Modèle de fertilisation (npk) durable pour le riz en double culture irriguée dans la vallée du fleuve Sénégal

IV Discussion

Le modèle du maximum de vraisemblance avec srtucture de covariance de type auto-régréssive permet de bien ajuster les données par site. La comparaison des résultats du test LSD construit à partir des sommes des carrés résiduelles du modéle et ceux du test non paramètrique de Van Der Waerden montre une légère différence surtout à Fanaye, par contre à Ndiaye ce sont les mêmes résultats.

Ce modèle comparé avec celui de l'analyse de la variance classique donne les meilleurs estimations du fait de l'effet d'accumulation pour chaque saison sur les mêmes blocs qui ne sont pas prise en compte dans le modèle classique. Cependant, lorsqu'on s'intéresse à la golabilité en tenant compte de l'effet site, d'autres alternatives seront proposées pour améliorer le modèle. Au lieu d'analyser en terme de split-plot, on pourait voir le split-split plot, ce qui change c'est le facteur site qui constitue la (Grande parcelle) et les autres restent intactes.

31

Conclusion

L'étude sur la conception d'un modèle de fertilisation durable en double culture irriguée dans la vallée du fleuve Sénégal prouve que la combinaison avec le phosphate de Matam (NPKpm (26)) donne des rendements meilleurs par rapport aux autres traitements. Par ailleurs la méthode avec alternance de N et de K (T2(NPK/N) et T7(NK/NPK)) une saison sur deux donne des rendements meilleurs par rapport au traitement complet T1 (NPK ). Ce résultat est le fruit de deux tests souvent utilisés dans la recherche en agriculture, le LSD et le Van Der Waerden. En effet, selon l'objectif fixé qui consiste à réduire les coûts de poduction, cette combinaison (NPKpm (26)) permet de faire une économie grâce à son coût moins èlevè par rapport aux autres. Par ailleurs, il serait intéressant de :

- tester l'effet du phosphate de MATAM granulé;

- faire l'évaluation économique de ces trois traitements

- essayer d'alterner le NPmK (pm = 200Kgha^-1) une saison sur deux

- faire un essai long terme pour etudier la stabilité de ces trois traitements .

Annexe 1

Structure de covariance

Autoregressive d'ordre 1 avec 2 paramètres :

?

?

AR(1) = 0-2 ? ?

1 p _p2 _p3 p 1 p p2

_I

p2 p 1 p

p3 _p p² 1

UN =

? ? ? ?

2 U1 ?21 ?31 ?41 ?21 ^Q22?32 ?42 31 ° 32 ^Q30 ° 43 41 ° 42 0 43 u4 °

I

32

Compound Symetrie avec 2 paramètres :

CS =

? ? ? ?

U2 + 0-1 0-1 0-1 0-1 u1 U^2+ Q1 u1 u1 Q1 Q1 U^2+ Q1 Q1 Q1 Q1 Q1 U^2+ Q1

I

Sans structure avec P(P+1)

2

33

Annexe 2

Ordre R

#Importation des données

donnees=read.table("rendement.txt",header=T)

#Analyse descriptive

boxplot(Rdtsite,dimnames=list(levels(site)),

xlab="Sites",ylab="Rendement ( t/ha )",notch=T)

boxplot(Rdtsaison,dimnames=list(levels(saison)),

ylab="Rendement (t/ha)",type="l",lty=1,xlab="saison")

#Extracton des deux sites

ndiaye=donnees[site=="ndiaye",]

ndiaye=donnees[site=="fanaye",]

#Modéle

library(nlme)

model=lme(RdtTrait-i-saison-i-Trait*saison,data=ndiaye,

random=1|Rep,correlation=corAR1())

#Test de normalité

shapiro.test(model$residuals)

#Graphe de normalité

f=function(t)

dnorm(t,mean=mean(model$residuals),sd=sd(model$residuals))

par(mfrow=c(1,2))

qqnorm(model$residuals)

qqline(model$residuals)

hist(model$residuals,proba=TRUE,col="lightblue",xlab="Résidus",main="Histogramme

des résidus")

curve(f,add=T,lwd=3)

#Test LSD

library(agricolae) compar=LSD.test(ndiaye$Rdt,ndiaye$Trait,df,Mserr,

p.adj="bonferroni",group=TRUE)

bar.group(compar,density=20,ylab="rendements(t/ha)",xlab="traitements",ylim=c(0,12)

#Test de Vander Waerden

comparw<-waerden.test(ndiaye$Rdt,ndiaye$Trait,group=TRUE)

bar.group(comparw,density=20,ylab="scores normaux",xlab="traitements")

34 CHAPITRE IV. APPLICATIONS

Ordres SAS

proc mixed data =ndiaye;

title'model 1' ;

class bloc trait saison;

model Rdt=trait saison trait*saison;

random bloc(trait) ;

proc mixed data =ndiaye;

title 'model AR(1)' ;

class bloc trait saison;

model=Rdt=trait saison trait*saison;

repeated saison /subject= bloc(trait) type=AR(1)

on change le type (CS ou UN) pour les modèles avec ces types

proc mixed data =ndiaye;

title'model3 AR(1)' ;

class bloc trait saison;

model=Rdt=trait saison trait*saison;

repeated saison /subject= bloc(trait) type=AR(1) group=trait;

on change le type (CS ou UN) pour les modèles avec ces types;

35