DESCRIPTIF DU PROJET DE THESE

Sujet proposé Etude et modélisation des impacts des pratiques agricoles sur la dynamique de la distribution des communautés microbiennes des sols à l’échelle du paysage

Spécialité du doctorat (discipline)

Informatique et Ecologie

Encadrement (directeur de thèse, co-encadrant...)

Chemidlin Prévost-Bouré Nicolas (Co-Directeur)Marilleau Nicolas (HDR, Directeur)

Laboratoire(s) d’accueil UMI 209 UMMISCO, UMR 1347 AgroécologieCofinanceur(s) Métaprogrammes INRA (demi bourse acquise)

Résumé Les communautés microbiennes des sols sont reconnues comme centrales pour la fertilité des sols et sont des bioindicateurs pour évaluer l’impact des pratiques agricoles sur les sols. L’enjeu est de favoriser leur utilisation pour accompagner/accélérer l’innovation en équipant les acteurs du monde agricole pour évaluer à priori les impacts des changements de pratiques sur la composante microbienne des sols avant de les mettre en œuvre et les valider. L’objectif de la thèse est de caractériser les dynamiques spatiales et temporelles des communautés microbiennes des sols à l’échelle d’un paysage agricole pour les modéliser et proposer un outil d’aide à la décision (OAD) aux acteurs du monde agricole. Elle utilisera une approche pluridisciplinaire mêlant écologie microbienne, évaluation environnementale, informatique et modélisation, associée à une démarche de modélisation participative mobilisant le savoir-faire des acteurs. Elle s’appuiera sur le paysage agricole de Fénay (1200ha, Dijon) pour lequel les communautés microbiennes du sol ont été caractérisées en 2011 et 2016 et les pratiques agricoles connues. La généricité de l’OAD sera évaluée sur les données du Réseau d’Expérimentation et de Veille à l’innovation Agricole initié en 2017, réseau participatif qui couvre une grande diversité pédologique et met en œuvre les mêmes méthodologies que le paysage de Fénay. Dans un second temps, le projet « Territoire d’Innovation – Grandes Ambitions » pourra servir de banc d'essai au déploiement de l'OAD, non plus à l'échelle d'une parcelle/exploitation agricole mais à celle d'un territoire structuré.

Mots clés modèles spatialisés et multi-échelle à base d’agents ; modélisation participative, Outil d’aide à la décision ; Ecologie microbienne ; sol ; impact des pratiques agricoles

1 Contexte et enjeux scientifiques

Dans un contexte d’agriculture éco-efficiente permettant la triple performance des exploitations agricoles, la notion de sol valorisé essentiellement de manière productiviste est peu à peu remplacée par celle d’un écosystème "piloté de manière à fournir durablement diverses catégories de biens et de services précisément qualifiés" (projet Agroécologique pour la France ; Initiative 4‰). Dans cette vision écosystémique, les communautés microbiennes

du sol occupent une place centrale au regard de leur diversité taxonomique et de leurs fonctions. Les quelques 105-106 et 103-104 espèces de bactéries et de champignons respectivement contenues dans chaque gramme de sol assurent des fonctions essentielles à l’Homme : dégradation de la matière organique et nutrition des plantes, structuration du sol, recyclage et mise à disposition des nutriments, dégradation de produits phytosanitaires, régulation du climat… Néanmoins, depuis dix ans, les avancées techniques d’écologie moléculaire et leur déploiement sur de grands échantillonnages de sols à différentes échelles spatiales (territoire national, paysage agricole ; e.g. Réseau de Mesure de Qualité des Sols, Programme TAXOMIC RMQS ; Paysage de Fénay, Thèse F.Constancias, 2011-2014) ont permis d’acquérir des références sur l’impact environnemental des pratiques agricoles sur les communautés microbiennes des sols. Ces références démontrent l’impact des caractéristiques physico-chimiques des sols ; des modes d’usage du sol (forêt, grandes cultures, vignobles,…) et des pratiques agricoles (e.g. travail du sol) sur l’abondance et la diversité des communautés microbiennes du sol. Ceci a aussi permis de démontrer que les communautés microbiennes du sol constituent des bioindicateurs pertinents pour caractériser et évaluer l’impact des pratiques [agricoles] sur les sols (Programmes ADEME Bioindicateurs 1 et 2 ; Bioindicateurs : des outils biologiques pour des sols durables. Fiches outils) ; et opérationnels pour les acteurs du monde agricole (Chambres d’Agriculture, agriculteurs ; programme CASDAR AgrInnov, 2012-2015). Aujourd’hui, l’enjeu est de transférer les connaissances et les références acquises aux acteurs du territoire (CA, Agriculteurs, Coopératives, Associations) via des outils d’aide à la décision complémentaires aux outils agronomiques existants. Ceci permettra d’identifier à court/moyen terme les pratiques agricoles les plus performantes et les plus durables d’un point de vue environnementale et agronomique.

