Réseaux et optimisation pour la gestion de la biodiversité et des services écosystémiques

Texte intégral

(1)Réseaux et optimisation pour la gestion de la biodiversité et des services écosystémiques Nathalie Dubois Peyrard, Regis Sabbadin. To cite this version: Nathalie Dubois Peyrard, Regis Sabbadin. Réseaux et optimisation pour la gestion de la biodiversité et des services écosystémiques. Atelier Modélisation - UMR AgroEcologie, Mar 2016, Dijon, France. �hal-01604029�. HAL Id: hal-01604029 https://hal.archives-ouvertes.fr/hal-01604029 Submitted on 5 Jun 2020. HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non, lished or not. The documents may come from émanant des établissements d’enseignement et de teaching and research institutions in France or recherche français ou étrangers, des laboratoires abroad, or from public or private research centers. publics ou privés. Copyright.

(2) Réseaux et optimisation pour la gestion de la biodiversité et des services écosystémiques Nathalie Peyrard et Régis Sabbadin Unité de Mathématiques et Informatique appliqués, Toulouse (MIAT) Travaux réalisés avec J. Radoszycki, S. Gaba, H. Xiao, I. Chadès, E. McDonald-Madden Atelier Modélisation INRA-UMR Agroécologie, Dijon, Mars 2016.

