
LE STUDIUM / Marie Skłodowska-Curie Research Fellowship
Établissement d'origine
Siberian Federal University - Mathematical Methods and IT Department, Krasnoyarsk - RU
Laboratoire d'accueil
BioForA, Centre INRAE Val-de-Loire / ONF - FR
Hôte Scientifique
Dr Philippe Rozenberg
Projet
Réseau Neuronal Global pour l’étude de l’évolution et de la croissance des cernes annuels d’arbres
Ce projet a pour objectif de décrire et prédire la réaction des écosystèmes forestiers au changement climatique et à l’augmentation de la concentration de gaz à effet de serre, en utilisant les cernes annuels des arbres.
Beaucoup de publications traitent de la réponse passée et actuelle des cernes annuels aux changements environnementaux, aucune ne cherche à prédire la réponse des plantes ligneuses aux changements environnementaux à venir.
Le but du projet est d’apprécier rétrospectivement et de prédire la productivité annuelle des cernes (production cellulaire annuelle) des principales espèces de conifères d’écosystèmes terrestres contraints par le climat et par des facteurs non-climatiques. L’analyse sera basée sur une plateforme interactive “Global Tree-Ring Growth Evolution Neural Network” (www.vs-genn.ru) et utilisera des données provenant de sites européens, asiatique et latino-américains. Au cours du projet nous utiliserons un modèle de processus de cernes annuels original (Vaganov-Shashkin model, VS-model), des simulations en ligne et des applications GIS développées par l’auteur du projet et d’autres équipes en France, Espagne et Royaume Uni.
Nous proposons d‘étudier la productivité passée des cernes annuels de conifères affectés par des variables climatiques et non-climatiques et de la prédire à court terme dans les régions d’étude. Dans ce but, nous testerons les simulations VS à partir de données de cernes annuels récoltées dans des sites expérimentaux des Alpes françaises, du nord de la région méditerranéenne, de régions semi arides d’Argentine et à permafrost de Sibérie. Nous utiliserons des approches innovantes et puissantes, notamment celles développées par les auteurs, pour analyser ces données et construire des modèles prédictifs robustes.