Plant growth models and methodologies adapted to their parameterization for the analysis of phenotypes
Modèles de croissance de plantes et méthodologies adaptées à leur paramétrisation pour l'analyse des phénotypes
Résumé
Plant growth models aim at describing the interaction between the growth of plants and their environment. Ideally, model parameters are designed to be stable for a wide range of environmental conditions, and thus to allow characterizing genotypes. They offer new tools to analyze the genotype X environment interaction and they open new perspectives in the process of genetic improvement. Nevertheless, the construction of these models and their parameterization remain a challenge, in particular because of the cost of experimental data collection. In this context, the first contribution of this thesis concerns the study of plant growth models. For sunower (Helianthus annuus L.), the model SUNFLO [Lecoeur et al., 2011] is considered. It simulates the plant phenology, morphogenesis and photosynthesis under abiotic stresses. An extension of this model is proposed: this new SUNLAB model adapts into SUNFLO a module of biomass allocation to organs, using the source-sink concepts inspired by the GREENLAB model [De Reffye and Hu, 2003]. For maize (Zea mays L.), the CORNFLO model, based on the same principles as SUNFLO, was also studied. These models helps discriminating genotypes and analyzing their performances. On the other hand, in order to parameterize these models, an original methodology is designed, adapted to the context of plant variety improvement by breeders. The MSPE methodology (\multi-scenario parameter estimation") uses a limited number of experimental traits but in a large number of environmental configurations for the parameter estimation by model inversion. Issues including identifiability, sensitivity analysis, and the choice of optimization methods are discussed. The influences of environmental scenarios amount on the model predictive ability and on estimation error are also studied. Finally, it is demonstrated that selecting scenarios in different environmental classes (obtained by data clustering methods) allows to optimize the multi-scenario parameter estimation performances, by reducing the required number of scenarios.
Les modèles de croissance de plantes cherchent à décrire la croissance de la plante en interaction avec son environnement. Idéalement, les paramètres du modèle ainsi défini doivent être stables pour une large gamme de conditions environnementales, et caractéristiques d'un génotype donné. Ils offrent ainsi des nouveaux outils d'analyse des interactions génotype X environnement et permettent d'envisager de nouvelles voies dans le processus d'amélioration génétique chez les semenciers. Malgré tout, la construction de ces modèles et leur paramétrisation restent un challenge, en particulier à cause du coût d'acquisition des données expérimentales. Dans ce contexte, le premier apport de cette thèse concerne l'étude de modèles de croissance. Pour le tournesol (Helianthus annuus L.), il s'agit du modèle SUNFLO [Lecoeur et al., 2011]. Il simule la phénologie de la plante, sa morphogenèse, sa photosynthèse, sous les contraintes de stress abiotiques. Une amélioration de ce modèle a été proposée : il s'agit du modèle SUNLAB, implémentant dans le modèle SUNFLO les fonctions d'allocation de biomasse aux organes, en utilisant les concepts sources puits du modèle GREENLAB [De Reffye et Hu, 2003]. Pour le maïs (Zea mays L.), le modèle CORNFLO, basé sur les mêmes principes que SUNFLO a également été étudié. Ces modèles permettent la différenciation entre génotypes. D'autre part, afin de paramétrer ces modèles, une méthodologie originale est conçue, adaptée au contexte de l'amélioration variétale chez les semenciers : la méthode MSPE (\multi-scenario parameter estimation") qui utilise un nombre restreint de traits expérimentaux mais dans un grand nombre de configurations environnementales pour l'estimation paramétrique par inversion de modèles. Les questions d'identifiabilité, d'analyse de sensibilité, et du choix des méthodes d'optimisation sont discutées. L'influence du nombre de scénarios sur la capacité de prévision du modèle, ainsi que sur l'erreur d'estimation est également étudiée. Enfin, il est démontré que le choix des scénarios dans des classes environnementales différentes (définies par des méthodes de classification - clustering) permet d'optimiser le processus expérimental pour la paramétrisation du modèle, en réduisant le nombre de scénarios nécessaires.
Origine : Version validée par le jury (STAR)
Loading...