Mod elisation spatio-temporelle d’une epid emie de tavelure...R.CRETE Mod elisation d’une epid...
Transcript of Mod elisation spatio-temporelle d’une epid emie de tavelure...R.CRETE Mod elisation d’une epid...
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Modelisation spatio-temporelle d’une epidemie detavelure
Remi Crete 1
Journees MSTGA 7 et 8 novembre 2011
R.CRETE Modelisation d’une epidemie de tavelure 1/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Projet de recherche MODEMAVE :
Thesis : Prise en compte de l’heterogeneite spatiale dans lamodelisation de la dynamique du developpement de la tavelure
du pommier.
Directeur de these : Pr. Besnik PUMO
R.CRETE Modelisation d’une epidemie de tavelure 2/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Plan
I I - Motivations et cadre de travail
L’ExperienceLa Dynamique de la Maladie
I II - Le Modele Mecanico-Statistique
NotationsConstruction du ModeleMethode d’inference
R.CRETE Modelisation d’une epidemie de tavelure 3/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
L’ ExperienceLa Dynamique de la Maladie
Motivations et Cadre de travail
I La tavelure du pommier :
• Provoquee par VenturiaInaequalis.
• Les fruits affectes exclus de lavente.
• Moyens de controle : fongicides,destruction de la litiere foliaire,melange varietal.
I Contournement d’une variete resistante au sein d’un verger INRA : Ariane
Avant 2004 : Pas de maladie sur les arbres de la variete Ariane.En 2004 : Apparition d’un foyer infectieux.
I Experience : Etude du deploiement de la tavelure sur Ariane
Notation de la maladie sur tous les arbres de la variete Ariane :De 2004 a 2007 (parcelles en melange varietal)De 2007 a 2008 (parcelles pures : seulement la variete Ariane)
Question : Comment se propage la tavelure du pommier au sein d’un verger ?
R.CRETE Modelisation d’une epidemie de tavelure 4/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
L’ ExperienceLa Dynamique de la Maladie
Le Verger Experimental
R.CRETE Modelisation d’une epidemie de tavelure 5/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
L’ ExperienceLa Dynamique de la Maladie
Echelle de notation
R.CRETE Modelisation d’une epidemie de tavelure 6/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
L’ ExperienceLa Dynamique de la Maladie
Exemple d’evolution
R.CRETE Modelisation d’une epidemie de tavelure 7/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
L’ ExperienceLa Dynamique de la Maladie
Cycle de vie de Venturia inaequalis
R.CRETE Modelisation d’une epidemie de tavelure 8/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
L’ ExperienceLa Dynamique de la Maladie
La Phase Parasitaire
R.CRETE Modelisation d’une epidemie de tavelure 9/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Le Modele Mecanico-Statistique
I But scientifique : Modeliser et inferer une dynamique ecologique,environnementale ou epidemiologique.
I Bases sur lesquelles repose l’inference :
• Connaissance des principaux mecanismes gouvernant la dynamique :→ Suffisantes pour construire un model scientifique, avec desparametres inconnus.
• Observations degradees et non-exhaustives de la dynamique :→ Pas directement utilisables dans le but de decrire les donnees.
I Approche : Modelisation hierarchique
R.CRETE Modelisation d’une epidemie de tavelure 10/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Le Modele Mecanico-Statistique (2)
I Quelques exemples :
• Propagation du Citrus Tristeza Virus (Gibson et al. 1997)
• Etude de clairieres forestieres generees par colonisation de scolytes(Zhu et al. 2008)
↪→ Comparaison avec le modele autologistique de Besag(Rasmussen et al. 2005)
• Interaction Hote-pathogene de Plantago Lanceolata/Podosphaeraplantaginis (Soubeyrand et al. 2009)
I Etude de phenomenes binaires (Infection, colonisation ...).
R.CRETE Modelisation d’une epidemie de tavelure 11/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Le Modele Mecanico-Statistique (3)
Dans notre cas :
I Modelisation par un processus de Poisson spatio-temporel (Mollison1977).
I Prise en compte de la dynamique :
• Production/re-production de spores : loi normale tronquee pourl’inoculum primaire, courbe logistique pour l’inoculum secondaire.
• Dispersion : La quantite de spores disperses diminue a mesure quel’on s’eloigne de la source emettrice : Choix du gradient exponentiel.