2 Description du travail de thèse 2.1 Objectifs scientifiques

Ce projet de thèse a pour objectif de caractériser les dynamiques spatiales et temporelles des communautés microbiennes des sols en réponse à des évolutions de pratiques agricoles pour les modéliser et proposer un outil d’aide à la décision pour la gestion des communautés microbiennes de sols, complémentaire des outils existants pour la conception et l’évaluation des pratiques agricoles/systèmes de culture. A l’interface de l’écologie et de la modélisation, l’atteinte de cet objectif se fera en cinq étapes :1) Décrire les dynamiques spatiales et temporelles des communautés microbiennes des sols à

l’échelle d’un paysage agricole, 2) Evaluer l’importance relative des processus neutres et déterministes dans la structuration

des communautés microbiennes des sols au cours du temps en fonction des types de rotations agricoles et/ou des variations climatiques entre années,

3) Hiérarchiser les filtres environnementaux (caractéristiques physico-chimiques des sols, changements de pratiques) déterminant les variations de structure des communautés microbiennes des sols et évaluer la stabilité de cette hiérarchie au cours du temps,

4) Modéliser la dynamique des communautés microbiennes des sols en réponse au changement(s) de pratique(s) agricole(s) au travers d’une démarche de modélisation participative,

5) Produire la première version d’un outil d’aide à la décision permettant de prendre en compte des indicateurs de la qualité microbiologique des sols agricoles dans la conception et l’évaluation des systèmes de culture.

2.2 Positionnement par rapport à l’état de l’art

L’étude de la distribution spatiale et de la dynamique temporelle des communautés biologiques, la biogéographie, permet d’identifier les processus écologiques impliqués et les déterminants de leurs variations. Longtemps inféodées aux macroorganismes et aux plantes, les approches biogéographiques ont été mises en œuvre sur les communautés microbiennes des sols, particulièrement sur de grands échantillonnages de sols à différentes échelles spatiales (Fierer & Jackson 2006, Griffiths et al., 2011, Dequiedt et al., 2009 & 2011, Ranjard et al., 2013). En France, ces approches ont permis de démontrer la distribution hétérogène et structurée des communautés microbiennes des sols et de constituer les premiers référentiels nationaux pour ces organismes. Elles ont aussi permis d’aboutir à des conclusions très robustes quant aux processus écologiques (dispersion, sélection) et aux filtres environnementaux impliqués dans la structuration spatiale des communautés microbiennes : les caractéristiques du sol (texture, pH, teneur en Carbone…), l’usage des sols : forêt, prairie, culture… (Dequiedt et al., 2009 ; Ranjard et al., 2013, Serna-Chavez et al., 2016 ; Tedersoo et al., 2016). En plus de ces approches à des échelles larges, la même démarche a été déployée à l’échelle du paysage agricole, échelle opérationnelle pour les acteurs du monde agricole qui permet de maximiser la variabilité des pratiques agricoles tout en contrôlant la variabilité pédoclimatique. Ceci a permis de démontrer que les communautés bactériennes et les phyla bactériens du sol sont distribués de manière hétérogène et structurée à l’échelle du paysage agricole et de démontrer leur sensibilité à des variations fines de pratiques agricoles (Constancias et al., 2015a & 2015b) ; particulièrement d’intensité de travail du sol. Ces résultats ont permis de démontrer que l’abondance ou la diversité microbienne des sols sont de bons bioindicateurs pour évaluer l’impact des pratiques agricoles sur les sols (ONB1,2,3 ; ADEME programmes Bioindicateurs 1 et 2). Robustes et reproductibles (Terrat et al., 2012 & 2015), ils s’appuient sur un référentiel national (RMQS, Ranjard et al., 2013). Leur utilisation dans une approche de recherche participative (projet AgrInnov, CASDAR-IP 2012-2015) a démontré leur opérationnalité pour les acteurs du monde agricole. Cette démonstration a mis l’accent sur la volonté des acteurs de gérer les composantes microbiologiques des sols en modifiant leurs pratiques pour améliorer la qualité et la fertilité biologique de leurs sols. Aujourd’hui, l’enjeu est de développer l’utilisation de ces indicateurs microbiologiques par les acteurs du monde agricole avec un outil d’aide à la décision (OAD) complémentaire de ceux existant, ceci pour la conception de systèmes de culture agroécologiques. Pour cela, il est nécessaire de prendre en compte à la fois la diversité des sols et des pratiques agricoles à des échelles de temps et d’espace opérationnelles pour les acteurs du monde agricole. Le monitoring des communautés bactériennes des sols sur le paysage de Fénay (15km au sud de Dijon, 21 ; 2011, 2016 et à venir en 2018) donne accès à ces données et constitue la première étape vers un OAD opérationnel à moyen terme. Depuis 2011, elle a permis de mettre en évidence : 1) la grande diversité de pratiques agricoles à l’échelle de la zone et leurs évolutions ; 2) la faible évolution des caractéristiques des sols depuis 2011 ; 3) les premiers résultats font apparaitre des variations de l’abondance des communautés bactériennes du sol suite à ces évolutions de pratiques. Pour avoir une vision plus fine de l’état microbiologique des sols de la zone, les communautés de champignons seront analysées sur les différentes campagnes en 2018 et 2019. Sur la base de ces informations, il est possible de formaliser le système sol pour en modéliser la réponse aux changements de pratiques ; seconde étape vers

