La contamination des eaux de surface par les pesticides est avérée en France comme dans le reste de l’Union Européenne (European Environment Agency, 2024). En France, les molécules les plus souvent décelées et quantifiées à fortes concentrations sont principalement des herbicides et leurs métabolites (Leenhardt et al., 2022). L’export de pesticides des parcelles par ruissellement constitue une voie majeure d’apport aux masses d’eau aval ruissellement de constitue une voie majeure de transfert dans l’environnement. Il varie fortement selon les contextes pédo-climatiques, les propriétés chimiques des molécules, les doses et calendriers d’épandage, ou de pratiques d’entretien du sol susceptibles de modifier les propriétés de transfert des sols (ex. Labour). Il existe plusieurs modèles mécanistes prédisant cet export. Leur déploiement sur de longues chroniques climatiques et une large diversité de contextes agro- pédo-climatique, nécessaire pour évaluer le risque de transfert ou son évolution lors de changement de pratiques peut se heurter à des temps de calculs conséquent. En outre, leur déploiement est souvent limité par le manque de données pour renseigner les paramètres nécessaires à leur exécution. La méta-modélisation est un levier à la fois pour réduire les temps de calcul de modèle mécaniste. Plusieurs approches sont possibles, dont la méta-modélisation à base statistique qui vise à ajuster une fonction mathématique d’approximation pour reproduire une ou plusieurs sorties d’intérêt du modèle initial (e.g. Kleijnen, 2009 ; Castelletti et al., 2012). Il s’agit donc d’une simplification du modèle initial sur la diversité des variables simulées et/ou sur son domaine d’application, mais qui conserve l’effet de l’ensemble des processus pertinents du modèle initial. La méthode repose sur un apprentissage, dont la base de données doit couvrir le domaine d’application visé. Elle peut nécessiter l’ajustement de très nombreux paramètres, mais le méta-modèle produit pourra ensuite être instancié avec un nombre restreint de paramètres spécifiques à la situation à représenter. Il existe quelques rares exemples de méta-modélisation de modèles mécanistes de transferts hydrologiques de pesticides à l’échelle parcellaire. Ainsi, plusieurs méta-modélisations du modèle MACRO (Larsbo et al., 2005) visent à reproduire la concentration moyenne annuelle de pesticides dans les sols ou son 80ème percentile (Holman et al. (2004), Reichenberger et al. (2021), Stenemo et al. (2007). Les variables de sortie de ces méta-modèles sont statiques. Plusieurs méthodes pour produire une méta-modélisation de variable dynamique ont été testées dans le domaine des sciences de l’environnement. En hydrologie, la méthode d’apprentissage profond Long Short Term Memory (LSTM, Hochreiter and Schmidhuber, 1997) a été très récemment reconnue comme particulièrement performante pour la simulation de la relation temporelle pluie-débit (Kratzert et al. (2018, 2019), Hu et al. (2018), Xiang et al. (2020)). Elle présente des temps d’exécution remarquablement courts (Arsenault et al., 2023). Les modèles LSTM tiennent compte des relations entre les séquences temporelles des variables d’entrée et de sortie à court et à long terme, ce qui les rend adaptés à la simulation de la dynamique de variables hydrologiques pour laquelle les séries temporelles de données sont fortement auto- corrélées (Arsenault et al., 2023). En ce sens, un modèle LSTM devrait aussi permettre de simuler des séries temporelles de concentrations en pesticides dans les ruissellements de surface, qui dépendent de facteurs hydrologiques mais aussi des mécanismes de sorption et de dégradation des molécules dans le sol dont l’influence relative varie en fonction du temps écoulé depuis l’épandage (Métayer et al. 2023). Les modèles LSTM pluie-débit déjà développés s’appuyent, en plus des séries temporelles de forçage, sur la/les variables produites au pas de temps précédents. Simuler sans itération une séquence temporelle en continu avec un modèle LSTM semble toutefois possible et pourrait représenter une solution plus efficace en temps de calcul (e.g. Xiang et al. (2020). Dans ce contexte, cette présentation proposera une démarche de méta-modélisation par réseau LSTM d’un modèle mécaniste simulant en continu les variabilités temporelles des exports en pesticides par ruissellement Hortonien à l’exutoire d’une parcelle agricole. Plus spécifiquement, sera abordée la performance d’un réseau LSTM i) à reproduire de longues séries temporelles de ruissellements Hortoniens et de concentrations en pesticides associées simulées par une modélisation mécaniste à l’exutoire d’une parcelle agricole en contexte méditerranéen, et ii) à réduire le temps de calcul de la modélisation mécaniste initiale. La méta-modélisation est menée à l’échelle d’une parcelle et vise à simuler les débits horaires de ruissellement et les concentrations en herbicides à l’exutoire au cours d’une année en contexte viticole Méditerranéen. La base d’apprentissage et de validation a été créée à partir de simulations avec le modèle MHYDAS Pesticide 1.0 (Crevoisier et al., 2021), validée sur sa capacité à reproduire les exports de pesticides par ruissellement sur des chroniques pluri-annuelles (Métayer et al., 2023). Elle contient 560 560 simulations de chroniques annuelles d’export horaire de pesticides (ruissellement et concentrations) ; 70% ont été utilisées pour l’apprentissage et les 30% restant pour la validation.