(3) Agencement des cultures pour gérer un compromis Cultures-Adventices-Pollinisateurs. Agencement des cultures dans le paysage de permettant un compromis entre services écosystémiques et biodiversité? 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(4) Compromis biodiversité-services écosystémiques au sein d’un réseau trophique. Conservation?. Les stratégies visant à protéger la biodiversité sont-elles les mêmes que celles visant à maximiser les services écosystémiques? 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(5) Plan de l’exposé 1.. Deux problèmes de conception de stratégies de gestion biodiversité / services écosystémique :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité  Etude du compromis biodiversité / services écosystémiques au sein d’un réseau trophique. 2.. Ce sont des problèmes de conception par optimisation (stratégies de conduite) au sein de réseaux (trophiques, parcelles…). . 3.. Cadre des Processus Décisionnels de Markov factorisés (PDMF). Résultats de l’application du cadre PDMF dans les deux cas d’étude  Agencement des cultures dans le paysage  Etude du compromis biodiversité / services écosystémiques. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(6) Plan de l’exposé 1.. Deux problèmes de conception de stratégies de gestion biodiversité / services écosystémique :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(7) Agencement des cultures pour gérer un compromis Cultures-Adventices-Pollinisateurs. Agencement des cultures dans le paysage de permettant un compromis entre services écosystémiques et biodiversité? 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(8) Thèse de Julia Radoszycki, 2012-2015 Encadrement : S. Gaba, N. Peyrard et R. Sabbadin. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(9) Modélisation du cas d‘étude C-A-P Objectifs de la modélisation  Concevoir ou comparer des règles d'allocation des cultures en terme de niveaux de services atteints. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(10) Modélisation du cas d‘étude C-A-P Objectifs de la modélisation  Concevoir ou comparer des règles d'allocation des cultures en terme de niveaux de services atteints  Proposer un modèle qui combine cultures, adventices et pollinisateurs, qui soit suffisamment simple pour arriver a faire de l'optimisation tout en prenant en compte toutes les interactions. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(11) Modélisation du cas d‘étude C-A-P Objectifs de la modélisation  Concevoir ou comparer des règles d'allocation des cultures en terme de niveaux de services atteints  Proposer un modèle qui combine cultures, adventices et pollinisateurs, qui soit suffisamment simple pour arriver a faire de l'optimisation tout en prenant en compte toutes les interactions  Optimisation multi-objectif : Marge en blé colza / Biodiversité. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(12) Modélisation du cas d‘étude C-A-P Objectifs de la modélisation  Concevoir ou comparer des règles d'allocation des cultures en terme de niveaux de services atteints  Proposer un modèle qui combine cultures, adventices et pollinisateurs, qui soit suffisamment simple pour arriver a faire de l'optimisation tout en prenant en compte toutes les interactions  Optimisation multi-objectif : Marge en blé colza / Biodiversité Quel type de modèle / approche? Modèle mathématique Conception par optimisation Approche par simulation pour la comparaison 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(13) Plan de l’exposé 1.. Deux problèmes de conception de stratégies de gestion biodiversité / services écosystémique :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité  Etude du compromis biodiversité / services écosystémiques au sein d’un réseau trophique. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(14) Compromis biodiversité-services écosystémiques dans un réseau trophique.  Est-ce que des stratégies orientées « services » peuvent également être favorable à la biodiversité?  Sous quelles conditions ?  Espèces fournissant les services  Connectivité du réseau 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(15) Modélisation du cas d’étude Réseau trophique Thèse de Hui Xiao, 2015-2018 Co-encadrement : I. Chadès, E. McDonald-Madden (UQ-CSIRO) Biodiversité. Relations trophiques. On modélise les relations trophiques entre espèces (espèces présentes / absentes). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(16) Modélisation du cas d’étude Réseau trophique Biodiversité. ES. Relations trophiques Services fournis par les espèces. On modélise les relations trophiques entre espèces (espèces présentes / absentes) Certaines espèces fournissent des « services écosystémiques ». 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(17) Modélisation du cas d’étude Réseau trophique Biodiversité. ES. Biodiversité. ES. 1. Relations trophiques Services fournis par les espèces. Dynamique du réseau écosystémique. On modélise les relations trophiques entre espèces (espèces présentes / absentes) Certaines espèces fournissent des « services écosystémiques » Les relations trophiques déterminent la dynamique des espèces (un prédateur à besoin de proies) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(18) Modélisation du cas d’étude Réseau trophique Biodiversité. ES. Biodiversité 1. ES. Biodiversité. ES. 2. Relations trophiques Services fournis par les espèces. Dynamique du réseau écosystémique. On modélise les relations trophiques entre espèces (espèces présentes / absentes) Certaines espèces fournissent des « services écosystémiques » Les relations trophiques déterminent la dynamique des espèces (un prédateur à besoin de proies) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(19) Modélisation du cas d’étude Réseau trophique Biodiversité. ES. Biodiversité 1. Relations trophiques. ES. Biodiversité. ES. 2. Conservation. Services fournis par les espèces. Dynamique du réseau écosystémique. On modélise la dynamique des espèces (espèces présentes / absentes) Certaines espèces fournissent des « services écosystémiques » Les relations trophiques déterminent la dynamique des espèces (un prédateur à besoin de proies) Des actions de « conservation » d’espèces modifient la dynamique (favorisent la persistance) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(20) Objectifs de la modélisation  Concevoir et comparer des règles de protection d’espèces en termes d’objectifs: De maintien de la biodiversité De maximisation de la valeur économique des services  Proposer un modèle combinant dynamique de la biodiversité et des services, suffisamment simple pour faire de l'optimisation tout en prenant en compte toutes les relations protection – biodiversité – services  Evaluation multi-objectif : Maximisation d’un objectif Quelle perte sur l’autre objectif? Sous quelles conditions y a-t-il convergence entre les deux objectifs?. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(21) Objectifs de la modélisation  Concevoir et comparer des règles de protection d’espèces en termes d’objectifs: De maintien de la biodiversité De maximisation de la valeur économique des services  Proposer un modèle combinant dynamique de la biodiversité et des services, suffisamment simple pour faire de l'optimisation tout en prenant en compte toutes les relations protection – biodiversité – services  Evaluation multi-objectif : Maximisation d’un objectif Quelle perte sur l’autre objectif? Sous quelles conditions y a-t-il convergence entre les deux objectifs? Quel type de modèle / approche? Modèle mathématique Conception par optimisation Evaluation par calcul exact 18/03/2016 Atelier Modélisation - UMR Agroécologie.

(22) Plan de l’exposé 1.. Deux problèmes de conception de stratégies de gestion biodiversité / services écosystémique :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité  Etude du compromis biodiversité / services écosystémiques au sein d’un réseau trophique. 2.. Ce sont des problèmes de conception par optimisation (stratégies de conduite) au sein de réseaux (trophiques, parcelles…). . 18/03/2016. Cadre des Processus Décisionnels de Markov factorisés (PDMF). Atelier Modélisation - UMR Agroécologie.