1http://indicateurs-biodiversite.naturefrance.fr/indicateurs/evolution-de-la-biomasse-microbienne-des-sols-en-metropole2 http://indicateurs-biodiversite.naturefrance.fr/indicateurs/evolution-de-la-biodiversite-bacterienne-des-sols3 http://www.ademe.fr/bioindicateurs-outils-biologiques-sols-durables-fiches-outils

un OAD. Etant donné le niveau de diversité des microorganismes du sol, l’importante variabilité dans leur distribution spatiale et temporelle, et le grand nombre d’interactions entre groupes microbiens (Karimi et al., 2017), cette étape doit s’appuyer sur des modèles spatialement explicites et des simulations qui permettront de comprendre les réponses des communautés bactériennes et de champignons du sol aux changements de pratiques et d’en appréhender le devenir (Kant, 2015, Groffman & Jones, 2000). L’élaboration de ces modèles est aujourd’hui possible au travers des approches APSF (Marilleau et al., 2008) et des algorithmes développés dans Coupling4MAS (Hassoumi, 2015) permettant de combiner des modèles très différents dans leur concept, leur formalisme et leur fonctionnement. Contrairement à la majorité des approches actuelles (VLE, RECORD, VSoil ; Quesnel et al., 2005 ; Bergez et al., 2010) qui s'appuie sur un couplage par les entrées/sorties des modèles, un couplage par l’espace semble nécessaire pour rendre compte fidèlement des variations d’abondance et de diversité microbienne en réponse à des changements de pratiques au sein d’un paysage agricole. La troisième étape consiste à associer les différents acteurs (scientifiques et du monde agricole) au sein de groupes pluridisciplinaire pour construire et valider le modèle et l’OAD au travers d’une approche de modélisation participative (AGILE et Commod; Etienne, 2010). L’utilisation de cette approche permet de mieux comprendre les besoins et les enjeux des acteurs et futurs utilisateurs de l’outil en vue de construire un OAD adapté, et de favoriser son acceptation (Becu et al., 2015a ; Becu et al., 2015b ; Becu et al., 2016 ; Becu et al., 2017). Enfin, la quatrième étape dans l’élaboration d’un OAD est son évaluation dans d’autres contextes que celui de son développement, évaluation réalisable dans le cadre des réseaux d’expérimentation en cours au sein de l’INRA et à l’échelle des territoires avec le développement du projet « territoire d’Innovation – Grande Ambition » de Dijon métropole, projet qui couvre l’ensemble des 3350km2 de sols de la zone urbaine de Dijon et inclut une action de gestion des sols intégrant les indicateurs microbiens.

