Proposition de plan de travail pour un poste de chercheure en écologie des populations pour la gestion territoriale des ravageurs des cultures dans l’équipe AIDA du CIRAD. Oral du 08/10/2020
Introduction
L’intensification écologique constitue un axe majeur de recherche au CIRAD et particulièrement dans l’équipe AIDA. Le concept regroupe toutes les méthodes qui maximisent et pérennisent les fonctions de l’écosystème notamment les services écosystémiques. L’intensification écologique joue un rôle important dans les stratégies de gestion des ravageurs. Elle permet par exemple de recruter le service de régulation biologique en optimisant toutes les méthodes naturelles (comme celles qui promeuvent les populations d’ennemis naturelles et protègent leurs habitats) qui contribuent à réduire (à un seuil économiquement acceptable) les populations de ravageurs dans les cultures et de ce fait la dépendance à la lutte chimique.
Pendant longtemps la gestion des ravageurs s’est faite à l’échelle de la parcelle et cela même pour les ravageurs dont la capacité de dispersion allait au-delà de cette limite. Ces stratégies de gestion populaires, essentiellement chimiques, montrent des limites avec des conséquences néfastes sur l’environnement-agrosystème et sur la santé des agriculteurs et des consommateurs. La prise de conscience qui est maintenant mondiale amène à repenser les stratégies de gestion des ravageurs dans les agrosystèmes1 pour mettre en place des stratégies de gestion durables qui à la fois stimulent la productivité et réduisent la dépendance chimique.
Pour le poste proposé, voici quelques pistes sur la façon dont les différentes missions pourraient être abordées. Ceci est bien entendu une vue très préliminaire qui sera largement amendée avec la connaissance exacte du contexte et l’expérience de l’équipe en place.
Partie 1. Modélisation : Analyse de données et Modélisation spatiale
La première partie concerne la mise en place et l’évaluation de méthodes et outils de modélisation (empiriques ou mécanistes, spatiaux ou non…) qui exploiteront les données de terrain déjà récoltées et les données des sociétés cotonnières.
La modélisation apportera des informations sur les facteurs susceptibles d’influencer les paramètres écologiques des ravageurs. La modélisation permettra également de détecter des tendances et produire des cartes spatio-temporelles de mobilité des ravageurs sur un territoire. Il existe une grande variété de méthodes de modélisation variant par exemple en fonction des objectifs d’analyse, du type de données demandées en entrée (données de présence, abundance,…), de la quantité et qualité de données disponibles. Certains modèles permettent de comprendre et prédire un processus défini dans le système en se basant sur les données observées (c’est le cas des modèles empiriques) et d’autres permettent de comprendre et prédire le fonctionnement du système à partir de règles biologiques (c’est le cas des modèles mécanistes).
Ci-dessous je présente quelques méthodes de modélisation pour répondre aux premiers objectifs du poste. J’ai utilisé certaines de ces méthodes dans mes recherches antérieures, je suis intéressée pour appliquer les autres dans le contexte du poste.
1.1. Des modèles pour comprendre la dynamique des populations et la dispersion des ravageurs
1.1.1. Modélisation statistique (Algorithmes statistiques, empiriques)
J’ai déjà utilisé des algorithmes statistiques comme les modèles linéaires généralisés (avec ou sans variable aléatoire GLM et GLMM), les modèles additifs généralisés (GAM) et les régressions des moindres carrés partiels (PLS) pour comprendre la dynamique des populations d’H. armigera et quantifier le rôle des pratiques agricoles et des facteurs paysagers sur les abondances d’adultes2 et de larves3 dans les parcelles de cotonniers. J’ai utilisé une approche de régression basée sur le filtrage spatial des vecteurs propres (ESF eigenvector spatial filtering)4,5 pour quantifier les effets des facteurs locaux et paysagers sur l’abondance des carabes dans différents types de steppes chinoises. Au cours de ce même projet, j’ai utilisé des méthodes de modélisations multivariés comme l’analyse de canonique de correspondance (CCA) pour étudier les déterminants de la composition spécifique des communautés de carabes. En ce moment, je travaille sur l’utilisation des modèles de distribution d’abondance des espèces (modèles SAD). Les modèles SAD permettent d’évaluer rapidement la santé d’un écosystème en examinant la distribution des abondances des espèces de l’écosystème.
