HAL Id: hal-02808564
https://hal.inrae.fr/hal-02808564
Submitted on 6 Jun 2020
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Utilisation des modèles et prédiction
Laurent Saint-André, Gael Sola, Matieu Henry, Nicolas Picard
To cite this version:
Laurent Saint-André, Gael Sola, Matieu Henry, Nicolas Picard. Utilisation des modèles et prédiction.
Formation aux Equations Allométriques, Dec 2013, Brazzaville, Congo-Brazzaville. pp.19 slides. �hal- 02808564�
Formation aux equations allométriques, 7 au 13 Décembre 2013, Brazzaville, Congo
Utilisation des modèles et prédiction
•
Dr. Laurent Saint-André, Gael Sola, Dr. Matieu
Henry, Dr. Nicolas Picard
Utiliser un tarif de
cubage ou de biomasse
Domaine de validité
û
Précision sur les prédictions
û
Cas de la régression linéaire
Ä
Intervalle de confiance pour la moyenne
Intervalle de confiance pour une prédiction individuelle
quantile au seuil 1-α/2 d’une loi de student à n-2 degrés de liberté
∑
−−+
± −
i
i X
X X X t n
X
Y 2
2 2
/
1 ( )
) (
ˆ 1 )
( α σ
∑
−−+ +
± −
i
i X
X X X n
t n X
Y 2
2 2
/
1 ( )
) (
ˆ 1 )
( α σ
2 / 1−α
t
Exemple: Isoberlinia Doka
û
Utiliser un tarif de
cubage ou de biomasse
Précision sur les prédictions
û
Cas plus général, utilisation de la delta-méthode (Serfling, 1980)
Ä
Avec :
Intervalle de confiance de la moyenne
Intervalle de confiance pour une prédiction individuelle
la variance de
la matrice des dérivées de Y par rapport aux paramètres du modèle
la transposée de
la matrice de covariance des paramètres
la variance du compartiment la variance conditionnelle du compartiment dans le système d’équation
la fonction de pondération
Utiliser un tarif de
cubage ou de biomasse
2 ) 2 / 1
( .
)
(X t Sy
Y ± −α
∂
∑ ∂
∂
= ∂
β
β β
Y Sy Y .ˆ .
' 2
z c c
y X
S t
X
Y( )± (1−α/2). 2 +σˆ2.σˆ , . ˆ
Y
∂
∂ β Y
'
∂
∂ β
Y
∂
∂ β Y
∑ˆ β
ˆ2
σ
c
ˆc,
σ
X zˆ
0 50 100 150 200 250 300 350
0 0.1 0.2 0.3 0.4 0.5
D2H (m3)
DMStem (kg)
M easured Simulated
Age 7.3 years
0 2 4 6 8 10 12 14 16 18
0 0.1 0.2 0.3 0.4 0.5
D2H (m 3)
DMBark (kg)
M easured Simulated
Age 7.3 years
-8 -6 -4 -2 0 2 4 6 8
0 0.005 0.01 0.015
D 2H ( m3) M easured Simulated
Age 1.12 years
-4 -2 0 2 4 6 8 10 12 14
0 0.1 0.2 0.3 0.4 0.5
D2H (m3)
DMDeadB (kg)
M easured Simulated
Age 7.3 years
Exemple : Eucalyptus au Congo (Saint-André et al. 2005)
û
Utiliser un tarif de
cubage ou de biomasse
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Modèle poour la moyenne
Modèle pour la variance
Y = f(variables d’entrée, paramètres, terme d’erreur)
β, γ : estimés par l’ajustement – nous avons leur valeur moyenne et leur ecartype assymptotique.
Ils sont corrélés entre eux (au sein de chaque compartiment et entre
compartiments) Diametre (d) et hauteur (h). Sont tous deux
entachés d’erreurs. On fait l’hypothèse queσ=0.3 cm pour le diamètre
σ=3% pour les hauteurs inférieures à 15 m σ=1 m pour h>15 m
Utiliser un tarif de
cubage ou de biomasse
) ,
( )
,
( X X
f
Y = β + ε γ
h age d
e
age 4 5 2
3 2
1 (β β β β )
β
µ= + − + −
(
2)
γ2)γ
ε =N(0, 1 d h
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Biomasse aerienne
10 15 20 25 30 35
01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001 13/02/2002 24/05/2002 01/09/2002 Date
Biomasse (t/ha)
Y = a + b.X + Ν( 0 ,σ)
Only the error term vary
Utiliser un tarif de
cubage ou de biomasse
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Error term & parameters of the mean vary
Biomasse aerienne
10 15 20 25 30 35
01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001 13/02/2002 24/05/2002 01/09/2002 Date
Biomasse (t/ha)
Y = a + b.X + Ν( 0 ,σ)
Ν( α ,σα)
Ν( β ,σβ)
Utiliser un tarif de
cubage ou de biomasse
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Error term, parameters of the mean, and input data vary
Biomasse aerienne
10 15 20 25 30 35
01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001 13/02/2002 24/05/2002 01/09/2002 Date
Biomasse (t/ha)
Y = a + b.X + Ν( 0 ,σ)
Ν( α ,σα)
Ν( β ,σβ)
Ν( Ξ ,σξ)
Utiliser un tarif de
cubage ou de biomasse
Pour la plupart des compartiments, les intervalles de confiances à 95% etaient petits (inférieurs à 10%)
Total
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 180.00 200.00
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 Age (months)
Biomass (t/ha)
Biomass
Interval of confidence
G3A G3B
G3C
G3D
G2
G1 A 100 mois:
Biomasse totale= 128 ± 1.9 t/ha Biomasse aérienne = 104 ± 1.8 t/ha Biomasse souterraine = 24 ± 1 t/ha
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Utiliser un tarif de
cubage ou de biomasse
Excepté pour les branches mortes (modèle le moins performant)
A 100 mois:
Biomasse Branches mortes = 1.9 ± 0.3 t/ha
Dead Branches
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50 4.00 4.50
0.00 20.00 40.00 60.00 80.00 100.00 120.00 140.00 160.00 Age (months)
Biomass (t/ha)
Biomass
Interval of confidence
G3A
G3B G3C
G3D
G2
G1
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Utiliser un tarif de
cubage ou de biomasse
Les mêmes principes de simulations s’appliquent également aux ratios (root-shoot, densité du bois, etc.)