(23) Caractéristiques communes de ces deux problèmes  Plusieurs variables d’état binaires en interaction sur un réseau : (i) adventices (ii) espèces  Dynamique stochastique des variables d’état  Plusieurs variables d’action : allocation (i) des cultures (ii) des espèces protégées  Plusieurs fonctions de récompense instantanée: (i) rendement blé-colza / production de miel / biodiversité (ii) services écosystémiques / biodiversité  Agrégation temporelle des récompenses  Optimisation / évaluation de stratégies de conduite Un cadre méthodologique commun : Processus décisionnels de Markov à espaces d’état (et parfois d’actions) factorisés 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(24) Processus Décisionnels de Markov Factorisés Modélisation d’un processus stochastique contrôlé Le cadre PDMF: t Variables d’état : {Si ∈ Ω} Etat de la variable i du système à l’instant t.. S1 t. S2 t. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(25) Processus Décisionnels de Markov Factorisés Modélisation d’un processus stochastique contrôlé A1 t. A2 t. Le cadre PDMF: t Variables d’état : {Si ∈ Ω} Etat de la variable i du système à l’instant t.. Variables d’action : { Atj ∈ Λ} Action j appliquée au système à l’instant t.. S1 t. S2 t. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(26) Processus Décisionnels de Markov Factorisés Modélisation d’un processus stochastique contrôlé A1 t. A2 t. S1 t. Le cadre PDMF: t Variables d’état : {Si ∈ Ω} Etat de la variable i du système à l’instant t.. Variables d’action : { Atj ∈ Λ} Action j appliquée au système à l’instant t. → On veut modéliser la dynamique contrôlée du système et l’optimiser. S2 t. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(27) Processus Décisionnels de Markov Factorisés Le cadre PDMF:  Distribution initiale P0 (réseau bayesien). S1 0. S2 0. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(28) Processus Décisionnels de Markov Factorisés Le cadre PDMF:  Distribution initiale P0 (réseau bayesien)  Fonction de transition factorisée : P( s | s , a ) = ∏ P ( s | pa ( s )) où pa ( s ) = {s , s , a }. A1t-1. t. t −1. n. i =1. A2t-1. S1t-1. S1 t. S2t-1. S2 t. 18/03/2016. t −1. Atelier Modélisation - UMR Agroécologie. i. t i. P. t i. P. t i. t −1 j. t j'. t −1 k.

(29) Processus Décisionnels de Markov Factorisés Le cadre PDMF:  Distribution initiale P0 (réseau bayesien)  Fonction de transition factorisée : P( s | s , a ) = ∏ P ( s | pa ( s )) où pa ( s ) = {s , s , a }. A1t-1. t −1. t. n. t −1. i. i =1. A2t-1. t i. P. t i. t −1 j. t i. P. Structure des stratégies locales : δ ( a | s ) = ∏ δ ( a | paδ (a ) ) où paδ (a ) ⊆ {s , a } m. t. t. j =1. S1t-1. S1 t. S2t-1. S2 t. j. t j. Les flèches bleues et rouges forment un graphe sans cycle 18/03/2016. Atelier Modélisation - UMR Agroécologie. t j. t j. t j. t k. t j'. t −1 k.

(30) Processus Décisionnels de Markov Factorisés A1t-1. R1t. Le cadre PDMF:  Distribution initiale P0 (réseau bayesien)  Fonction de transition factorisée : P( s | s , a ) = ∏ P ( s | pa ( s )) où pa ( s ) = {s , s , a } t −1. t. A2t-1. R2t. n. t −1. i. i =1. t i. P. t i. t −1 j. t i. P. Structure des stratégies locales : δ ( a | s ) = ∏ δ ( a | paδ (a ) ) où paδ (a ) ⊆ {s , a } m. t. t. j =1. S1t-1. S1 t. j. t j. t j. t j. t j.  Fonction de récompense additive : R( s , a ) = ∑ Rα ( pa ( Rα ) ) où pa ( Rα ) ⊆ {s , a } r. t. t. 18/03/2016. t. t. α =1. S2t-1. t k. S2 t. Atelier Modélisation - UMR Agroécologie. R. R. t j. t −1 k. t j'. t −1 k.

(31) Processus Décisionnels de Markov Factorisés A1t-1. R1t. Le cadre PDMF:  Distribution initiale P0 (réseau bayesien)  Fonction de transition factorisée : P( s | s , a ) = ∏ P ( s | pa ( s )) où pa ( s ) = {s , s , a } t −1. t. A2t-1. R2t. n. t −1. i. i =1. t i. P. t i. t −1 j. t i. P. Structure des stratégies locales : δ ( a | s ) = ∏ δ ( a | paδ (a ) ) où paδ (a ) ⊆ {s , a } m. t. t. j =1. S1t-1. S1 t. j. t j. t j. t j. t j.  Fonction de récompense additive : R( s , a ) = ∑ Rα ( pa ( Rα ) ) où pa ( Rα ) ⊆ {s , a } r. t. t. S2. 18/03/2016. S2. t. t. t. α =1. t-1. t k. Horizon : T. Atelier Modélisation - UMR Agroécologie. R. R. t j. t k. t j'. t −1 k.

