Modélisation du lessivage de l’azote en grande culture en ......with Nash-Sutcliffe efficiency coefficient above 0.70; the black dots represent observations in 2009. IX (A) mineral

Modélisation du lessivage de l’azote en grande

culture en champ drainé

Mémoire

Jean-Pascal Matteau

Maîtrise en sols et environnement

Maître ès sciences (M.Sc.)

Québec, Canada

© Jean-Pascal Matteau, 2017

Modélisation du lessivage de l’azote en grande

culture en champ drainé

Mémoire

Jean-Pascal Matteau

Sous la direction de :

Silvio J. Gumiere, directeur de recherche

Aubert Michaud, codirecteur de recherche

III

Résumé

Les pertes de fertilisant azoté utilisé en agriculture sont parmi les principaux polluants impliquées

dans la dégradation de la qualité de l’eau au Québec. Sous couvert de grande culture, les nitrates

lessivés peuvent atteindre 185 kg ha-1. Synchroniser la fertilisation azotée avec le prélèvement des

cultures serait une manière d’optimiser l’utilisation de l’azote et ainsi de réduire le lessivage de

nitrate. La modélisation déterministe du cycle de l’azote couplé à un modèle de dynamique de l’eau

dans le sol pourrait aider à cette optimisation. Les objectifs de l’étude étaient : (1) de développer un

modèle empirique de production de nitrate à la surface du sol, (2) de combiner ce modèle avec

HYDRUS afin de prédire la quantité de nitrate lessivé vers les drains et (3) d’évaluer la contribution

de l’azote fourni par la matière organique du sol au lessivage de nitrate.

Dans cette étude, nous avons utilisé des équations d’estimations des pools d’azotes et de leurs

transformations. Les équations ont été combinées en 60 patrons de relâchement du N utilisant une

fonction de mise en solution de N pour le nitrate, 4 fonctions pour l’ammonium, 5 pools d’azote

organique du sol et 3 fonctions de relâchement de N de l’azote organique du sol et des lisiers. Ces

patrons de relâchement de N ont été appliqués dans un traitement de fertilisation minérale et quatre

traitements de fertilisation organiques pour un total de 300 patrons uniques de relâchement de nitrate.

Les résultats démontrent que les méthodes d’évaluation des contributions des formes d’azote basées

sur des données atmosphériques, de rotation de culture ou de granulométrie du sol peuvent mener à

des résultats intéressants. La méthode de prédiction doit être différente si le fertilisant appliqué sur la

parcelle est organique ou minéral.

IV

Abstract

Agricultural nitrogen fertilizer losses are among the main pollutants involved in water quality

degradation in Quebec. Under maize crop, leached nitrate can reach up to 185 kg ha-1. Synchronizing

nitrogen fertilization with crop uptake would be a way to optimize the use of nitrogen fertilizer and

reduce nitrate leaching. The process-oriented modeling of the nitrogen cycle coupled with a soil water

model could contribute to simplifying the optimisation of nitrogen fertilizer use. The objectives of

this study were to: (1) to determine the most suitable soil surface empirical nitrate production model,

(2) to couple this model with HYDRUS in order to predict nitrate leaching into subsurface drains,

and (3) to evaluate the soil organic nitrogen contribution to nitrate leaching.

In this study, we used nitrogen pools and transformations in governing mass balance equation. The

equations were combined into 60 N-release patterns taking into account one dissolution function of

nitrate, 4 transformation and dissolution functions for the ammonium, 5 organic nitrogen pools and 3

N organic nitrogen from the soil and manure release functions. These N release patterns were applied

for a mineral fertilizer treatment and four organic fertilizer treatments for a total of 300 unique nitrate

release patterns.

The results demonstrate the accuracy of the methodological framework to evaluate the contributions

of nitrogen based on atmospheric data, crop rotation or soil particle size. The prediction method must

be different if the fertilizer applied to the plot is organic or mineral. In addition, the study showed that

the soil organic nitrogen contribution tends to decrease as the organic fertilizer application rates

increases. The simulations also showed that the nitrate masses leached are closely related to the

fertilizer supply nitrogen content.

V

Table des matières

Résumé ............................................................................................................................................... III

Abstract .............................................................................................................................................. IV

Remerciements .................................................................................................................................. XI

Avant-propos .................................................................................................................................... XIII

Chapitre 1 Introduction générale ........................................................................................................ 1

Bibliographie ....................................................................................................................................... 4

Chapitre 2 Revue de littérature .......................................................................................................... 5

2.1 Enjeux environnementaux ............................................................................................... 6

2.2 Enjeux économiques ........................................................................................................ 7

2.3 Les outils opérationnels de prévision de la disponibilité de l’azote ................................ 8

2.4 Le cycle de l’azote : Perspective agronomique ................................................................ 9

2.4.1 Minéralisation ............................................................................................................. 9

2.4.2 Prélèvement par les plantes ...................................................................................... 10

2.4.3 Volatilisation .............................................................................................................. 10

2.4.4 Dénitrification............................................................................................................ 11

2.4.5 Immobilisation ........................................................................................................... 11

2.4.6 Lessivage.................................................................................................................... 11

2.5 Modélisation .................................................................................................................. 12

2.6 Le choix des modèles pour l’étude................................................................................. 12

2.7 HYDRUS .......................................................................................................................... 13

2.8 Modélisation de l’azote dans HYDRUS ........................................................................... 14

2.9 Équation empirique de libération du nitrate ................................................................. 15

2.9.1 Équation de transformation de l’ammonium ........................................................... 16

2.10 Équation de minéralisation ............................................................................................ 16

2.10.1 Détermination du pool d’azote organique potentiellement minéralisable .............. 17

2.10.2 Taux de libération de l’azote organique du sol ......................................................... 19

Bibliographie ..................................................................................................................................... 21

Chapitre 3 Coupling of a nitrate production model with HYDRUS to predict nitrate leaching......... 27

Résumé .............................................................................................................................................. 28

Abstract ............................................................................................................................................. 29

3.1 Introduction ................................................................................................................... 30

3.2 Materials and methods .................................................................................................. 32

VI

3.2.1 Experimental sites ..................................................................................................... 32

3.2.2 Soil description .......................................................................................................... 33

3.3 Nitrate production model .............................................................................................. 34

3.3.1 Soil organic nitrogen pools ........................................................................................ 37

3.3.2 Soil organic nitrogen release function ...................................................................... 38

3.4 Leaching modeling strategy ........................................................................................... 39

3.5 Model calibration ........................................................................................................... 39

3.6 Initial and boundary conditions ..................................................................................... 40

3.7 Model evaluation criteria ............................................................................................... 41

3.8 Results and discussion .................................................................................................... 42

3.8.1 Water Transport ........................................................................................................ 42

3.8.2 Predictive N release pattern analysis ........................................................................ 43

3.8.3 Nitrogen plant uptake ............................................................................................... 49

3.9 Conclusions .................................................................................................................... 49

Acknowledgement ............................................................................................................................ 51

Bibliographie ..................................................................................................................................... 52

Chapitre 4 Conclusion générale ........................................................................................................ 58

Bibliographie générale ...................................................................................................................... 61

VII

Liste des tableaux

Tableau 1 : Teneur et fourniture annuelle moyenne du sol en azote à la suite de différentes rotations

........................................................................................................................................................... 17

Tableau 2 : Variables nécessaires à l'estimation du pool I tiré de Dessureault-Rompré et al. (2010a).

........................................................................................................................................................... 18

Table 3: Variation of soil properties with depth. .............................................................................. 34

Table 4: Nitrogen supply and chemical distribution of fertilizer per treatment for mineral fertilizer

(0 Mg ha-1) and the four doses of organic fertilizer (30, 60, 90 and 120 Mg ha-1) ............................ 36

Table 5: Optimized van Genuchten parameters. θr is the residual water content, θs is the saturated

water content, α is the air entry parameter, n is a porosity distribution measure, Ks is the saturated

hydraulic conductivity and l is a tortuosity parameter. .................................................................... 40

Table 6: N release patterns with Nash-Sutcliffe efficiency coefficient above 0.70 and RMSE for each

treatment, 0 Mg- mineral fertilization treatments, 30 Mg- 30 Mg ha-1 organic fertilizer, 60 Mg- 60

Mg ha-1, 90 Mg- 90 Mg ha-1 and 120 Mg- 120 Mg ha-1...................................................................... 47

VIII

Liste des figures

Figure 1: Cycle terrestre de l'azote adapté de Neitsch et al., (2011) .................................................. 9

Figure 2: Historique du développement d'HYDRUS et des différents modèles reliés adapté de

Simunek et al (2012). ........................................................................................................................ 14

Figure 3 : Long-term manure fertilizer test diagram. The solid red line in the middle of each plot

represents the subsurface drain, the broken line represents a collector containing an individual pipe

for each plot. The shelter contains a tipping bucket for each plot. LSM refer to the organic fertilizer

(liquid swine manure) and the x refer to the application rate ( 30 Mg ha-1, 60 Mg ha-1, 90 Mg ha-1,

120 Mg ha-1). ..................................................................................................................................... 32

Figure 4 : The nitrate production model conceptual diagram for one treatment, illustrating the three

nitrogen pools and the eight N release functions. X can have a value of either 0, 30, 60, 90 or 120

Mg ha-1 and represents the fertilizer treatment organic nitrogen contribution (0 is the mineral

fertilisation treatment). The upper level shows the three nitrogen pools: NO3, NH4 and Organic

nitrogen. The intermediate level shows the N release functions for the three pools where the

nitrogen is transformed to nitrate and distributed daily. The lower level shows the N release pattern

from each pool and the total daily nitrate used as input to HYDRUS. The inset frame shows how the

300 permutations were obtained. For the ammonium N release function, equation 1 was developed

by Gasser et al. (2003) and equation 2 was developed by Hanson et al. (2006) where the significant

lengths of the nitrification process are 75 and 30 days, respectively. For the organic nitrogen N

release functions, equation 6 was developed by Dessureault-Rompré et al. (2010b) and equation 7

was developed from the data measured by Sbih et al. (2003). ........................................................ 35

Figure 5 : Boundary and initial conditions modeling schemes, where the blue and black arrow

represent respectively the nitrate and the water. ............................................................................ 41

Figure 6 : Observed (red dot) and modelled (blue line) drainage water in the subsurface drain for

each treatment. (A) Maize growing season in 2009. (B) Wheat growing season in 2011. ............... 42

Figure 7 : A to E, Envelop of the cumulative nitrate mass in drainage water modeled by the release

functions (N=60) in 2009 for each treatment (in grey). (A) mineral fertilization treatments, (B) 30 Mg

ha-1 organic fertilizer, (C) 60 Mg ha-1, (D) 90 Mg ha-1 and (E) 120 Mg ha-1. ...................................... 44

Figure 8 : A to E, Simulated cumulative nitrate mass as a function of time for the N release patterns

with Nash-Sutcliffe efficiency coefficient above 0.70; the black dots represent observations in 2009.

IX

(A) mineral fertilization treatments, (B) 30 Mg ha-1 organic fertilizer, (C) 60 Mg ha-1, (D) 90 Mg ha-1

and (E) 120 Mg ha-1. .......................................................................................................................... 45

X

«All that is gold does not glitter,

Not all those who wander are lost»

J.R.R Tolkien

XI

Remerciements

Je tiens à remercier mon directeur de recherche, le professeur Silvio Gumiere, pour son encadrement,

son aide et ses précieux conseils tout au long de mon projet. Ta passion contagieuse, ton ardeur et ta

rigueur au travail, ton énergie et ta bonne humeur m’ont, à la fois, aidé à accomplir ce travail tout

comme à me former comme futur professionnel.

Je remercie, également, mon codirecteur, Aubert Michaud, de m’avoir offert la chance de participer

à ce projet. Ta grande ambition et tes conseils m’ont inspiré et m’ont permis de progresser tout au

long de ce travail.

Ensuite, je tiens à remercier le professeur Jacques Gallichand pour sa patience et sa rigueur lors des

nombreuses (23) relectures et réécritures de mon article. Cette expérience, mais aussi ton expérience,

auront contribué à la structure et à la qualité scientifique de ma pensée et de ma rédaction. Lors de

mes prochaines rédactions, tes conseils continueront de résonner dans mon esprit.

Je remercie, également, Marc-Olivier Gasser qui, en plus de m’avoir fourni les données nécessaires

à l’élaboration de mon projet, m’a toujours appuyé et m’a apporté de précieux conseils pour la

compréhension et ensuite la réalisation de mon projet. Ta contribution et ton expertise ont été

essentielles à la réussite de ce travail et à la progression de ma formation.

Je tiens à remercier, également, le professeur Lotfi Khiari pour ses conseils et ses validations tout au

long de mon projet. J’ai, grandement, apprécié ta disponibilité et ta grande volonté à m’aider malgré

ton horaire toujours très chargé.

Ensuite, je tiens à remercier Jacynthe Dessureault-Rompré pour sa contribution à mes connaissances

et son aide pour l’élaboration du modèle.

Il convient, ensuite, de remercier les deux « Pro » de l’équipe. D’abord, à Guillaume Létourneau,

merci pour tes critiques acerbes, tes commentaires tranchants et tes suggestions intransigeantes. Ton

aide a été essentielle pour la réussite de ce travail et la rédaction de mon article. Je t’en remercie

sincèrement.

Ensuite, à Jonathan Lafond, merci. Bien que ta contribution n’apparaisse pas officiellement sur mon

travail, tu m’as toujours soutenu et appuyé au travers des deux dernières années et je l’apprécie

énormément. Ton expérience et ta sagesse auront été d’habiles conseillères.

Andréanne, Francis, Jean-Michel et Laurie, mes partner de maîtrise de tous les départements, merci

pour le support, les séances de travail multidisciplinaire en groupe et surtout pour les activités sociales

XII

de soutien moral collectif! Tous ces aspects ont été importants et très agréables tout au long des

différentes étapes de ce travail.

Ma belle Jennifer, je tiens aussi à te remercier. Ton soutien et tes encouragements m’ont aidé à

conserver la cadence dans les moments de travail acharné. Ton écoute patiente et passionnée et ton

intérêt à tous les aspects de mon mémoire ont été plus qu’agréable et ont contribué à m’aider à

finaliser ce travail.

Finalement, un énorme merci à mon père, ma mère et ma sœur. Vous m’avez soutenu et encouragé

depuis toujours. Vous m’avez aidé et conseillé lorsque vous le pouviez et vous vous êtes investi dans

mes nombreux projets. Vous m’avez aidé à rester déterminé, à conserver l’objectif en tête, à terminer

ce mémoire pour débuter de nouveaux projets. Merci.

Au final, ce sont les petites choses qui font les grandes différences. Chacune des briques que l’on

ajoute aux immenses constructions que sont les sciences pourront contribuer et feront une différence.

Elles sont toutes importantes.

XIII

Avant-propos

Ce mémoire est rédigé sous forme d’article scientifique. Les chapitres 1, 2 et 4 sont rédigés en français

et correspondent, respectivement, à l’introduction générale, la revue de littérature et la conclusion

générale. Le chapitre 3, rédigé en anglais, est constitué de l’article qui s’intitule « Coupling of a nitrate

production model with HYDRUS to predict nitrate leaching». Cet article sera soumis sous peu au

Science of the Total Environnement Journal. J’atteste être le principal responsable des travaux de

recherche, du traitement et de l’analyse des données ainsi que de la rédaction de l’article en tant que

premier auteur. Le Dr Silvio J. Gumiere, mon directeur de recherche et le Dr Aubert Michaud, mon

codirecteur de recherche sont coauteurs de l’article. Le Dr Jacques Gallichand, le Dr Lotfi Khiari, le

Dr Marc-Olivier Gasser et Guillaume Létourneau M. Sc. sont les autres coauteurs de cet article.

L’article est présenté dans son intégralité. Sa stylistique a cependant été modifiée pour répondre aux

exigences de l’Université Laval en matière de publication d’un mémoire.