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Utiliser un tarif de
cubage ou de biomasse
Incréments de biomasse
Plot Age (months) Year Start date End date Total biomass
increment (t/ha)
G3A 9 to 22 2001 23/03/2001 23/03/2002 19.5 1.6
G3A 22 to 34 2002 23/03/2002 02/04/2003 25.6 3.3
G3B 26 to 38 2001 08/01/2001 27/12/2001 12.0 0.9
G3B 38 to 49 2002 27/12/2001 28/11/2002 12.9 1.0
G3C 49 to 61 2001 12/01/2001 11/01/2002 9.6 1.9
G3C 61 to 74 2002 11/01/2002 31/01/2003 15.3 2.4
G3D 74 to 86 2001 13/01/2001 11/01/2002 14.7 2.9
G3D 86 to 99 2002 11/01/2002 31/01/2003 10.9 2.8
Intervalles de confiance relativement grands (de 7 à 25 % de l’incrément de biomasse) Pour les sites d’eddy-correlation,
∆biomass2002 = 12.9 1.0 t/ha/year
Passage de l’individu au peuplement, simulations de Monte-Carlo
û
Utiliser un tarif de
cubage ou de biomasse
Et au-delà des estimations de biomasse, compréhension des écosystèmes
û
Exemple Sicard et al. 2005.
Effet de la fertilisation sur la biomasse des épicéa et des douglas
Étape 1 : analyse des histogrammes
0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0
0 20 40 60 80 100 120 140
c1.30 (cm)
Frequency(%) f - plot
f - sampled trees nf - plot
nf - sampled trees 1a) Norway Spruce
0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0
0 20 40 60 80 100 120 140
c1.30 (cm)
Frequency(%) f - plot
f - sampled trees nf - plot
nf - sampled trees 1a) Norway Spruce
0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0
0 20 40 60 80 100 120 140
c1.30(cm)
Frequency(%) f - plotf - sampled trees
nf - plot
nf - sampled trees 1b) Douglas Fir (DF)
0.0 5.0 10.0 15.0 20.0 25.0 30.0 35.0
0 20 40 60 80 100 120 140
c1.30(cm)
Frequency(%) f - plotf - sampled trees
nf - plot
nf - sampled trees 1b) Douglas Fir (DF)
Utiliser un tarif de
cubage ou de biomasse
û Et au-delà des estimations de biomasse, compréhension des écosystèmes
Exemple Sicard et al. 2005.