(32) Processus Décisionnels de Markov Factorisés A1t-1. R1t. Le cadre PDMF:  Distribution initiale P0 (réseau bayesien)  Fonction de transition factorisée : P( s | s , a ) = ∏ P ( s | pa ( s )) où pa ( s ) = {s , s , a } t −1. t. A2t-1. R2t. n. t −1. i. i =1. t i. P. t i. t −1 j. t i. P. t j'. t −1 k. Structure des stratégies locales : δ ( a | s ) = ∏ δ ( a | paδ (a ) ) où paδ (a ) ⊆ {s , a } m. t. t. j =1. S1t-1. S1 t. t j. j. t j. t j. t j. t k.  Fonction de récompense additive : R( s , a ) = ∑ Rα ( pa ( Rα ) ) où pa ( Rα ) ⊆ {s , a } r. t. t. α =1. S2. t-1. S2. t. t. t. R. R. t j. t k. Horizon : T Valeur d’une stratégie : R ,T. Vδ. (P ) = Ε 0. PδT. T  0 t t R S , A P , δ ( ) ∑    t =0 . Où PδT est la distribution du Réseau bayesien dynamique défini par P et δ 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(33) Processus Décisionnels de Markov Factorisés A1t-1. R1t. Résoudre un PDMF revient à calculer une stratégie « optimale » δ*, maximisant R ,T. A2t-1. R2t. S1t-1. S1 t. S2t-1. S2 t. 18/03/2016. Vδ. (P ) = Ε. Atelier Modélisation - UMR Agroécologie. 0. PδT. T  0 t t ∑ R ( S , A ) P , δ   t =0 .

(34) Processus Décisionnels de Markov Factorisés A1t-1. R1t. Résoudre un PDMF revient à calculer une stratégie « optimale » δ*, maximisant R ,T. A2t-1. R2t. S1t-1. S1 t. S2t-1. S2 t. 18/03/2016. Vδ. (P ) = Ε 0. PδT. T  0 t t ∑ R ( S , A ) P , δ   t =0 . Suivant les cas pour paδ, le problème admet des méthodes de résolution différente : Exacte (thèse de Hui) → petits problèmes (<20 variables d’état, 1 variable d’action) Approchée (thèse de Julia) → petits problèmes (500 variables d’état, 100 variables d’action). Atelier Modélisation - UMR Agroécologie.

(35) Processus Décisionnels de Markov Factorisés A1t-1. R1t. Résoudre un PDMF revient à calculer une stratégie « optimale » δ*, maximisant R ,T. A2t-1. R2t. S1t-1. S1 t. S2t-1. S2 t. Vδ. (P ) = Ε 0. PδT. T  0 t t ∑ R ( S , A ) P , δ   t =0 . Suivant les cas pour paδ, le problème admet des méthodes de résolution différente : Exacte (thèse de Hui) → petits problèmes (<20 variables d’état, 1 variable d’action) Approchée (thèse de Julia) → grands problèmes (500 variables d’état, 100 variables d’action)  Evaluer une politique est parfois déjà difficile!. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(36) Plan de l’exposé 1.. Deux problèmes de conception de stratégies de gestion biodiversité / services écosystémique :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité  Etude du compromis biodiversité / services écosystémiques au sein d’un réseau trophique. 2.. Ce sont des problèmes de conception par optimisation (stratégies de conduite) au sein de réseaux (trophiques, parcelles…). . 3.. Cadre des Processus Décisionnels de Markov factorisés (PDMF). Résultats de l’application du cadre PDMF dans les deux cas d’étude  Agencement des cultures dans le paysage. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(37) Modélisation du cas d‘étude C-A-P Modèle de dynamique. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(38) Modélisation du cas d‘étude C-A-P Modèle de dynamique 4 variables d’état Binaires x nb de parcelles. paP est défini à partir du score des pollinisateurs dépendant des parcelles voisines 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(39) Modélisation du cas d‘étude C-A-P Modèle de dynamique Une variable D’action par parcelle. 4 variables d’état Binaires x nb de parcelles. paP est défini à partir du score des pollinisateurs dépendant des parcelles voisines 18/03/2016. Thèse de Julia : 500 variables d’état binaires 100 variables d’action ternaires Atelier Modélisation - UMR Agroécologie.