Chapitre 1

Introduction générale

2

Au Québec entre 2009 et 2011, 42% des rivières avaient un indice de qualité générale de l’eau

considérée entre douteuse et très mauvaise (Ministère du Développement durable, 2012). Plus

précisément au niveau des nitrites et des nitrates, pour la période entre 2006 et 2008, 16% des rivières

avaient une concentration médiane au-dessus de 1.01 mg L-1, considérée comme douteuse à mauvaise,

cette tendance était particulièrement présente dans les milieux agricoles (Ministère du

Développement durable, 2012). Il a aussi été démontré que les superficies sous grande culture peuvent

être sensibles aux pertes de nitrate par lessivage (Gollamudi, 2006). Bien que son utilisation comporte

des risques pour les cours d’eau, l’azote demeure la base de l’agriculture moderne en tant qu’élément

nutritif le plus important pour le rendement et la croissance des cultures (N’Dayegamiye et al., 2007).

L’utilisation et l’importance de l’azote à travers le monde a amené certains auteurs à avancer que la

société d’aujourd’hui peut être considérée dépendante à une économie basée sur l’azote (Erisman et

al., 2008). Le cycle de l’azote ainsi que les réactions et les interactions qui en découlent ont une

influence sur l’agriculture et l’environnement. L’agriculture moderne est en partie basée sur

l’utilisation de l’azote alors que des analyses statistiques et des expériences à long terme ont conclu

qu’environ 40 à 60% des récoltes provenaient des fertilisants commerciaux. Il serait réaliste d’estimer

qu’aux États-Unis le retrait de la fertilisation azotée causerait une baisse de production de 41% pour

le maïs et de 37% pour le coton (Stewart et al., 2005).

Pour être utilisé de manière efficace, l’azote doit être géré de façon précise. Cependant, la gestion

optimale de l’azote est difficile, car elle varie d’une année à l’autre selon la variabilité du climat

(Jeuffroy et al., 2013; Moebius-clune et al., 2007). La majorité des systèmes de recommandation de

la fertilisation azotée sont basés sur le potentiel de production et sur des courbes empiriques de

réponse de l’azote. Plusieurs aussi feront les mêmes recommandations indépendamment des effets

des conditions météorologiques. Ces systèmes ont tendance à mener à une fertilisation inadéquate,

parfois trop élevée que certains appellent fertilisation d’assurance, ou au cours d’autres années à un

taux de fertilisation trop faible (Moebius-clune et al., 2007). Certaines simulations amènent à penser

qu’il serait possible de diminuer les pertes d’azotes reliés au lessivage de près de 77%, en utilisant

une gestion plus précise de la fertilisation azotée (Van Es et al., 2012). Les avantages reliés à une

telle amélioration seraient non négligeables pour l’environnement, pour la rentabilité des entreprises

agricoles et pour la société. Une méthode possible pour améliorer la précision de la fertilisation azotée

serait la prédiction des besoins des plantes selon les conditions environnementales précises par la

modélisation. Il existe des modèles empiriques basés sur les processus et des modèles physiques basés

sur les propriétés et les équations de physique du sol permettant ce type d’estimation.

Ce mémoire intègre l’utilisation d’un modèle empirique construit avec des équations basées sur des

données agroclimatiques telles que les degrés-jours, le contenu en argile, la température du sol, la

3

teneur en eau, la rotation de culture ou l’évapotranspiration potentielle (Dessureault-Rompré et al.,

2015, 2010a; Giroux and Lemieux, 2002) pour évaluer la disponibilité en nitrate dans les premiers

centimètres du sol avec le modèle HYDRUS, un modèle physique, pour le transport de l’eau et de

solutés vers les drains souterrains. Cette combinaison permet la simplification de la prise de données

nécessaires à la modélisation du transport de solutés, l’évaluation de leur utilisation par les plantes et

de leur déplacement dans le sol.

4

Bibliographie

Dessureault-Rompré, J., Zebarth, B.J., Burton, D.L., Georgallas, A., 2015. Predicting soil nitrogen

supply from soil properties. Can. J. Soil Sci. 95, 63–75. doi:10.4141/cjss-2014-057

Dessureault-Rompré, J., Zebarth, B.J., Burton, D.L., Sharifi, M., Cooper, J., Grant, C. a., Drury, C.F.,

2010. Relationships among Mineralizable Soil Nitrogen, Soil Properties, and Climatic Indices.

Soil Sci. Soc. Am. J. 74, 1218. doi:10.2136/sssaj2009.0213

Erisman, J.W., Sutton, M. a., Galloway, J., Klimont, Z., Winiwarter, W., 2008. How a century of

ammonia synthesis changed the world. Nat. Geosci. 1. doi:10.1038/ngeo325

Giroux, M., & Lemieux, M. (2002). Comparaison de différentes méthodes d ’ évaluation de la fertilité

azotée des sols et détermination de la dose N optimale du maïs ensilage. Agrosolutions, 17(1),

39–50.

Gollamudi, A., 2006. Hydrological and water Quality modeling of agricultural fields in Quebec.

M.Sc. Thesis, Department of Bioresource Engineering, McGill University, Montreal.

Jeuffroy, M., Gate, P., Machet, J., Recous, S., 2013. Gestion de l’azote en grandes cutlures : les

connaissances et outils disponibles permettent-ils de concilier exigences agronomiques et

environnementales ? Cah. Agric. 22, 249–257. doi:10.1684/agr.2013.0639

Ministère du Développement durable, de l’environnement et des parcs. (MDDEP), 2012. Portrait de

la qualité des eaux de surface au Québec 1999-2008, Québec, Direction du suivi de l’état de

l’environnement. ISBN 978-2-550-63649-6 (PDF), 97p.

Moebius-Clune, B., Van Es, H. M., & Melkonian, J. (2007). Adapt-N Uses Models and Weather Data

to Improve Nitrogen Management for Corn. Better Crops with Plant Food, 97(4), 7–9.

N’Dayegamiye, A., Giroux, M., Gasser, M.O., 2007. La contribution en azote du sol reliée à la

minéralisation de la MO : facteur climatique et régies agricoles influençant les taux de

minéralisation d ’ azote, Colloque sur l’azote, CRAAQ-OAQ.

Stewart, W.M., Dibb, D.W., Johnston, a. E., Smyth, T.J., 2005. The contribution of commercial

fertilizer nutrients to food production. Agron. J. 97, 1–6. doi:10.2134/agronj2005.0001

Van Es, H. M., Moebius-Clune, B. N., Melkonian, J. J., & Severson, K. (2012). A Case Study: Donald

& Sons Farm Sees Money-Saving Potential in Adapt-N Tool for Corn N Rate

Recommendations. What’s Cropping Up?, 22(2), 8–9.

Chapitre 2

Revue de littérature

6

2.1 Enjeux environnementaux

Une majorité des perturbations anthropogéniques du cycle de l’azote découle des activités terrestres,

principalement de l’utilisation de nitrate dans la fertilisation azotée en agriculture (Fowler et al.,

2013). L’arrivée excessive d’azote dans les cours d’eaux peut accélérer le processus d’eutrophisation

(Dupas et al., 2015; Erisman et al., 2013). Les pesticides et les nitrates représentent la principale

source de contamination des aquifères en zones agricoles (Dupuy et Banton, 2012). Les nitrates sont

aussi une des principales sources de contamination des cours d’eau en zone agricole, dus à la

sensibilité au lessivage des nitrates dans les terres arables en comparaison aux forêts et aux prairies

(Billen et al., 2013). Les écosystèmes aquatiques possédant un pouvoir tampon faible, tel que les

cours d’eau douce, sont plus sensibles à l’acidification et à l’eutrophisation causée par les nitrates

(Erisman et al., 2013). Certaines espèces capables d’assimiler plus efficacement ces nutriments seront

favorisées alors que d’autres espèces seront défavorisées. Dans ces situations, des éclosions de

cyanobactéries et d’algues peuvent se produire et causer l’hypoxie de l’eau à la surface et le

relâchement de toxines (Erisman et al., 2013).

En plus d’avoir un impact sur la qualité des cours d’eau et la santé des écosystèmes aquatique, les

fertilisants azotés contenus dans l’eau peuvent avoir un impact sur les activités et la santé humaine.

(Erisman et al., 2013; Hébert, 2012; MDDELCC, 2014). La concentration de nitrates dans l’eau

potable peut être classée selon quatre catégories, moins de 0,2 mg N/L qui n’aurait aucune influence

sur les humains, 0,21 à 3,0 mg N/L qui aurait une influence possible sur les humains, 3,1 à 10 mg

N/L qui influencerait les activités humaines, mais n’aurait pas d’impact apparent sur la santé et plus

de 10 mg N/L qui aurait des impacts majeurs sur les activités humaines et des effets possibles sur la

santé des enfants en très bas âges (Chaussé et al., 2003).

Malgré ses risques environnementaux, la fertilisation azotée demeure la base de l’agriculture

moderne. L’azote est un élément essentiel aux cultures, il est même souvent appelé le «pivot de la

fertilisation» du fait qu’il est l’élément nutritif le plus important pour le rendement et la croissance

des cultures et qu’il est limitant dans plusieurs écosystèmes naturels et semi-naturels (Centre de

référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010; Erisman et al., 2013;

N’Dayegamiye et al., 2007). Selon des estimations, près de la moitié de la population humaine du

21e siècle dépend de la fertilisation azotée pour se nourrir (Erisman et al., 2008).

Une expérience ayant eu lieu sur deux sites, avec des conditions de sol différentes sous culture de

maïs, dans le bassin versant de la Rivière-Aux-Brochets dans le sud du Québec a permis d’évaluer

des exportations d’azote total de 189.74 kg ha-1 et 69.53 kg ha-1. De cette quantité, respectivement

7

97.5% et 88.3% de l’azote sous forme de nitrates mesurés provenait du lessivage, ou de l’écoulement

souterrain (Gollamudi, 2006).

Une méthode pour réduire le lessivage des nitrates est de synchroniser la fertilisation azotée avec le

prélèvement des cultures. Les facteurs environnementaux influençant la dynamique de l’azote dans

le sol ainsi que l’absorption par les cultures sont nombreux. Ceux-ci inclus notamment (1) les

propriétés physiques du sol, tel que la texture, la profondeur, le drainage et la matière organique du

sol (2) les caractéristiques du fertilisant, incluant la quantité, la forme, l’emplacement ainsi que la

période d’application, (3) la rotation des cultures et la couverture des plants, (4) la méthode de

préparation du sol et les résidus de cultures (5) la température et les précipitations. Les plus

importants étant le climat et l’hydrologie (Dupas et al., 2015; Moebius-clune et al., 2007). Une

méthode d’obtenir cette synchronisation est de prévoir le prélèvement des cultures et le lessivage à

l’aide de la modélisation des facteurs environnementaux.

2.2 Enjeux économiques

Les engrais azotés sont un investissement important pour les entreprises agricoles. Les budgets

établis par le CRAAQ (Beauregard et Fortier, 2014) pour le maïs fourrager prévoient un coût de 127$

par hectare en fertilisants minéraux (160-50-140) ce qui correspond à 26% des charges variables et

11% du coût total de production. La fertilisation est la deuxième étape la plus coûteuse après l’achat

des semences et avant la récolte avec la fourragère. Les achats d’engrais correspondaient à 9.3% des

dépenses des exploitations agricoles en 2009. Au cours de cette même année au Canada, près de 75%

des types d’engrais utilisés étaient des engrais azotés (Agriculture and Agri-Food Canada, 2014). Les

chercheurs d’une équipe américaine ont noté que dans le cas de la ferme d’un producteur participant

à leurs essais, les dépenses reliées à la fertilisation azotée avaient quadruplé depuis l’année 2000 (Van

Es et al., 2012). Il est possible d’avancer que les implications monétaires reliées aux pertes de

fertilisants azotées n’iront pas en diminuant dans les prochaines années malgré un plafonnement des

coûts et même une légère baisse au Canada en 2009 (Agriculture and Agri-Food Canada, 2014). Les

pertes de fertilisants azotés dans l’environnement ont donc des implications monétaires substantielles

pour les agriculteurs. La gestion précise de l’azote sur les entreprises agricoles pourrait contribuer à

soutenir les producteurs tentants d’assurer la rentabilité de leur exploitation tout en permettant de

réduire les pertes environnementales d’azote (Moebius-clune et al., 2013; Van Es et al., 2012).

8

2.3 Les outils opérationnels de prévision de la disponibilité de l’azote

Les outils opérationnels de prévision de la disponibilité de l’azote pouvant être utilisés par les

producteurs et les professionnels sont très nombreux. La majorité de ceux disponibles en Amérique

du Nord sont simples et généraux. Ils sont basés sur des moyennes de réponses empiriques aux nitrates

ou sur des potentiels de récolte (Moebius-clune et al., 2007). Au Québec, le principal outil de

prévision de la disponibilité de l’azote avant et au cours de la saison de croissance est le calcul du

bilan prévisionnel d’azote. Soit le calcul de la dose d’azote recommandée selon la culture à laquelle

sont soustraites la contribution de la matière organique et la contribution du précédent cultural (Centre

de référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010). Cette méthode, appelée

méthode du bilan a été développé dans les années 1970, est aussi la méthode la plus utilisée en Europe

(Jeuffroy et al., 2013). Elle correspond à estimer la dose d’engrais azotée qui doit être appliquée,

d’après la différence entre les besoins d’une culture pour atteindre un rendement donné et la

disponibilité de l’azote du sol. Cette méthode ne prend pas en compte le climat et son influence sur

les besoins en fertilisation azotée des cultures. De plus, la méthode du bilan est basée sur un objectif

de récolte qui peut ne pas être atteint, ce qui cause une surfertilisation et donc une augmentation des

pertes dans l’environnement (Jeuffroy et al., 2013; Moebius-clune et al., 2013). La méthode du bilan

considère qu’aucun facteur limitant, autre que l’azote, n’influence la culture (Jeuffroy et al., 2013).

D’autres tests existent tels que le test de nitrate en pré-semis, utile pour identifier les champs

possédant une grande quantité d’azote minéral avant le début de la saison. Le test de nitrate du sol

en post-levée du maïs permettant d’ajuster la dose de fertilisant en post-levée et reflétant bien le

potentiel de minéralisation du sol. Les lecteurs de chlorophylle et les analyses foliaires permettent

aussi d’avoir des mesures bien corrélées avec la teneur en azote. Après la saison, il est possible de

déterminer le surplus d’azote par un test sur les tiges de maïs afin de déterminer a posteriori la

performance de la fertilisation azotée. Il est aussi possible de faire un suivi de nitrates résiduels après

la récolte (Centre de référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010).

Certains outils et modèles ont été créés en Europe, aux États-Unis et au Québec basés sur ces

différents tests tels qu’Héliotest, Jubil, HNTester, MANNER, Farmstar, PNM (precision nitrogen

management), Agriflux et plusieurs autres(Chambers et al., 1999; Jeuffroy et al., 2013; Larocque et

al., 2002; Sogbedji et al., 2006).

9

2.4 Le cycle de l’azote : Perspective agronomique

Le cycle de l’azote comprend des entrées et des sorties. Pour comprendre la dynamique de l’azote

dans une perspective agronomique, il est important de s’attarder aux différents processus de son cycle.

Le cycle de l’azote comprend trois principales entrées, les engrais (minéraux ou organiques), la

minéralisation de la matière organique du sol et la fixation biologique de l’azote atmosphérique. Il

est généralement reconnu que la minéralisation ainsi que le processus de nitrification sont les étapes

limitantes du cycle de l’azote (Hodge et al., 2000). Les sorties du bilan correspondent à l’absorption

par les plantes, la volatilisation, la dénitrification, le lessivage et l’immobilisation (Yang et al., 2013).

