Modèles pour décrire, prédire et inférer les dynamiques spatio ...
Transcript of Modèles pour décrire, prédire et inférer les dynamiques spatio ...
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Modèles pour décrire, prédire et inférer les dynamiquesspatio-temporelles écologiques et épidémiologiques
Melen Leclerc
INRAUMR Institut de Génétique, Environnement et Protection des Plantes (IGEPP)
30/04/2015 - Groupe Spatio-temporel - Rennes
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Objectifs de la présentation
Présenter rapidement notre environnement de travail
Présenter de manière générale nos thématiques de recherche et les outilsmathématiques-statistiques utilisés
Exposer plus précisément trois exemples de travaux à l’échelle du paysage
Conclure sur quelques perspectives et les orientations futures de nostravaux
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
IGEPP ?
Unité mixte de Recherche - Institut National de la RechercheAgronomique - Université Rennes 1 - Agrocampus Ouest
Inra : Départements Santé des Plantes et Environnement (SPE) etBiologie et Amélioration des plantes
Multi-site : Le Rheu - Rennes - Ploudaniel - Angers
Diversité et évolution des plantes et de leurs organismes associés
Les réponses des plantes et l’adaptation de leurs organismes associés auxstress biotiques et abiotiques
Fonctionnement des communautés en interaction au sein desagro-écosystèmes afin de proposer de nouvelles méthodes de protectiondes plantes et des systèmes de culture
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
IGEPP et modélisation
5 modélisateurs : Solenn Stoeckel - Sylvain Poggi - Melen Leclerc(CR-Inra SPE), Nicolas Parisey (IR-Inra SPE), Frédéric Hamelin(MdC-Agrocampus Ouest) + quelques doctorants et post-doctorants
Quelques scientifiques interagissant fréquemment avec les modélisateurs(non bio-informaticiens) (eg Lydia Bousset CR-Inra-SPE)
Développer des modèles et des théories pour décrire et prédire lesdynamiques spatio-temporelles et les dynamiques évolutives desorganismes inféodés aux agro-écosystèmes
Valider ces modèles théoriques par l’expérimentation et/ou l’observation
Identifier des leviers pour la gestion des épidémies, tester des stratégies degestion, proposer des outils méthodologiques
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
IGEPP et modélisation
5 modélisateurs : Solenn Stoeckel - Sylvain Poggi - Melen Leclerc(CR-Inra SPE), Nicolas Parisey (IR-Inra SPE), Frédéric Hamelin(MdC-Agrocampus Ouest) + quelques doctorants et post-doctorants
Quelques scientifiques interagissant fréquemment avec les modélisateurs(non bio-informaticiens) (eg Lydia Bousset CR-Inra-SPE)
Développer des modèles et des théories pour décrire et prédire lesdynamiques spatio-temporelles et les dynamiques évolutives desorganismes inféodés aux agro-écosystèmes
Valider ces modèles théoriques par l’expérimentation et/ou l’observation
Identifier des leviers pour la gestion des épidémies, tester des stratégies degestion, proposer des outils méthodologiques
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Quelques caractéristiques de nos systèmes d’étude
Systèmes biologiques - écologiques = systèmes complexes
Environnements fluctuants, discontinus et hétérogènes dans l’espace et letemps
Souvent forte stochasticité dans les processus biologiques et écologiques(eg dynamique des génomes)
Généralement peu de données pour décrire la dynamique des populationset caractériser l’environnement biotique et abiotique
Différentes échelles spatiales (tissu-organe-plante-parcelle-paysage) ettemporelles (jour,période de culture,pluriannuelle)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Outils mathématiques et statistiques
EDO, EDP, modèles semi-discretsProcessus stochastiques (processus markovien, EDS...)Inférence statistique (vraisemblance, inférence bayésienne)Modèles individus-centrés, approches eulérienne/lagrangienneAnalyse de sensibilitéGéométrie StochastiqueThéorie des jeux, contrôle optimalMéthodes issues de la physique théorique : percolation, fermeture desmoments spatiauxData-Mining
UR BioSP (Avignon), MIA-Jouy (Jouy en Josas), Biocore (Sophia), Epidemiology and
Modelling (Cambridge), IRMAR (Rennes, EDP & EDS)...
Réseaux Modélisation et Statistique en Santé des Animaux et des Plantes (ModStatSAP),
Modélisation des paysages et territoires agricoles pour la simulation et l’analyse des processus
envrionnementaux (PAYOTE), Modèles d’Equations Différentielles et Autres systèmes
dynamiques pour l’écologie (MEDIA), Méthodes pour l’EXploration Informatique des modèles
COmplexes (Mexico), GdR MascotNum...