Ces méthodes d’analyse seront utiles pour étudier une communauté d’espèces de ravageurs dans les agrosystèmes de cotonniers, et les facteurs qui expliquent la dynamique d’une des populations ou de la communauté.
D’autres algorithmes statistiques pourront être utilisés pour comprendre la distribution des ravageurs. Par exemple, Early et al, 20186 ont utilisé la régression multivariée par spline adaptative (algorithme MARS)6 pour étudier la dynamique des populations de Spodoptera frugiperda. Cette méthode présente la possibilité de modéliser plusieurs variables réponses7 de telle façon qu’on pourra l’utiliser pour déterminer les patrons environnementaux d’un ensemble d’espèces ravageurs (par exemple pour une communauté de 4-5 espèces les plus observées sur un territoire). L’algorithme Maximum Entropy (MaxEnt) prédit l’occurrence des espèces en considérant les limites spatiales de l’environnement défini en entrée. MaxEnt a déjà été utilisé pour prédire la distribution spatiale de la Cochenille du coton Phenacoccus solenopsis en Inde8. De plus MaxEnt permettra, dans une phase ultérieure du projet de comparer les enveloppes environnementales du ravageur et d’un ennemi naturel, dans le cadre d’une méthode de lutte biologique.
1.1.2. Modélisation spatiale ou géostatistique
Les agrosystèmes sont intrinsèquement hétérogènes du fait de la variabilité des sols, des cultures, du microclimat…9, 10. En conséquence, il existe aussi une variabilité spatiale des populations d’insectes qui est due aux interactions autécologiques et synécologiques11. Cette variabilité est encore plus élevée dans les agrosystèmes africains du fait du système de cultures qui reposent sur de petites parcelles et une grande variabilité de cultures2,3.
Les méthodes géostatistiques permettent de capter cette variabilité spatiale et de faire des prédictions sur la dynamique et la dispersion des populations. Les travaux de Sciarreta et Trematerra, 201411 et de Song et al, 2017 12 exposent un certain nombre de ces méthodes (Régression linéaire multiple spatio-temporelle ; Modèle de panel spatio-temporel ; Régression pondérée géographiquement et temporellement ; Modèle additif généralisé spatio-temporel). Toutes ces méthodes reposent sur l’interpolation spatiale (le Krigeage est cité comme la meilleur méthode d’interpolation). Elles analysent la dépendance spatiale entre les échantillons et génèrent des estimations de la variable d’étude (par exemple l’abondance des ravageurs) pour les points dans l’espace qui n’ont pas été échantillonnés (Brenner et al, 199813). Ces méthodes ont déjà été utilisées pour examiner et prédire la distribution spatio-temporelle de nombreuses espèces de ravageurs12,14 dont des ravageurs de cotonniers notamment des carpophages Helicoverpa armigera et Pectinophora gossypiella15en Grèce.
1.1.3. Autres approches
Les réseaux bayésiens permettent d’estimer les causes probables (facteurs explicatifs) d’un phénomène (dans notre cas, infestation de ravageur ou absence, dynamique observée…).
Nous pourrons étudier ces réseaux pour mieux comprendre les interactions entre les variables du système, et obtenir des probabilités à partir des variables observées. Les réseaux seront construits (structure) par expertise et connaissance des phénomènes biologiques, et par apprentissage automatique (structure et paramètres) à partir des données empiriques disponibles, en utilisant des outils comme la librairie bnlearn pour R, ou d’autres outils comme JAGS et OpenBUGS qui s’interfacent avec R.