Figure 1: Cycle terrestre de l'azote adapté de Neitsch et al., (2011)

2.4.1 Minéralisation

La minéralisation correspond au recyclage des nutriments dans le système sol-plante par la

décomposition des matières organiques du sol par la flore et la faune du sol (Azam et al., 2003; Kende,

2010). La matière organique peut être catégorisé en trois fractions : (1) la matière organique labile,

qui est la fraction la plus active, (2) la matière organique lentement minéralisable et finalement, (3)

la fraction stable très difficilement minéralisable (Centre de référence en agriculture et

agroalimentaire du Québec (CRAAQ), 2010). La minéralisation de l’azote de la matière organique se

10

déroule principalement en deux phases, la première est une minéralisation intense de la fraction labile

active qui est rapide et dure environ 60 jours. La deuxième est une phase plus lente de décomposition

de la fraction lentement minéralisable (N’Dayegamiye et al., 2007). Au Québec, sous de bonnes

conditions climatiques et édaphiques, le sol peut fournir plus du deux tiers des besoins des cultures

en azote (N’Dayegamiye et al., 2007). Par contre, les sols à faible potentiel de minéralisation comme

les sols compactés ou les sols peu fertiles peuvent fournir moins d’un tiers des besoins en azote de la

culture, ce qui se situe entre 60 et 400 kg N ha-1 (N’Dayegamiye et al., 2007). La quantité d’azote

minéralisée et l’intensité de la minéralisation dépend de plusieurs facteurs tels que le rapport

carbone/azote, les résidus organiques, la teneur en eau, la température, la texture et la structure du

sol, la porosité, le pH, la salinité, le travail du sol et la rotation des cultures (Chambenoit, 2002;

Kende, 2010; N’Dayegamiye et al., 2007).

2.4.2 Prélèvement par les plantes

L’absorption par la culture est l’une des principales sorties d’azote dans le calcul du bilan d’azote et

elle correspond à la quantité d’azote présente dans la biomasse fraîche (Centre de référence en

agriculture et agroalimentaire du Québec (CRAAQ), 2010). Il a été établi qu’il y aurait un ajustement

réciproque entre le prélèvement d’azote et la vitesse de croissance (Lemaire et al., 1984). Les besoins

de la plante varient quant à eux selon la culture, le cultivar et le stade de croissance (Centre de

référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010). L’absorption et l’utilisation

de l’azote par les plantes comportent plusieurs étapes, dont le prélèvement, l’assimilation, la

translocation, et lorsque la plante est plus âgée le recyclage et la remobilisation (Masclaux-Daubresse

et al., 2010). La capacité des plantes à absorber l’azote du sol varie selon le type de sol,

l’environnement et l’espèce (Masclaux-Daubresse et al., 2010).

2.4.3 Volatilisation

La volatilisation a lieu lorsque l’ammoniac (NH3), un gaz formé lorsque l’ammonium est mis en

solution, s’échappe en partie de la solution du sol (Centre de référence en agriculture et

agroalimentaire du Québec (CRAAQ), 2010). La volatilisation dépend de la concentration en

ammonium dans la solution, l’alcalinité et la température. Selon les circonstances, les pertes de NH3

peuvent être minimes ou elles peuvent représenter la plus grande part de l’azote appliqué,

particulièrement si elle est appliquée sous forme d’urée ou d’urine (Freney et al., 1983). Sous

certaines conditions la favorisant, la volatilisation peut atteindre 75% de l’azote total appliqué (Centre

11

de référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010). La méthode d’application

a aussi un impact significatif sur la volatilisation de l’ammoniac (Rochette et al., 2009).

2.4.4 Dénitrification

Le processus de dénitrification correspond à la réduction du nitrate (NO3-) en azote moléculaire (N²)

(Firestone et Davidson, 1989; Clark, 2007). Cette réaction a lieu en absence d’oxygène et elle est

affectée par la disponibilité de l’oxygène, de l’ammoniac (NH3) et du carbone organique. La

dénitrification est aussi influencée par le taux d’humidité et la température (Aulakh et Rennie, 1987;

Maag et Vinther, 1999). La dénitrification peut avoir lieu dans des sols non gorgés d’eau dans des

microsites anaérobiques. Ces sites peuvent être des accumulations d’eau, des endroits où la

consommation d’oxygène par les microorganismes est très élevée (Aulakh et Rennie, 1987) ou encore

dans des zones anaérobiques autour des racines (Firestone et Davidson, 1989).

2.4.5 Immobilisation

L’immobilisation de l’azote est un processus par lequel l’azote minéral, de manière préférentielle

l’ammonium NH4+ (Powlson et al., 1986; Recous et al., 1990), est absorbé par les microorganismes

qui le transforme en azote organique (Centre de référence en agriculture et agroalimentaire du Québec

(CRAAQ), 2010). L’immobilisation de l’azote provenant de fertilisant peut être rapide et avoir lieu à

l’échelle de quelques semaines. L’azote contenu par les microorganismes sera reminéralisé par la

suite au cours de la saison de croissance ou à plus long terme (Cameron et al., 2013; Sørensen et al.,

1994). Des expériences à long terme, effectué sur le site de Rothamsted, soutiennent l’hypothèse

d’une faible rétention des fertilisants azotés. Les chercheurs ont mesurés des rétentions de 3% dans

des dispositifs expérimentaux datant de 1843 (Powlson et al., 1986).

2.4.6 Lessivage

Le lessivage correspond à la perte des nitrates qui s’infiltrent dans les profils de sols emportés par

l’eau des pluies. L’azote voyage en majeure partie sous forme dissoute dans l’eau jusqu’aux nappes

souterraines puis vers le cours d’eau (Billen et al., 2013). Les propriétés intrinsèques de l’azote font

que le lessivage a un impact plus important que le ruissellement (Berrouard et al., 2001; Centre de

référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010). La charge de nitrate lessivé

ainsi que la concentration en NO3- des eaux de drainage dépend principalement de deux facteurs : la

quantité de nitrate dans les sols et la quantité d’eau drainée (Berrouard et al., 2001; Cameron et al.,

2013; Gasser et al., 2003). La quantité totale de pluie et l’intensité des événements pluvieux sont des

facteurs importants modulant les pertes de nitrate, car l’eau des précipitations est le principal moyen

12

transport des nitrates. C’est pour cette raison que l’automne, au Québec, est une période sensible

pour les pertes de nitrates puisque le sol est à nu (Berrouard et al., 2001). Le lessivage des nitrates est

aussi influencé par la structure et la texture du sol. En effet, le lessivage est plus important dans les

sables peu structurés que dans les argiles, principalement à cause de la diminution du mouvement

d’eau et du plus grand potentiel de dénitrification dans les sols argileux (Cameron et al., 2013).

Une expérience ayant eu lieu sur deux sites du bassin versant de la Rivière-aux-brochets dans le sud

du Québec a évalué des exportations d’azote totales de 189.74 kg ha-1 et 69.53 kg ha-1. De cette

quantité, 97.5% et 88.3% de l’azote, sous forme de nitrate, provenait du lessivage, ou de l’écoulement

souterrain. Ces deux sites sont respectivement un loam sableux Rubicon et principalement une argile

Sainte-Rosalie sous culture de maïs (Gollamudi, 2006).

Le cycle de l’azote est donc dépendant de conditions locales et saisonnières qui vont varier selon les

années. Il est donc très difficile d’appliquer une fertilisation azotée de précision. Pour le faire, il

faudrait être capable de prédire tous les processus du cycle de l’azote, tout au long de la saison de

croissance, afin d’appliquer les bonnes doses de fertilisants en pré-semis ou en post-levé.

2.5 Modélisation

Un modèle est une façon de représenter ou de prévoir une situation ou un processus de manière

mathématique ou graphique en se basant sur des données, sur des processus physiques ou sur un

mélange des deux. Les modèles sont utilisés régulièrement en hydrologie depuis longtemps. D’après

un historique de la modélisation hydrologique effectué par Ezio Todini de l’université de Bologne en

Italie, cette discipline a débuté en 1850 par la méthode rationnelle de Mulvany. Par la suite, la

modélisation s’est développée, au cours du siècle, en deux types de modèles, soit les modèles

déterministes, basés sur les processus physiques et les modèles empiriques, input-output, dirigés par

les données (Todini, 2007).

2.6 Le choix des modèles pour l’étude

Les modèles existants étant nombreux, il faut savoir choisir le modèle approprié. Xu (2002) a suggéré

quatre aspects à considérer lors du choix d’un modèle, soit : (1) la nature des processus physiques

impliqués, (2) l’utilisation qui sera faite du modèle, (3) les données disponibles et (4) la manière dont

seront utilisés les résultats du modèle. D’autres aspects sont aussi à considérer tels que la qualité des

résultats obtenus par les modèles dans la région concernée. Dans le cadre de cette étude, le modèle

utilisé sera HYDRUS (Šimůnek et al., 2008). HYDRUS est un modèle largement utilisé entre autres

13

dans l’étude des transport de solutés. Les données de caractérisation physique doivent être

exhaustives pour utiliser HYDRUS avec précision.

2.7 HYDRUS

HYDRUS est un logiciel de modélisation permettant la simulation des transports de l’eau, de la

chaleur et des solutés dans le milieu poreux en une, deux et trois dimensions (“PC-PROGRESS -

Programs,” 2015). HYDRUS est un modèle basé sur les processus physiques qui utilise l’équation

de Richards (Richards, 1931) pour les mouvements d’eau dans les milieux poreux et l’équation

d’advection-dispersion pour le transport des solutés. L’utilisation de ces équations implique que le

modèle a besoin de certaines données de base telles que les courbes de rétention en eau du sol, la

conductivité hydraulique ainsi que les conditions initiales de pression d’eau et les flux d’eau ou le

contenu en eau aux limites (Shein, 2015).

HYDRUS tel qu’il est disponible aujourd’hui est le résultat de nombreuses années d’amélioration.

En 1998, HYDRUS 1-D basé sur Windows a été publié, les modèles précédents étaient des modèles

DOS. Le développement d’HYDRUS basé sur Windows est considéré comme une étape importante

dans le développement de modèles de mouvement de l’eau et des solutés dans les sols basés sur les

processus physiques (Shein, 2015). Le code d’HYDRUS inclut et combine les processus et les

procédures numériques de ses nombreux prédécesseurs, soit UNSAT, SWMII, SWMS_2D (Šimůnek

et al., 2008). En 1995, la création de l’interface graphique des utilisateurs (GUI’s, graphical user

interface) débute, elle sera incluse dans les versions subséquentes (Šimůnek et al., 2008). En 2006 et

2007, HYDRUS offre la possibilité de traiter des situations en deux dimensions puis en trois

dimensions.

14

Figure 2: Historique du développement d'HYDRUS et des différents modèles reliés adapté de Simunek et al (2012).

D’après les créateurs du programme, l’intérêt suscité par HYDRUS se reflète dans les nombreux

téléchargements du modèle, qui s’élevaient à plus de 1000 en 2006 et 200 en 2007 répartis dans 20

pays. Le site internet d’HYDRUS reçoit aussi en moyenne 700 visites par jour. L’utilisation à grande

échelle de leur programme serait due en partie à l’interface graphique qui en facilite l’utilisation

(Šimůnek et al., 2008). En 2016, 71 articles publiés ont utilisé HYDRUS 1-D dans leur recherche et

32 articles publiés ont utilisé HYDRUS 2-D ou 3-D.

2.8 Modélisation de l’azote dans HYDRUS

Le transport de l’azote, tout comme le transport d’autres solutés, est prédit par HYDRUS au moyen

de la résolution de l’équation d’advection-dispersion. Cette équation inclut le flux de transport dans

les macropores, la dispersion dans les micropores, un facteur retard et l’équation de conservation du

soluté (Radcliffe et Šimůnek, 2010). Les paramètres de transport permettent d’ajuster la dispersion

du flux du soluté selon ses caractéristiques ou les conditions du milieu. Des coefficients et plusieurs

solutés peuvent être utilisés avec cette équation pour prendre en compte les différents processus du

cycle de l’azote. Avec HYDRUS, pour prendre en compte le cycle de l’azote, plusieurs solutés et

plusieurs constantes représentant les taux de dégradation doivent être utilisés. Pour chacun des

solutés, les isothermes d’adsorptions prendront en compte l’adsorption aux particules de sols. La

15

solution de l’équation de transport advectif-dispersif est fonction de la dimensionnalité, des

conditions initiales et des conditions aux limites (Radcliffe et Šimůnek, 2010).

Les valeurs des coefficients de dispersion et de diffusion dans l’eau et dans l’air doivent être fournies

au modèle. Ces valeurs, comme les valeurs constantes de réaction, peuvent être trouvées dans la

littérature ou optimisées par le modèle à partir des données mesurées. Le prélèvement de l’azote par

les plantes et le prélèvement d’eau sont décrits par le modèle de Feddes (Feddes et al., 1978).

2.9 Équation empirique de libération du nitrate

La disponibilité du nitrate, pour le prélèvement par les plantes et pour le lessivage, est une donnée

primordiale à une approche prévisionnelle de la fertilisation. En grande culture, l’azote peut provenir

de la fertilisation minérale, de la fertilisation organique et de la minéralisation de l’azote organique

du sol. Le nitrate est régulièrement considéré comme étant totalement dissout dans l’eau

instantanément après l’application de fertilisant (Gasser et al., 2003; Hanson et al., 2006). Par contre,

l’ammonium (contenu dans les engrais minéraux et organique) et l’azote organique (contenu dans les

fertilisants organiques et dans la matière organique du sol) ne deviendront pas disponibles suivant le

même schéma.

Des chercheurs ont proposé des méthodes pour décrire la transformation de l’ammonium en nitrate

d’après des caractéristiques spécifiques du sol (Gasser et al., 2003) ou comme une équation de

dégradation de premier ordre (Hanson et al., 2006). La volatilisation de l’ammoniac contenu dans les

fertilisants organiques peut être prise en compte par l’utilisation d’un coefficient d’efficacité relié à

la méthode d’application et d’incorporation du fertilisant (Centre de référence en agriculture et

agroalimentaire du Québec (CRAAQ), 2010).

Des équations et des relations empiriques ont été développées afin de décrire l’azote organique

potentiellement minéralisable basée sur différentes combinaisons de propriétés agro-climatiques

telles que les degrés-jours, le contenu en argile, la température du sol, la teneur en eau, la rotation de

culture ou l’évapotranspiration potentielle (Dessureault-Rompré et al., 2015, 2010a; Giroux et

Lemieux, 2002).

D’autres relations décrivent l’effet de la température et du contenu en eau du sol sur le taux de

transformation et la disponibilité journalière de l’azote organique en nitrate selon les conditions au

cours de la saison (Dessureault-Rompré et al., 2010b) ou le nitrate produit par la matière organique

du sol relâché au cours de la saison de croissance (Sbih et al., 2003).

L’utilisation de ces équations permet de modéliser avec HYDRUS un seul soluté, le nitrate,

permettant de simplifier la modélisation. De plus, elles permettent d’estimer l’apport en nitrate

provenant de la minéralisation de la matière organique du sol dans le cadre de la présente étude.

16

2.9.1 Équation de transformation de l’ammonium

La première équation, dans le contexte de l’étude, décrit la disponibilité du nitrate provenant de

l’ammonium d’un fertilisant. Elle a été développée d’après des mesures au champ sous culture de

pomme de terre au Québec (Gasser et al., 2003).

𝑁𝑓(𝑡) = 𝑁𝐻4𝑓

√2𝜋 × 𝜎𝑡𝑒𝑥𝑝 {−

[ln(𝑡) − 𝜇]²

2𝜎²} (2.1)

Où Nf(t) est la disponibilité du nitrate distribué journalièrement en masse de soluté appliquée (M) par

flux d’eau infiltrée (L²), NH4f (kg ha-1) est l’apport d’ammonium du fertilisant, µ (-) et σ (-) sont des

paramètres optimisés spécifiques au site, respectivement 2.66 et 0.76, et t est le temps après

l’application de fertilisant en jours.

La deuxième équation utilise un coefficient de 0.2 jour-1. Ce coefficient représente la médiane des

valeurs de nitrification de l’ammonium en nitrate retrouvé dans la littérature par Hanson et al (2006).

L’équation 2 représente cette équation distribuée journalièrement.