2.3 Approche / Méthodologie

L’approche choisie dans ce projet de thèse est pluridisciplinaire et participative. Elle se décline en trois étapes. La première étape met en œuvre des compétences en écologie microbienne et en analyses statistiques pour caractériser la réponse temporelle des taxons et des indicateurs microbiens face aux variations de paramètres environnementaux (caractéristiques des sols) et de pratiques agricoles sur des échantillonnages spatialisés. Cette étape permet d’identifier les variables et les échelles (spatiales, temporelles, biologiques) pertinentes constituant la base des modèles qui seront intégrés à l’OAD. La seconde étape met en œuvre des compétences de modélisation et d’informatique pour formaliser le système sol au travers d’approches multi-agents (modèle APSF) permettant de coupler les modèles pour chaque indicateur/chaque taxon entre eux et de rendre compte des transferts d’échelles (spatiales, temporelles, biologiques). Par exemple, si l’on considère une communauté microbienne, chaque taxon est un agent répondant individuellement aux changements de pratiques et aux variations de conditions physico-chimiques des sols, et est couplé à chaque étape aux autres taxons composant la communauté en fonction des interactions identifiées entre eux et des échelles spatiales et temporelles qui lui sont propres. Par ailleurs, cette approche permettra de prendre en compte l’effet des successions de pratiques et d’intégrer d’éventuels effets de précédent. La troisième étape est une étape de modélisation participative (Commod) à laquelle sont associés les différents acteurs (conseillers, agriculteurs, chercheurs) pour tirer le meilleur parti des connaissances de chacun et construire un OAD opérationnel répondant aux besoins et aux enjeux des acteurs et futurs utilisateurs de l’outil. Elle s’organise en deux actions parallèles. La première s’oriente sur le développement logiciel. La seconde met le modèle couplé issu de l’étape 2 au centre des discussions et vient compléter son

développement en introduisant des procédures propres à chaque acteur au regard de son expertise propre. Dans cette étape, la concertation entre acteurs permet une construction plus « sûre » pour aboutir à un OAD « en phase » avec les besoins des utilisateurs. Le matériel et les méthodes qui seront utilisés au cours de ces différentes étapes est détaillé ci-dessous.

2.3.1 Matériel Le paysage agricole de Fénay

Figure 1. Plan d’échantillonnage pour la caractérisation des communautés microbiennes des sols à l’échelle du paysage agricole de Fénay. Les triangles bleus correspondent aux points de prélèvement répartis sur une grille de maille carrée (215 x 215m). Certains points sont aussi localisés hors de la grille pour permettre d’affiner les cartes de distribution des communautés microbiennes.

Le paysage agricole de Fénay (figure 1) se situe à 15km au sud de Dijon (21) et couvre 1200ha dont 75% de surfaces agricoles, 20% de surfaces forestières et 5% de zones urbanisées. L’inventaire exhaustif des pratiques agricoles est disponible pour tout le paysage depuis 10 ans : e.g. rotations culturales, travail du sol, types et quantités d’intrants apportées. Les communautés bactériennes des sols ont été caractérisées en 2011 et 2016 de manière exhaustive sur l’ensemble du paysage (279 points de mesure par an, maille carrée de 215m) avec les caractéristiques physico-chimique des sols. Ceci permettra d’initier les travaux de modélisation. En 2018, une troisième campagne viendra compléter le jeu de données et servira notamment à la validation du modèle. Les techniques utilisées pour caractériser les communautés bactériennes des sols sont le même que celles utilisées pour les bioindicateurs microbiens décrits dans l’état de l’art. En 2018 et 2019, le paysage de Fénay verra aussi ses communautés de champignons caractérisés afin d’affiner la vision des communautés microbiennes et d’augmenter les potentialités de l’OAD.

Le REVALe Réseau d’Expérimentation et de Veille à l’Innovation Agricole est un réseau de recherche participative national composé d’agriculteurs expérimentant pour identifier les pratiques agricoles les plus performantes d’un point de vue environnemental. Pour cela, il s’appuie sur le monitoring des parcelles à l’aide d’un tableau de bord de bioindicateurs, dont le bioindicateurs microbiens, et la mise en place d’actions visant à modifier les pratiques agricoles pour améliorer la qualité biologique des sols. Le succès de ces modifications de pratiques est évalué ensuite sur la base du même tableau de bord. Initié en 2017, il agrège de

nouvelles parcelles chaque années (environ 60 de plus en 2018) et couvre une large diversité pédoclimatique et de pratiques. Les données sont aujourd’hui disponibles et constituent un jeu de données de choix pour l’évaluation de la généricité de l’OAD.

