Transcript Philippe de Reffye

Le projet Digiplante :
un réseau de Collaborations
CHINE
ECOTROP
CAAS
CAF
Cirad CP
Lepse Lerfob Grignon
Story of the Plant Growth Models
From AMAP to GreenLab
Simulations de croissance
Modèles Hallé
développement
stochastique + géometrie
Sim HP
De Reffye
1980
prototype
Africa
IFCC
Amap
Jaeger
1988
France
Age
physiologique
Amapsim I
Barczi
1993
fonctionnement
Modèles mathématiques
Modèle
dynamique
Amaphydro
Blaise
1998
GL1 &2
Kang
2003
China
Interaction
fonctionnement
développement
GL3&4
Cournede
2004
France
Deux aspects fondamentaux de la
Morphogénèse des plantes
Le développement de
l’architecture ou la création des
organes par les méristèmes
La croissance végétale ou
l’ expansion des organes
par acquisition de Biomasse
CO2
Biomasse
Eau
Minéraux
Organogénèse+Géométrie =
Architecture de la plante
Photosynthèse+répartition de biomasse =
production végétale/M² (pas d’architecture)
GreenLab intègre des
connaissances botaniques
provenant d’AMAP
GreenLab intègre des règles écophysiologiques
provenant des Laboratoires :
Ecotrop, Lepse et Wageningen
+ Mécanique, Hydraulique Radiosité, Ray tracing, Images de synthèse
La Notion de Pool Commun
L’architecture de la plante joue peu dans la production de biomasse au m².
Ce qui compte c’est la surface foliaire mise en place.
Transport des assimilats
Pas d’influence de
la localisation des
fruits dans
l’architecture
Une branche albinos pousse aussi vite
qu’une branche avec chlorophylle !
Pas d’influence de la
repartition de la
biomasse sur la
photosynthèse
Effet des puits
sur l’architecture
du concombre
PBM Tomsim de Wageningen
prévision de la production en Serre
Ep Heuvelink
Qn  LUE* PARn * ( 1  exp(k .LAIn ))
Module de
production de
biomasse
fruits
Module de
répartition en
compartiments
Prédiction de récolte selon
la date de plantation
compartiment
végétatif
PBM Pilote du Cemagref prévision de
la production en champ
température
Radiation
solaire
LAI sim
LAI mes
150
125
0
50
100
150
200
Module sol
Bilan hydrique
SWR (0-120 cm) mm
DAS
400
Simulé
350
Mesuré
100
75
50
25
0
300
0
25
50
75
100
Observed (qx/ha)
250
200
150
120
170
220
Days
J.C. Maihol
Module
Production
de biomasse
Simulated (qx/ha)
LAI (m2/m2)
Module plante
Simulation du
LAI
5
4,5
4
3,5
3
2,5
2
1,5
1
0,5
0
270
Prévision du
rendement
125
150
Limitations des PBM
(d’après Heuvelink & Marcelis
• Pas de prédiction des avortements d’organes
• simulation de la surface foliaire peu précise
• Mauvaise gestion des stress climatiques (température,
lumière, eau)
• Calcul seul de la production moyenne. Absence de prise en
compte de la variabilité
• Pas de bonnes communications entre les différents
modules. Défaut de synchronisation et de prévision des
interactions
• Pas de prise en compte de la croissance secondaire
• Pas de visualisation de la plante pour les espèces florales
La cause principale est la non prise en compte de la plasticité
architecturale due aux interactions croissance-architecture.
Comportement du modèle GreenLab :
La croissance dépent de la lumière incidente
et de son interception
Les 3 plantes ont la
même production qui
ne dépend que de la
surface des feuilles on
ne peut pas deviner
l’architecture
croissance pure
Qn  LUE* PARn * ( 1  exp(k .LAIn ))
expansion
expansion
immédiate
indéfinie
prod. Biomasse
. /cycle
Pourquoi l’architecture ?
•
Pour habiller les PBM?
•
Pour augmenter l’information prise sur la plante sur le fonctionnement
•
Pour étudier les composantes du rendement:
•
fonctionnement des méristèmes + fonctionnement source-puits:
•
Applications à la génétique: QTL
•
Optimisation et controle de la production de la récolte utile (feuilles, fruits,
bois, racines)
•
Règles de GreenLab:
•
1)le problème inverse doit être en adéquation avec les choix
•
2) moyennes et variances des données doivent être traiter en // pour le
développement et la croissance.
Organisation des groupements
d’organes dans les PBM & FSM
Pool commun de
Biomasse
PBM : Organes en
compartiments
GreenLab: Organes
en cohortes
structure topologique
Système transport-resistance
FSM: organes
connectés
GreenLab and PBM model
• For GreenLab model: One single plant architecture contains the history
of growth and provides numerous data for the inverse problem.
•For PBM model: one growth date provides only the weights of
compartments
PBM
weight of shoots and fruits. Only one control
point for growth process
1.2
1
0.8
0.6
0.4
0.2
0
1
2
3
4
5
6
7
8
9 10 11 12
Computed organ
sink variations
GreenLab
Plant architecture
One plant gives the full history of growth.
Organigramme du développement
et de la croissance végétale
photosynthèse
fruits
leaves
transpiration
CHO
Pool de
biomasse
graine
H2O
Organogenèse
+ expansion
des organes
racines
Plante
GreenLab
branches
L’unité Architecturale et la
Réitération (Edelin, Barthélémy)
A3
A2
A3
A2
A1
tronc
A2
branches
A3
rameaux
A4
axes courts
A4
A4
Axes types in
a young tree
A1
Axes types in
an old tree with
reiteration
Organogénèse : factorisation par sous
structures grâce aux âges physiologiques
• Automate double –échelle:
5
S4
S1
3
S3
2
2
S2
Correspondance micro-état/métamère
Yan HongPing
Kang MengZhen
JP Quadrat
Ph Cournède
Le temps mis pour simuler la plante est seulement
proportionnel aux âges chronologiques et physiologiques.
La croissance secondaire avec
remontée des assimilats
λ Pool commun + (1-λ) Pressler
On peut connaitre la surface
foliaire au dessus de tout
point d’une sous-structure
λ
(1-λ)
λ
Letor
t
0
0.5
0.6
Modèle de croissance secondaire CEPE Leban -Houllier
dynamical equations
of GreenLab model
Plant development factorization
Demand computation
N   t  u   
k
t
k
Surface of leaves
depending of allometry
Biomass production
depending of light
m
i 1
j  k 1
n  N 
j
k,j
i
i
D( i )   N 0 ( i  j  1 ) po ( j )
o
Biomass of organ
depending of sink strength
supply/demand
t 1
j 1
qo ( n , i )   j  i
n
Qm ( j  1 )
po ( j  i  1 ) *
D( j )
1 n
S ( n )  i  n ta 1 N a ( i ).q a ( n , i )
e