𝑁𝑓(𝑡) = 0.2 × (𝑁𝐻4𝑓) × 1.25 (1 +(−6.45E−05×𝑇)

4.48)

(− 1

6.45E−05) (2.2)

Où NH4f est l’apport d’ammonium du fertilisant (kg ha-1) et T est le temps après l’application du

fertilisant en jours.

2.10 Équation de minéralisation

L’équation de minéralisation permet d’évaluer la quantité potentielle d’azote minéralisé de la matière

organique du sol (N0). La minéralisation suit une cinétique de premier ordre, à un taux de

minéralisation k (Stanford and Smith, 1972). La quantité d’azote organique du sol contrôle la

minéralisation potentielle, comme c’est un processus à ressource limitée. La minéralisation

potentielle peut être exprimée par l’équation différentielle 3 (Stanford and Smith, 1972).

𝑑

𝑑𝑡𝑁𝑚𝑖𝑛 = 𝑘[𝑁0 − 𝑁𝑚𝑖𝑛] (2.3)

Où Nmin est la quantité cumulative d’azote minéralisée au temps t et N0 est le contenu du pool d’azote

organique du sol.

Si on assume qu’aucun azote n’a été minéralisé avant le début du processus de minéralisation (i.e.

Nmin= 0 à t=0), l’équation 3 peut être simplifiée à l’équation 4 :

𝑁𝑚𝑖𝑛 = 𝑁0[1 − 𝑒−𝑘𝑡] (2.4)

17

Où N0 est le pool d’azote organique potentiellement minéralisable du sol, et k est le paramètre qui

représente les conditions environnementales influençant le taux de minéralisation.

Pour utiliser l’équation de la minéralisation, le pool d’azote organique potentiellement minéralisable

du sol (N0) et le paramètre des conditions environnementales (k) doivent être définis.

2.10.1 Détermination du pool d’azote organique potentiellement minéralisable

La détermination du N0 par la rotation des cultures a été proposée par Giroux et Lemieux (2002).

Dans cette étude, quatre systèmes de rotation ont été évalués et le prélèvement d’azote des cultures

sans fertilisant azoté a été associé à la fourniture en azote du sol. Le tableau 1 tiré du guide du Centre

de référence en agriculture et agroalimentaire du Québec (CRAAQ), (2010) montre les valeurs de N0

associées à chaque système de rotation.

Tableau 1 : Teneur et fourniture annuelle moyenne du sol en azote à la suite de différentes rotations

SYSTÈME DE ROTATION N TOTAL DU SOL (kg/ha) N FOURNI PAR LE SOL

(kg/ha)

MAÏS ENSILAGE CONTINU 3400 49

MAÏS ENSILAGE-ORGE (2ANS)-

BLÉ 3610 94

MAÏS ENSILAGE-ORGE-PRAIRIE

(2ANS) 4030 116

PRAIRIE (CYCLE DE 4 ANS) 4590 168

Le N0 peut aussi être basé sur des variables agro-climatiques en étant estimé par régression linéaire

avec le pool I, le pool d’azote organique facilement minéralisable (Dessureault-Rompré et al., 2015).

Le pool I est estimé par régressions multiples à partir de l’évapotranspiration potentielle (PET), les

degrés-jours au-dessus de 5°C (GDD>5°C), un paramètre de température du sol (re_temp), le contenu

en argile en g kg-1 (Clay) et la température de l’air en degrés Celcius (T,°C) (Dessureault-Rompré et

al., 2010a).

L’équation 5 montre la relation linéaire entre le pool I et N0.

𝑁0 = 1.76 ∗ 𝑃𝑜𝑜𝑙 𝐼 + 65 (2.5)

18

Le tableau 2 tiré de Dessureault-Rompré et al (2010a) montre les variables nécessaires à l’estimation

du pool I.

Tableau 2 : Variables nécessaires à l'estimation du pool I tiré de Dessureault-Rompré et al. (2010a).

VARIABLE

PARAMÈTRE

ESTIMÉ

R² PARTIEL R² AJUSTÉ

ORDONNÉE À

L’ORIGINE

89.6 0.56

PET, MM -0.064 0.25

GDD >5°C -0.051 0.32

RE_TEMP (-) 177 0.48

CLAY, G kg-1 0.031 0.53

T, °C 4.39 0.60

Le calcul du paramètre re_temp est fait en trois étapes. D’abord, la température du sol de surface est

estimée d’après la température de l’air avec l’équation 6 (Katterer and Andren, 2009).

𝑇𝑠𝑢𝑟𝑓 = {𝑇𝑎𝑖𝑟[𝑠1 + (1 − 𝑠1)exp (−𝑠2(𝐿𝐴𝐼 − 𝐿𝐴𝐼𝑟𝑒𝑓))]; 𝑇𝑎𝑖𝑟 ≥ 0} (2.6)

Où Tair est la température de l’air en °Celcius et les valeurs de S1, S2 sont respectivement de 0.95 et

0.40 pour les sols minéraux et le LAIref est fixé à une valeur standart de 3.0. LAI réfère à l’indice de

surface foliaire.

Ensuite, la température du sol est estimée d’après la température du sol de surface avec l’équation 7

(Katterer and Andren, 2009).

𝑇𝑡(𝑧) = 𝑇𝑇−1(𝑧) + [𝑇𝑠𝑢𝑟𝑓 − 𝑇𝑡−1(𝑧)]𝛼 exp(−𝑘𝑧𝑧) exp(−𝑘𝐿𝑎𝑖𝐿𝐴𝐼𝑡) (2.7)

19

Où TT-1 est la température du sol le jour précédent, Tsurf est la température du sol de surface, et α, kz

et kLai sont respectivement 0.24, 0.017 et 0.15 pour les sols minéraux. LAIT réfère à l’indice de surface

foliaire au temps T.

Finalement, re_temp est calculé d’après la température du sol avec l’équation 8 (Andrén et al., 2004).

𝑟𝑒_𝑡𝑒𝑚𝑝 =(𝑇𝑠𝑜𝑙−𝑇𝑚𝑖𝑛)²

(30−𝑇𝑚𝑖𝑛)² (2.8)

Où Tsol est la température du sol et Tmin est la limite de température minimale d’activité des organismes

décomposeurs fixés à -3.8°C d’après Katterer et al. (1998).

2.10.2 Taux de libération de l’azote organique du sol

Une fois le N0 déterminé, la minéralisation doit être répartie au long de la saison de croissance. Le k

de l’équation de minéralisation (équation 4) sert de taux de relâchement de l’azote organique et

représente l’effet des différentes conditions environnementales. Les équations représentant le taux de

relâchement donnent le résultat du rapport k/k0 où k0 est un taux de minéralisation de référence à une

température de référence identifiée respectivement à 0.014 mg/kg/jr et 25°C (Dessureault-Rompré et

al., 2010b).

Dessureault-Rompré et al. (2010b) ont comparé trois équations (Arrhenius, Q10 et Logistique)

pouvant estimer k en utilisant un jeu de données comprenant 87 sites. Dans cet article, ils ont aussi

testé différents paramètres, libres ou fixes, pour optimiser l’équation logistique. Les chercheurs ont

conclu qu’il n’y avait pas de différence significative entre les différentes équations. Ils ont suggéré

que l’équation logistique serait la plus appropriée, car elle s’adapte mieux aux conditions de basse et

de haute température. Elle est donc plus représentative de la température naturelle où les

microorganismes du sol sont actifs. L’équation logistique est basée sur la température du sol (équation

9). L’effet du contenu en eau peut être pris en compte en multipliant le résultat de l’équation logistique

par un modificateur de taux calculé à l’aide de la fonction biophysique de l’eau avec l’eau contenue

dans les pores du sol (Dessureault-Rompré et al., 2011).

𝑘/𝑘0 =𝑀

[1+𝐶𝑒−𝑟 (

(𝑇−273.16)(𝑇−273.16)

)]

(2.9)

Où M, C et r sont des paramètres sans unité ayant des valeurs respectivement de 4.00, 31.30 et 2.45

pour les sols Canadiens, T est la température du sol en Kelvin et t0 est la température de référence

(299 K) (Dessureault-Rompré et al., 2010b).

Une autre méthode d’évaluation du taux de relâchement de l’azote organique consiste à effectuer des

essais de minéralisation sur des sols en incubation. Sbih et al. (2003) ont mesuré des taux de

20

minéralisation dans des sols provenant de 34 sites situés sur des fermes laitières. Le taux de

relâchement (k) peut être obtenu en normalisant les résultats de la distribution des taux de

minéralisation mesurés en incubation. L’équation 10 montre le modèle rationnel décrivant le taux de

minéralisation avec cette méthode.

𝑘

𝑘0=

5.80𝐸−03+(7.92𝐸−03×𝑡)

1+(−5.74𝐸−02×𝑡)+(1.06𝐸−03×𝑡2) (2.10)

Où t est le temps écoulé depuis la plantation et k0 est 0.014 mg/kg/jr.

21

Bibliographie

Agriculture and Agri-Food Canada, 2014. Canada: achats de carburant et d’engrais dans les

exploitations agricoles [WWW Document]. Agric. Agroaliment. Canada. URL

http://www.agr.gc.ca/fra/industrie-marches-et-commerce/statistiques-et-information-sur-les-

marches/par-produit-secteur/cultures/information-commerciale-sur-les-cultures-industrie-

canadienne/rapport-sur-les-perspectives-du-marche/canada-achats-de-carburant (accessed

7.25.15).

Allen, R.G., Pereira, L.S., Raes, D., Smith, M., 1998. Crop evapotranspiration: Guidelines for

computing crop requirements. Irrig. Drain. Pap. No. 56, FAO 300.

doi:10.1016/j.eja.2010.12.001

Andrén, O., Kätterer, T., Karlsson, T., 2004. ICBM regional model for estimations of dynamics of

agricultural soil carbon pools. Nutr. Cycl. Agroecosystems 70, 231–239.

doi:10.1023/B:FRES.0000048471.59164.ff

Arnold, J. ., Srinivasan, R., Muttiah, R. S., & Williams, J. R. (1998). LARGE AREA

HYDROLOGIC MODELING AND ASSESSMENT PART I : MODEL DEVELOPMENT.

The American water resources Association American Water Resources Association, 34(1),

73–89. https://doi.org/10.1111/j.1752-1688.1998.tb05961.x

Aulakh, M.S., Rennie, D. a., 1987. Effect of Wheat Straw Incorporation on Denitrification of N

Under Anaerobic and Aerobic Conditions. Can. J. Soil Sci. 67, 825–834. doi:10.4141/cjss87-

079

Azam, F., Farooq, S., Lodhi, A., 2003. Microbial biomass in agricultural soils - determination

synthesis dynamics and role in plant nutrition. Pakistan J. Biol. Sience 6, 629–639.

Baram, S., Couvreur, V., Harter, T., Read, M., Brown, P.H., Kandelous, M., Smart, D.R., Hopmans,

J.W., 2016. Estimating Nitrate Leaching to Groundwater from Orchards: Comparing Crop

Nitrogen Excess, Deep Vadose Zone Data-Driven Estimates, and HYDRUS Modeling.

Vadose Zo. J. 15. doi:10.2136/vzj2016.07.0061

Beauregard, G., & Fortier, E. (2014). Maïs fourrager, Budget à l’hectare. Québec: Centre de

référence en agriculture et agroalimentaire du Québec.

Bendschneider, K., Robinson, R.J., 1952. A New Spectrophotometric Method for the Determination

of Nitrite in Sea Water. J. Mar. Res. 11, 87–96.

Bergström, L., Johnsson, H., Torstensson, G., 1991. Simulation of soil nitrogen dynamics using the

SOILN model. Fertil. Res. 27, 181–188. doi:10.1007/BF01051126

Berrouard, A., Giroux, M., & Blackburn, M. (2001). Effets comparatifs de différentes cultures et

modes de fertilisation sur la teneur en nitrates dans les sols en fin de culture et dans les eaux

de drainage souterrain. Québec: Institut de recherche et de développement en

agroenvironnement.

Billen, G., Garnier, J., Lassaletta, L., 2013. The nitrogen cascade from agricultural soils to the sea:

modelling nitrogen transfers at regional watershed and global scales. Philos. Trans. R. Soc.

Lond. B. Biol. Sci. 368, 20130123. doi:10.1098/rstb.2013.0123

Bouyoucos, G.J., 1962. Hydrometer Method Improved for Making Particle Size Analyses of Soils1.

Agron. J. 54, 464. doi:10.2134/agronj1962.00021962005400050028x

22

Cameron, K.C., Di, H.J., Moir, J.L., 2013. Nitrogen losses from the soil/plant system: A review.

Ann. Appl. Biol. 162, 145–173. doi:10.1111/aab.12014

Castellanos, J.Z., Pratt, P.F., 1981. Mineralization of Manure Nitrogen Correlation with Laboratory

Indexes. Soil Sci. Soc. Am. J. 45, 354–357. doi:10.2136/sssaj1981.03615995004500020025x

Centre de référence en agriculture et agroalimentaire du Québec (CRAAQ), 2010. Guide de

référence en fertilisation, 2e édition. Québec.

Chambenoit, C., 2002. Fertilisation azotée de la pomme de terre: Guide Pratique, Quae. ed.

Chambers, B.J., Lord, E.I., Nicholson, F. a., Smith, K. a., 1999. Predicting nitrogen availability and

losses following application of organic manures to arable land: MANNER. Soil Use Manag.

15, 137–143. doi:10.1111/j.1475-2743.1999.tb00079.x

Chaussé, K., Phaneuf, D., Levallois, P., 2003. Fiches synthèses sur l’eau potable et la santé

Humaine [WWW Document]. Inst. Natl. santé publique. URL https://www.inspq.qc.ca/eau-

potable/nitrates (accessed 7.17.15).

Clark, K., 2007. Transformations de l'azote dans deux sols froids après l'application d'un lisier de

porc enrichi en 15 N. University Laval.



Dessureault-Rompré, J., Zebarth, B.J., Burton, D.L., Sharifi, M., Cooper, J., Grant, C. a., Drury,

C.F., 2010a. Relationships among Mineralizable Soil Nitrogen, Soil Properties, and Climatic

Indices. Soil Sci. Soc. Am. J. 74, 1218. doi:10.2136/sssaj2009.0213

Dessureault-Rompré, J., Zebarth, B.J., Georgallas, A., Burton, D.L., Grant, C.A., 2011. A

biophysical water function to predict the response of soil nitrogen mineralization to soil water

content. Geoderma 167–168, 214–227. doi:10.1016/j.geoderma.2011.10.005

Dessureault-Rompré, J., Zebarth, B.J., Georgallas, A., Burton, D.L., Grant, C.A., Drury, C.F.,

2010b. Temperature dependence of soil nitrogen mineralization rate: Comparison of

mathematical models, reference temperatures and origin of the soils. Geoderma 157, 97–108.

doi:10.1016/j.geoderma.2010.04.001

Doherty, J., 2002. Model-Independent Parameter Estimation. Watermark Numer. Comput. 2005,

279.

Dupas, R., Delmas, M., Dorioz, J.-M., Garnier, J., Moatar, F., Gascuel-Odoux, C., 2015. Assessing

the impact of agricultural pressures on N and P loads and eutrophication risk. Ecol. Indic. 48,

396–407. doi:10.1016/j.ecolind.2014.08.007

Dupuy, A., Banton, R., Moumtaz O, 2012. Contamination nitratée des eaux souterraines d’un bassin

versant agricole hétérogène. Rev. des Sci. l’eau 10, 185–198.

Erisman, J.W., Galloway, J.N., Seitzinger, S., Bleeker, A., Dise, N.B., Petrescu, a M.R., Leach,

A.M., de Vries, W., 2013. Consequences of human modification of the global nitrogen cycle.

Philos. Trans. R. Soc. Lond. B. Biol. Sci. 368, 20130116. doi:10.1098/rstb.2013.0116



FAO water development and management unit, 2015. Crop Water Information : Wheat [WWW

Document]. URL http://www.fao.org/nr/water/cropinfo_wheat.html (accessed 8.8.16).

