desrésultatsdesmodèlesprédictifs(ViscarraRossel, 2009);– lagammedelongueursd’ondeainsiqueletypede spectrophotomètre;– lechoixdesméthodesstatistiquesquidiffèreselon lesobjectifsdel’étude,selonl’étatdesconnaissances en termes de puissance des ordinateurs et des techniques statistiques et mathématiques existants aumomentdelaréalisationdesétudes;– lesprétraitements réalisés sur les spectresavant la phase d’étalonnage, ainsi que les méthodes de détectiondesvaleursaberrantes.

La SPIR fait l’objet de nombreux travaux tantson potentiel d’utilisation est large. Cependant, pourenvisageruneutilisationdelatechniqueàuneéchellepluslargequecelledelarecherche,ilapparaitimportantdebientenircompted’uncertainnombred’éléments,ceci afin d’éviter que les conclusions ne valent quepour la parcelle, le cas d’étude, etc. et qu’elles nesurestiment les capacités réelles de la techniqueà prédire les propriétés des échantillons. L’étudepréliminaireduterritoirepourlequelonsouhaiteétablirdes modèles de prédiction est une étape essentiellepour s’assurer que les modèles puissent être utiliséspour l’ensembledecelui-ci.Unmodèled’étalonnagedéveloppé sur base d’échantillons prélevés sur unemêmeparcellenepourraêtreutiliséquepourprédired’autreséchantillonsprovenantdecetteparcelleoudeséchantillons provenant d’une parcelle présentant lesmêmespropriétés.Développerdesmodèlesàl’échelled’unerégiondemanded’appréhenderlavariabilitédecetterégiondemanièreàcequelelotd’échantillonsd’étalonnage couvre cette variabilité. En fonction dela diversité rencontrée, le nombre d’échantillons à

préleverseraplusoumoins important,demêmequele nombre d’analyses de référence à réaliser. Il estégalement essentiel d’apporter un soin particulierauxanalysesde référencequiseront réaliséessur leséchantillons de cette base de données d’étalonnage,la qualité des prédictions y sera étroitement liéepuisque l’incertitude liée à la méthode de référencesera cumulée à celle de la technique infrarouge.En outre, il est indispensable que les échantillonsconstitutifs du lot d’étalonnage soient scannés selonlamême procédure et que tout nouveau spectre soitégalement saisi selon cette même procédure. Enfin,commel’ontmontréHuntetal.(197310,197411),citésparBaumgardneretal.(1985)ouBarthèsetal.(2008),il peut être préférable de grouper les échantillons desolselon le typedematériauxparentaux,demanièreàobteniruneplusgrandeacuitédesrésultatspourlesautresparamètresàdéterminer.D’autresétudesontétéréalisées dans ce sens: Léone etal. (2000) utilisentles propriétés du spectre infrarouge pour grouper leséchantillonsdesoletcomparercesgroupementsauxprincipaux types de sol rencontrés. Demattê et al.(2004) qui, en mettant en évidence les principauxparamètres influençant le spectre et permettant unediscrimination des sols, concluent que ceux-ci sontla matière organique, le taux de fer total, de limonet de sable et la composition minéralogique du sol.ViscarraRossel et al. (2011)ont égalementutilisé laspectroscopie proche infrarouge pour classifier lesgrands types de sols australiens et les représentercartographiquement. Si l’utilisation en routine de laspectroscopieprocheinfrarougeestpeuonéreuseunefoislespectromètreacquis,rapide,simpled’utilisationetnonconsommatriced’extractifschimiques,laphased’étalonnage préalable à son utilisation peut êtrelongueetonéreuseselonlespropriétésétudiées.C’estpourquoiilesttentantd’établirdeslibrairiesspectralesassociant les valeurs de références pour différentespropriétésdesoletlesspectresprocheinfrarouge.Ceslibrairies spectralespourraient alors êtreutiliséespartoutes les structures de recherche et les laboratoiresderoutine travaillantsurunmêmeterritoire.Dans lemême sens, il est intéressant de pouvoir profiter depédothèques que détiennent souvent les universitéset centre de recherche. Cette mise en commun delibrairies spectrales a été tentée au niveau mondialparlamiseenplacedu«Soil Spectroscopic Group»(Viscarra Rossel, 2009). Plusieurs universités ontcollaboré pour scanner leurs échantillons sur based’un protocole bien arrêté et mettre en commun les

