Ajouté à Mes favoris.

Logo Agri-Réseau
S'informerLe savoir et l'expertise du réseau agricole et agroalimentaire
Logo Agri-Réseau
S'informerLe savoir et l'expertise du réseau agricole et agroalimentaire

S'informer

Le savoir et l'expertise du réseau agricole et agroalimentaire

Chargement en cours

Filtrer la recherche 
  • Sujet(s) :
  • Production(s) :
Format
Type de contenu
Date de début
Date de fin
Régions

Au-delà des grilles régionales de référence en fertilisation, il y a la complexité d’un écosystème agricole local



Dans ce blogue, je fais le point sur le processus qui a mené à l’élaboration des grilles de référence en fertilisation par la Commission chimie et fertilité des sols (CCFS ou « Commission ») du CRAAQ pour l’édition du GREF 2 (Guide de référence en fertilisation, 2e édition) publié en 2010 [1]. La CCFS avait été mandatée par la directrice générale du CRAAQ, Brigitte Dumont, afin de mettre à jour le guide de référence en fertilisation avec de nouvelles données et les connaissances les plus complètes possibles pour appuyer les actes agronomiques et orienter les actions à entreprendre sur le terrain. J’ai coédité le GREF 2 avec mon collègue Gilles Gagné de 2005 à 2010. De nombreux chercheurs et praticiens y ont contribué de façon remarquable. Je partage ensuite mon point de vue sur les limites de ce processus et jette un regard sur l’avenir des prescriptions localisées.


Retour sur le passé
Souvenons-nous que les premières grilles de référence en fertilisation ont été élaborées dans les années 1960 par l’industrie des engrais (­'Conseil des Engrais Chimiques du Québec'). Par la suite, des essais de fertilisation ont été financés par le MAPAQ (via le CORPAQ) au début des années 1970, doublés d’un fort leadership du Dr Jean-Louis Dionne, en vue d’élaborer des grilles de fertilisation sous l’égide du Conseil des productions végétales du Québec (CPVQ). Comme le martelait l’agronome Maurice Hardy en 1992 : « Les informations à caractère agronomique doivent être précises, aussi complètes que possible, et véridiques. La barre est haute et personne ne nous entraînera à l’abaisser ». Cependant, la quantité d’informations au Québec sur la réponse des cultures aux engrais minéraux et organiques étant toujours limitée, elle devait donc être combinée à l’expertise des parties prenantes.

Faisons un autre rappel sur les méthodes d’analyse et les unités de mesure utilisées. La méthode Mehlich-III fut implantée au Québec par le Service de recherches en sols du MAPAQ en 1989 sous l’impulsion des chercheurs T. S. Tran et Marcel Giroux, en remplacement de la méthode Bray-2 [2]. La méthode Mehlich-III extrait un grand nombre d’éléments nutritifs pour les sols acides à neutres, soit la très grande majorité des sols en culture du Québec. Les éléments extraits sont quantifiés simultanément par spectroscopie d’émission dans le plasma (SEP). La méthode Mehlich-III combinée à la SEP a permis de réduire les coûts d’analyse. L’unité de mesure pour exprimer les réserves en éléments disponibles était kg d’éléments Mehlich-III par hectare (ha). Le sol séché à l’air ambiant était tamisé < ou = 2 mm. On excluait les fragments grossiers (fraction > 2 mm). Ceci induit une erreur d’évaluation par sous-estimation des réserves en éléments nutritifs et de leur capacité de rétention pour les sols contenant une proportion élevée de fragments grossiers. Un volume de 3 ml de sol tamisé était prélevé à la cuillère, extrait par la solution Mehlich-III et analysé par SEP. Un artifice de calcul permettait de convertir des mg d’éléments nutritifs par litre de sol en kg d’éléments nutritifs par ha. En supposant une masse volumique apparente de 1,32 g/ml pour un loam et 3 mg de sol dans 3 ml de la cuillère, un ha de sol pèserait environ 2 240 000 kg/ha dans la couche 0-17 cm. En sol organique, une couche d’échantillonnage de 20 cm et une masse volumique apparente moyenne de 0,25 g/ml donne une masse de 500 000 kg/ha. Par une règle de trois, on convertissait des mg/ml en kg/ha. Depuis 2017 au Québec, on ne recommande plus l’unité kg/ha, mais plutôt les expressions mg/litre ou, si le sol de la cuillère est pesé, mg/kg [3]. Évidemment, le rapport P/Al n’est pas influencé par l’expression choisie.