23

Feddes, R.A., Kowalik, P.J., Zaradny, H., 1978. Simulation of field water use and crop yield.

Wagenigen : Pudoc, New York, NY.

Firestone, M.K., Davidson, E.A., 1989. Microbiological basis of NO and N2O production and

consumption in soil, in: Andreae, M.O., Schimel, D.S. (Eds.), Exchange of Trace Gases

Between Terrestrial Ecosystems and the Atmosphere. Department of Plant and Soil Biology,

University of California, pp. 7–21.

Fowler, D., Pyle, J. a, Raven, J. a, Sutton, M. a, 2013. The global nitrogen cycle in the twenty-first

century : introduction The global nitrogen cycle in the twenty- first century : introduction.

Philos. Trans. R. Soc. Ser. B, Biol. Sci. 368, 2013–2015.

Freney, J.R., Simpson, J.R., Denmead, O.T., 1983. Volatilization of ammonia, in: Gaseous Loss of

Nitrogen from Plant-Soil Systems. Springer Netherlands, pp. 1–32.

Gasser, M.O., Caron, J., Lagacé, R., Laverdière, M.R., 2003. Predicting nitrate leaching under

potato crops using transfer functions. J. Environ. Qual. 32, 1464–1473.

doi:10.2134/jeq2003.1464

Giroux, M., & Lemieux, M. (2002). Comparaison de différentes méthodes d ’ évaluation de la

fertilité azotée des sols et détermination de la dose N optimale du maïs ensilage.

Agrosolutions, 17(1), 39–50.


McGill University, Montreal.

Grossman, R.B., Reinsch, T.G., 2002. The solid phase. Bulk density and linear extensibility, in:

Dane, J.H., Topp, G.C. (Eds.), Methods of Soil Analysis. Part 4.- Physical Methods. Soil

Science Society of America, Inc., Madison, WI., pp. 201–228.

Hanson, B.R., Šimůnek, J., Hopmans, J.W., 2006. Evaluation of urea-ammonium-nitrate fertigation

with drip irrigation using numerical modeling. Agric. Water Manag. 86, 102–113.

doi:10.1016/j.agwat.2006.06.013

Hébert, S., 2012. Portrait de la qualité des eaux de surface au Québec 1998-2008 [WWW

Document]. MDDELCC. URL http://www.mddelcc.gouv.qc.ca/eau/portrait/eaux-

surface1999-2008/index.htm (accessed 7.17.15).

Hodge, A., Robinson, D., Fitter, A., 2000. Are microorganisms more effective than plants at

competing for nitrogen? Trends Plant Sci. 5, 304–308. doi:10.1016/S1360-1385(00)01656-3

Hutson, J.L., Wagenet, R.J., 1991. Simulating nitrogen dynamics in soils using a deterministic

model. Soil Use Manag. 7, 74–78.




Katterer, T., Andren, O., 2009. Predicting daily soil temperature profiles in arable soils in cold

temperate regions from air temperature and leaf area index. Acta Agric. Scand. Sect. B-Soil

Plant Sci. 59, 77–86. doi:10.1080/09064710801920321

Katterer, T., Reichstein, M., Andren, O., Lomander, A., 1998. Temperature dependence of organic

matter decomposition: A critical review using literature data analyzed with different models.

Biol. Fertil. Soils 27, 258–262. doi:10.1007/s003740050430

24

Kende, S., 2010. Minéralisation de l’azote dans deux sols amendés avec deux composts enrichis

d’un antibiotique. Université Laval.

Kirkby, C.A., Kirkegaard, J.A., Richardson, A.E., Wade, L.J., Blanchard, C., Batten, G., 2011.

Stable soil organic matter: A comparison of C:N:P:S ratios in Australian and other world soils.

Geoderma 163, 197–208. doi:10.1016/j.geoderma.2011.04.010

Larocque, M., Banton, O., Gagnon, J., Camiré, C., 2002. Using Models to Manage Soil Inorganic

Nitrogen in Forest Tree Nurseries. Soil Sci. Soc. Am. J. 66, 602. doi:10.2136/sssaj2002.0602

Lemaire, G., Salette, J., Sigogne, M., Terrasson, J., 1984. Relation entre dynamique de croissance et

dynamique de prélèvement d’azote pour un peuplement de graminées fourragères. I.-Étude de

l’effet du milieu. Agronomie 4, 423–430.

Li, Y., Šimůnek, J., Zhang, Z., Jing, L., Ni, L., 2015. Evaluation of nitrogen balance in a direct-

seeded-rice field experiment using Hydrus-1D. Agric. Water Manag. 148, 213–222.

doi:10.1016/j.agwat.2014.10.010

Louks, D.P., Van Beek, E., Stedinger, J.R., Dijkman, J.P.., Villars, M.T., 2005. Water Resources

Systems Planning and Management. An Introduction to Methods, Models and Applications,

Unesco Publishing.

Maag, M., Vinther, F.P., 1999. Effect of Temperature and Water on Gaseous Emissions from Soils

Treated with Animal Slurry. Soil Sci. Soc. Am. J. 63, 858. doi:10.2136/sssaj1999.634858x

Margeson, J.H., Suggs, J.C., Midgett, M.R., 1980. Reduction of nitrate to nitrite with cadmium.

Anal. Chem. 52, 1955–1957. doi:10.1021/ac50062a039

Masclaux-Daubresse, C., Daniel-Vedele, F., Dechorgnat, J., Chardon, F., Gaufichon, L., 2010.

Nitrogen uptake , assimilation and remobilization in plants : challenges for sustainable and

productive agriculture. Ann. Bot. 105, 1141–1157. doi:10.1093/aob/mcq028

MDDELCC, 2014. Rapport sur l’état de l’eau et des écosystème aquatique au Québec [WWW

Document]. MDDELCC. URL http://www.mddelcc.gouv.qc.ca/rapportsurleau/Etat-eau-

ecosysteme-aquatique-qualite-eau-Effets-sur-vs.htm (accessed 7.17.15).

Ministère du Développement durable, de l’environnement et des parcs. (MDDEP), 2012. Portrait

de la qualité des eaux de surface au Québec 1999-2008. Québec. Direction du suivi de l’état de

l’environnement. ISBN 978-2-550-63649-6 (PDF), 97 p.

Moebius-Clune, B., Carlson, M., Van Es, H.M., Melkonian, J., 2013. Adapt-N Proves Economic

and Environmental Benefits in Two Years of Strip-Trial Testing in New York and Iowa.

Moebius-Clune, B., Van Es, H.M., Melkonian, J., 2007. Adapt-N Uses Models and Weather Data to

Improve Nitrogen Management for Corn. Better Crops with Plant Food 97(4): 7-9

Molnar, G.S., Viraraghavan, T., 1990. Modelling of Nitrate Movement in Groundwater: a Case

Study. Can. Water Resour. J. 15, 12–23. doi:10.4296/cwrj1501012




Neitsch, S.., Arnold, J.., Kiniry, J.., Williams, J.., 2011. Soil & Water Assessment Tool Theoretical

Documentation Version 2009 1–647.

Pageau, E., 1974. Étude pédologique du comté de Dorchester. Division des sols, Service de la

25

recherche et de l’enseignement, Québec, Qc.

PC-PROGRESS - Programs [WWW Document], 2015. URL http://www.pc-

progress.com/en/Default.aspx?programs (accessed 11.5.15).

Powlson, D.S., Pruden, T.L.G., Johnston, a. E., Jenkinson, D.S., 1986. The nitrogen cycle in the

Broadbalk Wheat Experiment: recovery and losses of 15N-labelled fertilizer applied in spring

and inputs of nitrogen from the atmosphere. J. Agric. Sci. 107, 591.

doi:10.1017/S0021859600069768

Radcliffe, D.E., Šimůnek, J., 2010. Soil physics with HYDRUS : Modeling and Applications. CRC

Press.

Recous, S., Mary, B., Faurie, G., 1990. Microbial immobilization of ammonium and nitrate in

cultivated soils. Soil Biol. Biochem. 22, 913–922. doi:10.1016/0038-0717(90)90129-N

Reynolds, W.D., Elrick, D.E., 2002. Constant head soil core (tank) method, in: Dane, J.H., Topp,

G.C. (Eds.), Methods of Soil Analysis. Part 4. SSSA Book Ser.5. SSSA. Madison, Wi., pp.

804–808.

Richards, L.A., 1931. Capillary conduction of liquids through porous mediums. J. Appl. Phys. 1,

318–333. doi:10.1063/1.1745010

Rochette, P., Macdonald, J.D., Angers, D. a, Chantigny, M.H., Gasser, M.-O., Bertrand, N., 2009.

Banding of urea increased ammonia volatilization in a dry acidic soil. J. Environ. Qual. 38,

1383–1390. doi:10.2134/jeq2008.0295

Sansoulet, J., 2007. Transferts d'eau et des ions potassium et nitrate dans un sol à capacité d'échange

anionique sous un souvert redistributeur de la pluie. Ecole doctorale ABIES.

Sbih, M., N’Dayegamiye, A., Karam, A., 2003. Evaluation of carbon and nitrogen mineralization

rates in meadow soils from dairy farms under transit to biological cropping systems. Can. J.

Soil Sci. 83, 25–33.

Shein, E. V., 2015. Physically based mathematical models in soil science: History, current state,

problems, and outlook (Analytical Review). Eurasian Soil Sci. 48, 712–718.

doi:10.1134/S1064229315070091

Šimůnek, J., van Genuchten, M.T., Sejna, M., 2012. HYDRUS: Model use, calibration, and

validation. Trans. ASABE 55, 1261–1274.

Šimůnek, J., van Genuchten, M.T., Šejna, M., 2008. Development and Applications of the

HYDRUS and STANMOD Software Packages and Related Codes. Vadose Zo. J. 7, 587.

doi:10.2136/vzj2007.0077

Sogbedji, J.M., Van Es, H.M., Melkonian, J.J., Schindelbeck, R.R., 2006. Evaluation of the PNM

model for simulating drain flow nitrate-N concentration under manure-fertilized maize. Plant

Soil 282, 343–360. doi:10.1007/s11104-006-0006-3

Sørensen, P., Jensen, E.S., Nielsen, N.E., 1994. The fate of15N-labelled organic nitrogen in sheep

manure applied to soils of different texture under field conditions. Plant Soil 162, 39–47.

doi:10.1007/BF01416088

Stanford, G., Smith, S.J., 1972. Nitrogen Mineralization Potentials of Soils. Soil Sci. Soc. Am. Proc.

36.


26


Todini, E., 2007. Hydrological catchment modelling: past, present and future. Hydrol. Earth Syst.

Sci. 11, 468–482. doi:10.5194/hess-11-468-2007

Van Es, H.M., Moebius-clune, B.N., Melkonian, J.J., Severson, K., 2012. Donald & Sons Farm

Sees Money-Saving Potential in Adapt-N Tool for Corn N Rate Recommendations. What’s

Cropping Up? 22 (2).: 8‐9

van Genuchten, M.T., 1980. A Closed-form Equation for Predicting the Hydraulic Conductivity of

Unsaturated Soils1. Soil Sci. Soc. Am. J. doi:10.2136/sssaj1980.03615995004400050002x

Veizaga, E.A., Rodriguez, L., Ocampo, C.J., 2016. Investigating nitrate dynamics in a fine-textured

soil affected by feedlot effluents. J. Contam. Hydrol. 193, 21–34.

doi:10.1016/j.jconhyd.2016.08.005

Weiland, R.T., 1989. Maize (Zea mays L.) hybrid use of 15N-Nitrate absorbed vegetatively by

roots. Can. J. plant Sci. 69, 383–393.

Xu, C., 2002. Hydrologic Models. Uppsala University.

Yang, J.Y., Drury, C.F., De Jong, R., Huffman, E.C., Yang, X.M., Reid, K., 2013. Sensitivity

analysis for nitrogen inputs, nitrogen outputs, and changes in biofuel crop acreages for

predicting residual soil nitrogen and nitrate leaching in Canadian agricultural soils. Ecol.

Modell. 267, 26–38. doi:10.1016/j.ecolmodel.2013.07.016

Youssef, M.A., Skaggs, R.W., Chescheir, G.M., Gilliam, J.W., 2005. The nitrogen simulation

model, DRAINMOD-N II. Trans. ASAE 48, 611–626. doi:10.13031/2013.18335

Chapitre 3

Coupling of a nitrate production model with HYDRUS to

predict nitrate leaching

Jean-Pascal Matteau1,2, Silvio Jose Gumiere1, Jacques Gallichand1, Guillaume Létourneau1,

Lotfi Khiari1, Marc-Olivier Gasser2 et Aubert Michaud2

1 Faculté des sciences de l’agriculture et de l’alimentation, Département des sols et de Génie agroalimentaire, Université

Laval, Québec, QC G1V 0A6, Canada

2 Institut de recherche et de développement en agroenvironnement (IRDA), Québec,

QC G1P 3W8 Canada

(soumis sous peu au Science of the Total Environnement Journal)

28

Résumé

Les pertes de fertilisants azotés provenant des bassins versants agricoles sont parmi les principaux

polluants impliquées dans la dégradation de la qualité des cours d’eau au Québec. Sous couvert de

maïs, les nitrates lessivés peuvent atteindre 185 kg N ha-1. Synchroniser la fertilisation azotée avec le

prélèvement par les plantes serait une méthode intéressante pour optimiser l’utilisation des fertilisants

azotés et réduire les pertes de nitrate par lessivage. Le couplage d’un modèle empirique prédisant le

cycle de l’azote avec un modèle physique de dynamique de l’eau dans les sols contribuerait à

simplifier cette optimisation. Les objectifs de l’étude étaient 1) de déterminer un modèle empirique

de production de nitrate à la surface du sol, 2) de combiner ce modèle avec HYDRUS afin de prédire

le nitrate lessivé vers les drains. 3) d’évaluer la contribution de l’azote fourni par la matière organique

du sol au lessivage de nitrate.

Dans cette étude, nous avons utilisé des équations d’estimations des pools d’azotes et de leurs

transformations en nitrate. Les équations ont été combinées en 60 patrons de relâchement du N

prenant en compte une fonction de mise en solution du N pour le nitrate, 4 fonctions de transformation

et de dissolution pour l’ammonium, 5 pools d’azote organique du sol et 3 fonctions de relâchement

du N de l’azote organique du sol et des lisiers. Ces patrons de relâchement du N ont été appliqués

dans un traitement de fertilisation minérale et quatre traitements de fertilisation organiques pour un

total de 300 patrons uniques de relâchement de nitrate.

Les résultats démontrent le potentiel d’une méthode d’évaluation de la contribution de l’azote basée

sur des données atmosphériques, de rotation des cultures ou de granulométrie du sol. Les simulations

ont montré que la méthode de prédiction doit être différente selon la source fertilisante, soit minérale

ou organique.

29

Abstract

Losses of nitrogen fertilizer from agricultural watersheds are among the main pollutants involved in

water quality degradation in Quebec. Under maize crop, leached nitrate can reach up to 185 kg N ha-

1. The synchronization of the nitrogen fertilization with crop uptake would be a way to optimize the

use of nitrogen fertilizer and reduce nitrate leaching. Coupling a data-based nitrogen cycle model

with a physical soil water dynamic model could contribute to simplifying the optimization of nitrogen

fertilizer use. The objectives of this study were to (1) to determine the most suitable soil surface

empirical nitrate production model, 2) to couple this model with HYDRUS in order to predict nitrate

leaching into subsurface drains, and 3) to evaluate the soil organic nitrogen contribution to nitrate

leaching.

In this study, we used estimation equations of nitrogen pools and transformations in nitrate. The

equations were combined into 60 N-release patterns taking into account one dissolution function of

nitrate, 4 transformation and dissolution functions for the ammonium, 5 organic nitrogen pools and 3

N organic nitrogen from the soil and manure release functions. These N release patterns were applied

in a mineral fertilizer treatment and four organic fertilizer treatments for a total of 300 unique nitrate

release patterns.