• Infection : depend des covariables climatiques. Hypothese que lesinoculums primaire et secondaire ont la meme force d’infection
R.CRETE Modelisation d’une epidemie de tavelure 12/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Notations
On utilise les definitions suivantes :
I S ensemble des arbres de la parcelle (avec n arbres) .
I Y obsk0,Y obs
k1,Y obs
k2,Y obs
k3,Y obs
k4sont les notes attribuees aux dates :
0 < k0 < k1 < EA < k2 < k3 < k4 < EP.
I Y obs = (Y obskm
)m∈{0,...,4} = (Y obsi,km
)m∈{0,...,4}i∈S
.
I T ={T j
i
}i∈S
j∈{1,...,Ci−1}, ou Ci est la derniere classe atteinte par l’arbre i .
I Z = (R,PAD) representent les covariables.
R.CRETE Modelisation d’une epidemie de tavelure 13/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Reconstruction de la dynamique
Soit Y = (Yi,t)i∈S,t∈[0;EP], le processus de la dynamique :
• ∀t ∈ [0;EP], ∀i ∈ S, Yi,t ∈ {1, ..., 9}
• ∀t ∈ {k0, k1, k2, k3, k4}, Y obsi,t = Yi,t : Pas d’erreurs de notations.
Par exemple :
R.CRETE Modelisation d’une epidemie de tavelure 14/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Distribution Conditionnelle des observations
La loi PΘ(Y obs | Z) des observations, conditionnellement aux covariables Zsatisfont :∫
T∈TdPΘ(Y obs ,T | Z) =
∫T∈T
P(Y obs | T ,Z) · dPΘ(T | Z)
Ou :
• P(Y obs | T ,Z) modelise le processus d’observation.
• PΘ(T | Z) modelise la dynamique.
→ Contient la structure de dependance spatio-temporelle.
• Θ = (α, γ, δ, η) est le vecteur de parametres de la dynamique lie a laproduction, dispersion et infection par les spores.
R.CRETE Modelisation d’une epidemie de tavelure 15/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Distribution des Temps
La distribution PΘ(T | Z) est modelisee par un processus ponctuelspatio-temporel d’intensite :
λi,t(θ) = r(t, α)
cp(γ)ρ(t) + δ∑
`∈N(i)
g`(t)K(i , `, η)
Cette intensite represente la quantite de spores provenant :
• du sol cp(γ),
• des arbres du voisinage N(i) of i ,
qui realisent une infection en i au temps t.
En notant Λi (u, v) =∫ v
uλi,t dt :
PΘ(T | Z) =n∏
i=1
e−Λi (0,EP) ·n∏
i=1
Ci−1∏j=1
λi,t
ji
R.CRETE Modelisation d’une epidemie de tavelure 16/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
La fonction de croissance (1)
La fonction de croissance s’interprete comme solution de l’equation suivante :
∂g
∂t(t) = β.g(t).(1− g(t))
I cette equation correspond au modele de Verhulst qui est un modele dedynamique de populations : Ici on veut modeliser l’evolution de lapopulation de feuilles infectees.
I La vitesse de croissance de la maladie est proportionnelle a la partie del’arbre qui est deja infectee, et a la partie de l’arbre qui est encore saine.
I β est un parametre qui varie suivant les conditions climatiques et sousl’influence du voisinage.
R.CRETE Modelisation d’une epidemie de tavelure 17/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
La fonction de croissance (2)
I Ici les cercles rouges montrent les temps de passage.
I On considere que le taux de croissance β est constant entre deux tempsde passage.
R.CRETE Modelisation d’une epidemie de tavelure 18/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Dispersion Isotrope
Pour ` voisin de i :
I Typage symetrique des voisins de i , dependant de la distance a la source :
K(i , `, η) =
ntype∑u=1
ηu · 1{type(i,`)=u}
I Prise en compte de la distance entre le voisin et la source :
K(i , `, η1) = exp(−η1 ·√
(xi − x`)2 + (yi − y`)2)
ntype = 7 η1 = 0.3
I ∀i , ` ∈ S, K(i , `, η) = K(`, i , η)⇒ K est symetrique.