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Transmission of Leptosphaeriamaculans from a cropping season to
the following one
L. Bousset, S. Jumel, V. Garreta, H. Picault, S. Soubeyrand
UMR IGEPP - UR BioSP
(Bousset, Jumel, Garreta, Picault, Soubeyrand, 2015, Annals of Applied Biology)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Phoma du colza et dispersion dans le paysage agricole
Semis TempsSemis Récolte
Intensité épidémie
Parcelle pendant saison N
Résidus
Parcelle pendant saison N+1Macules (année N) Macules (Année N+1)
Dispersion à l’automne
Ascospores
Sources 2009 Cibles 2010 Sources 2011 Cibles 2012Dispersion de parcelles sources (année N)-> vers parcelles cibles (année N+1)
En parcelles agricoles, proches du Rheu
2 jeux de données
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Données
Cartes de sévérités
Sources 2009
Sources 2011
Cibles 2012
Cibles 2010
72 données
172 données
200 données
39 données
Nombre moyen de macules vuessur un mètre carré en une minute (estimateur Mac.m2)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Modèle épidémiologique
Intensité des sources S : processus spatial log-Gaussien stationnaire ΛS
avec une fonction d’auto-covariance exponentielle puissance :
log ΛS(y1), ...,ΛS(yn) ∼ Normal (µ, ..., µ),Σ
C(d) = σ21exp(−σ2dσ3)
Potentiel infectieux dans les cibles T ΛT = produit de convolution entreles sources ΛS et un noyau de dispersion K :
ΛT (x) =∫R2 ΛS(y)K(x − y)dy
K(x − y) = β2β21Γ(2/β2)
exp−(‖x − y‖/β1)β2
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Modèle d’observation et inférence
Comptage sur les points sources xS,1, ..., xS,nS :
YS,i ∼ Poisson α1 ΛS(xS,i )
Comptage sur les points cibles xT ,1, ..., xT ,nT :
YT ,i ∼ negative binomial α2 ΛT (xT ,i , θ)
MCMC Metropolis-Hastings
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Résultats
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Résultats
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Résultats
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Conclusion et Perspectives
Estimation du noyau de dispersion à l’échelle du paysage
Noyau à queue lourde, dispersion à longue distance du pathogène
Problèmes de convergence pour l’inférence (des paramètres ont été fixés)
Utiliser INLA
Ajouter l’effet du génotype cultivé dans les parcelles
Dispersion groupée, utiliser les conditions de vent pour la dispersion...
Sujet de thèse 2015 (ED VAS) Lydia Bousset, Nicolas Parisey, Samuel Soubeyrand
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
A modelling framework for assessingspatial ecotoxicological risks at thelandscape scale : the impact of Btmaize on non-target Lepidoptera as
an example system
M. Leclerc, A. Messéan, S. Soubeyrand
UR BioSP - UAR Eco-Innov - UMR IGEPP
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
The AMIGA project
Assessing and Monitoring the Impactsof Genetically modified plants on
Agro-ecosystems (European project)
Postdoc UR BioSP - UAR Eco-Innov
AMIGA project-task 7.3.1.
→ Design spatially explicit models for assessing the impacts of GM crops onnon-target organisms within agricultural landscapes
→ The case of Bt maize on non-target Lepidoptera as an example biologicalsystem (non-target Lepidoptera are mostly in field margins and areexposed to Bt pollen dispersed by wind after flowering)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Approach
Design a spatially explicit model of exposure for assessing risk at thelandscape level (spatial spread of toxic agents (pollen grains)+ exposure ofindividuals + ecotoxicological process)
Assess the impact of the spatial structure of the landscape on the risk
→ Simulate theoretical landscapes and control the spatial aggregation offields cultivated with Bt, the spatial aggregation of field margins with hostplants, the thickness of field margins, the number of plots
Quantify risk uncertainty and assess the sensitivity of parameters
→ Uncertainty propagation and Sensitivity analysis
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Using stochastic geometry and spatial statistics for simulating landscapes
How to simulate theoretical landscape usingtools from stochastic geometry and spatialstatistics ?