The results demonstrate the potential of a method to evaluate the contributions of nitrogen based on

atmospheric data, crop rotation or soil particle size. The prediction method must be different

according to the source of the fertilization, organic or mineral. In addition, the study showed that the

soil organic nitrogen contribution tends to decrease as the organic fertilizer applications rate increases.

The simulations also showed that the nitrate-leached masses are closely related to the fertilizer supply

nitrogen content.

30

3.1 Introduction

Nitrogen used for agricultural fertilization is the main cause of anthropogenic perturbations of the N

cycle (Fowler et al., 2013). An excessive input of nitrogen in waterways may result in accelerated

eutrophication of lakes and rivers (Dupas et al., 2015; Erisman et al., 2013). Along with pesticides,

nitrate represents the main source of aquifer contamination in agricultural areas (Dupuy et al., 2012).

Nitrate leachate can reach 185 kg ha-1 in groundwater under the maize crop (Gollamudi, 2006).

Despite these environmental risks, nitrogen fertilization remains the basis of modern agriculture; it is

the limiting nutrient for crop growth to the extent that nearly half of the human population depends

on it for food supply (Centre de référence en agriculture et agroalimentaire du Québec (CRAAQ),

2010; Erisman et al., 2013, 2008; N’Dayegamiye et al., 2007).

In 2009, in Canada, 75% of the masses of fertilizers used in agriculture was nitrogen (Agriculture and

Agri-Food Canada, 2014). Nitrate leaching and the resulting surface and groundwater contamination

is a concern, especially in maize cultivated areas because this crop requires high nitrogen fertilizer

applications over extensive areas. One way to reduce nitrate leaching is to synchronize nitrogen

fertilization with crop uptake. Synchronizing nitrogen availability with nitrate uptake can be

performed indirectly by modelling nitrate leaching under the root zone or in drain tiles. Various

process-oriented and physically-based solute transport models have been used to this end : e.g.

Leaching Estimation and CHemistry Model (LEACHM) (Hutson and Wagenet, 1991), SoilN

(Bergström et al., 1991), Soil Water and Assessment Tool (SWAT) (Arnold et al., 1998), and

DRAINMOD-N (Youssef et al., 2005), to cite a few. These models are usually based on three nitrogen

pools, namely nitrate, ammonium and organic nitrogen, or subdivision of these three pools. The rate

of transfer between the different pools depends on several soil factors, such as temperature, water

content and pH (Youssef et al., 2005).

Most process-oriented and physically-based solute transport models use the advection-dispersion

equation to describe nitrogen transport in the soil profile. These models often require detailed

parameters describing nitrogen transport (dispersion and diffusion), transformation (fertilizer

dissolution, nitrification, denitrification and volatilization) and organic matter processes and status

(potential rate of decomposition, C/N ratio of the litter, and soil organic nitrogen pools contents). The

extent and the specificity of the required information limit the use of solute deterministic transport

models for agronomic practical applications. The physically-based model, HYDRUS (Šimůnek et al.,

2008), has been used to simulate water, ammonium and nitrate transport in various soils, hydrological

and cultural conditions (Baram et al., 2016; Hanson et al., 2006; Li et al., 2015; Sansoulet, 2007;

Veizaga et al., 2016). In order to simulate nitrate leaching while accounting for all key processes,

31

HYDRUS requires first order rate degradation constants and the use of multiple solutes to integrate

the various forms of nitrogen and their reaction chains. Furthermore, quantifying the soil organic

nitrogen pool, and associated role in nitrate leaching availability, involves biological, microbiological

and chemistry knowledge, since it is dependent of the soil type, temperature, water content and pH.

Data-based models, like SWAT, use empirical relationships to define the rate of movement between

the different nitrogen pools and to evaluate nitrate leaching. These relationships do not describe

natural processes. Therefore, data-based models can be applied only within the same range of values

that was used to derive them (Louks et al., 2005). Since these models have a small computational

footprint, they allow for longer and more important number of simulations.

Equations and empirical relationships have been developed to predict the soil organic nitrogen content

based on a number of parameters: growing degree-days, clay content, soil temperature, soil water

content, crop rotation and potential evapotranspiration (Dessureault-Rompré et al., 2015, 2010a;

Giroux and Lemieux, 2002). Other relationships describe the seasonal release of soil organic nitrate

based on air temperature, soil water content or the stage of the growing season (Dessureault-Rompré

et al., 2010b) (Sbih et al., 2003). Some researchers described the rate of movement between

ammonium and nitrate based on soil specific parameters (Gasser et al., 2003) or on a first order

degradation equation (Hanson et al., 2006). These equations are simple and may be applied in

northern soils. However, none of these equations have been coupled with HYDRUS. A combination

of these empirical equations would allow a prediction of nitrate availability to leaching, and would

provide an estimate of the organic nitrogen pool and of the transfer rate of organic nitrogen and

ammonium into nitrate. HYDRUS allows a daily solute input, such that a simple model based on

easily measurable data can be used to predict the nitrogen availability and organic matter contribution

to nitrogen leaching. Using a simple nitrogen leaching prediction model at the farm scale could help

to optimize nitrogen fertilization and to minimize negative environmental effects.

By using easily measurable agronomic information, the nitrate production models described above

can be used instead of the detailed information needed for nitrogen modelling. Therefore HYDRUS,

can be coupled with a simple empirical nitrate production model.

The objectives of this study were (1) to determine the most suitable soil surface empirical nitrate

production model adapted to the regional agro-climatic conditions of study area, (2) to couple this

model with HYDRUS in order to predict nitrate leaching into subsurface drains, and (3) to evaluate

the soil organic nitrogen contribution to nitrate leaching.

32

3.2 Materials and methods

3.2.1 Experimental sites

The field experiment was conducted on long-term manure fertilizer test plots initiated in 1978 at the

IRDA (Institut de Recherche et de Développement en Agroenvironnement) experimental station of

St-Lambert near Québec City in the province of Québec (latitude: 46º05´, longitude: 71º02´). Starting

in 2006, a crop rotation of maize (Zea mays L.), canola (Brassica napus L.) and spring wheat (Triticum

aestivum L.) was implemented. The annual mean temperature and the total precipitation for the year

2009 were measured on-site with a meteorological station (Campbell scientific, Logan, UT) and were

respectively 4.5°C and 1020 mm. The precipitation was measured with a tipping bucket rain gauge

(TE525-L, Texas electronic, Dallas, TX). The snow accumulation was neglected because simulations

were made only for the growing season.

Figure 3 : Long-term manure fertilizer test diagram. The solid red line in the middle of each plot represents the subsurface

drain, the broken line represents a collector containing an individual pipe for each plot. The shelter contains a tipping bucket

for each plot. LSM refer to the organic fertilizer (liquid swine manure) and the x refer to the application rate ( 30 Mg ha-1,

60 Mg ha-1, 90 Mg ha-1, 120 Mg ha-1).

The 20 plots were 90m² each (15 m-long by 6 m-wide) and set up in a randomized complete block

design with four blocks of four organic fertilizer treatments (pig manure) and one mineral fertilizer

treatment as the control (fig. 1). Swine manure was applied at increasing rates before seeding in

spring. Usually in field crops, especially in maize, split nitrogen fertilizer application are used. In this

experimental site, in order to simplify the operation, only one fertilizer application is used before

seedling. In spring of 2009 liquid swine manure (LSM) came from an outdoor storage pit from a

maternity confinement. During each field application, swine manure samples were collected in

triplicates at the outlet of the pit. The mineral fertilizer was calcium ammonium nitrate 27-0-0

33

adjusted according to local crop recommendations. In 1998, each plot was equipped in its center with

an independent subsurface perforated 10-cm diameter drain, 85-cm deep. Drainage from each plot

was directed to an isolated shelter where outflow was measured with a one liter tipping bucket and a

Campbell scientific datalogger. Drainage water was stored in closed plastic barrels at a temperature

between 5°C and 10°C. The drainage water was accumulated in 60-L reservoirs, sampled, stored in

a cold chamber at 4°C, and analyzed for nitrite+nitrate content. The lixiviate was passed through a

0.45-micron filter and reduced to nitrite by the cadmium method (Margeson et al., 1980). The nitrite

content was determined by colorimetry (FIA, Quickchem 8000, Lachat Instruments, USA) with

sulfanilamide and N-(1-Naphthyl) ethylenediamine dihydrochloride (Bendschneider and Robinson,

1952). In this paper, the term nitrate will be used to represent both nitrate and nitrite dissolved in the

drainage water.

3.2.2 Soil description

According to the Canadian classification system, the soil is a poorly-drained Le bras series clay loam

(275 g clay kg-1, 425g silt kg-1), classified as an orthic humic gleysol (Pageau, 1974). Particle size

distribution was determined using the sedimentation method (Bouyoucos, 1962), bulk density was

determined by the intact core samples method (Grossman and Reinsch, 2002) and saturated hydraulic

conductivity was measured by the constant head soil core method (Reynolds and Elrick, 2002) at the

IRDA laboratory. Soil physical and textural characteristics were measured on duplicate samples at

five depths (0-10 cm, 10-20 cm, 20-30 cm, 30-40 cm and 40-85 cm) in each of the 20 plots. Range of

saturated hydraulic conductivity (Ksat), sand, silt and clay percentages, and bulk density with depth,

measured in the experimental field, are shown in Table 3.

34

Table 3: Variation of soil properties with depth.

DEPTH CLAY

(%)

SILT

(%)

SAND

(%)

BULK

DENSITY

(g cm-3)

KSAT

(cm d-1)

0-10

(n=40)

min 23.0 36.0 18.0 1.02 108.89

median 28.5 44.0 25.5 1.15 1090.12

max 35.0 51.0 41.0 1.28 2906.83

10-20

(n=40)

min 18.0 31.0 18.0 1.18 112.79

median 26.0 45.0 30.0 1.27 758.19

max 36.0 53.0 47.0 1.38 1408.14

20-30

(n=40)

min 16.0 35.0 17.0 1.19 5.85

median 27.0 45.5 26.0 1.33 365.81

max 32.0 55.0 42.0 1.48 986.73

30-40

(n=40)

min 16.0 25.0 12.0 1.19 1.07

median 26.5 49.0 21.5 1.52 157.34

max 36.0 58.0 55.0 1.72 364.86

40-85

(n=40)

min 15.0 43.0 8.0 1.37 0.42

median 29.5 53.0 18.0 1.67 31.72

max 39.0 61.0 25.0 1.77 437.62

Sand, silt and clay contents are mostly similar through the profile, although there is a noticeable

decreasing trend for Ksat and an increasing trend for bulk density with depth. Based on these results,

the soil profile was divided into two homogeneous regions: 0-20 cm and 20-85 cm; Ksat and bulk

density of these two layers are shown in figure 3.

3.3 Nitrate production model

As illustrated in Figure 4, the nitrate production model combines the organic nitrogen pool supply

and the net transformation of organic nitrogen and ammonium into nitrate. Three nitrate pools have

been considered, as shown in the upper level in Figure 4: (1) nitrate from fertilizers, (2) ammonium

from fertilizers, and (3) organic nitrogen from manure (organic fertilizer treatments) and soil

mineralization (org N). The fertilizer nitrogen supplied for each treatment are shown in Table 4. Soil

mineralization is subdivided into five soil organic nitrogen contribution combinations: (1) Craaq 2010

organic soil nitrogen (zero soil N), (2) nitrate mass balance based pool, (3) Giroux rotation based pool

(Giroux and Lemieux, 2002), (4) stable nitrogen pool based on agroclimatic variable (Dessureault-

Rompré et al., 2015), and (5) stable nitrogen pool plus easily mineralizable organic nitrogen pool

(pool I) (Dessureault-Rompré et al., 2010a). Eight N release functions, shown in the intermediate

level of Figure 4, account for the ammonium or the organic nitrogen transformation into nitrate and

release the nitrate daily at the surface of the soil profile throughout the growing season. The individual

35

N release pattern for the three pools are added up and the total N release pattern, shown in the lower

level of Figure 4, represents the total amount of nitrate released daily. For each treatment, the

permutation of nitrate, ammonium and the five soil organic pools, with their respective N release

function, generated 60 N release patterns by treatment for a total of 300 N release patterns. The daily

N release patterns were used as an input for HYDRUS for the nitrate movement modeling. The three

colors levels (in Fig. 4) also represent the chemical forms of nitrogen. In the upper level, the nitrogen

is in its initial form (NO3, NH4 and Organic N). In the intermediate level, the nitrogen is transformed

by the N release functions, whereas in the lower level, all the nitrogen content is in the nitrate form.

Figure 4 shows the nitrate production model conceptual diagram for one treatment.

Figure 4 : The nitrate production model conceptual diagram for one treatment, illustrating the three nitrogen pools and the

eight N release functions. X can have a value of either 0, 30, 60, 90 or 120 Mg ha-1 and represents the fertilizer treatment

organic nitrogen contribution (0 is the mineral fertilisation treatment). The upper level shows the three nitrogen pools:

NO3, NH4 and Organic nitrogen. The intermediate level shows the N release functions for the three pools where the

nitrogen is transformed to nitrate and distributed daily. The lower level shows the N release pattern from each pool and

the total daily nitrate used as input to HYDRUS. The inset frame shows how the 300 permutations were obtained. For the

ammonium N release function, equation 1 was developed by Gasser et al. (2003) and equation 2 was developed by

Hanson et al. (2006) where the significant lengths of the nitrification process are 75 and 30 days, respectively. For the

organic nitrogen N release functions, equation 6 was developed by Dessureault-Rompré et al. (2010b) and equation 7 was

developed from the data measured by Sbih et al. (2003).

36

Table 4: Nitrogen supply and chemical distribution of fertilizer per treatment for mineral fertilizer (0 Mg ha-1) and the four

doses of organic fertilizer (30, 60, 90 and 120 Mg ha-1)

NITROGEN COMPONENT

TREATMENTS

N-NO3 (kg

ha-1)

N-NH4 (kg

ha-1)

Organic N

(kg ha-1)

0 MG 75 75 0

30 MG 0 43 71

60 MG 0 88 142

90 MG 0 130 211

120 MG 0 150 244

For this study, the mineral fertilizer is considered to be instantly and completely available in the

dissolved phase at the moment of the application. As shown in table 4, ammonium is present in

different proportions in all treatments. As suggested by Centre de référence en agriculture et

agroalimentaire du Québec (CRAAQ) (2010) ammonia volatilization was taken into account by using

an efficiency coefficient of 0.75 as a withdrawal of ammonium from organic fertilizer according to

the application and incorporation method. Four N release functions were applied to the ammonium

pools: (1) instant availability, (2) constant dissolution in 20 days, (3) Gasser equation, and (4) Hanson

equation. The hypothesis of instant availability is that following an application, ammonium could be

transformed into nitrate and added to the soil solution instantly. The 20-day constant dissolution

hypothesis implies that all ammonium supply is transformed into nitrate and added to the soil solution

at a constant rate during 20 days following applications. The Gasser equation describes nitrate

availability from ammonium fertilizer and was developed from field measurements in potato fields

in Québec (Gasser et al., 2003) :

𝑁𝑓(𝑡) = 𝑁𝐻4𝑓

√2𝜋×𝜎𝑡𝑒𝑥𝑝 {−

[ln(𝑡)−𝜇]²

2𝜎²} (M/L²) (3.1)

where Nf(t) is the time-distributed nitrate input for the model in mass of solute applied (M) per

infiltrating water flux (L²), NH4f (kg ha-1) is the ammonium fertilizer input (Table 4), µ (-) and σ (-)

are field-specific fitted parameters of respectively 2.66 and 0.76, and t is time after fertilizer

37

applications in day. The Hanson equation uses a rate coefficient of 0.2 day-1. This rate represents the

center of the range of values reported in the literature for nitrification from ammonium to nitrate

(Hanson et al., 2006). It has a time-distributed hyperbolic decline function of ammonium applications:

𝑁𝑓(𝑡)0.2 × (𝑁𝐻4𝑓) × 1.25 (1 +(−6.45E−05×𝑇)

4.48)

(− 1

6.45E−05) (3.2)

where NH4f is the ammonium fertilizer input (kg ha-1) (Table 2) and T is the time after the

applications in day.

