Soutenance de thèse de OUKHATTAR Mounir
Titre de thèse
Relation entre Teneur en carbone Organique et Occupation du Sol : application aux sols de la Métropole Aix-Marseille Provence
Relationship between organic carbon content and land use/land cover: application to the soils of the Aix-Marseille-Provence Metropolis
Résumé de la thèse
Le carbone organique du sol (COS) est un élément clé de la santé des écosystèmes terrestres et du cycle global du carbone. Il joue un rôle crucial dans la fertilité des sols, la sécurité alimentaire et l'atténuation du changement climatique. La compréhension précise de sa distribution spatiale actuelle et future est essentielle pour la gestion durable des sols et la planification environnementale. À cet égard, ce travail de recherche doctorale explore les concepts de la cartographie numérique du sol (Digital Soil Mapping, DSM) pour la modélisation spatiale actuelle et projetée du stock de COS sous différents types d'occupation des sols, à l'échelle de la Métropole Aix-Marseille-Provence (AMP) en France. Le cadre méthodologique repose sur 442 sols échantillonnés et 29 co-variables environnementales regroupées selon les facteurs SCORPAN. Ces données multisources ont servi à l'entraînement de plusieurs algorithmes de régression prédictive supervisée, incluant : Random Forest (RF), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Deep Neural Networks (DNN), Convolutional Neural Networks (CNN). Les projections à l'horizon 2050 ont été réalisées à l'aide de l'algorithme Quantile Regression Forest (QRF), en intégrant des scénarios climatiques (SSP245, SSP585) et des changements d'occupation du sol simulés par des automates cellulaires et réseaux neuronaux multicouches (ANN-MLP). Une distinction a été faite entre les pools stables (> 30 ans) et labiles (< 30 ans) du COS pour mieux évaluer leur sensibilité aux changements. Les modèles ont été évalués selon leur capacité à prédire la teneur et le stock de COS à différentes résolutions spatiales (1 m et 10 m). Les résultats ont révélé une forte variabilité du COS selon l'occupation du sol. Les forêts présentent les valeurs les plus élevées et les zones agricoles les plus faibles. RF et XGBoost ont montré les meilleures performances en termes de précision de prédiction. En revanche, DNN et CNN ont mieux capturé les tendances générales de la distribution spatiale du COS néanmoins leur performance dépend fortement d'un volume de données élevé. Les projections à l'horizon 2050 suggèrent une augmentation modérée des stocks totaux de COS, principalement dans les forêts et les milieux semi-naturels, en lien avec l'extension projetée de ces surfaces. Ainsi, ce travail fournit des informations précieuses pour la gestion durable des sols, la planification territoriale, la séquestration du carbone, et l'adaptation au changement climatique. Les résultats et modèles développés constituent des outils d'aide à la décision pour accompagner les politiques publiques visant la neutralité carbone d'ici 2050, notamment dans la Métropole AMP.
Thesis resume
Soil Organic Carbon (SOC) is a key component of terrestrial ecosystem health and of the global carbon cycle. It plays a crucial role in soil fertility, food security, and climate change mitigation. An accurate understanding of its current and future spatial distribution is essential for sustainable soil management and environmental planning. In this context, this doctoral research explores the concepts of Digital Soil Mapping (DSM) for the current and projected spatial modelling of SOC stocks under different land cover types, at the scale of the Aix-Marseille-Provence Metropolis (AMP) in France. The methodological framework is based on 442 soil samples and 29 environmental covariates grouped according to the SCORPAN factors. These multisource data were used to train several supervised predictive regression algorithms, including Random Forest (RF), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Gradient Boosting Machine (GBM), Deep Neural Networks (DNN), and Convolutional Neural Networks (CNN). Projections to the year 2050 were carried out using the Quantile Regression Forest (QRF) algorithm, integrating climate scenarios (SSP245, SSP585) and land cover changes simulated by cellular automata and artificial neural networks – multilayer perceptron (ANN-MLP). A distinction was made between the stable (> 30 years) and labile (< 30 years) SOC pools in order to better assess their sensitivity to change. The models were evaluated according to their ability to predict SOC content and stock at different spatial resolutions (1 m and 10 m). The results revealed a strong variability of SOC depending on land use: forests showed the highest values, while agricultural areas displayed the lowest. RF and XGBoost demonstrated the best predictive accuracy, whereas DNN and CNN better captured the general spatial distribution patterns of SOC, although their performance was highly dependent on large data volumes. Projections for 2050 suggest a moderate increase in total SOC stocks, mainly in forests and semi-natural areas, linked to the projected expansion of these areas. This doctoral research therefore provides valuable insights for sustainable soil management, spatial planning, carbon sequestration, and climate change adaptation. The developed results and models constitute decision-support tools to assist public policies aiming for carbon neutrality by 2050, particularly within the AMP Metropolis.