2. Matériels et méthodes
2.4 Analyse des données
2.4.3 Analyses géostatistiques
Au cours de l’expérimentation en rhizotron N°1 (Chapitre 3), la variabilité spatiale des
paramètres mesurés dans la rhizosphère de la terre multi-contaminée NM, a été étudiée en utilisant une approche géostatistique en collaboration avec le Dr. Chantal de Fouquet (Centre de géostatistique, Ecole des mines de Paris, Fontainebleau). Cette méthode d’interpolation spatiale, permettant à partir de points mesurés d’estimer d’autres points non échantillonnés, correspond à un traitement statistique de données spatialisées afin d’en étudier la structure spatiale. Les géostatistiques prennent en compte la continuité spatiale de la variable étudiée entre les points de mesures afin de calculer le poids des points environnants les uns par
rapport aux autres et de quantifier une erreur d’estimation (Chilès and Delfiner 2012). Ainsi
cette approche permet de mettre en évidence si la distribution d’une variable est aléatoire ou spatialement auto-corrélée, signifiant que des échantillons spatialement proches sont davantage similaires que des échantillons éloignés. La réalisation d’une analyse variographique, suivie d’une modélisation des données et d’une estimation par krigeage, a
2.4.3.1 Analyse exploratoire et variographique
Une analyse exploratoire a tout d’abord été menée en traçant des nuages de corrélation par classe, représentant les différents paramètres étudiés en fonction de la profondeur ou de la biomasse racinaire. Puis deux coefficients de corrélation ont été calculés permettant de
prendre en compte des relations linéaires (coefficient de corrélation de Spearman : ( )
( ) ( ) ( )
ou non linéaires ( ( ( )
( ) ) entre les variables.
La structure spatiale des variables a été étudiée grâce à une analyse variographique, en utilisant le logiciel ISATIS (Geovariance). Le semi-variogramme expérimental, représentant
la semi-variance ( ⃗ ) (variance statistique de la différence entre deux points) en fonction de
la distance de séparation entre les échantillons, a été calculé selon un pas de 3 cm ( ⃗ )
( ⃗⃗ )∑ ( ⃗⃗ )( ( ⃗ ) ( )) avec x correspondant aux point expérimentaux, z(x) à la
variable et ( ⃗ ) au nombre de pairs de points séparés par la distance ⃗ . L’analyse du
variogramme permet de mettre en évidence la variabilité spatiale des variables mesurées. Lorsque la variable est spatialement auto-corrélée, la semi-variance (la différence) est généralement faible à courte distance entre les échantillons, puis augmente avec la distance jusqu’à atteindre une certaine distance a (la portée) à partir de laquelle les échantillons sont considérés comme indépendants et les données de la variable ne sont plus corrélées, le
variogramme atteint alors le plateau (palier : C0 + C). L’effet pépite (C0), qui correspond à la
valeur de la semi-variance à l’origine, représente la variabilité des données à petite distance
(Figure 2.7). Une fois le variogramme expérimental tracé, la variabilité spatiale des données
Figure 2.7. Les différents composants du semi-variogramme, exemple d’un modèle pépitique avec palier (http://tice.agroparistech.fr).
Dans le cadre de notre analyse, les variogrammes expérimentaux ont été ajustés par les
modèles théoriques décrits dans les Tableaux 2.7 et 2.8 (McBratney and Webster 1986). De
plus une étude d’anisotropie a été menée sur nos données afin de vérifier que le variogramme n’était pas influencé par une direction dans l’espace (isotropie). Pour cela une carte variographique a été tracée.
Tableau 2.7. Synthèse de l’ajustement des variogrammes expérimentaux par des modèles théoriques pour les différentes variables étudiées, selon les deux plantes utilisées.
Tableau 2.8. Expression mathématique des différents modèles théoriques utilisés pour l’ajustement des variogrammes expérimentaux, avec C0 : effet pépite, C : palier partiel, h : distance en cm, a : portée (d’après McBratney and Webster 1986).