R.CRETE Modelisation d’une epidemie de tavelure 19/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Dispersion Anisotrope
Pour ` voisin de i :
K(i , `, η) = exp(−η1 ·√
(xi − x`)2 + [η2 · (yi − y`)]2 − η3 · b(i , `))
η2 = 1 η3 = 0 η2 = 3 η3 = 0 η2 = 0.2 η3 = 0
η2 = 1 η3 = 0 η2 = 1 η3 = −0.5 η2 = 1 η3 = 0.5
R.CRETE Modelisation d’une epidemie de tavelure 20/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Les fonctions covariables
I La fonction d’infection r(t, α) :
• Elle transforme les risques d’infection donne en covariables enune probabilite d’infection.
• Le risque est constant sur chaque journee de la phaseparasitaire.
• Chaque risque 0,...,4 correspond a un taux d’infectionrespective : α0 < ... < α4.
• Identifiabilite ⇒ Le risque le plus grave 4 est fixe a 1, demaniere a ce que δ soit identifiable.
I La force de la source d’ascospores (dependance de l’annee precedente) :
cP (γ) = γ · log(PAD)
R.CRETE Modelisation d’une epidemie de tavelure 21/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Methode d’Inference
PΘ(Y obs | Z) est difficile a calculer ⇒ Approche bayesienne pour l’estimationde T et Θ.
I distribution a posteriori :
P(Θ,T | Y obs ,Z) ∝ P(Y obs | T ,Θ,Z) · P(T | Θ,Z) · π(Θ)
• P(T | Θ,Z) =∏n
i=1 e−Λi (0,EP) ·
∏ni=1
∏Ci−1j=1 λ
i,tji
• P(Y obs | T ,Θ,Z) = 1 ou les temps sont correctement positionnespar rapport aux observations.
• π(Θ) est la distribution a priori sur Θ.
I Utilisation d’un algorithme MCMC (Metropolis-Hastings) afind’echantillonner dans la loi a posteriori. Utilisation de mises a jours parblocks (tous les temps de passage d’un arbre a la fois).
R.CRETE Modelisation d’une epidemie de tavelure 22/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Conclusion
I L’Approche Mecanico-Statistique : Permet d’etudier de nombreusesdynamiques et differents jeux de donnees.
I Cette approche fonctionne bien avec la dynamique de nuisiblesbiologiques : Degradation significatives entre la dynamique telle quecomprise et les observations.
I Le coeur dynamique du modele peut prendre differentes formes (ici onutilise un processus ponctuel poissonien).
I Mais : La procedure d’estimation peut etre tres lente.
R.CRETE Modelisation d’une epidemie de tavelure 23/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
Bibliography
Mollison D. (1977) Spatial contact models for ecological and epidemic spread, with discussion, J. Roy. Stat.
Soc., B, 39, 283-326.
Gibson G.J.(1997). Markov Chain Monte Carlo methods for fitting spatiotemporal stochastic models in
plant epidemiology. Appl. Statist., 46, 215-233.
Daley D.J., Vere-Jones D.(2003) An Introduction to the Theory of Point Processes : Volume I : Elementary
Theory and Methods, Second Edition. Springer-Verlag
Gamerman D., Lopes H.F. (2006) Markov Chain Monte Carlo, Stochastic Simulation for Bayesian Inference.
Chapman and Hall/CRC
Robert C.P., Casella G. (2010) Introducing Monte Carlo Methods With R. Springer
Caffier V., Didelot F., Orain G., Lemarquand A., Parisi L. (2009). Efficiency of association of scab control
methods on resistance durability of apple : the case study of cultivar Ariane. IOBC wprs Bulletin, souspresse.
Soubeyrand S., Laine A.-L., Hanski I., and Penttinen A. (2009) Spatiotemporal Structure of Host-Pathogen
Interactions in a Metapopulation. The American Naturalist.
Rasmussen J.G., Moller J., Aukema B.H., Raffa K.F. and Zhu J. (2007) Continuous time modelling of
dynamical spatial lattice data observed at sparsely distributed times. J.R.S.S. B 69,Part4, pp.701-713.
R.CRETE Modelisation d’une epidemie de tavelure 24/25
I - Motivations et Cadre de travailII - Le Modele Mecanico-Statistique
Construction du ModeleMethode d’Inference
MERCI DE VOTRE ATTENTION
R.CRETE Modelisation d’une epidemie de tavelure 25/25