Les modèles de prédiction sont utilisés dans divers domaines. En agriculture, l'assurance récolte n'y fait pas exception. La Financière agricole du Québec (FADQ), qui se devait de réviser sa protection d'assurance collective pour le foin, souhaitait répondre davantage à la réalité des entreprises agricoles en basant sa protection sur la modélisation. Puisqu'au Québec cette protection d'assurance récolte couvre les pertes de rendement et de qualité des plantes fourragères, la nouvelle façon de faire devait s'appliquer à ces deux volets. Elle visait également à réduire la dépendance envers les producteurs et le personnel sur le terrain pour faire l'estimation des pertes. La production fourragère est affectée par plusieurs facteurs environnementaux et agronomiques, notamment le climat, les types de sols, la diversité des espèces utilisées (légumineuses et graminées) et l'âge de la culture. Pour estimer les pertes en plantes fourragères subies par les producteurs, il est possible de développer des modèles empiriques en utilisant des variables indépendantes dérivées des facteurs énumérés précédemment. Le présent projet de recherche visait d'une part à confirmer la possibilité de bâtir un modèle empirique à l'aide de régressions statistiques et de variables bioclimatiques et agronomiques afin d'estimer les pertes de rendement annuelles des plantes fourragères causées par le climat. D'autre part, il visait aussi à confirmer la possibilité de bâtir un modèle dynamique afin d'estimer les pertes de valeur nutritive des plantes fourragères. Le rendement moyen annuel s'est avéré la meilleure variable dépendante à modéliser suite à l'analyse des bases de données historiques (agronomiques et climatiques). La famille botanique de la culture, le nombre de coupes effectuées et le type de sol sont apparus comme des variables indépendantes à caractère agronomique qui influencent le rendement. À partir des variables climatiques disponibles dans la base de données et d'une revue bibliographique, 31 variables indépendantes à caractère bioclimatique ont été élaborées pour créer le modèle empirique d'estimation du rendement annuel (MEERA). Ces variables décrivaient les conditions automnales, hivernales, printanières et estivales pouvant affecter le rendement annuel des plantes fourragères. La perte ou le gain de rendement était établi en comparant le rendement estimé par le modèle avec un rendement de référence établi sur la moyenne historique des rendements. Deux modèles MEERA ont été créés, le premier, 98-05, avec une base de données s'étendant de 1998 à 2005 et le deuxième, 98-06, avec une base de données s'étendant de 1998 à 2006. Dans les deux modèles, la variable dépendante et les variables indépendantes ont été déterminées pour, respectivement, 710 et 887 zones d'assurance toutes années confondues et réparties à travers le Québec agricole. Chacune des zones d'assurance, aussi appelées territoires de stations climatologiques, confient une station climatologique à laquelle un groupe de producteurs est rattaché, et ce, pour chaque année donnée. Afin de circonscrire la diversité climatique, le Québec agricole a été divisé en 12 régions climatiques. Ainsi, les deux modèles MEERA reposent sur 12 équations générales, une par région climatique, développées à l'aide de la procédure Mixed de SAS. Ces équations contiennent entre 5 et 20 variables bioclimatiques, dont le paramétrage était fonction du caractère agronomique de chaque territoire de station climatologique. À la calibration, le modèle 98-05 avait une efficacité (EF) moyenne de 68 %, variant de 50 à 81 % selon les régions climatiques. Si l'ajustement des rendements simulés sur les rendements mesurés avait été parfait, l'EF aurait été de 100%. La moyenne des 12 racines quadratiques de l'erreur moyenne (RMSE) des régions climatiques était de 267 kg ha"1 , soit 9,9 % du rendement moyen. Les résultats obtenus avec notre modèle se comparaient avec ceux des modèles rencontrés dans la littérature. À la validation du modèle 98-05 sur l'année 2006, les statistiques comparatives effectuées sur les équations des 12 régions climatiques indiquaient que le modèle était peu performant, car toutes les EF étaient négatives. De plus, le RMSE était en moyenne pour les 12 régions climatiques de 467 kg ha-1 , soit 14,7 % du rendement moyen de 2006. Les 12 équations du modèle 98-06 présentaient une efficacité moyenne de 67 %, variant de 46 à 84 % selon les régions climatiques. Pour l'ensemble des 12 équations, le modèle sous-estimait de 4,3 kg ha-1 le rendement moyen de toutes les régions climatiques confondues (2702 kg ha"1 ). Cela représentait un biais moyen non significatif d'à peine 0,2 %. La moyenne des 12 RMSE était de 287 kg ha-1 , soit 10% du rendement moyen. Toutefois, par rapport au modèle 98-05, l'efficacité moyenne est demeurée sensiblement la même, alors que l'écart entre l'efficacité la plus faible et la plus forte s'était accru. La validation du modèle 98-06 sur l'année 2007 présentait des EF négatives pour les 12 régions climatiques. De plus, le RMSE était en moyenne de 571 kg ha"1 pour les 12 régions, soit 20,1 % du rendement moyen de 2007. Cette perte d'efficacité des deux modèles MEERA, lorsqu'ils estiment une année externe à la base de données de calibration, peut, entre autres, provenir de l'incertitude liée aux données d'entrées. En effet, la base de données climatiques comportait en moyenne 4,4 % de données manquantes pour les