11.8 Discussion et conclusions

L’aquaponie est des systèmes techniques et biologiques complexes. Par exemple, les explications possibles pour les poissons qui ne poussent pas correctement peuvent être de petites rations alimentaires, une mauvaise qualité de l’eau, des problèmes techniques causant le stress, etc. En raison de la lenteur intrinsèquement de la biologie, les recherches scientifiques sur la validité de ces explications seraient fastidieuses et nécessiteraient plusieurs essais expérimentaux pour obtenir tous les facteurs importants et leurs interactions, exigeant beaucoup d’installations, d’expertise, de temps de recherche et d’actifs financiers. Par conséquent, la question de la modélisation des systèmes aquaponiques a été abordée dans le présent chapitre. En aquaponie, la modélisation est nécessaire pour différents objectifs : (i) perspection/compréhension, (ii) analyse, (iii) estimation et (iv) gestion et contrôle. Pour tous ces objectifs, des modèles appropriés sont nécessaires. Par exemple, pour atteindre les objectifs (ii) et (iii), on peut utiliser une approche empirique qui utilise des modèles statistiques pour analyser les données issues d’essais expérimentaux antérieurs dans le but d’extraire autant d’informations que possible sans procéder à de nouvelles expériences. Les modèles statistiques peuvent révéler les facteurs les plus importants qui influent sur la production de poissons et de cultures dans les systèmes aquaponiques. Les expériences futures pourraient se concentrer sur ces facteurs, rendant ainsi plus efficace l’utilisation de ressources de recherche coûteuses.

La complexité des systèmes aquaponiques, en raison de leur caractère de rétroaction et des interactions entre le système RAS et le système hydroponique, le traitement de l’eau et la croissance des poissons, implique que, pour atteindre les objectifs (i) et (iv), c’est-à-dire comprendre ou optimiser une plante (configuration, taille, poisson, alimentation, débit, etc.) en ce qui concerne au coût, à la stabilité, à la robustesse et à la qualité de l’eau, des modèles théoriques non triviaux de la plupart des composants du système décrits dans le présent chapitre sont requis. L’avantage de ces modèles théoriques présentés par rapport aux modèles statistiques est leur plus grande capacité à analyser le processus sous-jacent à l’aquaponie et la possibilité de modéliser l’aspect temporel (dynamique). Les modèles statistiques confirment ou réfutent simplement une hypothèse et dans quelle mesure les variables covarient, mais ne donnent aucune preuve des processus sous-jacents. D’autre part, les modèles théoriques permettent de simuler les processus selon une hypothèse, de comparer les simulations avec les données observées, d’évaluer à la fois l’hypothèse et le modèle et de faire des adaptations. La validité des modèles statistiques peut ne pas dépasser la plage opérationnelle pour laquelle ils ont été formés, alors que les modèles théoriques peuvent être définis et utilisés pour un large éventail d’environnements, à condition que les modèles soient validés pour ces gammes avant leur application. Par exemple, le modèle de régression multiple utilisé pour évaluer les relations entre la croissance des poissons avec Oreochromis niloticus comme espèce de poisson et les variables environnementales dans une installation aquaponique en Allemagne ne peut pas être facilement appliqué à l’Espagne avec Cyprinus carpio, alors qu’un modèle théorique décrivant les (p. ex. comportement du poisson, aquaculture, écologie de l’eau douce) en tant qu’équations mathématiques peuvent être ajustées relativement facilement parce que le poisson et le processus écologique sous-jacent à ce modèle sont essentiellement les mêmes pour les deux sites.

Néanmoins, les modèles théoriques exigent également la détermination de certains paramètres tels que les constantes de réaction et la vitesse de décantation de la substance dans la cuve de décantation. Ceci est généralement réalisé à partir d’études empiriques d’une installation ou de très peu d’installations ou, dans la plupart des cas, à partir d’études publiées antérieurement (sources secondaires). Les études fondées sur des sources secondaires ont des limites imposées par la structure et la quantité données des données disponibles, qui n’existent pas lorsque les données proviennent d’un milieu expérimental conçu spécialement pour l’étude. Cependant, l’estimation des paramètres du modèle à l’aide de données expérimentales provenant d’une seule installation aquaponique peut poser des problèmes quant à la généralisation et à la réplication des résultats en raison des conditions particulières présentes dans l’étude. La rareté des données impose parfois de fortes restrictions aux modèles qui en limitent l’aspect pratique. Le développement d’études pour l’estimation des paramètres à l’aide de données primaires utilisant un plus grand nombre d’installations aquaponiques que les études antérieures permet de surmonter les limites actuelles et d’obtenir des résultats meilleurs et fiables. Cependant, ce n’est pas un défi facile pour les chercheurs en aquaponie.

La simulation de l’aquaponie avec les modèles mathématiques dans un large éventail de conditions de gestion permettra d’améliorer la compréhension de l’aquaponie, de vérifier différentes configurations aquaponiques et de montrer la voie aux stratégies les plus prometteuses pour améliorer les installations aquaponiques. Encore une fois, cela peut conduire à un moyen plus efficace de mener des expériences.

Certains outils de modélisation ont également été présentés dans ce chapitre. Traditionnellement, les diagrammes de stock et de flux (SFD) ont été utilisés pour comprendre les processus comme outils de soutien à l’analyse quantitative. Ils sont utilisés pour comprendre le flux et les flux des quantités, mais n’ont pas la capacité d’illustrer l’information associée au flux et aux flux. Le diagramme de boucle causale (CLD) peut être utilisé pour transférer un système SFD complexe dans des structures de rétroaction simplifiées compréhensibles. Ensemble, les SFD et les CLD définissent pleinement le système d’équations différentielles. Si seulement une simple compréhension qualitative du système est nécessaire, alors CLD et SFD peuvent suffire, mais si la réponse nécessite une précision numérique, le problème peut être étudié plus avant avec les diagrammes d’outils dynamiques du système (SDTD) et ensuite être modélisé dans un outil logiciel de simulation numérique.