10HuntG.R.,SalisburyJ.W.&LenhoffC.J.,1973.Visibleandnear-infraredspectraofmineralsandrocks.VI.Additionalsilicates.Mod. Geol.,4,85-106.11HuntG.R.,SalisburyJ.W.&LenhoffC.J.,1974.Visibleandnear-infraredspectraofmineralsandrocks.IX.Basicandultrabasicigneousrocks.Mod. Geol.,5,15-22.


spectres,lesvaleursderéférenceetlescaractéristiquespédologiquesdeséchantillons.Laprincipalefaiblessede ces librairies spectrales à l’échelle mondiale estl’absence demaitrise des analyses de référence. Leslaboratoiresayantcontribuéàl’étudenetravaillentpastousselonlesmêmesprotocoles.Unepartimportantedel’erreurdeprédictionobtenuepeutêtreliéeàcetteabsence d’harmonisation des protocoles analytiques.Auniveaud’unterritoireplusrestreintregroupantdeslaboratoirestravaillantselondesprotocolesnormalisés,cette approche est certainement celle à réaliser pourenvisageràcourtouàmoyentermeuneutilisationenroutinedelaSPIRenanalysedeterre.

5. PERSPECTIVES

Dans le cadre spécifique d’une contribution dela technique à l’évaluation de la fertilité du sol,l’interprétationduspectreestutiled’unpointdevuequantitatif:– enremplacementdeméthodesexistantescouteuses entemps,matérielouextractifschimiquesnuisibles pourl’environnement,– en apportant des informations spatialement plus précises sur des paramètres pour lesquels des moyennesrégionalessontutiliséespardéfaut,– en complément du menu classique d’analyse, demanière à apporter d’autres informations utiles à l’évaluation de la fertilité du sol. Une approche qualitative peut également être intéressante pour reconnaitre l’appartenance du sol à un groupe de solspourlesquelsdesréférentielsrégionauxexistent oureconnaitrelanaturedelamatièreorganique.

Les perspectives d’utilisation de la spectroscopieproche infrarougesontnombreusesetvariées,depuisune utilisation classique en remplacement ou encomplément des analyses classiquement effectuéesenlaboratoire,jusqu’àuneutilisationin situouparlebiais des techniques de télédétection (Stevens et al.,2006).Sonchampd’applicationesttrèslarge:– Elle contribue à mieux appréhender la variabilité intraparcellairedesparcellesagricolesenvued’une bonnegestionéconomiqueetenvironnementaledes intrants. Par sa facilité d’utilisation et sa rapidité, cette technique utilisée au laboratoire en remplacement des techniques classiques permet d’envisager l’analyse d’un plus grand nombre d’échantillons et ainsi de mieux caractériser la parcelle et le conseil de fumure lié (Genot et al., 2011b). En l’utilisant sur du matériel embarqué (Mouazen et al., 2007), cette technique s’intègre danslesoutilsnécessairesàl’agriculturedeprécision enpermettantd’adapterlesintrantsenfonctiondes caractéristiquesphysico-chimiquesdelaparcelle.