variables climatiques (températures minimale et maximale, précipitations et épaisseur de neige au sol). La perte de qualité des plantes fourragères est associée à l'accroissement de la proportion en fibres non digestibles lors de la maturation des plantes causé par le retard de coupe, particulièrement en première coupe, ainsi qu'à la perte des nutriments, surtout l'azote, causée par la pluie tombée sur le foin au sol. Pour estimer les pertes de qualité, nous avons développé un modèle d'estimation des pertes de qualité des fourrages (PERQUALI) par territoire de station climatologique, en distinguant la perte pour le foin de celle pour l'ensilage. Ultimement, le modèle devait estimer la perte cumulée pour toutes les coupes provenant des différentes causes possibles, c'est-à-dire le retard de coupe pouvant survenir en début ou en cours de récolte et la pluie tombée sur le fourrage laissé au sol suite à la coupe, en première coupe seulement. De plus, le modèle devait considérer la destruction du foin laissé au sol par la pluie après la coupe, et ce, pour toutes les coupes. Quatre variables bioclimatiques et une composante agronomique (famille botanique) ont été utilisées pour développer le modèle PERQUALI. Ces variables décrivaient les conditions qui prévalaient pendant les périodes de coupe et de récolte des plantes fourragères. Les degrés-jours historiques nécessaires pour débuter la première coupe, le nombre de jours propices pour effectuer la coupe et la durée de la coupe sont des variables qui sont calculées à partir des variables climatiques enregistrées dans chaque territoire de station climatologique et qui sont directement utilisées par le modèle PERQUALI. La composition botanique, le nombre de coupes et la texture du sol observés dans chaque territoire de station climatologique sont également considérés par le modèle. Ainsi, pour connaître la perte associée à l'augmentation de la teneur en fibres non solubles dans un détergent neutre (NDF), PERQUALI estime la teneur en NDF au moment où le fourrage est prêt à être coupé selon le nombre de degrés-jours accumulés en première coupe et le compare à la teneur en NDF au moment où le foin est effectivement coupé. Pour leur part, les teneurs en fibres non solubles dans un détergent acide (ADF) et celles en protéines brutes (PB) sont issues d'équations empiriques tirées de la littérature. La méthodologie utilisée pour estimer la perte de qualité associée à la pluie après la coupe est également tirée de la littérature. Cette dernière méthodologie s'applique à chacune des coupes réalisées dans chaque territoire de station climatologique. La Financière agricole du Québec ne possède pas de données de qualité des fourrages pour valider les estimations de pertes obtenues par le modèle PERQUALI. Le modèle utilisé pour les données 2008 surestime possiblement les pertes réelles sur le terrain, puisque dans plusieurs cas, la durée de coupe estimée par le modèle était au-delà de celle déclarée par les fermes témoins en 2008. Néanmoins, de façon générale, les pertes corroboraient les présomptions des conseillers régionaux de la FADQ, c'est-à-dire que les pourcentages de pertes estimés pour le foin variaient de 24,8 % à 66,7 % alors que pour la production d'ensilage, les pertes estimées oscillaient plutôt entre 1,1 % et 21 %. Ces résultats font également ressortir le fait que les pertes en ensilage sont moins élevées que celles du foin. D'une façon générale, en 2008, l'Abitibi-Témiscamingue, l'Outaouais, la Mauricie, la Capitale-Nationale (Québec), Chaudière-Appalaches et certains endroits du Lac-Saint-Jean ont été les régions les plus affectées par les pertes de qualité des fourrages, et ce, peu importe le mode de récolte. Toutefois, le modèle n'a pas été testé sur d'autres années pour vérifier si la durée estimée, par le modèle se rapprochait de la réalité des fermes témoins sous d'autres conditions climatiques. Le modèle PERQUALI devrait donc être testé sur d'autres années afin de confirmer la capacité du modèle à simuler la durée de coupe. À notre connaissance, il n'existe pas d'autres modèles semblables à MEERA et PERQUALI qui soient utilisés pour estimer des pertes dans le but d'octroyer une indemnité d'assurance. En France, le modèle dynamique et mécaniste, STICS, a été en partie utilisé pour faire des estimations de pertes en assurance agricole, mais ce modèle ne tient pas compte des pertes hivernales, ni des pertes de qualité. Les modèles MEERA et PERQUALI sont donc uniques puisqu'ils prennent en compte des caractéristiques agronomiques et l'ensemble des aléas climatiques et qu'ils estiment à la fois les pertes de rendement et les pertes de qualité. / In the province of Quebec, more than half of agricultural lands are in forage production, and forage crops represent 25% of all insured value of « La Financière agricole du Québec (FADQ) »'s crop insurance program. The FADQ has recently proceeded to a reform its forage crop insurance with the objective of estimating forage losses in yield and quality according to insured grower's reality. Furthermore, the FADQ wanted to reduce its dependence on grower's information and crop adviser interventions for the estimation of losses in each insurance year. Forage productivity depends on agronomic and environmental factors such as climate, soil texture, species (legumes and grasses) and sward age. These factors can be taken into account to estimate forage losses by developing