Le TIGA de Dijon MétropôleLe projet TIGA de Dijon Métropôle (organisme Chef de File : Dijon Métropôle, Coordination scientifique : P Lemanceau, INRA) est un projet de recherche participative pour le développement territorial. Il vise notamment à gérer les sols non plus comme une simple surface mais d’adapter leur utilisation à leurs caractéristiques et à leurs contraintes et implique tous les acteurs : producteurs, transformateurs, consommateurs, partenaires institutionnels. Il englobera plus de 500 échantillons de sols caractérisés avec les mêmes méthodologies que celles déployées sur le paysage de Fénay ou le REVA. Ainsi, il constituera un véritable banc d'essai pour le déploiement de l'OAD, non plus à l'échelle d'une parcelle ou d'une exploitation agricole mais à celle d'un territoire structuré.

2.3.2 MéthodesLe projet utilise trois types de données : des données d’écologie moléculaire qui permettent

la caractérisation de l’abondance, de la diversité et de la composition des communautés microbiennes des sols ; des données d’enquête agronomiques qui permettent de renseigner les pratiques agricoles mises en œuvre ; des analyses des caractéristiques physico-chimiques des sols.

Caractérisation des communautés microbiennes des solsLes communautés microbiennes du sol sont caractérisées par des approches de métagénomique ciblée. L’ADN microbien est directement extrait du sol. La quantité d’ADN extraite constitue une mesure de la biomasse microbienne du sol. Sur la base de cet ADN extrait, les communautés bactériennes et de champignons du sol sont caractérisées par des techniques de séquençage haut-débit (Illumina). L’analyse bioinformatique des séquences obtenues permet leur affiliation et la caractérisation des communautés bactériennes sur la base d’indices de diversité (richesse taxonomique, équitabilité, indice de Shannon) et de leur composition taxonomique (abondance relative des différents taxons). Ces techniques de caractérisation des communautés microbiennes des sols sont utilisées pour tous les échantillonnages identifiés dans le matériel.

Modélisation multi-échelles et participativeUne première étape de fouille de données mettra en œuvre des méthodes d’analyses statistiques univariées, multivariées et de statistiques spatiales pour caractériser les variations des communautés microbiennes et en identifier les déterminants. Les résultats de cette première étude permettront d’une part de mener une réflexion sur les processus à modéliser et les modèles qui les décrivent ; et d’autre part d’engager une discussion avec un groupe restreint d’acteurs du territoire afin de les impliquer tout au long du processus de modélisation. Pour ce dernier point, une approche de modélisation participative de type « Commod » sera utilisée puisqu’elle a fait ses preuves pour concevoir des modèles en phase avec la société. Compte tenu des hétérogénéités spatiales et temporelles que renferme le modèle envisagé et de la littérature en présence, les modèles décrivant les processus seront associés par couplage spatial à base de systèmes multi-agent (Marilleau et al. ; 2015) en s’appuyant notamment sur les modèles développés au sein des équipes des laboratoires d’accueil et partenaires : les travaux de Horrigue et al. (2016) au sein de l’équipe BIOCOM,

et Coupling4MAS (Hassoumi, 2015) et le modèle APSF de l’équipe UMMISCO (Marilleau et al., 2008). La validation de l’OAD ainsi construit reposera sur l’expérience d’un groupe élargi d’acteurs, et sur une analyse approfondie du modèle : exploration paramétrique du modèle afin d’en réaliser une étude de sensibilité et de définir son domaine de validité. Cette analyse approfondie s’appuiera sur les algorithmes distribués que nous avons développés dans le cadre de la thèse de Ho The Nhan (2016) et bénéficiera d’un accès aux calculateurs.