3.3.1 Soil organic nitrogen pools

The five soil organic nitrogen pools were used as soil potentially mineralizable Nitrogen (N0). The

mineralization follows a first-order kinetics, at a rate of mineralization k (Stanford and Smith, 1972).

The amount of soil nitrogen drives the potential mineralization, as it is common for a resource-limited

process, and can be expressed as:

𝑑

𝑑𝑡𝑁𝑚𝑖𝑛 = 𝑘[𝑁0 − 𝑁𝑚𝑖𝑛] (3.3)

where Nmin is the cumulative amount of nitrogen mineralized at time t and N0 is the nitrogen pool

content. If we assume that mineralized N is zero at the start of the mineralization process (i.e. at t=0),

then, the analytical solution to equation 3 is:

𝑁𝑚𝑖𝑛 = 𝑁0[1 − 𝑒−𝑘𝑡] (3.4)

where N0 is the soil potential nitrogen supply, and k is the kinetic parameter varying daily with soil

temperature and water content. Inhibition of mineralization by a high-nitrogen fertilization is a

possibility considered by the zero organic soil nitrogen contribution hypothesis used by the Centre de

référence en agriculture et agroalimentaire du Québec (CRAAQ) (2010), from now referred by

CRAAQ 2010. On-site mineralization was deduced by the nitrate mass balance. Using the mineral

fertilizer treatment during many years, the plant-nitrogen uptake was compiled and nitrate measured

in subsurface drain. A constant deficit of 40 kg N ha-1 per year was identified and related to soil

nitrogen mineralization. The Giroux rotation pool evaluates the soil nitrogen pool based on plant

rotation (Giroux and Lemieux, 2002). The closest rotation to our experimental site (maize, canola and

wheat), gives 94 kg ha-1 as potentially mineralizable nitrogen. The stable nitrogen pool based on

agroclimatic variable was estimated by a linear regression with the pool I (Dessureault-Rompré et al.,

2015). The stable nitrogen pool estimated by the Dessureault-Rompré et al. (2015) method was

343.81 kg ha-1. The fifth soil organic nitrogen pool adds the pool I to the stable nitrogen pool based

on agroclimatic variables. The Pool I is estimated by a multiple regression based on agroclimatic

variables (Dessureault-Rompré et al., 2010a).

38

𝑃𝑜𝑜𝑙 𝐼 = −0.064 × 𝑃𝐸𝑇 + −0.051 × 𝐺𝐷𝐷 + 177 × 𝑟𝑒_𝑡𝑒𝑚𝑝 + 0.031 × 𝑐𝑙𝑎𝑦 + 4.39 × 𝑇°𝐶 (3.5)

where PET is the annual potential evapotranspiration (mm), GDD is the number of growing degree-

days above 5°C, re_temp, a unitless soil temperature index, was calculated in three steps using the

method of Dessureault-Rompré (2010) : 1) the soil surface temperature was estimated from the air

temperature (Katterer and Andren, 2009, eq.[6]), 2) the soil temperature was estimated from the soil

surface temperature (Katterer and Andren, 2009, eq.[7]), 3) re_temp was calculated from the soil

temperature (Andrén et al., 2004, eq.[7]); clay is the clay content (mg kg-1) and T°C is the air

temperature in degree Celsius.

3.3.2 Soil organic nitrogen release function

In this paper, we propose the use of N release functions for the organic nitrogen from the soil and

organic nitrogen from manure for their seasonal transformation in nitrate and their release in soil. The

N release functions take into account soil nitrogen source depletion. Two of the functions are based

on a logistic equation which was found to give adequate results and being representative of the soil

biological temperature conditions (Dessureault-Rompré et al., 2010b): one based on soil temperature,

and the other based on soil temperature and water content at the depth of 7 cm. The third N release

function, the Sbih equation, is based on mineralization measured weekly on incubated soil (Sbih et

al., 2003). These three N release functions represent the environmental conditions affecting soil

nitrogen mineralization, i.e. the k rate in equations 3 and 4.

The logistic equation (equation 9), based only on soil temperature, gives the k/k0 ratio where k is the

environmental conditions rate and k0 is k at the reference temperature. The reference temperature

(T0) and k0 was proposed to be respectively 25° Celsius and 0.014 mg kg-1d-1 (Dessureault-Rompré

et al., 2010b).

𝑘/𝑘0 =𝑀

[1+𝐶𝑒−𝑟 (

(𝑇−273.16)(𝑇0−273.16)

)]

(3.6)

where M, C and r are dimensionless parameters with values of, respectively, 4.00, 31.30, 2.45; these

values have shown to be accurate for Canadian soils, t is the soil temperature in Kelvin and t0 is the

reference temperature (299 K) (Dessureault-Rompré et al., 2010b).

The second organic N release function also uses the logistic equation, but is based on soil temperature

and water content. A daily rate modifier for the water content was calculated using the biophysical

water function with the water filled pore space at the 7 cm depth and is multiplied by the result of

Equation 9 (Dessureault-Rompré et al., 2011). The Sbih equation is a function of the time after

39

planting fitted from the data measured by Sbih et al. (2003). The rational model of equation 10

describes the Sbih N release function:

𝑘

𝑘0=

5.80𝐸−03+(7.92𝐸−03×𝑇)

1+(−5.74𝐸−02×𝑇)+(1.06𝐸−03×𝑇2) (3.7)

where T is the time since planting and k0 is 0.014 mg kg-1 d-1.

3.4 Leaching modeling strategy HYDRUS implements time-variable boundary conditions like roots water uptake, and daily variations

of transpiration and rainfall. Water and solute transports were modeled for each of the five treatments.

The water flux into subsurface drains was calibrated with data of the 2009 maize crop season, and

validated with data of 2011 wheat (Triticum aestivum L.) crop season. The HYDRUS root water

uptake model contains a database of crop water uptake parameters, including maize and wheat.

Therefore, validation on a second crop allows for the evaluation of the robustness of the model.

Outflows from the subsurface drain was compared with the free drainage flux at the bottom of the

simulated soil column. Subsurface drain outflows were averaged over the twenty plots for comparison

with the predicted outflow from the model. The solute component of HYDRUS was used only for

one maize growing season in 2009. The cumulative daily solute prediction outflow was compared

with the mean of each treatment cumulative nitrate mass measured at five dates during the growing

season (2009-06-03, 2009-06-29, 2009-07-06, 2009-10-16, and 2009-10-30).

3.5 Model calibration

PEST (Model-Independent Parameter Estimation and Uncertainty Analysis; Doherty, 2002) was used

with HYDRUS-1D to estimate the soil hydraulic parameters of the van Genuchten (van Genuchten,

1980) model for each of the two homogeneous soil layers. Table 5 shows the resulting parameters.

Based on preliminary results, the single porosity model of van Genuchten-Mualem was chosen with

an air-entry value of -2 cm without hysteresis.

40

Table 5: Optimized van Genuchten parameters. θr is the residual water content, θs is the saturated water content, α is the

air entry parameter, n is a porosity distribution measure, Ks is the saturated hydraulic conductivity and l is a tortuosity

parameter.

θr (-) θs (-) α (-) n (-) ks (cm d-1) l (-)

LAYER 1

(0-20 CM)

0.093 0.500 0.124 1.250 353.590 0.500

LAYER 2

(20-85 CM)

0.150 0.350 0.019 2.180 50.975 0.500

Nitrate movement was assumed to follow an equilibrium transport model. Nitrate dispersivity was

set to 450 cm d-1 (Molnar and Viraraghavan, 1990) and the diffusion was optimized to 0.002 cm d-1.

Nitrate was considered to be inert, therefore, adsorption isotherms coefficients were set to zero

(Gasser et al., 2003; Hanson et al., 2006).

All root solute uptake was considered to be passive, e.g. the solute is absorbed by the plant with the

water movement (Hanson et al., 2006). Root water uptake was described by the Feddes model

(Feddes et al., 1978). Rooting depths for maize and wheat were taken from FAO (2015) assuming

linear root growth between seeding and maturity.

3.6 Initial and boundary conditions

The modeling period started with the fertilizer application and ended with the last water sampling.

Therefore, the experiment lasted for a 175-day period in 2009, corresponding to the maize growing

season in Québec and for a 77-day period for wheat in 2011. Previous year soil residual nitrogen

content was neglected, as confirmed by preliminary simulations. Based on the empirical model shown

above, nitrate amounts were added throughout the season, on a daily basis, as a boundary condition

for the solute modeling for the 2009 year. The boundary and initial conditions are shown in Figure 5.

41

Figure 5 : Boundary and initial conditions modeling schemes, where the blue and black arrow represent respectively the

nitrate and the water.

The upper boundary conditions were defined by daily potential evapotranspiration, precipitation and

nitrate fertilization. Potential evapotranspiration was calculated with FAO 56 Penman-Monteith

equation multiplied by crop coefficients adjusted for actual evapotranspiration (Allen et al., 1998).

Only 1D flow was considered. The lower boundary condition was set to free drainage where all water

was assumed to be recovered by the subsurface drain. The drain entry resistance was taken into

account by adjusting soil hydraulic conductivity around the drain to obtained observed drainage rates.

3.7 Model evaluation criteria

The model evaluation criteria used for the soil water movement modeling was the Nash-Sutcliffe

efficiency coefficient and the coefficient of determination (R²). For the solute N release pattern

modeling, the Nash-Sutcliffe efficiency coefficient, the coefficient of determination (R²) and the root

mean square error (RMSE) were used. These criteria have been chosen based on the result for their

sensitiveness, e.g. the criteria giving a clear distinction between results were used. For the nitrogen

plant uptake, the RMSE was used.

42

3.8 Results and discussion

3.8.1 Water Transport

The HYDRUS water transport module was calibrated for the maize crop growing season of 2009 and

validated using the wheat-growing season of 2011. The total water drainage measured for 2009 and

2011 were, respectively, 16.87 and 12.49 m³. The total rainfall measured for the growing season of

2009 and 2011 were, respectively, 677 and 622 mm. Calibration of drainage events in 2009 shows a

Nash-Sutcliffe efficiency coefficient of 0.67 and R² of 0.78, and validation in 2011 shows a Nash-

Sutcliffe efficiency coefficient of 0.76 and R² of 0.84, both for the growing season. Figure 6 shows

the drainage water observed and modelled for the 2009 and 2011 seasons.

Figure 6 : Observed (red dot) and modelled (blue line) drainage water in the subsurface drain for each treatment. (A) Maize

growing season in 2009. (B) Wheat growing season in 2011.

43

3.8.2 Predictive N release pattern analysis

The solute modeling showed a large difference between N release patterns with a four-order

magnitude difference in certain cases. Figure 7 shows the distribution of cumulative nitrate leachate

for the 60 N release patterns for each treatment (A is one release function for nitrate, 4 release

functions for ammonium, 5 possible ways of estimating soil organic nitrogen and 3 release functions

of organic nitrogen in function of times for the mineral fertilizer; B, C, D and E are one application

rate of liquid manure (30, 60, 90, and 120 Mg/ha, respectively) with the same 60 N release pattern

described for A in function of times. Therefore, there are 60 N release patterns for each graph

introduced in Figure 7).

44

Figure 7 : A to E, Envelop of the cumulative nitrate mass in drainage water modeled by the release functions (N=60) in

2009 for each treatment (in grey). (A) mineral fertilization treatments, (B) 30 Mg ha-1 organic fertilizer, (C) 60 Mg ha-1,

(D) 90 Mg ha-1 and (E) 120 Mg ha-1.

As shown in Figure 7, the results of the N release patterns are very different for each treatment.

Therefore, not every N release function may be combined with every N organic pools. In general,

there is an overestimation of N released. Figure 8 shows the nitrate release patterns that resulted in

Nash-Sutcliffe efficiency coefficients above 0.70.

45

Figure 8 : A to E, Simulated cumulative nitrate mass as a function of time for the N release patterns with Nash-Sutcliffe

efficiency coefficient above 0.70; the black dots represent observations in 2009. (A) mineral fertilization treatments, (B)

30 Mg ha-1 organic fertilizer, (C) 60 Mg ha-1, (D) 90 Mg ha-1 and (E) 120 Mg ha-1.

Of the 300 release patterns, only 20 gave a Nash-Sutcliffe efficiency coefficient above 0.70. The

Nash-Sutcliffe efficiency coefficient has been chosen to differentiate the accurate N release patterns

because, in this study, this metric allowed a greater discrimination than the R².

As shown in figure 8, fewer N release patterns gave appropriate results as the organic fertilizer

increase. There are not any combinations of nitrogen pools and N release functions that gave

appropriate results for both mineral and organic treatments. Also, no N release patterns provided

46

appropriate results for each application rates of organic fertilizer. For each treatment, Table 6 shows

the Nash-Sutcliffe efficiency coefficients and the RMSE for the best 20 N release patterns.

Table 6: N release patterns with Nash-Sutcliffe efficiency coefficient above 0.70 and RMSE for each treatment, 0 Mg- mineral fertilization treatments, 30 Mg- 30 Mg ha-1

organic fertilizer, 60 Mg- 60 Mg ha-1, 90 Mg- 90 Mg ha-1 and 120 Mg- 120 Mg ha-1

48

From Table 6, it can be seen that the N release patterns characterised by Nash-Sutcliffe efficiency

coefficient above 0.70 for the mineral fertilizer treatment did not matched satisfactorily the leaching

nitrate in the organic treatment. The result was surprising, as we thought that at least one N release

pattern would be able to predict accurately the nitrate leaching for both organic and mineral treatment

at each application rates. Inversely, none of the N release patterns giving Nash-Sutcliffe efficiency

coefficient above 0.70 in the organic treatment gives appropriate results in the mineral fertilizer

treatment. Therefore, it seems that the origin of nitrate has a significant impact on its leaching

availability in soil. We conclude that the nitrate dynamics in the soil are too different between organic

and mineral fertilizer to be described by the same N release function and the same soil nitrogen pool.

From Table 6, it can also be observed that N release pattern three and five give good results for three

organic fertilizer application rates, 30 Mg ha-1, 60 Mg ha-1 and 90 Mg ha-1, which are the most realistic

applications used in northern agriculture. Those two N release patterns use an instant availability of

ammonium, but the organic nitrogen pool and the N release function are different. The N release

pattern three used the CRAAQ 2010 soil nitrogen pool with the Sbih N release function while the N

release pattern five used the mass balance organic nitrogen pool and the logistic equation with

temperature and water content as N organic release function. The two organic nitrogen pools are the

less contributing to the total nitrate mass. This indicates that in organic fertilization modeling, the

contribution of the soil organic nitrogen is less important than the manure organic nitrogen.

It is also observed from Table 6 that for the four organic fertilizer treatments, the three only organic

nitrogen pools showing results above the threshold are either identified by the mass balance, CRAAQ

2010 soil nitrogen pools and Giroux rotation. The Giroux rotation pattern gave a Nash-Sutcliffe

efficiency coefficient above 0.70 only in the case of the N release pattern 53, and is barely above this

threshold. Inversely, for the mineral fertilizer, the N release patterns having Nash-Sutcliffe efficiency

coefficient above 0.70 were those with larger mineralization potential. An explanation for a better

model adjustment with the organic fertilizer treatments model, especially those with high organic

nitrogen input, the excess of organic nitrogen causes a decrease in soil mineralization because of the

C/N ratio difference between organic fertilizers, which is 4.5, and the soil organic matter, which is

between 9.8 and 17.5 (Kirkby et al., 2011). A lower C/N ratio indicates an easily mineralizable

content (Castellanos and Pratt, 1981), causing the microorganisms to use mostly the nitrogen from

the organic fertilizer, preventing the soil to provide as much nitrogen as it could.