Dans un cadre un peu plus théorique nous pourrons explorer l’utilisation de chaînes de Markov pour tenter de prédire la dynamique de population à long terme suivant des paramètres fixés au départ.
La fouille de données (data mining) sera explorée avec des logiciels existants comme SIPINA, cette manière de trouver les corrélations entre variables sera évaluée.
1.2. Mise en place de stratégies de surveillance sur les points clés (espace et temps)
Il pourra s’agit ici d’isoler des indicateurs ou mesures des infestations de ravageurs dans les parcelles de cotonniers, afin de mettre en place ou renforcer les stratégies de surveillance déjà implantées dans la zone d’étude.
Les modèles spatio-temporels présentés plus haut seront ici les premiers à envisager pour obtenir des prédictions dans le temps et l’espace (dynamique des populations et dispersion) à partir d’observations.
Les travaux précédents de modélisation nous auront permis d’isoler les indicateurs les plus prédictifs de la dynamique des populations et de la dispersion des ravageurs, et de déterminer des zones (espace) et des fenêtres temporelles prioritaires à surveiller, la surveillance pourra être directe (mesures directes de présence des ravageurs) ou indirecte (mesures des indicateurs prédictifs).
Les modèles pourront être affinés au fil des nouvelles observations permettant d’évaluer leur efficacité.
1.2.1. Méthodes de terrain
La surveillance directe s’appuiera spécifiquement sur du monitorage via des observations (in situ : par exemple larves, adultes, chrysalides pour les ravageurs noctuelles) ou le suivi de pièges sélectionnés en fonction des espèces de ravageurs présentes. Par exemple il pourra s’agir de pièges lumineux (pour les noctuelles, plusieurs carpophages du cotonnier sont des noctuelles Helicoverpa armigera, Spodoptera frugiperda, Diparopsis watersi), de pièges à phéromone (phéromone fonction de l’espèce), de pièges à cuvette jaune (fonctionne bien pour les piqueurs-suceurs de cotonniers comme les pucerons, les cicadelles et les aleurodes).
L’efficacité de ces stratégies de surveillance des ravageurs dépend de tous les acteurs du système. Un maximum d’acteurs locaux du système de production de coton de la zone d’étude devra être impliqué pour former un réseau de veille. Dans un souci de réduction des coûts et d’adaptation du dispositif de surveillance aux exigences de la zone d’étude, les outils de surveillance (méthode d’observation, indicateurs à suivre) les plus simples, rapides à évaluer et fiables seront privilégiés.
1.3. Des modèles plus mécanistes pour les stratégies de gestion des ravageurs
La modélisation basée sur des modèles mécanistes (bottom-up) est très intéressante notamment pour connaître l’évolution du système suivant les données et paramètres de départ, et les perturbations (exogènes comme le changement climatique ou endogènes lorsqu’on veut simuler l’efficacité d’une stratégie de gestion).
Il s’agira ici de trouver les leviers sur lesquels agir (qui peuvent être différents des facteurs explicatifs trouvés dans la phase de modélisation prédictive).
Wallentin, 201716 constitue une bonne introduction sur l’état de l’art et les enjeux des simulations spatiales en écologie.
De nombreux outils existent (citons GAMA17 et NetLogo18). Il faudra déterminer comment les alimenter en données (pipeline, préparation des données) et optimiser leur paramétrage (règles à définir en entrée selon le langage du simulateur). L’outil Ocelet du CIRAD (UMR TETIS) peut être un choix pertinent car le support à l’utilisation voire les demandes d’évolution pourront être très efficaces.
Le paramétrage du système, dépendant de l’outil et du langage de l’outil, sera réalisé après une recherche bibliographique et de l’état de l’art poussée, et avec les retours d’expérience de l’équipe.
L’évaluation du système19, à partir des données observées, sera très importante.