2.4 Programme / échéancier prévisionnel

Le programme de travail est divisé en 5 tâches, chaque tâche étant reliée à une ou plusieurs des étapes décrites plus haut et à des délivrables :# 1) Décrire les dynamiques spatiales et temporelles des communautés microbiennes des sols

et des taxons microbiens à l’échelle d’un paysage agricole Etape 1 & D1. Premières cartographies dynamiques des communautés microbiennes des sols

# 2) Evaluer l’importance relative des processus neutres et déterministes dans la structuration des communautés microbiennes des sols au cours du temps en fonction des types de rotations agricoles et/ou des variations climatiques entre années Etape 1 & D2. Typologie des pratiques agricoles

# 3) Hiérarchiser les filtres environnementaux (caractéristiques physico-chimiques des sols, changements de pratiques) déterminant les variations de structure des communautés microbiennes des sols et évaluer la stabilité de cette hiérarchie au cours du temps Etape 1 & D3. Identification des variables pertinentes pour la construction du modèle et de leur hiérarchie

# 4) Modéliser la dynamique des communautés microbiennes des sols en réponse au changement(s) de pratique(s) agricole(s) au travers d’une démarche de modélisation participative Etapes 2 et 3 & D4. Modèles permettant de prédire l’abondance et la diversité des communautés microbiennes en fonction des changements de pratiques

# 5) Produire la première version d’un outil d’aide à la décision permettant de prendre en compte des indicateurs de la qualité microbiologique des sols agricoles dans la conception et l’évaluation des systèmes de culture. Etapes 2 et 3 & D5. Outil informatique permettant à un utilisateur lambda de manipuler les modèles identifiés en D3

La figure ci-dessous présente le rétroplanning des différentes tâches. Les différentes tâches sont identifiées par leur numéro. La première année sera consacrée principalement à la fouille de données et à la caractérisation de la réponse des communautés microbiennes et des taxons microbiens aux changements de pratiques. Ceci aboutira à la création de modèles de réponse aux pratiques agricoles pour chaque taxon. Elle servira aussi à initier la formalisation du système sol de manière concertée entre les différents acteurs (chercheurs, conseillers, agriculteurs, barres rouges en Figure 2), en particulier au travers d’une première rencontre avec les acteurs (barre rouge). L’année 2 sera consacrée à la modélisation de la réponse des communautés microbiennes aux changements de pratiques en concertation avec les partenaires scientifiques et les acteurs. Elle verra se mettre en place le couplage des modèles pour chaque taxon/indicateur microbien par l’approche multi-agents et l’introduction des

procédures propres à chaque acteur. L’année 3 sera consacrée à la construction de l’OAD pour sa partie logicielle et à la rédaction du manuscrit de thèse. Des comités de thèse (barres noires) sont prévus à 10 ; 20 et 30 mois.

Figure 2. Rétroplanning des différentes tâches du projet de thèse.Chaque tâche est identifiée par une couleur. Les barres noires correspondent aux comités de thèse (10 mois, 20 mois et 30 mois) et les barres ropuges correspondent aux réunions de co-construction avec les acteurs.

Par ailleurs, les résultats seront valorisés dans des journaux à comité de lecture. Le projet de thèse étant pluridisciplinaire, ces journaux seront dans plusieurs disciplines : des journaux d’écologie et de mathématiques appliquées ou d’informatique. Par ailleurs, les résultats des travaux de thèse seront présentés dans des congrès d’écologie et de mathématiques appliquées ou d’informatique. L’outil d’aide à la décision fera à minima l’objet d’une déclaration d’invention pendant ou à l’issue de la thèse en fonction de son avancement.

2.5 Moyens consacrés / Collaborations envisagées

Pour atteindre les objectifs identifiés dans le présent projet de thèse, l’étudiant aura accès à l’ensemble des moyens des deux laboratoires : UMR Agroécologie et UMI UMMISCO. Du point de vue des données, il aura accès aux données issues des campagnes 2011 et 2016 et à la base de données d’enquête sur les pratiques agricoles. Ces données seront complétées pour les années 2017 et 2018 pour les données d’enquêtes, les données microbiologiques et les analyses de terre en répondant à l’appel à projets EC2CO fin 2018. Du point de vue de la mise en œuvre, il sera mis à sa disposition une station de travail permettant la réalisation des étapes de fouille de données et de développement des modèles et de l’outil. Les laboratoires d’accueil assureront aussi à l’étudiant d’être en mesure de valoriser ses travaux dans des colloques internationaux dans les disciplines de l’écologie et des mathématiques appliquées ou de l’informatique.

