Predictions du masting chez les plantes pérennes

La variabilité inter-annuelle de la production de graines, connue sous le nom de « masting », a des répercussions écologiques considérables, notamment sur la régénération des forêts et la dynamique des populations de consommateurs de graines, comme par exemple le mulot, le pinson du nord.

Une branche de hêtre lors d'une année de forte production de faines, aka 'masting'.

Les espèces d'arbres présentant ce phénomène de masting sont largement répandues dans la plupart des forêts européennes. Afin de préserver et de gérer au mieux ces populations d'arbres, il est nécessaire d'étudier les mécanismes du masting et de développer des outils de prédiction de la production de graines.

Dans cette étude, notre objectif est d'établir la prédiction de la production de graines comme une nouvelle branche de la discipline. Nous souhaitons obtenir des prédictions prévisionnelles de production de graines afin de savoir, par exemple, quand nous pourrions récolter des graines lors des années de fortes productions ou anticiper les années de disette.

Nous avons évalué les capacités prédictives de trois modèles - foreMast, deltaT et un modèle séquentiel - conçus pour prédire la production de graines chez les arbres, en utilisant un ensemble de données européennes sur la production de graines du hêtre commun (Fagus sylvatica).

Pour faire simple, le modèle deltaT est un modèle de différentiel de température estivale, foreMast est un modèle qui tient compte du climat pour prédire le masting chez le hêtre (voir l'outil en question ici), et le modèle séquentiel est un modèle qui tient compte du climat et des aléas extrêmes.

Comparaisons entre prédictions (axe-y) et observations (axe-x) pour les trois modèles - deltaT, foreMast et le modèle séquentiel. Chaque point représente une observation (pour chaque site et chaque année). La ligne noire est une droite 1:1, plus les points se rapproches de cette ligne, plus les prédictions sont proches des observations. La ligne bleue est une droite de régression qui décrit le lien entre observation et prédictions (ici on peut voir que les prédictions, pour chacun des trois modèles, sont toutes positivement corrélées aux observations, ce qui est plutôt positif héhé). Une valeur = 0, cela signifie une année sans graines et si la valeur = 1, cela signifie une année de forte production de graines (masting).

Les modèles parviennent assez bien à recréer la dynamique de la production de graines. L'utilisation de données de meilleure qualité, telles que des pièges à graines, améliore la qualité prédictive du modèle séquentiel. Des méthodes efficaces de suivi de la production de graines sont cruciales pour créer des outils de prévision plus robustes.

Nous avons ici un graphique boite à moustaches, ou nous pouvons comparer la qualité des prédictions en fonctions du type de données. Les données issues de pièges à graines ont tendance à fournir des prédictions de meilleures qualités (un RMSE plus petit signifie que la prédiction est plus proche de l'observation).

En ce qui concerne les événements extrêmes, les modèles sont plus performants pour prédire les années de disette de production de graines que les années abondantes, probablement parce que les facteurs empêchant la production de graines sont mieux compris que ceux des années de fortes productions de graines.

Nous proposons une liste non exhaustive de domaines pour faire du masting un nouveau champ disciplinaire en matière de prédiction. Voici quelques points résumés ici :

• Définition et métriques précises pour caractériser le masting.

• Inclusion des mécanismes liés à la physiologie de la reproduction (quels mécanismes physiologiques sont impliqués derrière les corrélations avec le climat ?).

• Utilisation de différents types de modèles : modèles théoriques, modèles basés sur les processus.

• Identification des mécanismes liés aux événements extrêmes tels que la sécheresse ou les gelées tardives, et implication du changement climatique sur la production de graines.

• Accessibilité aux données pour faciliter le développement des modèles prédictifs.

• Développement de prédictions temporelles et spatiales. Tenir compte par exemple d'autres facteurs (sol, densité de peuplement des forêts) pour prédire dans d'autres localisations et ou pour d'autres espèces.

L'étude en anglais est dispo ici