– La technique est également utilisée pour cartographiersurunterritoireplusoumoinslargedes propriétés physico-chimiques des sols, en complément des méthodes géostatistiques. À l’échelle parcellaire, cette technique permet de cartographier la variabilité d’une parcelle pour les propriétésdesolétudiéesetdel’utiliserdanslecadre del’agriculturedeprécision(Cressieetal.,2008).À l’échelled’unterritoire,latechniqueSPIRcoupléeà la géostatistique permet de cartographier les différentes propriétés physico-chimiques du sol (ViscarraRosseletal.,2011).Seloncesauteurs, il estalorspossibledeconstruiresurcettebaseunecarte dessolsutilespourdenombreusesapplicationsagro- environnementalessurbasedeleurscaractéristiques morphologiquesmaisaussiphysiques,chimiqueset physico-chimiques telles que mesurées en laboratoire.– Latechniqueprésenteégalementdesatoutsmajeurs envuedumonitoringdelaqualitédessolsagricoles ou forestiers (Cécillon et al., 2009). L’intérêt de suivreaucoursdutempslaqualitéenvironnementale ou agronomique des sols n’est plus à démontrer; néanmoins,lecoutdesanalysesestsouventunfrein au maintien de ces projets. Dans ce cadre, la technique peut nettement permettre de diminuer cecout,unefoisl’étaped’étalonnageeffectuée.Un second problème inhérent à ces projets est l’évolutiondestechniquesetdesobjectifsaucours du temps. Les échantillons de terre ne sont pas toujours gardés et sont susceptibles d’évoluer dansletemps,aucontrairedesspectresquipeuvent êtreconservésàl’infini.Grâceàceux-ci,ilseradonc toujourspossibledeprédiredenouvellespropriétés desol,mêmesansleséchantillons.Vulafacilitéde mise en œuvre de la technique, tout échantillon prélevédevraitdoncêtrescanné,mêmesi l’intérêt immédiatnelejustifiepas.

LaSPIRestunetechniqued’avenirpourl’analysedeterretantaulaboratoirequ’in situ.Lesnombreusesrecherchesmontrenttoutessesatoutsetsonpotentieldanscedomaine.Illuiresteàs’inscriredanslaroutinedes laboratoires d’analyse en remplacement ou encomplémentdestechniquesanalytiquesactuelles.

Bibliographie

BarthèsB.G.etal.,2008.Determiningthedistributionsofsoilcarbonandnitrogeninparticlesizefractionsusingnear-infraredreflectancespectrumofbulksoilsamples.Soil Biol. Biochem.,40,1533-1537.

BaumgardnerM.F., SilvaL.F., BiehlL.L. & StonerE.,1985.Reflectance properties of soils.Adv.Agron.,38,1-44.


Bellon-MaurelV.etal.,2010.Criticalreviewofchemometricindicators commonly used for assessing the quality ofthe prediction of soil attributes by NIR spectroscopy.Trends Anal. Chem.,29(9),1073-1081.

Ben-DorE. & BaninA., 1995. Near-infrared analysis asa rapidmethod to simultaneouslyevaluate several soilproperties.Soil Sci. Soc. Am. J.,59,364-372.

BogrekciI.&LeeW.S., 2004.Soil particle size effect on absorbance spectra of sandy soil in UV-VIS-NIR regions. ASAE/CSAE Meeting Paper No. 043112.StJoseph,MI,USA:ASAE.

BrownD.J. et al., 2006.Global soil characterizationwithVNIRdiffusereflectancespectroscopy.Geoderma,123,273-290.

BrunetD., BarthèsB.G., ChotteJ.L. & FellerC., 2007.Determination of carbon and nitrogen contents inAlfisols, Oxisols and Ultisols fromAfrica and BrazilusingNIRSanalysis:effectsofsamplegrindingandsetheterogeneity.Geoderma,139,106-117.

CécillonL.etal.,2009.Assessmentandmonitoringofsoilqualityusingindicesbasedonnearinfraredreflectance(NIR)spectroscopy.Eur. J. Soil Sci.,60,770-784.

ChangC.W.,LairdD.A.,MausbachM.J.&HurburghC.R.,2001.Near-infrared reflectance spectroscopy.Principalcomponent regression analyses of soil properties. Soil Sci. Soc. Am. J.,65,480-490.

ChangC.W.&LairdD.A.,2002.Near-infraredreflectancespectroscopic analysis of soilC andN.Soil Sci.,167,110-116.

CIRAD, 2013. SPIR : une technique d’analyse rapide et peu coûteuse, http://pigtrop.cirad.fr/content/pdf/4946,(08/05/14).

ClarkR.N.,1999.Spectroscopyofrocksandmineralsandprinciplesofspectroscopy. In:RenczA.N.,ed. Remote sensing for the earth sciences. Chichester, UK: JohnWiley&Sons,3-58.