Outre les collaborations au sein des laboratoires d’accueil (UMR Agroécologie et UMI UMMISCO), des collaborations sont envisagées avec l’ISARA de Lyon, Montpellier Supagro et l’UMR 1222 ECO&SOLS sur la typologie des pratiques agricoles et la construction des

modèles. Par ailleurs, des collaborations avec les acteurs de terrain (chambres d’agriculture et agriculteurs) seront mises en place dans le cadre de la démarche de modélisation participative.

2.6 Bibliographie sélective

Fierer, N. and Jackson, R. B. The diversity and biogeography of soil bacterial communities. Proc. Natl. Acad. Sci. U. S. A. 103, 626-631 (2006).

Griffiths, R.I., Thomson, B.C., James, P., Bell, T., Bailey, M. & Whiteley, A.S. (2011) The bacterial biogeography of British soils. Environmental Microbiology, 13, 1642–1654.

Dequiedt S., Thioulouse J., Jolivet C., Saby N., Lelievre M., Maron P.-A., Martin M., Chemidlin Prévost-Bouré N., Toutain B., Arrouays D., Lemanceau P. and Ranjard L. (2009). Biogeographical patterns of soil bacterial communities. Environmental Microbiology Reports, 1, 251-255.

Dequiedt, S., Saby, N.P.A., Lelievre, M., Jolivet, C., Thioulouse, J., Toutain, B., Arrouays, D., Bispo, A., Lemanceau, P. & Ranjard, L. (2011) Biogeographical patterns of soil molecular microbial biomass as influenced by soil characteristics and management. Global Ecology and Biogeography, 20, 641–652.

Ranjard L., Chemidlin Prévost-Bouré N., Dequiedt S., Thioulouse J., Saby N. P. A., Lelievre M., Maron P. A., Morin F. E. R., Bispo A., Jolivet C., Arrouays D. and Lemanceau P. (2013). Turnover of soil bacterial diversity driven by wide-scale environmental heterogeneity. Nature Communications, 4, 1434

Serna-Chavez, H.M., Fierer, N., van Bodegom, P., 2013. Global drivers and patterns of microbial abundance in soil. Global Ecology and Biogeography, 22, 1162–1172.

Constancias F., Saby N.P.A., Terrat S., Dequiedt S., Horrigue W., Nowak V., Guillemin J.-P., Biju-Duval L., Ranjard L. & Chemidlin Prévost-Bouré N. (2015b). Contrasting spatial patterns and ecological attributes of soil bacterial and archaeal taxa across a landscape,MicrobiologyOpen, doi: 10.1002/mbo3.256

Constancias F., Terrat S., Saby N.P.A., Horrigue W., Villerd J., Guillemin J.-P., Biju-Duval L., Nowak V., Dequiedt S., Ranjard L. & Chemidlin Prévost-Bouré N. (2015a). Mapping and determinism of soil microbial community distribution across an agricultural landscape, MicrobiologyOpen, doi : 10.1002/mbo3.255

Terrat, S., Plassart, P., Bourgeois, E., Ferreira, S., Dequiedt, S., Adele-Dit-De-Renseville,N., Lemanceau, P., Bispo, A., Chabbi, A., Maron, P.A., Ranjard, L., 2015.Meta-barcoded evaluation of the ISO standard 11063 DNA extraction procedureto characterize soil bacterial and fungal community diversity and composition.Microb. Biotechnol. 8, 131–142.

Terrat, S., Christen, R., Dequiedt, S., Lelievre, M., Nowak, V., Regnier, T., Bachar, D.,Plassart, P., Wincker, P., Jolivet, C., Bispo, A., Lemanceau, P., Maron, P.A., Mougel,C., Ranjard, L., 2012. Molecular biomass and MetaTaxogenomic assessment ofsoil microbial communities as influenced by soil DNA extraction procedure.Microb. Biotechnol. 5, 135–141.

Horrigue W., Dequiedt S., Chemidlin Prévost-Bouré N., Jolivet C., Saby N.P.A, Arrouays, D., Bispo A., Maron P.-A. and Ranjard L. (2016). Predictive Model of Soil Molecular Microbial Biomass, Ecological Indicators

Karimi B., Maron P.-A., Chemidlin-Prévost Bouré N., Bernard N., Gilbert D., Ranjard L. (2017). Microbial diversity and ecological networks as indicators of environmental quality, Environmental Chemistry Letters, Volume 15, Number 2, Page 265-281

Kant, J-D. “Agent-Based Approaches to the Study of Human Behaviors. ” Mémoire d’habilitation à diriger des recherches, Université Pierre et Marie Curie, 2015.