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Tessellation
The landscape is structured by :1 Simulating a binomial point process of N points in Ω2 Drawing a Vornoi tessellation in order to partition Ω from N = n1, ..., nn
as seed points
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Marked segment and point processes
Let Θ be the set of segments obtained from the tessellationConsider α(Θ) to be the set of midpointsConsider S = α(Θ)
⋃N
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Marked segment and point processes
Consider a Gaussian stationary spatial process Λ with an exponentialautocovariance function C(d) = ae(−bd) (and fix the parameters)
Then for each x ∈ S , Λ ∼ N(µ,Σ)
Thresholding of the Gaussian process and addition of marks
Fields mF = authorized(a), forbidden(f )→ Consider a thresold s1→ if Λ(Fi ) > s1 then mFi = a
→ if Λ(Fi ) < s1 then mFi = f
Margins mM = likely(l), unlikely(u)→ Consider a thresold s2→ if Λ(Mi ) > s2 then mMi = u
→ if Λ(Mi ) < s2 then mMi = l
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Final structure of the landscape
Each field with mark authorized (a) has a probability pF to be a fieldcultivated with Bt maize
Each segment with mark likely (l) has a probability pM to be a segmentwith host plants
The thickness Li of each host-segment i is independently drawn from aGamma distribution
Dilated segments Θh are obtained from Θhi 7→ Θhi
⊕Ai where Ai is a
sphere with diameter Li/2
The set of final margins is thus M =⋃
Θhi
⊕Ai
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Pollen spatial spread
The number of pollen grains received in x is obtained by calculating theconvolution product between the emitted pollen E(x) and a dispersalkernel K
R(x , t) =∫
ΩE(x ′, t)K(|x − x ′|)dx ′ = K ⊗ E(x , t)
Re(x) = R(x) ∗ adherence ∗ (1− loss)
Two dispersal kernels were implemented (NIG and a fat-tailed powerfunction)
The convolution product was calculated by using Fast Fourier Transforms
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Risk calculation
A distribution of the risk within the landscape is obtained by
1 Drawing on homogeneous Poisson point process of n points on margins M
2 Calculating the individual risk, using a Mortality-dose function, for eachindividual
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Example
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Sensitivity Analysis
Optimized Latin Hypercube Sampling (1000 points) with 15 replicates foreach point (stochastic model)
Sensibility indices are obtained by using a metamodel (GLM)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Sensitivity Analysis
Optimized Latin Hypercube Sampling (1000 points) with 15 replicates foreach point (stochastic model)
Sensibility indices are obtained by using a metamodel (GLM)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Conclusion et Perspectives
Flexible generic modelling framework for simulating theoretical landscapesand assessing risks
Significant effect of the spatial structure of the landscape on the mean risk
Include the temporal dynamics of pollen emission and more sophisticatedecotoxicological models
→ Emily Walker (Postdoc BioSP), oral presentation (Spatial StatisticsAvignon 2015)
SEHmodel R package : An R package coupling polygon and pointprocesses for assessing risk due to contaminant and their impact onexposed individuals (Marc Bourotte, Melen Leclerc, Jean-François Rey,Samuel Soubeyrand, Emily Walker)
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Dynamique des populationsd’insectes et agroécosystèmes
N. Parisey, S. Poggi, Y. BourhisCollab. : L. Roques, S. Soubeyrand, B. Ricci
UMR IGEPP - UR BioSP - UMR Agroécologie
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Objectifs
De façon générale :
Inférer les relations in situ entre organismes d’études et habitatsanthropisés
Proposer des leviers d’actions pour (dé)favoriser ces organismes auxéchelles régionales (ou supérieures)
Dans l’exemple ci-après :
étudier des insectes auxiliaires grâce à des données récoltées sur la ZoneAtelier Armorique (24 parcelles échantillonnées à 9 dates successives).
proposer de multiples ré-arrangements améliorant le service écosystémiquede régulation.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Objectifs
De façon générale :
Inférer les relations in situ entre organismes d’études et habitatsanthropisés
Proposer des leviers d’actions pour (dé)favoriser ces organismes auxéchelles régionales (ou supérieures)
Dans l’exemple ci-après :
étudier des insectes auxiliaires grâce à des données récoltées sur la ZoneAtelier Armorique (24 parcelles échantillonnées à 9 dates successives).
proposer de multiples ré-arrangements améliorant le service écosystémiquede régulation.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Moyens
1 Inférer les paramètres d’une dynamique de population spatialisée via unstate space model (PDE + count data)
2 Proposer un modèle aspatialisé pour comparaison avec le précédent via uncritère de performance commun.
3 Générer des ré-arrangements d’un paysage agricole (par CSP) et détecterceux dont le classement est meilleur pour le modèle spatialisé que pourl’aspatialisé.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Moyens