empirical models using independent variables derived from the factors just listed. The first objective of the present study was to develop an empirical model (MEERA) for the estimation of annual forage yield. Yield losses or gains were established by comparing the model estimated yield with a reference yield based on historical production. The second objective was to develop a dynamic model to estimate forage quality losses (PERQUALI). Annual forage yield was chosen as the dependent variable and the botanical family of the forage crop (legumes or grasses), the number of cuts (1, 2 or 3) and the soil texture (coarse or mean-fine) contained in the agronomic database were considered as independent variables of interest. Also, 31 bioclimatic independent variables were available for the MEERA calibration. These variables described the effects of climatic conditions in fall, winter, spring and summer on the yield forage crops. Two MEERA models were developed. The first one, 98-05, was created from a database covering the years 1998 to 2005 and the second one, 98-06, was created from a database for the years 1998 to 2006. Dependent and independent variables of both models were respectively created for 710 and 887 insurance zones spread throughout Quebec. Each insurance zone, also referred to as a weather station territory, included a number of forage growers associated to a weather station. The agricultural area of the Quebec province was divided into 12 climatic regions and a general linear equation was calculated for each region using the SAS System for Mixed models. Equations included 5 to 20 bioclimatic variables. The model MEERA 98-05 had an average forecasting efficiency (EF) across the 12 climatic regions of 68 %, varying from 50 to 81 % depending on the climatic region. The average root mean square error (RMSE) was 267 kg ha-1 which represents 9,9 % of the average annual yield. These results are comparable with other models described in the literature. The model MEERA 98-05 was then validated using the 2006 database. The differences between measured and estimated annual forage yield obtained for the 12 equations suggested an unsatisfactory model since all EF were negative. Furthermore, the average RMSE was 467 kg ha-1 or 14,7% of the average annual yield. The model MEERA 98-06 had an average forecasting efficiency (EF) of 67 %, varying from 46 to 84 % depending on the climatic region. The average RMSE of 287 kg ha-1 represented 10 % of the average annual yield. The model MEERA 98-06 was validated using the 2007 database. Differences between measured and estimated annual forage yield obtain for the 12 equations were large and the EF were negative. Moreover, the average RMSE was 571 kg ha-1 which represented 20,1% of the average annual yield. The loss of efficiency at validation time, for both models, may be caused by missing values in the climatic data set. Forage quality losses are associated with indigestible fibres that increase with forage maturity caused by a delay in cutting, as well as, nutrients losses, especially nitrogen, caused by rainfall after cutting. To estimate quality losses, we developed a dynamic model (PERQUALI) that estimated losses for each weather station territory. PERQUALI estimations concerned the delay of cutting at the beginning and throughout the harvesting period, the damage and the destruction of forage left on the ground caused by rainfall after the cut; this was done for all cuts. Four bioclimatic independent variables were used to develop the PERQUALI model. The historical accumulated degree-days corresponding to the maturity stage at the beginning of the first cut (DDBC1 ), the number of working days usually used to do the first cut, and the duration of the first cut were determined for each weather station territory. Also, botanical family, soil texture and number of cuts were ascertained for each weather station territory. The decline in quality was associated to increasing concentration of neutral detergent fibre (NDF) which was estimated by comparing the NDF concentration at DDBC1 to the NDF concentration when the forage was effectively cut. Moreover, PERQUALI estimated concentrations of acid detergent fibre (ADF) and crude protein (CP) using published equations. In 2008, quality losses estimated by PERQUALI were possibly overestimated compared to those observed in the field. This observation was based on the fact that the calculated duration of the cut was longer than the duration of the cut as provided by growers. Nevertheless, losses estimated by the model were generally in accordance with those observed by crop advisors. PERQUALI loss estimations were between 24.8 % and 66.7 % for hay while they were between 1.1 % and 21 % for silage. These results were in concordance with the fact that losses are usually lower for silage than those for hay. In 2008 specifically, the regions of Abitibi-Témiscamingue, Outaouais, Mauricie, Capitale-Nationale (Québec), Chaudière-Appalaches, and some parts of Lac-Saint-Jean were more affected by wet conditions during the harvesting period than other parts of the province. To confirm the estimation capacity of PERQUALI, we need to test the model using other climatic conditions since our model has only been tested for one-year data. To our knowledge, MEERA and PERQUALI are the first models that can estimate yield and quality losses for forage crop insurance that considers whole climatic effects.