(40) Modélisation du cas d‘étude C-A-P Modèles de récompense 3 modèles de récompense : Marge blé-colza (céréaliers) dépend de la culture, de la culture précédente, des pollinisateurs (colza) et des adventices Marge en miel (apiculteurs) dépend du score abeilles Biodiversité (citoyens) dépend de la présence des pollinisateurs sauvages et des adventices 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(41) Modélisation du cas d‘étude C-A-P Modèles de récompense Formulation d'un objectif unique Le compromis ne peut pas se faire à la parcelle Le compromis ne peut pas se faire a l‘échelle du paysage (verrou méthodologique) → nous allons rechercher un compromis à l’échelle de l'exploitation →cela permet aussi un traitement équitable des agriculteurs. 3 modèles de récompense : Marge blé-colza (céréaliers) dépend de la culture, de la culture précédente, des pollinisateurs (colza) et des adventices Marge en miel (apiculteurs) dépend du score abeilles Biodiversité (citoyens) dépend de la présence des pollinisateurs sauvages et des adventices. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(42) Modélisation du cas d‘étude C-A-P Modèles de récompense Formulation d'un objectif unique Le compromis ne peut pas se faire à la parcelle Le compromis ne peut pas se faire a l‘échelle du paysage (verrou méthodologique) → nous allons rechercher un compromis à l’échelle de l'exploitation →cela permet aussi un traitement équitable des agriculteurs Objectif unique : Nombre moyen d'années et d'exploitations étant au-dessus de seuils prédéfinis pour chacun des services écosystemiques considérés E      t t t −1 R ( S= , A , A ) ∑  ∑ m arg e p ≥ β  ×  ∑ biodiv p ≥ ξ  1 e=   p∈Pe   p∈Pe. 3 modèles de récompense : Marge blé-colza (céréaliers) dépend de la culture précédente, des pollinisateurs (colza) et des adventices Marge en miel (apiculteurs) dépend du score abeilles Biodiversité (citoyens) dépend de la présence des pollinisateurs sauvages et des adventices. Stratégies = allocations colza-blé-praire fixes dans le temps (on ignore les rotations) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(43) Modélisation du cas d‘étude C-A-P Modèles de récompense 3 modèles de récompense : Marge blé-colza (céréaliers) dépend de la culture précédente, des pollinisateurs (colza) et des adventices Marge en miel (apiculteurs) dépend du score abeilles Biodiversité (citoyens) dépend de la présence des pollinisateurs sauvages et des adventices → Conception de politiques par optimisation (petits problèmes seulement!) ou évaluation 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(44) Modélisation du cas d‘étude C-A-P Résultats 1. Optimisation au niveau d’exploitations données a priori. Exploitations agrégées. Exploitations moyennement agrégées. Exploitations peu agrégées. → Dans les trois cas, la solution optimale est « 2 blés+1 prairie » par exploitation 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(45) Modélisation du cas d‘étude C-A-P Résultats 2. Evaluation multicritères de stratégies expertes par simulation. → Un exemple sur marge vs biodiversité : front de Pareto 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(46) Modélisation du cas d‘étude C-A-P Résultats 3. Etude du continuum land-sparing-land sharing par simulation  . Quel est l'effet de la composition, quel est l'effet de l'agrégation ? Pour une composition donnée, est-il possible de trouver des règles d'allocation des cultures satisfaisantes pour tous les acteurs ?. . Paysages d’Agregation Index (colza-blé et praire) variables:.  3 compositions : 30% prairie, 50% prairie, 70% prairie  8 paysages par composition = 8 AI = 8 agrégations  Evaluation MC de chaque paysage : 4000 simulations sur 20 ans, analyse sur les 10 dernières années 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(47) Modélisation du cas d‘étude C-A-P Résultats 3. Etude du continuum land-sparing-land sharing par simulation . Quel est l'effet de la composition, quel est l'effet de l'agrégation ?. 