It is also observed in Table 6 that the N release function based on the work of Sbih et al. (2003)

provide the N release patterns with higher Nash-Sutcliffe efficiency coefficient than the two logistic

equations for the organic fertilizer. This conclusion is consistent with the origin of the equations as

49

the two logistic equations are based on soil without organic fertilizer and the Sbih equation is based

on incubation of soils with organic fertilizer. Therefore, the Sbih equation was developed to take into

account the transformation of two molecular forms of organic nitrogen from manure and from soil

organic matter.

3.8.3 Nitrogen plant uptake

For an additionnal evaluation of the model goodness of fit, nitrogen plant uptake was estimated for

each treatment using grain and stem analyses and previously measured root nitrogen content

(Weiland, 1989). Model simulated cumulative root solute uptake described the root solute uptake

with a mean RMSE of 20.9 kg ha-1 for the mineral fertilizer treatment, 11.47 kg ha-1 for the 30 Mg

treatments, 27.55 kg ha-1 for the 60 Mg treatments, 27.81 kg ha-1 for the 90 Mg treatments and 45.19

kg ha-1 for the 120 Mg treatments.

The cumulative nitrogen plant uptake was well predicted, especially for the mineral treatment and the

organic fertilizer treatment 30 Mg, 60 Mg and 90 Mg. Nitrogen plant uptake is slightly underestimated

by the model for every treatment, but the highest fertilizer application rate shows the largest error.

This indicates that plant uptake parameters could have been optimized to enhance the model

performance. In this study, only passive solute uptake was used, the difference observed between

measures and simulations could be linked to active solute uptake. Future works should include active

nitrate uptake to enhance modeling accuracy.

3.9 Conclusions

In this study, multiple ways of considering nitrate transformation and availability were compared. We

used a combination of HYDRUS-1D and an empirical nitrate production models, and found the

framework suitable to simulate nitrate leached into subsurface drains.

1 The simulations showed that nitrate from mineral fertilizer and nitrate from organic fertilizer are

not explained by the same N release function and soil nitrogen pool.

• Nitrate transport should be simulated differently whether the sources are organic or

mineral.

• Six suitable N release patterns could be identified for mineral fertilizer. The N release

patterns giving a Nash-Sutcliffe efficiency coefficient above 0.70 all use the 20-day

constant dissolution for ammonium and the following pools and release functions: (1) the

mass balance organic N pool and the Sbih organic N release function, (2) the mass

balance organic N pool and the logistic equation with soil temperature as organic N

50

release function, (3) the Giroux rotation organic N pool and the logistic equation with

soil temperature and water content as organic N release function, (4) the mass balance

organic N pool and the logistic equation with soil temperature and water content as

organic N release function, (5) the Giroux rotation organic N pool and the Sbih organic

N release function and, (6) the Giroux rotation organic N pool and the logistic equation

with soil temperature as organic N release function.

• Two N release patterns gave Nash-Sutcliffe efficiency coefficient above 0.70 for the three

agronomic application rates of organic fertilizer, both of which used instant dissolution

for ammonium, but differ in the organic N pool and organic N release function which

were: (1) the mass balance organic N pool and the logistic equation with soil temperature

and water content organic N release function and (2) the CRAAQ 2010 organic N pool

and the Sbih organic N release function. The N release patterns framework for simulating

nitrate leaching is based on easily available atmospheric, soil content or crop data and

could be used to improve the models or the tools used to describe the nitrate losses from

cropland.

2 Computer simulations were done with increasing organic fertilizer application rates. They

showed that the masses of nitrate leached are closely related to the nitrogen content of the

fertilizer supply.

3 The simulations also showed that as the organic fertilizer application rate increases, the soil

organic nitrogen contribution tends to decrease, which decreases the efficiency of the fertilization

and consequently contributes to the rise of agricultural nitrate discharges into water bodies.

4 This study showed that nitrate leaching could be overestimated, in our situation, by some organic

nitrogen pools (stable nitrogen pool based on agroclimatic variable (Stable N0) and stable

nitrogen pool plus easily mineralizable organic nitrogen pool (Stable N0 + pool I)) and some N

release function (Gasser equation).

5 This study was done using an exploratory approach oriented on nitrate leaching. Now that some

N release patterns have been identified, future work should take into account the different

molecular forms of organic nitrogen in organic fertilizer and soil. This approach could enhance

model accuracy. Future work should also include the plant active uptake of nitrate to verify the

validity of the passive plant uptake hypothesis used in modeling and probably enhance the plant

solute uptake accuracy.

51

Acknowledgement

The authors wish to thank the technicians involved in the project for their field and laboratory works.

The authors also wish to thank Denis Côté for the establishment of the long-term experiment. A

special thanks for the precious contribution of Jacynthe Dessureault-Rompré for the mineralization

aspect of the modeling. This work was financially supported by the «InnovAction agroalimentaire»

program from the MAPAQ. The first author thanks the financial support of the IRDA.

52

Bibliographie






7.25.15).



doi:10.1016/j.eja.2010.12.001



doi:10.1023/B:FRES.0000048471.59164.ff



The American Water Resources Association American Water Resources Association, 34(1),




079







Beauregard, G., & Fortier, E. (2010). Orge d’alimentation animale, Budget à l’hectare. Québec:

Centre de référence en agriculture et agroalimentaire du Québec.








agroenvironnement.







53









15, 137–143. doi:10.1111/j.1475-2743.1999.tb00079.x




Clark, K. (2007). Transformations de l’azote dans deux sols froids après l’application d’un lisier de













doi:10.1016/j.geoderma.2010.04.001


279.



396–407. doi:10.1016/j.ecolind.2014.08.007












54






century : introduction The global nitrogen cycle in the twenty-first century : introduction.






doi:10.2134/jeq2003.1464

Giroux, M., & Lemieux, M. (2002). Comparaison de différentes méthodes d ’ évaluation de la

fertilité azotée des sols et détermination de la dose N optimale du maïs ensilage.

Agrosolutions, 17(1), 39–50.








doi:10.1016/j.agwat.2006.06.013













Plant Sci. 59, 77–86. doi:10.1080/09064710801920321









55








doi:10.1016/j.agwat.2014.10.010



Unesco Publishing.




Anal. Chem. 52, 1955–1957. doi:10.1021/ac50062a039







Ministère du Développement durable, de l’environnement et des parcs. (MDDEP). (2012). Portrait

de la qualité des eaux de surface au Québec 1999-2008. Québec. Direction du suivi de l’état

de l’environnement. ISBN 978-2-550-63649-6 (PDF), 97p.

Moebius-Clune, B., Carlson, M., Van Es, H. M., & Melkonian, J. (2013). Adapt-N Proves

Economic and Environmental Benefits in Two Years of Strip-Trial Testing in New York and

Iowa.

Moebius-Clune, B., Van Es, H. M., & Melkonian, J. (2007). Adapt-N Uses Models and Weather

Data to Improve Nitrogen Management for Corn. Better Crops with Plant Food, 97(4), 7–9.















56

doi:10.1017/S0021859600069768


Press.





804–808.


318–333. doi:10.1063/1.1745010



1383–1390. doi:10.2134/jeq2008.0295

Sansoulet, J. (2007). Transferts d’eau et des ions potassium et nitrate dans un sol à capacité

d’échange anionique sous un couvert redistributeur de la pluie. Institut National

Agronomique Paris Grignon.



Soil Sci. 83, 25–33.



doi:10.1134/S1064229315070091





doi:10.2136/vzj2007.0077



Soil 282, 343–360. doi:10.1007/s11104-006-0006-3



doi:10.1007/BF01416088


36.




Sci. 11, 468–482. doi:10.5194/hess-11-468-2007

Van Es, H. M., Moebius-Clune, B. N., Melkonian, J. J., & Severson, K. (2012). A Case Study:

Donald & Sons Farm Sees Money-Saving Potential in Adapt-N Tool for Corn N Rate

Recommendations. What’s Cropping Up?, 22(2), 8–9.


57




doi:10.1016/j.jconhyd.2016.08.005










Chapitre 4

Conclusion générale

59

Dans cette étude, plusieurs méthodes de prise en compte des transformations des différentes sources

d’azote en nitrate et sa disponibilité au lessivage et au prélèvement par les plantes ont été comparées.

Le modèle physique HYDRUS-1D et un modèle empirique de production de nitrate ont été combinés

puis testés. Cette méthode a démontré sa capacité à prévoir adéquatement le lessivage de nitrate vers

les drains souterrains.

Les résultats des simulations permettent d’avancer que la disponibilité du nitrate provenant des

fertilisants minéraux et organiques ne sont pas décrites par les mêmes fonctions de relâchement du N

et les mêmes réservoirs d’azote du sol. Conséquemment, le transport du nitrate doit être simulé de

façon différente selon la source du fertilisant, soit organique ou minérale.

Six patrons de relâchement du N ont été caractérisés par des coefficients d’efficacités de Nash-

Sutcliffe au-dessus de 0.70, performances jugées adéquates, pour le fertilisant minéral. Les patrons

de relâchement du N ayant obtenu des coefficients d’efficacités de Nash-Sutcliffe au-dessus de 0.70

utilisaient tous la dissolution constante de l’ammonium en 20 jours et les réservoirs d’azote organique

du sol et les fonctions de relâchement de l’azote organique du sol et du lisier suivante : (1) le réservoir

d’azote organique du sol basé sur le bilan de masse et la fonction de relâchement du N organique de

Sbih; (2) le réservoir d’azote organique du sol basé sur le bilan de masse et l’équation logistique

utilisant la température du sol comme fonction de relâchement de l’azote organique; (3) le réservoir

d’azote organique basé sur les rotations des cultures (Giroux) et l’équation logistique utilisant la

température du sol et le contenu en eau comme fonction de relâchement de l’azote organique; (4) le

réservoir d’azote organique du sol basé sur le bilan de masse et l’équation logistique utilisant la

température du sol et le contenu en eau comme fonction de relâchement de l’azote organique; (5) le

réservoir d’azote organique basé sur les rotations des cultures (Giroux) et la fonction de relâchement

du N organique de Sbih; (6) le réservoir d’azote organique basé sur les rotations des cultures (Giroux)

et l’équation logistique utilisant la température du sol comme fonction de relâchement de l’azote

organique.

Deux patrons de relâchement du N ont obtenu des coefficients d’efficacité de Nash-Sutcliffe au-

dessus de 0.70 pour les trois doses d’applications de fertilisant organique cohérentes avec la réalité

agricole (30-60-90 Mg). Ces deux patrons utilisaient la dissolution instantanée de l’ammonium et les

réservoirs d’azote organique du sol et les fonctions de relâchement de l’azote organique du sol et du

lisier suivantes : (1) le réservoir d’azote organique du sol basé sur le bilan de masse et l’équation

logistique utilisant la température du sol et le contenu en eau comme fonction de relâchement de

l’azote organique et (2) le réservoir d’azote organique du sol du Craaq 2010 et la fonction de

relâchement du N organique de Sbih.

60

La méthode des patrons de relâchement du N pour simuler le lessivage du nitrate est basée sur des

données facilement mesurables de contenu du sol, de rotation de culture ou des conditions

atmosphériques qui pourrait améliorer ou simplifier les modèles ou les outils utilisés pour décrire les

pertes d’azote en condition agricole.

Les simulations prenaient en compte des doses croissantes de fertilisant organique. Les résultats ont

montré que la masse de nitrate lessivés était reliée au contenu en azote du fertilisant. Les résultats des

simulations permettent d’avancer que plus la dose de fertilisant augmente moins la contribution de

l’azote contenu dans la matière organique du sol est importante. L’efficacité de la fertilisation est

donc diminuée et ceci contribue à l’augmentation des pertes de nitrate dans les cours d’eau en zone

agricole.

Le lessivage de nitrate peut être surestimé lors des simulations avec certains réservoirs d’azote

organique (réservoir d’azote stable basé sur les données agroclimatique (Stable N0) et le réservoir

d’azote stable additionné au réservoir d’azote facilement minéralisable (Stable N0 + pool I)) et

certaine fonction de relâchement du N (fonction de relâchement de l’ammonium de Gasser).

Cette étude a été réalisée dans un contexte d’exploration. Maintenant que certains patrons de

relâchement du N ont été identifiés, les travaux futurs devraient inclure la différence des formes

moléculaires de l’azote organique des fertilisants organiques et de la matière organique du sol.

Ajouter cette dimension au modèle pourrait augmenter ses capacités prédictives. Les travaux futurs

devraient aussi prendre en compte le prélèvement actif du nitrate par les plantes de façon à vérifier la

véracité de l’hypothèse utilisée dans ce travail selon laquelle le prélèvement de nitrate a lieu

principalement de façon passive. L’ajout de cet aspect pourrait aussi augmenter les capacités

prédictives du modèle. Il serait aussi intéressant de comparer les capacités prédictives du modèle avec

d’autres modèles possédant des approches différentes tels que les modèles Drainmod-N et SWAT.

61

Bibliographie générale






7.25.15).



doi:10.1016/j.eja.2010.12.001



doi:10.1023/B:FRES.0000048471.59164.ff



The American Water Resources Association American Water Resources Association, 34(1),




079







Beauregard, G., & Fortier, E. (2010). Orge d’alimentation animale, Budget à l’hectare. Québec:

Centre de référence en agriculture et agroalimentaire du Québec.








agroenvironnement.







62









15, 137–143. doi:10.1111/j.1475-2743.1999.tb00079.x




Clark, K. (2007). Transformations de l’azote dans deux sols froids après l’application d’un lisier de













doi:10.1016/j.geoderma.2010.04.001


279.



396–407. doi:10.1016/j.ecolind.2014.08.007












63






century : introduction The global nitrogen cycle in the twenty- first century : introduction.






doi:10.2134/jeq2003.1464

Giroux, M., Lemieux, M., 2002. Comparaison de différentes méthodes d ’ évaluation de la fertilité

azotée des sols et détermination de la dose N optimale du maïs ensilage. Agrosolutions.

17(1):39-50








doi:10.1016/j.agwat.2006.06.013













Plant Sci. 59, 77–86. doi:10.1080/09064710801920321









64








doi:10.1016/j.agwat.2014.10.010



Unesco Publishing.




Anal. Chem. 52, 1955–1957. doi:10.1021/ac50062a039







Ministère du Développement durable, de l’environnement et des parcs. (MDDEP), 2012. Portrait

de la qualité des eaux de surface au Québec 1999-2008, Québec, Direction du suivi de l'état

de l'environnement. ISBN 978-2-550-63649-6 (PDF), 97p.

Moebius-Clune, B., Carlson, M., Van Es, H.M., Melkonian, J., 2013. Adapt-N Proves Economic

and Environmental Benefits in Two Years of Strip-Trial Testing in New York and Iowa.

Moebius-Clune, B., Van Es, H.M., Melkonian, J., 2007. Adapt-N Uses Models and Weather Data to

Improve Nitrogen Management for Corn. Better Crops with Plant Food 97(4): 7-9















doi:10.1017/S0021859600069768

65


Press.





804–808.


318–333. doi:10.1063/1.1745010



1383–1390. doi:10.2134/jeq2008.0295

Sansoulet, J. (2007). Transferts d’eau et des ions potassium et nitrate dans un sol à capacité

d’échange anionique sous un couvert redistributeur de la pluie. Institut National

Agronomique Paris Grignon.



Soil Sci. 83, 25–33.



doi:10.1134/S1064229315070091





doi:10.2136/vzj2007.0077



Soil 282, 343–360. doi:10.1007/s11104-006-0006-3



doi:10.1007/BF01416088


36.




Sci. 11, 468–482. doi:10.5194/hess-11-468-2007

Van Es, H.M., Moebius-Clune, B.N., Melkonian, J.J., Severson, K., 2012. A Case Study: Sons

Farm sees money-saving potential in Adapt-N Tool for corn N rate recommendations. What's

Cropping Up? 22(2).:8-9



66



doi:10.1016/j.jconhyd.2016.08.005










Documents

Modélisation du lessivage de l’azote en grande culture en ......with Nash-Sutcliffe efficiency coefficient above 0.70; the black dots represent observations in 2009. IX (A) mineral