Image Agri-Réseau
De nombreux essais de fertilisation, d’initiatives diverses, et la relance d’essais de fertilisation par le sous-ministre du MAPAQ Michel Bonneau au milieu de la décennie 2000-2010 ont permis de documenter un grand nombre de cultures sur lesquelles il y avait peu d’information. Une information abondante et diversifiée, fiable, démontrée, publiée, ou dûment signée par un responsable reconnu plutôt que fondée sur des anecdotes de vive voix, était nécessaire pour élaborer des grilles de référence en fertilisation. La CCFS a élaboré des grilles de référence en fertilisation sur la base de données agronomiques probantes et de modèles reconnus. Par exemple, les doses de phosphore recommandées pour le brocoli variaient entre 55 et 240 kg P2O5/ha en 1996. Suite à des essais de fertilisation plus récents, les doses recommandées variaient plutôt de 30 à 150 kg de P2O5/ha dans les grilles de 2010. Les indicateurs agro-environnementaux comme P/Al sur une base massique et P3-/(Al3++Fe3+) et P3-/(Al3++5Fe3+) sur base molaire ont aussi été calibrés par rapport aux essais de fertilisation conduits sur plusieurs cultures en sols minéraux et organiques. La CCFS a fait appel à de nombreux experts externes pour valider de l’information non couverte par les experts de la Commission.




Concepts de fertilisation
Les concepts de fertilisation utilisés par la CCFS étaient la suffisance nutritive ('nourrir la plante' selon la réponse à l’engrais) et l’accumulation-entretien ('nourrir le sol' par le maintien de l’analyse entre un niveau critique et un niveau apparent de non-réponse aux engrais). On 'nourrit la plante' jusqu’à un niveau relativement stable de non-réponse. On 'nourrit le sol' jusqu’au niveau d’entretien. Les guides de recommandations intègrent souvent les deux concepts. Le concept de suffisance est utile pour établir des seuils critiques de réponse et d’entretien. Plusieurs États américains au sud des Grands Lacs tiennent aussi compte du rendement visé et d’un facteur d’enrichissement pour 'nourrir' le sol [4]. Plus le rendement visé est élevé, plus le dosage est fort afin d’éviter que la plante n’épuise les quantités biodisponibles dans le sol.

Un seuil supérieur d’entretien est défini lorsque le rendement relatif se stabilise autour de 100 %. Ce n’est pas facile de déterminer un seuil d’entretien, ce qui laisse beaucoup de place à l’interprétation. L’erreur associée à cette situation est de fournir une mauvaise réponse (celle de fertiliser sur la base de l’effet principal moyen sans tenir compte des interactions entre les facteurs de croissance) à la bonne question (la réponse à l’engrais dépend de l’interaction entre les facteurs de croissance). En statistique, l’analyse des interactions potentielles dans les essais requerrait des expériences factorielles impliquant un grand nombre de facteurs et de niveaux de facteurs. Ceci est impossible à réaliser au champ en raison du nombre excessivement élevé de parcelles requises. L’interprétation est difficile compte tenu de la complexité des interactions. Cette réflexion est reléguée aux connaissances locales des producteurs et de leurs conseillers.


Élaboration des grilles de fertilisation
Pour élaborer des grilles de référence en fertilisation, on utilise traditionnellement le pourcentage du rendement maximum calculé en divisant le rendement témoin par le rendement maximum réel du site d’essai (et non le rendement maximum évalué par un modèle de réponse à chaque site). En effet, le rendement relatif est mieux corrélé à l’analyse de sol que le rendement absolu lorsqu’on assemble les résultats de tous les essais de fertilisation menés à une échelle régionale et à différentes périodes. On peut aussi utiliser le rapport de réponse, soit le logarithme du ratio entre le rendement du traitement et le rendement témoin, pour effectuer des méta-analyses qui tiennent compte de la variance de l’erreur de chaque site, les résultats plus variables influençant proportionnellement moins la réponse de la plante à l’engrais [6]. Les essais de fertilisation sont conduits à chaque site sous l’hypothèse optimiste du ceteris paribus (tous les facteurs autres que ceux qu’on fait varier sont égaux ou à un niveau optimal).