70% Prairie ; 50% Prairie ; 30% Prairie → effet principal de la composition, effet linéaire de l'agrégation 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(48) Modélisation du cas d‘étude C-A-P Résultats 3. Etude du continuum land-sparing-land sharing par simulation . Pour une composition donnée, est-il possible de trouver des règles d'allocation satisfaisantes pour tous les acteurs ? (faible dispersion des adventices). 70% Prairie ; 50% Prairie ; 30% Prairie → Il semblerait que non… 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(49) Modélisation du cas d‘étude C-A-P Résultats 3. Etude du continuum land-sparing-land sharing par simulation . Pour une composition donnée, est-il possible de trouver des règles d'allocation satisfaisantes pour tous les acteurs ? (dispersion moyenne des adventices). 70% Prairie ; 50% Prairie ; 30% Prairie → Cela dépend du niveau de dispersion des adventices… Ici, c’est land sharing 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(50) Modélisation du cas d‘étude C-A-P Conclusions Modélisation d’un problème de conception par optimisation de stratégies d’allocation de paysages permettant de satisfaire plusieurs acteurs :  Modélisation possible, mais avec un problème d’optimisation très simplifié! Il est possible de tirer des conclusions générales du type : Paysage de type land-sharing permet d’améliorer les politiques expertes « basiques ». Du coup, le cadre (dynamique/récompenses) peut être utilisé pour analyser de manière plus poussée, par simulation, le continuum land-sharing / land-sparing :  L’effet principal sur (marge blé-colza / marge en miel / biodiversité) est lié à la composition (% prairie).  Effet secondaire : paysage land-sharing à même d’assurer le meilleur compromis, quand la dispersion adventice est suffisante. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(51) Plan de l’exposé 1.. Deux problèmes de conception de stratégies de gestion biodiversité / services écosystémique :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité  Etude du compromis biodiversité / services écosystémiques au sein d’un réseau trophique. 2.. Ce sont des problèmes de conception par optimisation (stratégies de conduite) au sein de réseaux (trophiques, parcelles…). . 3.. Cadre des Processus Décisionnels de Markov factorisés (PDMF). Résultats de l’application du cadre PDMF dans les deux cas d’étude  Agencement des cultures dans le paysage  Etude du compromis biodiversité / services écosystémiques. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(52) Modélisation du cas d’étude Réseau trophique (thèse de Hui Xiao) Biodiversité. ES. Biodiversité 1. Relations trophiques. ES. Biodiversité. ES. 2. Conservation. Services fournis par les espèces. Dynamique du réseau écosystémique. On modélise la dynamique des espèces (présence / absence) Certaines espèces fournissent des « Services écosystémiques » Les relations trophiques déterminent la dynamique des espèces (besoin de proies) Des actions de « conservation » d’espèces modifient la dynamique (favorisent la persistance) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(53) Un exemple de Réseau trophique Carpinteria Salt Marsh, California USA (Hechinger et al., 2011) Réseau écosystémique partiel avec 12 groupes d’organismes et 4 services écosystémiques, Groupes 1-12: vascular plant, algae, nemertean, bivalve, snail, small crustacean, spider, burrowing shrimp, crab, fish, elasmobranch, mammal. Services: Sequestration du carbone, filtration de l’eau, protection du rivage, pêcheries. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(54) Un exemple de Réseau trophique Carpinteria Salt Marsh, California USA (Hechinger et al., 2011) Réseau écosystémique partiel avec 12 groupes d’organismes et 4 services écosystémiques, Groupes 1-12: vascular plant, algae, nemertean, bivalve, snail, small crustacean, spider, burrowing shrimp, crab, fish, elasmobranch, mammal. Services: Sequestration du carbone, filtration de l’eau, protection du rivage, pêcheries. Réseau trophique (12 espèces). 18/03/2016. Services fournis (quantitatif). Atelier Modélisation - UMR Agroécologie.

