Soutenance de thèse de LEMAIRE Jean
Titre de thèse
Comprendre et modéliser le risque de dépérissement d'essences forestières dans un contexte de changement climatique
Modelling Decline disease Risk of Forest Tree Species in the Context of Climate Change
Résumé de la thèse
Les forêts connaissent une intensification des dépérissements. Cette thèse vise à mieux comprendre et prédire ces phénomènes en élaborant des modèles prédictifs appliqués à trois essences représentatives. La démarche se structure autour de cinq étapes.
La première précise le concept de dépérissement. Historiquement associé à la sénescence ou à des pratiques sylvicoles inadaptées, il est aujourd'hui reconnu comme une maladie complexe. En français, le terme recouvre à la fois les symptômes et le processus pathologique. Afin de lever l'ambiguïté, nous proposons de distinguer les «dégradations», correspondant à des symptômes transitoires, du «dépérissement» pathologique durable. Nous introduisons également la notion de «maladie écosystémique », issue d'un continuum pathologique où interagissent facteurs abiotiques, biotiques, état physiologique et héritages historiques.
La seconde étape porte sur la définition d'une variable cible. L'indicateur retenu est la proportion de tiges (co)dominantes présentant une perte en biomasse du houppier >= 50 %. Validé par la littérature et par nos modèles, cet indicateur permet d'identifier les peuplements les plus touchés. Il gagnerait toutefois à être complété par l'intégration de paramètres physiologiques et de dynamiques de récupération du houppier, afin de mieux distinguer les dégradations transitoires des trajectoires irréversibles. Dans la troisième étape, le dépérissement a été modélisé par régression Partial Least Squares, en sélectionnant pas à pas les variables significatives (p < 0,05) parmi les 99 à plus de 200 facteurs biotiques et abiotiques testés selon l'espèce. Le modèle final retenu in fine est celui qui maximise le Q² (Coefficient de Stone-Geisser). Ces modèles ont été élaborés pour trois essences aux exigences contrastées et présentant des dépérissements. Pour le pin sylvestre (87 placettes en région PACA), le dépérissement est ancien, lié à des stress hydriques sur stations défavorables, aggravé par le gui (Viscum album) et la chenille processionnaire (Thaumetopoea pityocampa), désormais présents à plus haute altitude sous l'effet du changement climatique. Pour le hêtre (308 placettes dans quatre régions contrastées), il est principalement dû à la répétition de stress hydriques marqués par rapport à la normale, amplifiés sur stations à faible capacité de rétention en eau. Enfin, pour l'érable sycomore (99 placettes en Hauts-de-France et Normandie), il résulte de l'interaction entre stress hydriques, caractéristiques dendrométriques et présence du champignon pathogène Cryptostroma corticale. Dans ces trois cas, les dépérissements surviennent au cœur de la niche climatique des essences. Les modèles présentent des performances satisfaisantes à très bonnes (R² = 0,39–0,79), comparables à celles de méthodes par apprentissage artificiel citées dans la littérature, tout en conservant une interprétabilité.
La quatrième étape précise les limites d'usage des modèles. Ceux-ci soulignent l'importance des facteurs locaux (climat, sol, topographie, dendrométrie, biotiques), rendant difficile leur transfert d'une région à l'autre. Leur validité temporelle reste aussi limitée face à l'évolution rapide des conditions climatiques et sanitaires, qui modifie les interactions à l'origine du dépérissement. Une piste d'amélioration passe par l'hybridation d'approches empiriques et mécanistes, l'intégration de données à haute résolution spatio-temporelle et la mise à jour régulière des modèles.
Enfin, la dernière étape définit des pistes de gestion. La démarche « Observer – Prédire – Agir » est proposée : observer pour affiner le diagnostic en intégrant les facteurs locaux ; prédire grâce à des modèles régionaux régulièrement actualisés ; agir en adaptant la gestion selon l'état sanitaire et le niveau de risque. Cette approche promeut des itinéraires sylvicoles agiles dans un contexte de changement climatique.
Thesis resume
Forests are experiencing an intensification of Decline diseases. This thesis aims to better understand and predict these phenomena by developing predictive models applied to three representative tree species. The approach is structured around five steps.
The first step refines the concept of decline. Historically associated with senescence or inappropriate silvicultural practices, it is now recognized as a complex disease. In French, the term encompasses both symptoms and the pathological process. To remove this ambiguity, we propose distinguishing «degradations», corresponding to transient symptoms, from the durable pathological state of «Decline disease». We also introduce the notion of «ecosystem disease» resulting from a pathological continuum where abiotic and biotic factors, physiological condition, and legacy effects interact.
The second step focuses on defining a target variable. The chosen indicator is the proportion of (co)dominant stems showing a crown biomass loss greater than 50%. Validated by both the literature and our models, this indicator identifies the most affected stands. However, it would benefit from being complemented by the integration of physiological parameters and crown recovery dynamics to improve its relevance.
In the third step, decline was modeled using Partial Least Squares regression, with stepwise backward selection of significant variables (p < 0.05) among the 99 to more than 200 biotic and abiotic factors tested depending on the species. The final model retained is the one that maximizes Q² (Stone–Geisser coefficient). These models were developed for three species with contrasting ecological requirements and already affected by decline. For Scots pine (87 plots in the PACA region), decline is longstanding, linked to water stress on unfavorable sites, and aggravated by mistletoe (Viscum album) and pine processionary moth (Thaumetopoea pityocampa), which are now present at higher elevations under climate change. For European beech (308 plots across four contrasting regions), Decline diseases is mainly due to recurrent drought stress relative to the norm, amplified on sites with low water-holding capacity. For sycamore maple (99 plots in Hauts-de-France and Normandy), it results from the interaction between water stress, dendrometric features, and the pathogenic fungus Cryptostroma corticale. In all three cases, decline occurs at the core of the climatic niche of the species. The models achieved satisfactory to very good performances (R² = 0.39–0.79), comparable to machine learning approaches reported in the literature, while maintaining interpretability.
The fourth step highlights the limits of model applicability. They underline the importance of local factors (climate, soil, topography, dendrometry, biotic agents), which hinders transferability across regions. Their temporal validity is also limited, given the rapid evolution of climatic and sanitary conditions that alters the interactions driving Decline disease. Improvement could come from hybridizing empirical and mechanistic approaches, integrating high-resolution spatio-temporal data, and regularly updating the models.
Finally, the fifth step identifies management perspectives. The “Observe – Predict – Act” framework is proposed: observe to refine diagnosis by integrating local factors; predict through regularly updated regional models; act by adapting management according to health status and risk levels. This approach promotes agile silvicultural pathways in the context of climate change.