Développement d’un modèle de dynamique forestière à grande échelle pour simuler les forêts françaises dans un contexte non-stationnaire - Université de Lorraine Accéder directement au contenu
Thèse Année : 2021

Developing a large-scale forest dynamic model to simulate French forests in a non-stationary context

Développement d’un modèle de dynamique forestière à grande échelle pour simuler les forêts françaises dans un contexte non-stationnaire

Timothée Audinot
  • Fonction : Auteur
  • PersonId : 1107159

Résumé

Context. Since the industrial revolution, European forests have shown expansion of their area and growing stock. This expansion, together with climate change, drive changes in the processes of forest dynamic. The emergence of a European bioeconomy strategy suggests new developments of forest management strategies at European and national levels. Simulating future forest resources and their management with large-scale models is therefore essential to provide strategic planning support tools. In France, forest resources show high diversity as compared with other European countries' forests. The MARGOT forest dynamic model (MAtrix model of forest Resource Growth and dynamics On the Territory scale), was developed by the national forest inventory (IFN) in 1993 to simulate French forest resources from data of this inventory, but has been the subject of restricted developments, and simulations remain limited to a time horizon shorter than 30 years, under “business as usual” management scenarios, and not taking into account non-stationary forest and environmental contexts.Aims. The general ambition of this thesis was to consent a significant development effort on MARGOT model, in order to tackle current forestry issues. The specific objectives were: i) to assess the capacity of MARGOT to describe French forest expansion over a long retrospective period (1971-2016), ii) to take into account the heterogeneity of forests at large-scale in a holistic way, iii) to account for the impacts of forest densification in demographic dynamic processes, iv) to encompass external climatic forcing in forest growth, v) in a very uncertain context, to be able to quantify NFI sampling uncertainty in model parameters and simulations with respect to the magnitude of other trends considered. The development of forest management scenarios remained outside the scope of this work.Main results. A generic method for forest partitioning according to their geographic and compositional heterogeneity has been implemented. This method is intended to be applied to other European forest contexts. A method of propagating sampling uncertainty to model parameters and simulations has been developed from data resampling and error modelling approaches. An original approach to integrating density-dependence in demographic processes has been developed, based on a density metric and the reintroduction of forest stand entities adapted to the model. A strategy for integrating climate forcing of model demographic parameters was developed based on an input-output coupling approach with the process-based model CASTANEA, for a subset of French forests including oak, beech, Norway spruce, and Scots pine forests. All of these developments significantly reduced the prediction bias of the initial model.Conclusions. These developments make MARGOT a much more reliable forest resource assessment tool, and are based on an original modeling approach that is unique in Europe. The use of ancient forest statistics will make it possible to evaluate the model and simulate the carbon stock of French forests over a longer time horizon (over 100 years). Intensive simulations to assess the performance of this new model must be done.
Contexte. Depuis la révolution industrielle, les forêts européennes connaissent une dynamique d’expansion de leur surface et de leur stock de bois. Cette expansion, conjuguée au changement climatique, entraîne des modifications des processus de dynamique forestière. L’émergence de la bioéconomie européenne augure dans ce contexte d’évolutions des stratégies de gestion forestière à l’échelle européenne et nationale. La simulation des ressources forestières futures et de leur pilotage par des modèles à grande échelle spatiale est donc indispensable pour fournir des outils de planification stratégique. En France, les ressources forestières se caractérisent par une diversité marquée par rapport à d’autres pays européens. Le modèle de dynamique forestière MARGOT (MAtrix model of forest Resource Growth and dynamics On the Territory scale), a été mis en place par l’inventaire forestier national (IFN) en 1993 pour simuler les ressources forestières françaises à partir des données de cet inventaire, mais n’a été l’objet que de travaux de recherche restreints depuis son origine. Ses simulations restent limitées à un horizon temporel de moyen terme (inférieur à 30 ans), sous des scénarios de gestion de type business as usual, et ne tenant pas compte des contextes forestiers et environnementaux non-stationnaires.Objectifs. Cette thèse a pour ambition générale de consacrer un effort de recherche de rupture sur le modèle MARGOT, afin d’aborder les enjeux forestiers actuels. Les objectifs précis sont : i) de déterminer la capacité du modèle MARGOT à restituer l’expansion forestière française sur une période rétrospective longue (1971-2016), ii) de prendre en compte de façon synthétique de l’hétérogénéité des forêts à grande échelle, iii) de prendre en compte le phénomène de densification des forêts dans la dynamique démographique, iv) d’inclure les forçages climatiques externes dans la dynamique de croissance des forêts, v) dans un contexte devenu très incertain, de pouvoir mesurer le niveau d’incertitude des simulations résultant de l’erreur d’échantillonnage de l’inventaire forestier au regard des évolutions tendancielles considérées. Le développement de scénarios de gestion forestière reste hors du champ de ce travail. Principaux résultats. Une méthode générique de partition des forêts selon leur hétérogénéité géographique et compositionnelle a été mise en place, avec une vocation applicative à d’autres contextes forestiers européens. Une méthode de propagation de l’incertitude d’échantillonnage aux paramètres du modèle, puis aux simulations, a été développée à partir d’approches de ré-échantillonnage de données et de modélisation d’erreurs. Une approche originale d’intégration des phénomènes de densité-dépendance démographique, fondée sur une métrique de densité et la réintroduction d’un concept de « peuplement forestier » adapté à ce modèle, a été développée. Une stratégie d’intégration des forçages climatiques des paramètres démographiques du modèle a été développée à partir d’une approche d’hybridation entrées-sorties avec le modèle fonctionnel CASTANEA pour un sous-ensemble de la forêt française incluant les espèces de chênes, de hêtre, d’épicéa commun, et de pin sylvestre. L’ensemble de ces développements a permis de réduire très notablement le biais de prédiction du modèle initial. Conclusions. Les développements consentis font du modèle MARGOT un outil d’exploration et de planification plus fiable des ressources forestières, et reposant sur une approche de modélisation originale et unique en Europe. L’utilisation de statistiques forestières anciennes permettra d’évaluer le modèle et de simuler le stock de carbone de la forêt française sur un horizon temporel plus importante (de plus de 100 ans). Une évaluation approfondie des performances de ce nouveau modèle par des simulations intensives doit être conduite.
Fichier principal
Vignette du fichier
DDOC_T_2021_0179_AUDINOT.pdf (33.02 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-03587619 , version 1 (24-02-2022)

Identifiants

  • HAL Id : tel-03587619 , version 1

Citer

Timothée Audinot. Développement d’un modèle de dynamique forestière à grande échelle pour simuler les forêts françaises dans un contexte non-stationnaire. Ecologie, Environnement. Université de Lorraine, 2021. Français. ⟨NNT : 2021LORR0179⟩. ⟨tel-03587619⟩
205 Consultations
30 Téléchargements

Partager

Gmail Facebook X LinkedIn More