Effet de la fertilisation sur la biomasse des épicéa et des douglas
Étape 2 : analyse des modèles de biomasse
a: Leaves
0 5 10 15 20 25 30 35 40 45 50
0 20 40 60 80
c1.30(cm)
Biomass(kg)
NS nf observations NS nf estimation NS f observations NS f estimation
a: Leaves a: Leaves
0 5 10 15 20 25 30 35 40 45 50
0 20 40 60 80
(cm)
Biomass(kg)
NS nf observations NS nf estimation NS f observations NS f estimation NS nf observations NS nf estimation NS f observations NS f estimation
a: Leaves
0 5 10 15 20 25 30 35 40 45 50
0 20 40 60 80
c1.30(cm)
Biomass(kg)
NS nf observations NS nf estimation NS f observations NS f estimation
a: Leaves
0 5 10 15 20 25 30 35 40 45 50
0 20 40 60 80
c1.30(cm)
Biomass(kg)
NS nf observations NS nf estimation NS f observations NS f estimation
a: Leaves a: Leaves
0 5 10 15 20 25 30 35 40 45 50
0 20 40 60 80
(cm)
Biomass(kg)
NS nf observations NS nf estimation NS f observations NS f estimation NS nf observations NS nf estimation NS f observations NS f estimation b: Stemwood
0 50 100 150 200 250 300 350 400
0 20 40 60 80 100
c1.30(cm)
Biomass(kg)
DF nf observation DF nf estimation DF f observations DF f estimation
b: Stemwood b: Stemwood
0 50 100 150 200 250 300 350 400
0 20 40 60 80 100
(cm)
Biomass(kg)
DF nf observation DF nf estimation DF f observations DF f estimation DF nf observation DF nf estimation DF f observations DF f estimation
b: Stemwood
0 50 100 150 200 250 300 350 400
0 20 40 60 80 100
c1.30(cm)
Biomass(kg)
DF nf observation DF nf estimation DF f observations DF f estimation
b: Stemwood
0 50 100 150 200 250 300 350 400
0 20 40 60 80 100
c1.30(cm)
Biomass(kg)
DF nf observation DF nf estimation DF f observations DF f estimation
b: Stemwood b: Stemwood
0 50 100 150 200 250 300 350 400
0 20 40 60 80 100
(cm)
Biomass(kg)
DF nf observation DF nf estimation DF f observations DF f estimation DF nf observation DF nf estimation DF f observations DF f estimation
Douglas différence uniquement sur le tronc
Épicéa différence uniquement sur les feuilles
Utiliser un tarif de
cubage ou de biomasse
û
Étape 3 : décomposition de l’effet de la fertilisation sur les biomasses estimées / haA
Control Fertilized
Branches
Leaves
Stem bark Stem wood
24.1 26.0
81.3 9.0
81.3 9.0
17.2 22.2
17.0 18.3
59.9 6.9
72.4 8.2
15.0 19.0
B
20.2 21.7
67.9 7.6
80.7 8.8
17.7 23.5
C
Branches
Leaves
Stem bark
Stem wood 14.0 7.5
83.5 12.4
101.2 12.4 14.0 7.5
17.3 9.2
97.5 14.6
123.3 18.1 9.6
15.2
27.3 14
121.5 18.9
151.3 26.4 13.6
18.8
Control Fertilized Control Fertilized
Control Fertilized Control Fertilized Control Fertilized
Norway Spruce
Douglas fir
27.9
92 26
11
29.7
113 23
13
27.8
189 15
23 23
127 12
19
33
104 31
12 37
126 28
14
41
232 21
29 36
159 18
25 C130=64.6cm C130=57.0cm C130=61.6cm
C130=69.3 cm C130=70.4cm A
Control Fertilized
Branches
Leaves
Stem bark Stem wood
24.1 26.0
81.3 9.0
81.3 9.0
17.2 22.2
17.0 18.3
59.9 6.9
72.4 8.2
15.0 19.0
B
20.2 21.7
67.9 7.6
80.7 8.8
17.7 23.5
C
Branches
Leaves
Stem bark
Stem wood 14.0 7.5
83.5 12.4
101.2 12.4 14.0 7.5
17.3 9.2
97.5 14.6
123.3 18.1 9.6
15.2
27.3 14
121.5 18.9
151.3 26.4 13.6
18.8
Control Fertilized Control Fertilized
Control Fertilized Control Fertilized Control Fertilized
Norway Spruce
Douglas fir
27.9
92 26
11
29.7
113 23
13
27.8
189 15
23 23
127 12
19
33
104 31
12 37
126 28
14
41
232 21
29 36
159 18
25 C130=64.6cm
C130=64.6cm CC130130=57.0cm=57.0cm CC130130=61.6cm=61.6cm
C130=69.3 cm
C130=69.3 cm CC130130=70.4cm=70.4cm
Et au-delà des estimations de biomasse, compréhension des écosystèmes
Utiliser un tarif de
cubage ou de biomasse
Resources Additionelles
The complexity of tree growth 17
Manuel pour construire des equations allométriques (Français, Anglais, Espagnol)
Revue bibliographique sur les méthodologies actuelles pour évaluer les bilans en C, eau et éléments minéraux
Un grand merci à….
Dr. Stephen Adu-Bredu, Angela Amo-Bediako, Dr. Winston Asante, Dr. Aurélien Besnard, Fabrice Bonne, Noëlle Bouxiero, Emmanuel Cornu, Dr. Christine Deleuze, Serge Didier, Justice Eshun, Charline Freyburger, Dominique Gelhaye, Dr. Astrid Genet, Dickson
Gilmour, Hugues Yvan Gomat, Dr. Christophe Jourdan, Dr. Jean- Paul Laclau, Dr. Arnaud Legout, Lawrence et Susy Lewis, Dr. Fleur Longuetaud, Dr. Raphaël Manlay, Jean-Claude Mazoumbou,
Adeline Motz, Dr. Alfred Ngomanda, Dr. Yann Nouvellon, Dr. Claude Nys, Charles Owusu-Ansah, Thierry Paul, Régis Peltier, Dr.
Jacques Ranger, Michaël Rivoire, Dr. Olivier Roupsard, Dr. Armel
Thongo M’bou and Prof. Riccardo Valentini
Formation aux equations allométriques, 7 au 13 Décembre 2013, Brazzaville, Congo
•
Merci pour votre attention,
•