ETUDE DE L’INFLUENCE DU PAYSAGE SUR LES STATEGIES DE GESTION DES MALADIES

ETUDE DE L’INFLUENCE DU PAYSAGE SUR LES STATEGIES DE GESTION DES MALADIES

Lorsque des paramètres décrivant la dynamique d’une épidémie sont disponibles, des modèles de simulation permettent de tester différents scénarios épidémiques et/ou de gestion. Dans le cadre d’une gestion spatialisée de la maladie, ces modèles ont généralement besoin d’un paysage explicite et réaliste, d’un scénario d’introduction et de dispersion du pathogène, d’équations décrivant les changements de statut des hôtes et d’actions de gestion visant à réduire la propagation de la maladie. Le paysage (caractérisé ici par la disposition spatiale et la forme des parcelles) n’est pris en compte que depuis peu dans les études de modélisation en épidémiologie, bien qu’il puisse avoir un fort impact. Ainsi, les études Pleydell et al. (2018) et Rimbaud et al. (2018a, 2018b) ont été réalisées sur un unique paysage. Elles ne permettent donc pas d’estimer des paramètres épidémiologiques et d’identifier des stratégies de gestion efficaces sur différents paysages. Afin d’étudier l’influence du paysage sur les stratégies de gestion de la sharka, j’ai tout d’abord modifié ce modèle pour permettre la simulation de l’épidémie dans des paysages variés. Pour ce faire, j’ai modifié le paysage utilisé dans l’étude de Rimbaud et al. (2018a) afin d’obtenir des paysages de taille et de densité différentes. Dans cette approche, le paysage constitué de 553 parcelles a été dupliqué par 3 (avec un total de 1659 parcelles), puis par 7 (avec un total de 3871 parcelles). Des parcelles de ces paysages ont ensuite été retirées pour diminuer la densité. Des simulations de l’épidémie avec la stratégie de gestion française ont ensuite été réalisées pour évaluer l’impact des caractéristiques du paysage sur la dynamique épidémique et l’efficacité de la gestion. Plus précisément, l’influence de la taille du paysage et de la densité des parcelles cultivées a été étudiée sur deux critères : un critère agronomique et un critère économique. Le premier critère correspond au nombre moyen équivalent d’arbres pleinement productifs, et le deuxième à la valeur actuelle nette (VAN ; Rimbaud et al. 2018a).

Dans un deuxième temps, j’ai développé un algorithme simulant des paysages réalistes : il permet de définir les principales caractéristiques d’un paysage telles que le nombre de parcelles ou leur agrégation spatiale à partir d’une simulation de tessellation en T. Cet algorithme m’a permis de simuler 3 types de paysages variant par le niveau d’agrégation de leurs parcelles. Ces paysages contrastés ont été utilisés pour toutes les études présentées dans la suite de cette thèse. De même que précédemment, des simulations avec la stratégie de gestion française ont ensuite été réalisées. De plus, pour étudier l’influence du paysage sur les paramètres du modèle et identifier les paramètres clés de la propagation et de la gestion d’une épidémie, j’ai réalisé des analyses de sensibilité sur les 3 paysages définis. Ces analyses permettent de mieux comprendre les épidémies et d’identifier les paramètres de gestion les plus influents sur la VAN (ces paramètres peuvent alors être d’une importance capitale si l’on souhaite identifier des stratégies de gestion performantes). Elles permettent également d’analyser comment l’influence de ces paramètres varie en fonction du niveau d’agrégation des parcelles.

Understanding epidemiological processes is crucial to anticipate outbreaks, to predict the spread of epidemics, and thus to propose optimized management strategies that aim to reduce or eliminate a disease (Ferguson et al. 2001). However, epidemics are the result of complex interactions between biological processes, human interventions and the spatial arrangement of patches in the landscape. Thus, understanding epidemics and assessing the effectiveness of disease management options is often a difficult task, especially as field trials are generally limited by regulatory, ethical and logistical constraints (particularly for large-scale experimental studies). To overcome these limitations, epidemiological models are an interesting approach because of their ability to test several epidemic and management scenarios using the best available knowledge (Cunniffe et al. 2015; Keeling and Rohani 2008; Keeling et al. 2003).