CoûteauxM.M.,BergB.&RoviraP.,2003.Near infraredreflectance spectroscopy for determination of organicmatter fractions including microbial biomass inconiferous forest soils. Soil Biol.Biochem., 35, 1587-1600.

CozzolinoD.&MoronA.,2006.Potentialofnear-infraredreflectance spectroscopy and chemometrics to predictsoilorganiccarbonfractions.Soil Tillage Res.,85,78-85.

CressieN.&KangE.L.,2008.High-resolution digital soil mapping: kriging for very large datasets. Technical Report No. 811. Columbus, OH, USA: Department ofStatistics,OhioStateUniversity.

DalalR.C.&HenryR.J.,1986.Simultaneousdeterminationofmoisture,organiccarbon,andtotalnitrogenbynearinfrared reflectance spectrophotometry. Soil Sci. Soc. Am. J.,50,120-123.

DemattêJ.A.M. et al., 2004. Visible-NIR reflectance: anew approach on soil evaluation.Geoderma,121, 95-112.

EllisJ.W., 1928. Molecular absorption spectra of liquidsbelow3m.Trans. Faraday Soc.,25,888-898.

ErtlenD. et al., 2010. Discriminating between organicmatter in soil from grass and forest by near infrared(NIR)spectroscopy(NIRS).Eur. J. Soil Sci.,61(2),207-216.

FidêncioP.H., PoppiR.J. & Carlos de AndradeJ., 2002.Determination of organic matter in soils using radialbasisfunctionnetworksandnearinfraredspectroscopy.Anal. Chim. Acta,453,125-134.

FystroG.,2002.ThepredictionofCandNcontentandtheirpotentialmineralization in heterogeneous soil samplesusingVIS-NIRspectroscopyandcomparativemethods.Plant Soil,246,139-149.

GenotV., ColinetG., BrahyV. & BockL., 2009. L’étatdefertilitédes terresagricolesetforestièresenRégionwallonne (adapté du chapitre4– sol1 de l’ «État del’environnement wallon 2006-2007»). Biotechnol. Agron. Soc. Environ.,13(1),121-138.

GenotV.etal.,2011a.Near-infraredreflectancespectroscopyfor estimating soil characteristics valuable in thediagnosis of soil fertility. J. Near Infrared Spectrosc.,19,117-138.

GenotV. et al., 2011b. Application de la spectrométrieprocheinfrarougeàl’analysedeterre.In : Actes des 10e rencontres de la fertilisation raisonnée et de l’analyse de terre, 23-24 novembre 2011, COMIFER-GEMAS, Reims, France.

GodduR.F., 1960. Near-infrared spectrophotometry. Adv. Anal. Chem. Instrum.,1,347-424.

GodduR.F. & DelkerD.A., 1960. Spectra-structurecorrelations for the near-infrared region.Anal.Chem.,32(1),140-141.

GomezC., LagacherieP.&CouloumaG., 2012.Regionalpredictions of eight common soil properties and theirspatial structures from hyperspectral Vis–NIR data.Geoderma,189-190,176-185.

HaberhauerG., RaffertyB., StreblF. & GerzabekM.H.,1998. Comparison of the composition of forest soillitter derived from three different sites at variousdecompositional stages using FTIR spectroscopy.Geoderma,83,331-342.

HartJ.R.,NorrisK.H.&GolumbicC.,1962.Determinationof the moisture content of seeds by near-infraredspectrophotometry of their methanol extracts. Cereal Chem.,39(2),94-99.

HartmannH.P.&AppelT.,2006.Calibrationofnearinfraredspectraformeasuringdecomposingcelluloseandgreenmanureinsoils.Soil Biol. Biochem.,38,887-897.

HeY., SongH.Y., PereiraA.G. & GomezA.H., 2005.Measurementandanalysisofsoilnitrogenandorganicmatter content using near-infrared spectroscopytechniques.J. Zhejiang Univ. Sci.,6B,1081-1086.