(55) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) xgt = 1 : L’espèce g est présente à l’instant t xgt = 0 : L’espèce g est absente à l’instant t. Réseau trophique (12 espèces). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(56) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) La survie de chaque espèce : xgt →xgt+1 dépend de son nombre de proies présentes. Réseau trophique (12 espèces). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(57) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) NBIO(8,[1,9])={1,4,6}. Réseau trophique (12 espèces). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(58) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) NBIO(8,[1,9])={1,4,6}. Espèces basales: Une espèce basale g survit : avec probabilité 1 si protégée (at=g) avec probabilité pg0 sinon (at≠g). Réseau trophique (12 espèces). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(59) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) NBIO(8,[1,9])={1,4,6}. Espèces basales:. Réseau trophique (12 espèces). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(60) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) NBIO(8,[1,9])={1,4,6}. Espèces basales:. Espèces non basales:. Réseau trophique (12 espèces). 18/03/2016. Une espèce non basale survit : avec probabilité 1 si elle est protégée et a au moins une proie présente avec probabilité proportionnelle à pg0 et à la proportion de proies présentes, sinon. Atelier Modélisation - UMR Agroécologie.

(61) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) NBIO(8,[1,9])={1,4,6}. Espèces basales:. Espèces non basales:. Réseau trophique (12 espèces) Toutes espèces: Pas de recolonisation une fois une espèce disparue 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(62) Modélisation du cas d‘étude Réseau trophique Modèle de dynamique Dynamique (espèces) NBIO(8,[1,9])={1,4,6}. Espèces basales:. Espèces non basales:. Réseau trophique (12 espèces) Toutes espèces:. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(63) Modélisation du cas d‘étude réseau trophique Modèles de récompense Deux types de récompenses : Récompense liée à la biodiversité présente Récompense liée aux services fournis. Services fournis (quantitatif) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(64) Modélisation du cas d‘étude réseau trophique Evaluation comparée des stratégies ES et Biodiv Expériences sur problèmes simulés On calcule δBIO (resp. δES) stratégies optimales du PDM à horizon infini défini par RBIO (resp RES). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(65) Modélisation du cas d‘étude réseau trophique Evaluation comparée des stratégies ES et Biodiv Expériences sur problèmes simulés On calcule δBIO (resp. δES) stratégies optimales du PDM à horizon infini défini par RBIO (resp RES) On évalue leurs performances comparées: Perte de biodiversité relative moyenne sur le temps. 18/03/2016. Atelier Modélisation - UMR Agroécologie. Perte de biodiversité en appliquant une politique ES.

(66) Modélisation du cas d‘étude réseau trophique Evaluation comparée des stratégies ES et Biodiv Expériences sur problèmes simulés On calcule δBIO (resp. δES) stratégies optimales du PDM à horizon infini défini par RBIO (resp RES) On évalue leurs performances comparées: Perte de biodiversité relative moyenne sur le temps. Perte de biodiversité en appliquant une politique ES. Gain en valeur de services, relatif et en moyenne sur le temps Gain en valeur de services en appliquant une politique ES. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(67) Modélisation du cas d‘étude réseau trophique Evaluation comparée des stratégies ES et Biodiv On se pose deux questions (4 réseaux différents, de connectivité croissante × 3 interactions espèces-services) Q1. Est-ce que les stratégies orientées services permettent de concilier services et biodiversité? Q2. Est-ce que les stratégies orientées services et biodiversité convergent lorsque le nombre de services considérés augmente? la connectivité du réseau trophique augmente?. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(68) Modélisation du cas d‘étude réseau trophique Résultats Q1. Est-ce que les stratégies orientées services permettent de concilier services et biodiversité? 150,00% 100,00% 50,00% 0,00% -50,00% -100,00% -150,00% -200,00%. basal groups. top predators 1ES. basal groups -0.72. top randomly predators distributed 2ES. basal groups. top randomly predators distributed 3ES. Bio gain loss ES gain. -250,00% -300,00% -350,00% -400,00%. Oui… quand les services ne sont pas fournis par les « top predators »! Les stratégies orientées ES sont très nuisibles à la biodiversité lorsque les services sont fournis par les « top predators » Elles ne le sont pas dans les autres cas 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(69) Modélisation du cas d‘étude réseau trophique Résultats Q2. Est-ce que les stratégies orientées services et biodiversité convergent lorsque le nombre de services considérés augmente? 35,00%. ES gain. 35,00%. 0,00%. 30,00% 25,00%. A1. 20,00%. A2. 15,00%. A3. 10,00%. A4. 5,00%. -100,00%. 1ES. 2ES. 30,00%. 3ES. -200,00% -300,00% -400,00% -500,00%. A1. 25,00%. A1. A2. 20,00%. A2. A3 A4. -600,00%. 0,00% 1ES. 2ES. 15,00%. A4. 5,00% 0,00%. 3ES. Services fournis par les espèces basales. A3. 10,00%. Services fournis par les top-predateurs. 2ES. Services fournis uniformément. Oui… quand les services sont fournis par les espèces basales, et… …Surtout pour les réseaux connectés… Connectivité : A1 > A2 > A3 > A4  … Sauf quand les services sont fournis par les top-prédateurs! 18/03/2016. Atelier Modélisation - UMR Agroécologie. 3ES.