1 Inférer les paramètres d’une dynamique de population spatialisée via unstate space model (PDE + count data)
2 Proposer un modèle aspatialisé pour comparaison avec le précédent via uncritère de performance commun.
3 Générer des ré-arrangements d’un paysage agricole (par CSP) et détecterceux dont le classement est meilleur pour le modèle spatialisé que pourl’aspatialisé.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Moyens
1 Inférer les paramètres d’une dynamique de population spatialisée via unstate space model (PDE + count data)
2 Proposer un modèle aspatialisé pour comparaison avec le précédent via uncritère de performance commun.
3 Générer des ré-arrangements d’un paysage agricole (par CSP) et détecterceux dont le classement est meilleur pour le modèle spatialisé que pourl’aspatialisé.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
I - State space model et inférence
Modèle mécaniste
Dynamique des populations, pour (x , y) ∈ Ω, t > 0 :∂P(x,y,t)
∂t = D∇2P(x , y , t) + P(x , y , t)r(x , y)e−βt − P(x , y , t)µ
r(x , y) =
rc si (x , y) est dans un champ de céréalesrs si (x , y) est dans un habitat semi naturel boisérp si (x , y) est dans une prairie
Conditions aux bords ∂P∂n (x , y , t)
∣∣∣∂Ω
= 0 où n est normal à la frontière ∂Ω
Conditions initiales par interpolation spatiale aux premières dates d’observationset décrivant un processus d’émergence
P(x , y , 0) =
N−1∑i=0
ziφ(‖zxy−zi ‖)
τN−1∑i=0
φ(‖zxy−zi ‖)
avec φ(d) = d−p
p optimal obtenu par validation croisée, τ = 5 (temps d’émergence postulé).
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
I - State space model et inférence
Modèle d’observation
Var. réponses Oi (comptages) aux dates et points de mesures (ti , xi )
Paramètres θ = (rc , rh, rp,D, µ, β)
Soit la densité de probabilité d’une loi de Poisson, e−λ λz
z!, on propose la
vraisemblance :
p(O|θ, t, x) =I∏
i=1
e−η(ti ,x i ),θ η(ti , x i ), θyiyi !
où η(t, x), θ = α∫ tt−τ Pdt, avec α ∼ 10−3
Inférence (MCMC) : convergence, faible corrélation des paramètres, adéquationaux données.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
II - Modèle aspatialisé et critère de performance
Soit pk la proportion du kième type de culture (∑
Pk = 1) et rk le tauxd’accroissement associé :
dPdt
= P∑
pk rke−βt − µ
d’où
P(t) = P(0)e∑
−pk rk e−βt
β−µt+
∑rk pkβ
Critère de performance aspatialisé :∫t P(t)dt
Critère de performance spatialisé :∫t
∫x
∫y P(x , y , t)dxdydt
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
III - Ré-arrangement et ranking
Ré-arrangements (Constraint Satisfaction Problem) :
Variables : U1, . . . ,Un les surfaces des parcelles d’usage du paysage
Domaines : Di = C , S ,P les types de cultures possibles
Contraintes : ∀ k, (1− ε) ∗ poriginek ≤ prearr
k ≤ poriginek ∗ (1 + ε)
Avec ε tolérance (10−2)
Résolution par Algorithme Génétique
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
III - Ré-arrangement et ranking : résultats préliminaires
0
10
20
0.8 0.9 1.0 1.1 1.2 1.3Normalised fitness value
dens
ity
−20
−10
0
10
20
Ranking gain
Figure : Distributions des paysages candidats, obtenues à partir de paysages réels, en fonction ducritère spatialisé. Code couleur représentant la différence de rang entre le mode d’une distribution et lecritère aspatialisé correspondant.
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Quelques perspectives
Phénotypage de précision et haut débit à plusieurs échelles (organes,plante, couvert végétal, parcelle, paysage)
→ Utilisation de divers capteurs pour caractériser et quantifier l’environnement, laphysiologie des plantes, les maladies, l’architecture 3D (imagevisible/multi/hyperspectral, données microclimatiques, données Lidar, images obtenuespar drone, capteurs de PAR etc...)
→ Nécessité de développer des méthodes pour traiter ces jeux de données
→ Extraire l’information intéressante et l’utiliser pour tester des modèles mécanistes(physiologie, épidémiologie, écologie)
→ Statistiques spatio-temporelles
→ Analyse d’image
→ Géométrie, topologie
→ Fouille de données
Evolution en temps court et génétique quantitative (équation de Price)
Introduire plus de réalisme (eg systèmes de reproduction des organismes)tout en gardant des modèles parcimonieux
Saisonnalité, discontinuités temporelles et dynamiques évolutives
...
Introduction Dispersion du phoma Risque écologique et paysage Dynamique des populations d’insectes Perspectives
Merci de votre attention !