HummelJ.W.etal.,2001.SoilmoistureandorganicmatterpredictionofsurfaceandsubsurfacesoilsusingaNIRsoilsensor.Comput. Electron. Agric.,32(2),149-165.


HuntG.R.&SalisburyJ.W.,1970.Visibleandnear-infraredspectraofmineralsandrocks.I.Silicateminerals.Mod. Geol.,1,283-300.

IslamK., SinghB.&McBratneyA., 2003. Simultaneousestimation of several soil properties by ultra-violet,visible,andnear-infraredreflectancespectroscopy.Aust. J. Soil Res.,41,1101-1114.

KayeW., 1954. Near-infrared spectroscopy. I. Spectralidentification and analytical applications.Spectrochim. Acta,6,257-287.

Lachenal,2006.Chapitre2.Introductionàlaspectroscopieproche infrarouge. In : BertrandD. & DufourE. La spectroscopie proche infrarouge et ses applications analytiques.2eéd.Paris:LavoisierTec&Doc,31-79.

LéoneA.P. & SommerS., 2000. Multivariate analysis oflaboratoryspectrafortheassessmentofsoildevelopmentandsoildegradation in thesouthernApennines (Italy).Remote Sens. Environ.,72,346-359.

LiuW.D. et al., 2002. Relating soil surface moisture toreflectance.Remote Sens. Environ.,81,238-246.

LudwigB., KhannaP.K., BauhusJ. & HopmansP., 2002.Near infraredspectroscopyof forestsoils todeterminechemical and biological properties related to soilsustainability.For. Ecol. Manage.,171,121-132.

MalekiaM.R. et al., 2008. On-the-go variable-ratephosphorus fertilization based on a visible and near-infraredsoilsensor.Biosystems Eng.,99,35-46.

MalleyD.F.,YesminL.&EilersR.G.,2002.Rapidanalysisof hogmanure andmanure-amended soils using near-infrared spectroscopy.Soil Sci. Soc. Am. J.,66, 1677-1686.

MassieD.R.&NorrisK.H.,1965.Spectralreflectanceandtransmittancepropertiesofgraininthevisibleandnear-infrared.Trans. ASAE,8(4),598-600.

McCarthyG.W. et al., 2002. Mid-infrared and near-infrareddiffusereflectancespectroscopyforsoilcarbonmeasurement.Soil Sci. Soc. Am. J.,66,640-646.

McCartyG.W.&ReevesJ.B., 2006.Comparisonof nearinfraredandmidinfrareddiffusereflectancespectroscopyforfield-scalemeasurementofsoilfertilityparameters.Soil Sci.,171(2),94-102.

MinasnyB.etal.,2011.RemovingtheeffectofsoilmoisturefromNIRdiffusereflectancespectraforthepredictionofsoilorganiccarbon.Geoderma,167-168,118-124.

MorraM.J.,HallM.H.&FreebornL.L.,1991.Carbonandnitrogen analysis of soil fractions using near-infraredreflectancespectroscopy.Soil Sci. Soc. Am. J.,55,288-291.

MouazenA.M., MalakiM.R., De BaerdemaekerJ. &RamonH.,2007.On-linemeasurementofsomeselectedsoilpropertiesusingaVIS-NIRsensor.Soil Tillage Res.,80,171-183.

MutuoP.K., ShepherdK.D., AlbrechtA. & CadischG.,2006. Prediction of carbon mineralization rates fromdifferentsoilphysicalfractionsusingdiffusereflectancespectroscopy.Soil Biol. Biochem.,38,1658-1664.

NanniM.F. & DemattêJ.A., 2006. Spectral reflectancemethodologyincomparisontotraditionalsoilanalysis.Soil Sci. Soc. Am. J.,70,393-407.

NiemeyerJ.,ChenY.&BollagJ.M.,1992.Characterizationofhumicacids,composts,andpeatbydiffusereflectancefourier-transform infrared spectroscopy. Soil Sci. Soc. Am. J.,56,135-140.

PalmR. & IemmaA.F., 1995. Quelques alternatives à larégressionlinéaireclassiquedanslecasdelacolinéarité.Rev. Statistique Appl.,43(2),5-33.

