"Construire des vergers résilients et productifs pour l’avenir : de l’unité de croissance au paysage", Emma Carrie
La modélisation est un outil clé pour comprendre le fonctionnement des arbres fruitiers cultivés. Elle permet de simuler leur développement sous divers scénarios climatiques et de gestion, afin de tester des hypothèses de recherche et d’accompagner la conception d’itinéraires culturaux plus durables. Les modèles de type structure-fonction (FSPM), tels que V-Mango, ont ainsi été développés pour simuler le développement architectural de l’arbre et sa reproduction. Les évolutions futures de ces modèles visent à intégrer la dynamique de multiples ravageurs, ce qui pourrait nécessiter un changement d’échelle, de l’arbre individuel au paysage. Parmi les mécanismes à mieux comprendre et intégrer figure la régulation naturelle des ravageurs par leurs ennemis naturels, un levier central de l’agroécologie. Nous faisons l’hypothèse que le paysage agricole, incluant sa composition et sa structure, les pratiques culturales ainsi que les conditions climatiques, façonne la distribution des espèces, créant des zones plus ou moins favorables à la régulation naturelle. Plus précisément, nous étudions les préférences d’habitat des ennemis naturels présents dans les vergers d’agrumes corses, en lien avec ces différents facteurs. Les premiers résultats montrent que la présence des ennemis naturels est principalement déterminée par les conditions climatiques et les modalités de gestion des vergers. Pour certaines espèces, une plus grande abondance et connectivité des habitats naturels adjacents est également favorable à leur présence. Ces analyses alimenteront un modèle spatial visant à anticiper la propagation du psylle invasif Trioza erytreae en Corse, vecteur d’une maladie majeure chez les agrumes.
Beet yellows disease is currently the main threat to sugar beet production in Europe, following recent restrictions on neonicotinoids. Caused by four different viruses, the disease leads to leaf yellowing, reduced photosynthesis, and substantial yield losses. Monitoring its spatial and temporal dynamics remains challenging, as traditional field observations are sparse and costly. In this context, multispectral satellite imagery offers new opportunities to monitor disease severity across multiple spatial scales.
We develop a statistical framework to predict beet yellows severity at the field scale from remote sensing data and field observations. To account for strong zero inflation, we use a stacked hurdle modelling strategy in which an initial learner predicts disease presence and intensity, while a second-stage model incorporates spatial neighbourhood information through aggregated meta-features.
To analyse epidemic dynamics at larger spatial and temporal scales, we introduce a semi-parametric spatio-temporal model that combines an interpretable parametric disease-progress curve with a non-parametric spatial smoother. This approach produces smooth epidemic maps over space and time.
Overall, this work illustrates the potential of combining remote sensing data with observation through flexible statistical modelling. While uncertainty remains at the field level, the proposed framework provides an interpretable and scalable basis for territorial surveillance of beet yellows, and more broadly for the statistical analysis of plant epidemics from satellite imagery.