Modèles théoriques Expressions mathématiques
Sphérique ( ) [ ( ) ]
( )
Linéaire ( )
Puissance ( )
Ordre 1 ( ) ( )
2.4.3.2 Estimation locale par krigeage
Le krigeage ponctuel a été utilisé afin de tracer, à partir des 56 points d’échantillonnage par dispositif, une carte avec un maillage de 10 mm, représentant une estimation de la variabilité spatiale de chaque variable mesurée. Le krigeage, considéré comme le meilleur interpolateur linéaire non-biaisé, a permis d’estimer localement les variables d’intérêts en prenant en compte la distance entre les données et le point à estimer, ainsi que la structure spatiale de la
Chapitre 3 :
Etude de la variabilité spatiale des HAP et
des populations microbiennes dans la
rhizosphère de deux plantes
L’hétérogénéité spatiale dans la rhizosphère, liée à la structure, à la croissance et à l’exsudation racinaires et aux communautés microbiennes associées, et l’hétérogénéité spatiale des teneurs en polluants, peuvent être des facteurs déterminants pour le devenir des HAP dans les sols. Notre premier objectif était d’étudier précisément la variabilité spatiale du processus de biodégradation des HAP dans deux rhizosphères très différentes et en fonction de la densité racinaire. Dans ce chapitre, l’impact de la variabilité spatiale des systèmes racinaires de la luzerne et du ray-grass sur la teneur en HAP et l’abondance des communautés microbiennes ont été étudiés dans un sol historiquement contaminé. Pour considérer cette hétérogénéité à l’échelle centimétrique, des dispositifs de type rhizotrons avec un échantillonnage adapté ont été développés et des outils de géostatistique ont été utilisés.
Deux rhizotrons (30 cm x 30 cm) remplis de sol historiquement contaminé de la friche industrielle de Neuves-Maisons (NM), dont la fraction disponible en HAP a été augmentée par une recontamination fraiche (extrait organique complexe), ont permis de cultiver pendant 37 jours la luzerne et le ray-grass. Ces deux espèces végétales ont été choisies pour leur capacité à stimuler la biodégradation des HAP et pour leur système racinaire contrasté. L’utilisation du rhizotron a permis de visualiser l’hétérogénéité spatiale du système racinaire des deux plantes, et d’échantillonner au sein des deux systèmes racinaires 56 échantillons selon une carte standardisée et spatialement codée. Une analyse multiparamétrique a permis de caractériser chacun de ces échantillons de par sa biomasse racinaire, la proportion de sol rhizosphérique, la teneur en HAP totaux et biodisponibles et l’abondance des populations bactériennes, fongiques et bactériennes potentiellement capables de dégrader les HAP à partir d’extrait d’ADN génomique. Des mesures de pH, de la teneur en sucres, en carbone organique dissous sur une sélection de 16 échantillons par dispositif, disposés selon un maillage plus grossier, ont été réalisées pour préciser la variabilité spatiale dans la rhizosphère. La variabilité spatiale de ces différents paramètres a été modélisée grâce à l’utilisation d’outils géostatistiques.
Au cours de cette étude, nous avons montré que la totalité de la fraction disponible des HAP avait été dégradée en 37 jours de croissance végétale, en parallèle de l’augmentation de l’abondance des populations dégradantes. D’autre part, une dégradation plus importante des HAP a été observée dans le rhizotron planté avec la luzerne. Malgré une absence de structure spatiale de la teneur en HAP, nous avons pu mettre en évidence l’existence d’un gradient
plantes au sein des deux rhizotrons. Le développement des deux espèces végétales conduit à des gradients racinaires différents qui induisent une variabilité spatiale différente des populations microbiennes. Ainsi dans le rhizotron avec du ray-grass, l’abondance des bactéries dégradantes à Gram-positif est plus importante en profondeur ou la teneur en sucres et le pH sont plus importants tandis que dans le rhizotron planté avec la luzerne, les populations fongiques sont favorisées en surface où la biomasse racinaire est plus importante. Ces travaux font l’objet d’une publication dans la revue PlosOne, référencée dans la suite du