(70) Modélisation du cas d‘étude réseau trophique Conclusions Conception par optimisation de stratégies de gestion d’espèces au sein de réseaux trophiques incluant également des services écosystémiques. Comparaison des stratégies orientées « services » et orientées « biodiversité ». Il est possible de tirer des conclusion générale : Des stratégies orientées « services » sont également favorables à la biodiversité lorsque : Les services sont fournis par des espèces basales Le nombre de services considérés est élevé La connectivité du réseau est élevée Mais est-ce que ces hypothèses sont souvent vérifiées « dans la vraie vie »? Et puis le modèle est limité: Une espèce protégée par pas de temps → verrou méthodo Pas de rétroaction prédateur → proie → difficulté d’analyse … 18/03/2016 Atelier Modélisation - UMR Agroécologie.

(71) Conclusion générale  Modélisation de la gestion de compromis entre services et biodiversité comme un (ou plusieurs) problèmes de conception par optimisation  Deux cas d’étude dans des écosystèmes plus ou moins anthropisés :  Agencement des cultures dans le paysage pour gérer un compromis rendement / miel / biodiversité  Etude du compromis biodiversité / services écosystémiques au sein d’un réseau trophique d’espèces marines.  Problèmes modélisés dans un cadre de conception par optimisation : les Processus Décisionnels de Markov factorisés  L’analyse par simulation complète la modélisation pour dériver des connaissances génériques (et pas opérationnelles…). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(72) Perspectives  Plus d’expérimentations  Repousser les limites du modèle (nb d’espèces, nb d’actions possibles) → Problèmes calculatoires  Connaissance du réseau trophique et des liens espèces / services?  Apprentissage de réseau trophique  « Managing while learning » → C’est le sujet de la thèse d’Etienne Auclair (2015-2018) Collaboration avec J. Caselle (UCSB), L. Dee (Univ. Of Minesota), I. Chadès (CSIRO) et E. McDonald-Madden (Univ. Of Brisbane). 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(73) Bibliographie Food webs management W.J.M. Probert, E. Mc Donald-Madden, N. Peyrard and R. Sabbadin. Computational issues surrounding the dynamic optimization of management of an ecological food web. ECAI 2012 Workshop AIGM. E McDonald-Madden, R Sabbadin, P.W.J. Baxter, I Chadès, E.T. Game and H.P. Possingham. Using food webs to manage ecosystems, Nature Communications, 7, 2016. Hui Xiao, Iadine Chadès, Laura Dee, Nathalie Peyrard, Régis Sabbadin and Eve McDonald-Madden. Conservation for biodiversity or services? Novel approach to investigate how ecosystem network structure influences strategy selection. En préparation, 2016. GMDP, FA-FMDP, applications to agro-ecological processes management N Peyrard, R Sabbadin, E Lo-Pelzer and J.N. Aubertot. A graph-based Markov decision process applied to the optimization of strategies for integrated management of diseases. Phytopatthology, 2007. R Sabbadin, N Peyrard and N Forsell. A framework and a mean-field algorithm for the local control of spatial processes. International Journal of Approximate Reasoning, 2011. J. Radoszycki, N. Peyrard and R. Sabbadin. Finding good stochastic factored policies for factored Markov decision processes, Principles and Practice of Multi-Agent Systems (PRIMA), 2015. S. Gaba, N. Peyrard , J. Radoszycki and R. Sabbadin Land sparing vs land sharing : taking time into account. En préparation, 2016.. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(74) Modélisation du cas d‘étude C-A-P Bibliographie  Description qualitative du problème dans (Bretagnolle et Gaba, 2015) → problème de décision séquentielle sous incertitude  à l’échelle du paysage  multi-objectifs (multi-services) Dynamique des adventices dans les cultures  à l'échelle de la parcelle : systèmes de culture  à l'échelle du paysage : flux de gènes (Colbach, 2009) Paramètres du cycle de vie : peu d'informations → utilisation d'un modèle de métacommunautés (Dorazio et al., 2010) 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(75) Modélisation du cas d‘étude C-A-P Bibliographie  Evaluation des services écosystémiques (modèle de récompense) quantification des pollinisateurs : (Lonsdorf et al., 2009)  marge économique colza/blé/prairie : BDD+modèle  marge économique du miel : peu d'informations. 18/03/2016. Atelier Modélisation - UMR Agroécologie.

(76)