E(n)Sp 
S( n )  




Q(n) 
1

exp

k


r k 
Sp  

GreenLab theory
Equation for Plant Growth in Ecophysiology
Qn  LUE* PARn * ( 1  exp(k .LAIn ))
But LAI is dependant of Qn-1,… Qo
n
pa ( j  i  1 )Q( j  1 )
1
n
LAIn 
N a ( i ) j i

e .Sp i nta 1
D( j )
LAI = Leaf surf/m²
e =SLW
Sp = plant proj. surf
LAI = Leaf surf/Sp
Na =nb of leaves
pa = leaf sink function
D = plant demand
Then we can build the Plant Growth as a dynamical system with recurrence
n
 k
LUE* PAR* Sp 
n pa ( j  i  1 )Q( j  1 )  

Q( n ) 
1  exp 
N a ( i ) j i



k
e
.
Sp
D
(
j
)
i

n

t

1
a



Advantage is that this equation support Mathematical processes as
derivation, optimization, …parameter identification, differential statistics …
Therefore, mathematically speaking, GreenLab can improve the efficiency of PBM
Cas des Structures Stochastiques
L’automate double échelle passe
facilement au cas stochastique
L’augmentation des répétitions aléatoires
des sous-structures de même C.A et P.A.
améliore la finesse de la distribution .
Le Premier arbre crée la collection de
branches qui habillent la Foret!
T. Calcul 1er arbre =~Col* Ag. Phy*Ag. Chrono.
S(4,2)
T. Calcul 2nd arbre = Ag. Phy*Ag. Chrono
S(3,3)
S(2,6)
Exemples de collections
de sous-structures
Kang Mengzhen Ph de Reffye
S(1,9)
Identification paramétrique par la
méthode des moindres carrés
700
Leaf surface
(cm2)
600
Variables Initialisées
500
 0 
400
300
200
100
0
1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 31 33 35
mesuré
 n   n  1  d
calculé
Programme
De Croissance
dθ  ε
Fonctions sources et
puits à optimiser
Convergence
Ajustement des
données en
parallèle
Zhan Zhigang
Plantes calibrées avec Greenlab
GreenLab va des herbacées aux arbres
V. Letort &
A. Christophe
Lepse
Young pine
Arabidopsis
Développement et
architecture découplés
V. Letort &
Guo Hong
Calibration du Maïs (Ma, CAU) avec GreenLab
Guo Yan, Zhan ZhiGang
Ma Y Tao, Ph de Reffye
Cooperation
Effet climat
Cirad Amap +
Ecotrop
(Dingkhun)
2 Kg
1 Kg
epis
entrenoeuds
Calibration du modèle (inverse probleme)
Effet densité
feuilles
LD
HD
2 Kg
1 Kg
Effet de la densité sur la production du Maïs
LD
Relations surface/plante
surface de projection
2 Kg
Basse Densité 60*60
HD
Interpolation du
rendement entre
les densités
1 Kg
Haute Densité 30*30
Ma YunTao
Bangyou Zheng (CAU)
modélisation du riz (avec remobilisation)
75
20
Panicle
Internode
15
50
10
25
Dry weight (g)
5
0
0
0
25
10
20
30
40
0
10
20
30
40
0
40
0
10
Growth cycle (GC)
20
30
40
25
Sheath
20
20
15
15
10
10
5
5
0
0
10
20
30
Blade
controle optimal sur l’ irrigation du Tournesol
Cooperation :Cirad (AMAP)
ECP INRIA (Idopt + Digiplante)
Croissance simulée H.REY(Digiplante) Lepse
Wu Li n ,Guo Yan
Fx Le Dimet