Le rendement relatif en ordonnée (Y) est relié à l’analyse de sol en abscisse (X). Le seuil critique de réponse est la valeur minimale en X requise pour l’entretien du niveau de fertilité. Il est obtenu à l’aide d’une méthode de partition en quadrants comme celle dite de ‘Cate-Nelson’ qui maximise le nombre de cas de réponse positive ('vrais positifs') et de cas de non-réponse ('vrais négatifs') dans leurs quadrants respectifs (Figure 1). On compte le nombre de points vrais positifs et vrais négatifs après avoir optimisé la répartition entre les quadrants. La précision de classification est calculée en divisant le nombre de vrais positifs et de vrais négatifs par le nombre total de points. La plupart du temps, le seuil optimal de la partition en Y se situe autour de 80 % du rendement maximum alors qu’on recherche théoriquement 90 à 97 % lorsque la relation X-Y peut être décrite par une équation plutôt que par un classement par quadrant. L’imprécision du modèle de partition vient d’un nombre trop élevé de faux négatifs et de faux positifs. Pour initier la délimitation des ‘classes de fertilité’, on divise successivement les niveaux d’analyse par deux sous le seuil critique et on multiplie successivement par deux au-delà du seuil critique, puis on analyse les courbes de réponse aux engrais dans chacune des classes. Le modèle final est un consensus d’experts sur une dose réaliste à recommander de façon générale par classe de fertilité.
 
Figure1

Figure 1. Distribution des rendements de part et d’autre du niveau critique d’analyse de sol. VN = vrai négatif (rendement relatif élevé, peu de réponse aux engrais au-delà du niveau critique). FN = faux négatif (rendement relatif faible sans réponse aux engrais au-delà du niveau critique). FP = faux positif (rendement relatif élevé sans réponse aux engrais mais sous le niveau critique). VP = vrai positif (rendement relatif faible sous le niveau critique).



Limites des modèles de grilles de fertilisation
Bien qu’utile pour élaborer des directives générales pour la fertilisation d’une culture, l’assemblage des rendements relatifs intégrant tous les essais de fertilisation soulève plusieurs questions :
 
  1. L‘hypothèse du ceteris paribus évite de considérer les interactions entre l’analyse de sol et les autres caractéristiques du site (qualité et santé du sol, pratiques de conservation, climat, …) alors que les facteurs impactant le rendement réel interagissent à l’échelle locale,
  2. Le dénominateur commun pour les rendements mesurés sur un site donné (rendement maximum observé) varie considérablement entre les sites où les rendements réels sont limités par des facteurs différents. Ceci affecte l’interprétation statistique et agronomique des résultats;
  3. Les rendements relatifs ne sont pas interprétables directement en termes de profitabilité, d’analyse de risque et de correctifs à apporter car les informations sur le rendement réel et les facteurs locaux ‘disparaissent’ dans une expression de rendement relatif;
  4. L’allure des modèles de réponse de la plante aux ajouts d’engrais dépend de la dose sélectionnée comme traitement témoin (0 ou toute autre dose), du faible nombre de doses appliquées et de l‘espacement entre les doses, ce qui rend difficile l’évaluation de la dose optimale pour les sites situés dans une même classe de fertilité;
  5. La variance entre les sites est souvent hétérogène et ne peut être ramenée à une variance moyenne pour effectuer les analyses statistiques traditionnelles, un problème résolu en partie par les méta-analyses [6];
  6. Les modèles statistiques servent à tester des hypothèses de recherche sur des effets de traitement plutôt qu’à faire des prédictions, et ils sont rarement validés par des données indépendantes;
  7. Les modèles statistiques sont biaisés envers les conditions spécifiques aux sites expérimentaux qui sont souvent trop peu nombreux et par le choix des modèles de réponse. Ils ignorent les données observationnelles factuelles des producteurs et des conseillers;
  8. Les rendements relatifs de tous les sites sont intégrés dans le modèle général même si l’analyse de variance montre qu’il n’y a pas de différences statistiquement significatives entre les traitements, un problème résolu en partie par les méta-analyses [6];
  9. L’hétérogénéité des réponses reliée aux facteurs spécifiques aux sites produit de l’imprécision dans les modèles continus. Les grilles proposent donc des doses discontinues par classe de fertilité. Il s’ensuit de l’incertitude sur le choix du dosage aux limites des classes;
  10. La qualité de la récolte n’est pas considérée, seulement le rendement relatif;
  11. La variabilité spatiale du sol dans les champs en production et le calibrage des modes d’épandage impliquent de l’imprécision lors du transfert d‘une recommandation au champ.