L’exploration de modèles hybrides20 (combinant bottom-up et top-down) est une piste intéressante pour améliorer la fiabilité des simulations.
Idéalement, l’outil permettra d’une part d’obtenir des distributions de simulations en exécutant les simulations de nombreuses fois en faisant varier de façon stochastique les données de départ (ce qui représente l’imperfection des mesures du réel) pour obtenir les résultats les plus probables, et pour évaluer la robustesse du modèle aux variations dans les observations. Il serait également intéressant de pouvoir affiner le paramétrage des règles de la simulation, par apprentissage automatique. Une piste est l’utilisation d’algorithmes génétiques, sur des populations de simulations, où les gènes sont les paramètres des règles.
Tout ce travail sera facilité par ma grande connaissance des outils informatiques comme R et des outils de SIG, mes prévisions de recherche bibliographiques poussées (avec la possibilité d’en faire un article Review) dès les premiers mois du poste et pourra être soutenu par les collègues (compétents en informatique) du CIRAD.
Partie 2. Terrain
J’ai l’expérience du travail de terrain en Afrique de l’Ouest et particulièrement des contraintes d’expérimentation in situ dans les zones de production de coton. En effet, pendant mes travaux de thèse (financée par le CIRAD), j’ai planifié, organisé et dirigé deux campagnes de terrain (équipe de 6 acteurs locaux, 2011 et 2012, villages du Nord Bénin) et les enquêtes auprès des cotonculteurs. Il s’agissait pendant ces travaux de terrain, de mesures d’infestation (comptage de chenilles), de relevés d’occupation du sol autour des parcelles de cotonniers sélectionnées, d’interviews avec les cotonculteurs des parcelles sélectionnées et de piégeages lumineux. J’ai également collaboré avec des acteurs de la filière locale de coton (SONAPRA21).
Concernant ce projet, il sera intéressant d’étendre la zone d’étude sur toute l’Afrique de l’Ouest en collaborant avec les acteurs des différentes institutions de coton de la région : (Bénin (SONAPRA21), Sénégal (SODEFITEX22), Mali (UN-SCPC23), Burkina Faso (SOFITEX24), Cote d’Ivoire (Ivoire Coton et COIC25). Les populations de ravageurs sur plusieurs territoires de latitudes différentes (gradient climatique) seront alors étudiées et les stratégies de GTR seront comparées entre les différentes zones d’études.
Partie 3. Les outils d’aide à la décision (OAD)
Cette partie concerne la conception d’outils d’aide à la décision (OAD). Les OAD constituent un levier important pour appliquer et améliorer les innovations de la recherche appliquée. Par exemple dans ce projet de recherche, construire un OAD après les questions précédentes (dynamique des populations de ravageurs, facteurs à surveiller, facteurs influençant la dynamique) permettra de co-construire des stratégies de lutte contre le-s ravageur-s cible-s. L’utilisation de l’OAD dans le temps permettra également d’accumuler des données qui serviront à augmenter la robustesse de l’outil. Il pourra s’agir par exemple de données d’observation des espèces et d’autres paramètres définis avec les acteurs des filières de coton impliqués dans le projet.
La construction des OAD doit se faire en concertation avec le plus grand nombre d’acteurs du système possible (co-construction). Ceci optimisera son utilisation pour réduire les potentiels biais au fur et à mesure de l’avancée du projet, et améliorera l’adoption des stratégies. Le succès de cette OAD dépendra en grande partie de l’efficacité de la co-construction comme cela a été mentionné dans de précédentes études26,27.
Il existe de nombreux OAD développés dans l’unité AIDA et mis à disposition du public et des décideurs. La plateforme Smart IS (https://smartis.re) créé à cet effet héberge de nombreux OAD comme AGREF28 développé par l’équipe ARTISTS de AIDA. Les OAD développés dans cette plateforme concernent particulièrement l’ile de la Réunion.