Calibration de la Betterave (ITB)
36
Nombre de métamères apparus
31
26
21
y = 0.0122x + 9.9218
R2 = 0.9824
y = 0.031x - 3.3295
R2 = 0.9962
16
11
y = 0.029x - 2.7528
R2 = 0.9942
100 000 plantes / Ha
Plantes isolées
6
Point rupture pente
1
0
200
400
600
800
1000
1200
1400
1600
1800
2000
Tem ps therm ique depuis ém ergence (°Cj)
Profile foliaire sur 4 stades
Ajustement du temps thermique
Croissance du pivot
Simulation de la croissance
variance de la production dépendant de la
variance des paramètres
Moyennes et variances
poids de la plante
Moyennes et variances
compartiment feuilles
Etude des 18 derniers
phytomères
Moyennes et variances
compartiment fruits
Topological structure of pepper plant
Twig
age phy 3
Branch
age phy 2
Stem
age phy 1
Plants were pruned to two main
stems, with the weakest branch of
each dichotomous split pruned
above the first flower and leaf.
Funky fitting
Branch 1 (phy 2)
Funky fitting
Relationships between fruit positions and Q/D
Plant_1
Plant_2
Q/D
Q/D
Growth Cycle( GC)
Growth Cycle( GC)
Plant_3
Plant_4
Q/D
Q/D
Growth Cycle( GC)
Growth Cycle( GC)
(1) Isolated fruit can be detected in the model for plant 3
(2) First peak is corresponding to the starting branches!!
Mise en place des réitérations
importance de Q/D (GL3)
Cournède
Mathieu
Mathieu
Environnement variable
E & Sp
Densité forte:
Age
10
20
30
15
15
15
Gradient de densité
Densité faible:
Age
10
20
30
Sp
1
2
4
Vers le fonctionnement des
peuplements forestiers
Arbre
périphérique
Arbre au
centre
Méthodes des intersections
des surfaces de projection
L’architecture s’adapte
automatiquement en
fonction du LAI. Pas
besoin d’espace voxel
Ph Cournède
Compétition dans un bosquet
Arbre isolé
3- Cibles simplifiées.
• Différentes échelles d’analyse de la plante : mesures en
biomasses agrégées par compartiments à différents niveaux.
Entrenoeuds
Feuilles
Cernes
Fruits
(PA)
0: Cible “Cumulée”
-Masse du comptmt feuille
-Masse du compartiment
entre-noeud
-Masse du compartiment
fruit (ou fleur)
-Masse du compartiment
cernes (éventuellement)
•
1: Cible “Lollipop”
-Le tronc est
détaillé par UC
2: Cible “Rattle”
-Le tronc est
-Les axes sont tous détaillé par UC
regroupés
-Les axes sont
regroupés par zone
branchée (PA)
3: Cible Complète
- Les compartiments
de biomasse sont
mesurés au niveau
de l’organe.
Pour chacun de ces niveaux, on a également des niveaux de détails
différents pour la description de la topologie.
Modélisation du Hêtre
Internode Diameter
(Tree 1)
3.5
Internode Mass (g)
3
2.5
2
1.5
1
0.5
Observed Data
Fitted Data
0
0
Lerfob
V. Letort
5
10
Trunk GU
15
20
25
Topologie de l’arbre 1 ajusté :
le nombre de métamères et
d’axes par UC à chaque cycle
dépend du rapport Q/D