Le Guide de référence en fertilisation du CRAAQ [1] a fourni une liste de facteurs à considérer pour l’ajustement de la dose à l’échelle du champ, la sélection de la source, le mode d’application et le moment d’application, ainsi que des procédures de validation par des essais à la ferme. Une fiche technique du CRAAQ a documenté les facteurs qui influencent la recommandation d’azote tout en insistant sur le besoin de valider les doses par des essais menés à la ferme [7], un processus d’amélioration continue normal pour accroître l’efficience des entreprises agricoles. En effet, la dose peut varier en fonction des conditions locales. Les essais de fertilisation azotée du maïs de la décennie 2000-2010 montraient que la réponse du maïs-grain couvrait une large plage entre 0 et 300 kg N/ha, avec une moyenne de 170 kg N/ha [7,8]. Il est clair que la recommandation de 170 kg N/ha ne convient pas à toutes les situations. Pour le Midwest, des chercheurs [9] ont proposé des modèles de gestion adaptative de l’azote par zone biogéographique, ce qui implique un partage des données expérimentales (essais de fertilisation) et observationnelles (producteurs, conseillers) et une participation active des parties prenantes dans chaque zone.

Ce n’est pas différent pour le potassium [10] et le phosphore [11-12]. Au Québec comme ailleurs, l’abondance d’argile-mica de type illite dans le sol peut conduire à la non-réponse des plantes aux engrais potassiques. D’autre part, des recherches récentes sur le phosphore [13] indiquent qu’il y aurait en moyenne une non-réponse du maïs aux engrais phosphatés lorsque la saturation du sol en phosphore dépasse 5 % (rapport P/Al). Seul le poids spécifique du grain tendrait à augmenter dans la classe P/Al située entre 5 et 10 %. Il y avait toutefois une grande variation entre les sites. ‘Nourrir le sol’ semblait adéquat jusqu’à une saturation (P/Al) de 5 %, proche des recommandations dans le Midwest américain [4]. La grande dispersion des points de part et d’autre de la moyenne au-delà de la valeur critique de 5 % indiquait qu’il fallait considérer, dans la prise de décision à la ferme, un ensemble de facteurs qui influencent le transfert du phosphore dans le système sol-plante-eau de l’échelle de la plante à celles du champ et du bassin versant agricole. Le jugement agronomique dépasse les capacités des analyses statistiques à fournir une réponse autre que la dichotomie accepter/rejeter à un niveau de probabilité donné [14].


Vers des recommandations personnalisées
Bien s’informer pour lever les incertitudes, ça s‘apprend! Pour améliorer les recommandations d’engrais et agir sur les facteurs contrôlables, il faut d’abord consigner les informations sur les facteurs climatiques, édaphiques et managériaux disponibles dans un fichier électronique permanent, puis relier ces facteurs au rendement et à la qualité des récoltes afin de cibler les meilleures combinaisons possibles de facteurs contrôlables. Les données consignées peuvent être traitées par des méthodes d’exploration des données. Les logiciels d’autoapprentissage peuvent proposer des recommandations personnalisées avec une analyse de risque en appui à la décision finale. La précision des modèles d’intelligence artificielle dépend de leur courbe d’apprentissage, donc du partage des données massives de diverses sources (le modèle ‘apprend’ des informations massives et diversifiées qu’on lui fournit). En intelligence artificielle, on examine des combinaisons profitables de facteurs contrôlables correspondant à des situations réelles et qui ont mené au succès ou à l’échec de la culture dans un contexte de facteurs incontrôlables. Ce concept est plus facile à maîtriser et à interpréter par les parties prenantes que les interactions factorielles toujours insuffisantes et encombrantes utilisées en statistique.
 