PrévotH., 2004. Comparaison de méthodes statistiques et neuronales pour l’établissement d’équations de calibrage en spectrométrie de réflexion diffuse dans le proche infrarouge. Thèse de doctorat: FacultéuniversitairedesSciencesagronomiquesdeGembloux(Belgique).

ReevesJ.,McCartyG.&MimmoT.,2002.Thepotentialofdiffusereflectancespectroscopyforthedeterminationofcarboninventoriesinsoils.Environ. Pollut.,116,277-284.

RussellC.A.etal.,2002.ThepotentialofNIRspectroscopyto predict nitrogen mineralization in rice soils. Plant Soil,247,243-252.

ShepherdK.D. & WalshM.G., 2002. Development ofreflectancespectrallibrariesforcharacterizationofsoilproperties.Soil Sci. Soc. Am. J.,66,988-998.

StenbergB., Viscarra RosselR.A., MouazenA.M.& WetterlindJ., 2010. Visible and near infraredspectroscopy in soil science. Adv. Agron., 107, 163-215.

StevensA.etal.,2006.Detectionofcarbonstockchangeinagriculturalsoilusingspectroscopytechniques.Soil Sci. Soc. Am. J.,70,844-850.

SudduthK.A. & HummelJ.W., 1991. Evaluation ofreflectance methods for soil organic matter sensing.Trans. Am. Soc. Agric. Eng.,34(4),1900-1909.

Terhoeven-UrselmansT., SchmidtH., JoergensenR.G.& LudwigB., 2008. Usefulness of near-infraredspectroscopytodeterminebiologicalandchemicalsoilproperties: importance of sample pre-treatment. Soil Biol. Biochem.,40(5),1178-1188.

UdelhovenT., EmmerlingC. & JarmerT., 2003.Quantitative analysis of soil chemical properties withdiffusereflectancespectrometryandpartialleast-squareregression:afeasibilitystudy.Plant Soil,251,319-329.

vanGroenigenG.,MuttersC.,HorwathW.&vanKesselC.,2003. NIR & DRIFT-MIR spectrometry of soils forpredicting soil and crop parameters in a flooded field.Plant Soil,250,155-165.

VendrameP.R.S., MarchãoR.L., BrunetD. & BecquerT.,2012.ThepotentialofNIRspectroscopytopredictsoiltextureandmineralogyinCerradoLatosols.Eur. J. Soil Sci.,63(5),743-753.

Viscarra RosselR.A., 2009. The soil spectroscopy groupandthedevelopmentofaglobalsoilspectrallibrary.NIR News,20(4),14-15.


ViscarraRosselR.A.&McBratneyA.B.,1998.Laboratoryevaluation of a proximal sensing technique forsimultaneous measurement of soil clay and watercontent.Geoderma,85,19-39.

ViscarraRosselR.A.etal.,2006.Visible,nearinfrared,midinfrared or combined diffuse reflectance spectroscopyfor simultaneousassessmentofvarioussoilproperties.Geoderma,131,59-75.

ViscarraRosselR.A.&BehrensT.,2010.Usingdataminingtomodel and interpret soil diffuse reflectance spectra.Geoderma,158(1-2),46-54.

Viscarra RosselR.A., ChappellA., de CaritatP. &McKenzieN.J.,2011.Onthesoilinformationcontentof

visible–nearinfraredreflectancespectra.Eur. J. Soil Sci.,62,442-453.

WeyerL.&LoS.-C., 2002. Spectra-structure correlationsin the near-infrared. In: ChalmersJ. & GriffithsP.,eds. Handbook of vibrational spectroscopy. Vol. 3.Chichester,UK:Wiley,1817-1837.

WorkmanJ.,2000.Handbook of organic compounds: NIR, IR, Raman, and UV-Vis spectra, featuring polymers and surfactants. Vol. 1.AcademicPress,77-197.

(69réf.)

Documents

L’intérêt de la spectroscopie proche infrarouge en analyse de terre … · B A S E Biotechnol. Agron. Soc. Environ. 2014 18(2), 247-261 Le Point sur : L’intérêt de la spectroscopie