Dans une étape avancée du projet, il sera également intéressant d’augmenter l’ergonomie de l’OAD en proposant des interfaces simplifiées (du type applications mobiles) pour faciliter son utilisation.
Des versions sous forme de fiches plastifiées (comme des jeux de disques avec des indicateurs classés par code couleur29) peuvent également être envisagées, adaptées aux différents acteurs (surtout pour les acteurs non-informatisés) sur le terrain, sous forme simplifiée (situation -> action).
Conclusion
Toutes les méthodes évoquées brièvement ici font partie de mon expérience ou sont à ma portée et je pourrai les mettre en œuvre rapidement. J’ai déjà prouvé lors de mes expériences de recherche mon adaptabilité, mon initiative, mon autonomie mais aussi mon goût pour les collaborations et le travail en équipe. Je souhaite contribuer au succès du projet et de l’équipe et je pense que les missions évoquées me correspondent bien.
1 Brevault and Clouvel. 2019. Crop Protection. https://doi.org/10.1016/j.cropro.2018.09.003
2 Tsafack et al. 2016. Pest Management Science. https://doi.org/10.1002/ps.4197
3 Tsafack et al. 2013. International Journal of Pest Management. http://dx.doi.org/10.1080/09670874.2013.852270
4 Murakami and Griffith. 2018. Geographical Analysis. https://doi.org/10.1111/gean.12156
5 Tsafack et al. 2019. PeerJ. http://dx.doi.org/10.7717/peerj.6197
6 Early et al. 2018 NeoBiota 40:25-50. https://doi.org/10.3897/neobiota.40.28165
7 Elith and Leathwick. 2007 Diversity and Distributions. http://dx.doi.org/10.1111/j.1472-4642.2007.00340.x
8 Fand et al. 2014. Journal of Environmental Biology. PMID : 25204075
9 van Helden. 2010. Springer, Dordrecht. http://doi-org-443.webvpn.fjmu.edu.cn/10.1007/978-90-481-9277-9_4
10 Dunning et al. 1992. Oikos. http://www.jstor.org/stable/3544901
11 Sciarreta et Trematerra. 2014. Plant protection Science. https://doi.org/10.17221/40/2013-PPS
12 Song et al. 2017. International Journal of Geo-Information. https://doi.org/10.3390/ijgi6120397
13 Brenner et al. 1998. American Entomologist, Volume 44, Issue 2, Summer 1998, Pages 79–102, https://doi.org/10.1093/ae/44.2.79
14 Hohn et al. 1993. Environmental Entomology. https://doi.org/10.1093/ee/22.5.1066
15 Milonas et al. 2016. Neotropical Entomology. https://doi.org/10.1007/s13744-015-0358-6
16 Wallentin. 2017. Ecological Modelling. http://dx.doi.org/10.1016/j.ecolmodel.2017.01.017
17https://gama-platform.github.io/download
18 https://ccl.northwestern.edu/netlogo/
19 Bennett et al. 2013. http://dx.doi.org/10.1016/j.envsoft.2012.09.011
20 Parrott. 2011. https://doi.org/10.1016/j.ecoinf.2010.07.001
21 SONAPRA : Société nationale de promotion agricole du Benin
22 SODEFITEX : Société de développement et des fibres textiles du Sénégal
23 UN-SCPC : Union nationale des Sociétés coopératives des producteurs de coton du Mali
24 SOFITEX : Société Burkinabè des fibres textiles
25 COIC : Compagnie Ivoirienne de coton
26 Le Bellec et al. 2012. Agronomy for Sustainable Development. https://doi.org/10.1007/s13593-011-0070-9
27 Falconnier et al. 2017. European Journal of Agronomy. http://dx.doi.org/10.1016/j.eja.2017.06.008
28 http://agref.fr/
29 Ce genre d’outil a été développé par P. Faverdin (INRA, UMR 1080 Production de lait)