Image Agri-Réseau

 

Source : Léon-Étienne Parent

Pour réduire l’incertitude sur les doses et les facteurs associés, une abondance de spécimens à succès, comparables le plus possible au cas à l’étude sauf pour des facteurs à corriger, peut être extraite directement de la base de données par le modèle. Ceci facilite la recherche de facteurs limitatifs mais contrôlables documentés par les technologies actuelles pour atteindre un rendement réaliste fourni par la base de données en utilisant des pratiques adaptées par des chercheurs ou adoptées par d’autres producteurs. Ces modèles avant-gardistes visant des rendements élevés avec une utilisation parcimonieuse et efficace des intrants fertilisants, sont en expérimentation dans quelques productions fruitières et forestières au Québec et au Brésil. Les articles publiés sur le sujet sont accessibles sur le Web [14-20].



Perspectives
Le producteur avisé comprendra vite qu’il fait partie de la solution. La recommandation localisée répondra à ses besoins spécifiques en extrayant de la base de données une brochette de cas à succès comparables au cas diagnostiqué, sauf pour les facteurs contrôlables à corriger. Le producteur pourra améliorer sa gestion des incertitudes en minimisant les risques économiques et environnementaux, car la pratique bénéfique sélectionnée est déjà documentée dans la base de données pour des conditions comparables. Pour y arriver, il faudra constituer des clubs de partage des données et développer des ententes de type FAIR entre les parties prenantes (FAIR : Findable, Accessible, Interoperable, Re-usable). Ce changement de paradigme est à notre portée, car les données massives peuvent s’accumuler rapidement et être facilement traitées par les modèles d’intelligence artificielle.


Conclusion
Comme anticipé dans le guide du CRAAQ publié en 2010, on peut maintenant viser au-delà du concept des grilles de référence en fertilisation. Il y a actuellement au Québec un grand nombre de données expérimentales et observationnelles. Le facteur limitatif est la collecte de ‘données précises, aussi complètes que possible et véridiques’ et l’organisation uniforme et adéquate des données à des fins de modélisation. Des essais à la ferme contribueront encore davantage et de façon active à lever les incertitudes. Les bases de données et les méthodes d’intelligence artificielle permettront d’élaborer des modes de gestion appropriés, de conserver la mémoire des bons et des mauvais coups, et d’envisager des pratiques bénéfiques et profitables pour faire face à la dégradation de l’environnement et aux changements climatiques. Avec un effort conséquent, elles permettraient au Québec de s’affirmer dans le domaine.

Révision :
Gilles Gagné, agr., M. Sc., Centre d’expertise et de transfert en agriculture biologique et de proximité (CETAB+), Cégep de Victoriaville, Victoriaville, Québec.
Éric Thibault, agr., directeur général, PleineTerre inc., Napierville, Québec.


