Mountain grasslands dynamics : integrating phenotypic plasticity in a new agent-based model
Dynamiques des prairies de montagne : intégration de la plasticité phénotypique dans un nouveau modèle à base d'agents
Résumé
Mountain grasslands provide numerous ecosystem services that are likely to be impacted by global change. Plant functional traits hold great promise to succinctly characterise plant community response to changing environmental conditions and its effect on associated services; with growing evidence of the importance of intra-specific trait variability. I propose here a novel agent-based model, MountGrass, that combines the modelling of species rich grassland communities with phenotypic plasticity. These two key components are integrated via allocation trade-offs based on established empirical patterns of strategic differentiation in resource-use.With MountGrass, I explored the impact of phenotypic plasticity on individual plant growth and on main properties of grassland communities. At the individual level, the parametrised model revealed a strong impact of plasticity on growth and species’ fundamental niches, with potentially large impacts on community properties. These effects are explained by the convergence of species’ strategies and the reduction of the sensitivity to variable conditions. At the community level, simulations confirmed the strong effect of plastic allocation on community structure and species richness. These effects are driven by the cumulative effect of a reduction of both abiotic filtering and fitness differences between species. However, no clear effect on the dominant strategy or productivity could be detected.Going further, the robustness of these findings and other patterns of community dynamics should be analysed with alternative or extended implementations of MountGrass. In sum, this work opens a door towards a better integration and understanding of the role of the intra-specific variability in complex plant community dynamics.
Les prairies de montagne offrent de nombreux services ecosystémiques qui sont menacés par le changement global. Les traits fonctionnels constituent un outil prometteur pour caractériser les réponses des communautés à des changements de conditions environnementales et leurs répercussions sur les services associés. Cependant, des résulats de plus en plus nombreuses soulignent l’importance de la variabilité intra-spécifique des traits a également été mise en évidence. Pour étudier ces effets, je propose un nouveau modèle à base d’agents, MountGrass, qui combine la modélisation de communautés végétales riches en espèces avec des processus de plasticité phénotypique. Ces deux éléments au coeur du modèle sont associés grâce à des compromis d’allocation basés sur des patrons empiriques établis de stratégies d’utilisation des resources.Avec MountGrass, j’ai exploré l’impact de la plasticité phénotypique sur la croissance individuelle et les propriétés principales des communautés prairiales. À l’échelle individuelle, le modèle paramétré a révélé un fort impact positif de la plasticité phénotypique sur la croissance mais aussi sur la niche fondamentaledes espèces. Des phénomènes de convergence et de réduction de la sensibilité aux variations de conditionsexpliquent ces effets. À l’échelle des communautés, les simulations ont confirmé de forts effets de la plasticité sur la structure des communautés et leur diversité spécifique. Ces effets sont expliqués par l’effet combiné de la réduction du filtre abiotique et de la réduction des différences de compétitivité. Cependant, aucun effet majeur sur la stratégie dominante ou la productivité n’a pu être mis en évidence.Des implémentations alternatives ou des extensions du modèle devraient permettre de tester la robustesse des résultats obtenus et d’analyser d’autres schémas de dynamiques des communautés. En conclusion, ce travail ouvre la voie à une meilleure considération et une meilleure compréhension du rôle des variabilités intra-spécifiques dans les dynamiques des communautés végétales.
Origine : Version validée par le jury (STAR)
Loading...