Jacques, D., Gérard F., Mayer U., Simunek J., and Leterme B.. “Generic Reactive Transport Codes as Flexible Tools to Integrate Soil Organic Matter Degradation Models with Water, Transport and Geochemistry in Soils.” In EGU General Assembly Conference Abstracts, 18:14182, 2016.

Pansu, M. Bottner P., and Sarmiento L.. “Micro-Organismes et Matière Organique Du Sol (modèle MOMOS): Bilan de 20 Ans de Modélisation Basée Sur Le Traçage Isotopique in Situ.” Etude et Gestion Des Sols 16 (2009): 213–32.

Jenkinson, DS, and Parry LC. “The Nitrogen Cycle in the Broadbalk Wheat Experiment: A Model for the Turnover of Nitrogen through the Soil Microbial Biomass.” Soil Biology and Biochemistry 21, no. 4 (1989): 535–41.

Powlson, DS, Smith P., and Smith JU. “Evaluation of Soil Organic Matter Models. NATO ANSI Series.” Global Environmental Change 38 (1996).

Groffman, P.M., and Jones CG. “Soil Processes and Global Change : Will Invertebrates Make a Difference ?” In Invertebrates as Webmasters in Ecosystems, edited by D.C. Coleman and P.F. Hendrix, 313–26. Wallingford: CABI Publishing, 2000.

Marilleau N., Cambier C., Drogoul A., Chotte J-L, Perrier E., and Blanchart E.. “Multiscale MAS Modelling to Simulate the Soil Environment: Application to Soil Ecology.” Simulation Modelling Practice and Theory 16, no. 7 (2008): 736–45.

Hassoumi I. “Coupling Multi-Agent Based Approach for Modeling Spatial Complex Systems : Application to Urban Planning of the City of Metouia.” Theses, Université Pierre et Marie Curie - Paris VI, 2015. https://tel.archives-ouvertes.fr/tel-01212713.

Becu, N., Frascaria-Lacoste,N. and Latune J.. “Experiential Learning Based on the NewDistrict Asymmetric Simulation Game: Results of a Dozen Gameplay Sessions.” In Hybrid Simulation & Gaming in the Networked Society: The 46th ISAGA Annual Conference 2015a,

Becu N., Amblard, N. brax, Gaudou, B. and Marilleau.N. “Vers Des Modèles Multi-Acteurs.” In Simulation À Base D’agent Avec Netlogo, ISTE., 199–223, 2015b.

Becu et al., “Participatory Simulation of Coastal Flooding: Building Social Learning on Prevention Measures with Decision-Makers.”, 2016

Becu, Nicolas, Marion Amalric, Brice Anselme, Elise Beck, Xavier Bertin, Etienne Delay, Nathalie Long, Nicolas Marilleau, Cécilia Pignon-Mussaud, et Frédéric Rousseaux. « Participatory simulation to foster social learning on coastal flooding prevention ». Environmental Modelling & Software 98 (2017)

Ho, The Nhan. “Exploration et Apprentissage Parallélisée de Paramêtres de La Simulation Multiagents Haute Performance de Systèmes Complexes Pour L’aide a La Décision Environnementale.” UPMC, 2016.

Étienne M.. La Modélisation D’accompagnement: Une Démarche Participative En Appui Au Développement Durable. Editions Quae, 2010.

Quesnel, G., Duboz R., Versmisse D., and Ramat E.. “DEVS Coupling of Spatial and Ordinary Differential Equations: VLE Framework.” OICIMS 5 (2005): 281–94.

Bergez, JE, F Garcia, and H Raynal. “RECORD: An Integrated Framework to Build, Evaluate and Simulate Cropping Systems.” In Agro2010’the 11th ESA Congress. Agropolis International Editions, Montpellier, 929–30, 2010.

Marilleau N.. “Approches Distribuées À Base D’agents Pour Modéliser et Simuler Les Systèmes Complexes Spatialisés.” Habilitation à diriger des recherches, Université Pierre & Marie Curie - Paris 6, 2016.