                                                                                               Lire le billet suivant



 
  1. Parent LE; Gagné G. (éditeurs scientifiques). Guide de référence en fertilisation. 2ième édition, Centre de référence en agriculture et agroalimentaire du Québec (CRAAQ) 2010, Québec.
  2. Tran TS; Giroux M. Évaluation de la méthode Mehlich-III pour déterminer les éléments nutritifs (P. K, Ca, Mg, Na) des sols du Québec. Agrosol 1989, 2(1), 27-33.
  3. Khiari L; Gallichand J; Bouslama S. Volume or weight soil sampling for extracting Mehlich III elements with routine analyses?, Communications in Soil Science and Plant Analysis 2017, 48(15), 1753-1763, DOI: 10.1080/00103624.2017.1395445
  4. Culman S; Fulford A; Camberato J; Steinke K. Tri-State Fertilizer Recommendations. Bulletin 974, 2020. College of Food, Agricultural, and Environmental Sciences. Columbus, OH: The Ohio State University.
  5. Motew M; Chen X; Booth EG; Carpenter SR; Pinkas P; Zipper SC; Loheide II SP; Donner SD; Tsuruta K; Vadas PA; Kuchafrik CJ. The influence of legacy P on lake water quality in a Midwestern agricultural watershed. Ecosystems 2017. DOI: 10.1007/s10021-017-0125-0
  6. Quinche MG; Pellerin A; Parent LE. Response of lettuce (Lactuca sativa) to added N in organic soils. Canadian Journal of Plant Science 2016, 96(4), 670-676; DOI: 10.1139/cjps-2015-0301
  7. Tremblay N; Seydoux S. 2016. Viser la dose optimale d’azote pour concilier profits et environnement. Feuillet technique. CRAAQ, PSOLO106-PDF, ISBN 978-2-7649-0510-4, Québec.
  8. Parent LE; Tremblay G; Robert L; Faucher Y. Comments on ‘Variability in corn response to nitrogen fertilizer in eastern Canada’ by L.A. Kablan, V. Chabot, A. Mailloux, M.E. Bouchard, D. Fontaine, and T. Bruulsema. Agronomy Journal 2018, 109, 2231-2242 (2017).
  9. Morris TF; Murrell TS; Beegle DB; Camberato JJ; Ferguson RB; Grove J; Ketterings Q; Kyveryga PM; Laboski CAM; McGrath JM; Meisinger JJ; Melkonian J; Moebius-Clune BN; Nafziger ED; Osmond D; Sawyer JE; Scharf PC; Smith W; Spargo JT; van Es HM; Yang H. Strengths and limitations of nitrogen rate recommendations for corn and opportunities for improvement. Agronomy Journal 2018, 110, 1-37.
  10. Breker JS; DeSutter T; Rakkar MK; Chatterjee A; et al. Potassium Requirements for Corn in North Dakota: Influence of Clay Mineralogy. Soil Sci. Soc. Am. J., 2019, 83(2), 429–436. https://doi.org/2136/sssaj2018. 0376
  11. Khiari L; Parent LE; Pellerin A; Alimi ARA; Simard RR; Tremblay C; Fortin J. An agroenvironmental phosphate saturation index for acid, coarse-textured, soils. Journal of Environmental Quality 2000. 29, 1561-1567.
  12. Pellerin A; Parent LE; Tremblay C; Fortin J; Tremblay G; Landry CP; Khiari L. Agri-environmental Mehlich-III soil phosphorus saturation index for corn in Quebec. Canadian Journal of Soil Science 2006, 86, 897-910.
  13. Parent SÉ; Dossou-Yovo W; Ziadi N ; Leblanc M; Tremblay G; Pellerin A ; Parent LE. Corn response to banded P fertilizers with or without manure application in Eastern Canada. Agronomy Journal, 2020. DOI: 10.1002/agj2.20115
  14. Amrhein V; Greenland S; McShane B. Scientists rise up against statistical significance. Nature 2019, 567, 305-307. https://doi.org/10.1038/d41586-019-00857-9
  15. Betemps DL; Paula BV de; Parent SÉ; Galarça SP; Mayer NA; Marodin GA.; Rozane DE; Natale, W; Melo GWB; Parent LE; Brunetto G. Humboldtian diagnosis of peach tree (Prunus persica) nutrition using machine-learning and compositional methods. Agronomy 2020, 10, 900, doi:10.3390/agronomy10060900.
  16. Neto AJ; Deus JAL; Rodrigues Filho VA; Natale W; Parent LE. Nutrient diagnosis of fertigated “Prata” and “Cavendish” banana (Musa spp.) at plot-scale. Plants 2020, 9, 1467.
  17. Parent LE; Jamaly R; Atucha A; Parent EJ; Workmaster BA; Ziadi N; Parent SÉ. Current and next-year cranberry yields predicted from local and carryover effects. Plos ONE 2021, 16(5): e0250575.
  18. Parent LE; Natale W; Brunetto G. Machine learning, compositional and fractal models to diagnose soil quality and plant nutrition. Michael Aide and Indi Braden (Eds), Soil Science - Emerging Technologies, Global Perspectives and Applications 2021; In TechOpen Ltd, London UK (sous presse).
  19. Parent SÉ; Lafond J; Paré MC; Parent LE; Ziadi N. Conditioning machine learning models to adjust lowbush blueberry crop management to the local agroecosystem. Plants 2020, 9, 1401.
  20. Paula BV de; Arruda WS; Parent LE; Brunetto G. Nutrient diagnosis of Eucalyptus at factor-specific level using machine learning and compositional methods. Plants 2020, 9, 1049. doi: 10.3390/plants9081049
 
Commentaires (0)
Me connecter

Date de publication : 22 juin 2021

En cliquant sur « Accepter tous les cookies », vous acceptez le stockage de ces témoins de connexion sur votre appareil. Ceux-ci permettent au CRAAQ de générer des statistiques et d'améliorer votre expérience utilisateur. Vous pourrez les désactiver en tout temps dans votre fureteur Web.

Ceci est la version du site en développement. Pour la version en production, visitez ce lien.