MétaCan
Menu
← Back to cohort
Record W6981991545

Gestion de l'eau dans la culture de la sphaigne : nouvel indice de stress hydrique et modélisation du mouvement de l'eau dans les bassins de culture

2023· other· fr· W6981991545 on OpenAlexfundaboutno aff

Bibliographic record

Venuenot available
Typeother
Languagefr
FieldEnvironmental Science
TopicRemote Sensing and LiDAR Applications
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of CanadaCanadian Sphagnum Peat Moss Association
KeywordsEnvironmental factorPlant productionWestern europeAlluvionSiltation
DOInot available

Abstract

fetched live from OpenAlex

La paludiculture sous forme de culture de sphaigne est définie comme la production durable de biomasse de sphaignes sur une base renouvelable et cyclique, souvent dans des tourbières ombrotrophes réaménagées. Il a été établi qu'un meilleur contrôle des paramètres hydrologiques, tels que la tension de l'eau dans la tourbe et la profondeur de la nappe phréatique, était l'un des facteurs clés pour obtenir un taux optimal de croissance des sphaignes. L'objectif du contrôle de ces paramètres hydrologiques est d'assurer un flux d'eau suffisant vers le capitule de la sphaigne pour soutenir sa croissance et son activité photosynthétique, qui est principalement produite dans cette partie de la plante. Cette thèse étudie la gestion de l'eau dans les bassins de production de sphaignes de manière à optimiser l'hydrologie du système de de culture, et en conséquence la croissance des sphaignes. Cette optimisation est notamment obtenue à travers la quantification du stress hydrique lié à la productivité des espèces de sphaigne et la modélisation du mouvement de l'eau dans les bassins de culture. Une première étape a été d'établir la relation entre la durée et la fréquence des stress hydriques et la croissance de la sphaigne. La compilation de cinq années de culture de sphaigne avec suivi de la croissance des mousses, à la fois dans des systèmes en tourbières réaménagées et dans des mésocosmes en serre, a été utilisée pour construire un ensemble de données couvrant une large variation de profondeurs de la nappe phréatique. Il convient préciser que dans les cultures de sphaigne sur des tourbières restaurées, le terme restauration fait référence à la gestion pour atteindre la ressemblance d'une condition antérieure. Cette étude appuie le constat que plus le stress hydrique est élevé, plus la productivité des espèces de sphaigne est faible. Dans le cadre de cette étude, le terme stress hydrique ou stress osmotique désigne le stress abiotique subi par une plante de sorte que le taux d'humidité des tissus végétaux est réduit à des niveaux sous-optimaux pour la photosynthèse. Avant de quantifier le stress hydrique, il faut connaître les profondeurs seuils de la nappe phréatique provoquant ces stress. Ces seuils changent entre les sous-genres d'espèces de sphaigne, étant plus élevé pour des espèces du sous-genre Acutifolia (Sphagnum flavicomans, Sphagnum fuscum et Sphagnum rubellum), suivi par le sous-genre Sphagnum (Sphagnum medium et Sphagnum papillosum) et ensuite par le sous-genre Cuspidata (Sphagnum fallax). Pour les systèmes de culture de sphaigne analysés, les profondeurs seuils de la nappe phréatique fluctuent entre 7 et 20 cm. Ces valeurs correspondent à des nappes plus élevées que celle rapportée dans la littérature pour la recolonisation des tourbières de sphaigne lors de projets de restauration, qui est de 40 cm, et ceci parce que dans la culture de sphaigne l'objectif est de maximiser la productivité, et pas seulement la survie des mousses à travers le temps. Une deuxième étude de ce projet de doctorat a été de quantifier le stress hydrique. Les indicateurs identifiés pour la quantification sont la somme des nappes journalières sous la profondeur de la nappe seuil identifiée (SEW) et nombre de jours où la nappe phréatique est sous la profondeur de la nappe seuil (NDW). Le SEW considère l'amplitude de la variation de la nappe phréatique et le NDW contemple la fréquence à laquelle la nappe phréatique se trouvait sous des profondeurs critiques pour la productivité des sphaignes. Toutefois, chacun de ces indicateurs nécessite des relevés quotidiens de la profondeur de la nappe phréatique. Cela étant dit, il est essentiel de disposer de relevés quotidiens de la nappe phréatique, ce qui n'est généralement pas le cas. Malgré cela, deux sources d'information sont utiles pour estimer la profondeur journalière : les relevés journaliers des puits de référence situés sur le même site, et les relevés manuelles disponibles qui sont collectées de façon hebdomadaire ou bimensuel pour tous les puits répartis sur le système de culture de sphaigne. Afin d'obtenir les valeurs quotidiennes de la nappe phréatique à partir de ces informations disponibles, des méthodes d'apprentissage automatique ont été identifiées et elles sont couramment utilisées dans ce type d'application. Ces méthodes permettent d'obtenir une erreur d'estimation allant jusqu'à 4.6 cm, ce qui, pour cette application, est une erreur majeure. Pour cette raison, il a également été décidé de développer une nouvelle méthode basée sur la décomposition des séries temporelles, et elle est la plus performante parmi toutes les méthodes utilisées avec une erreur d'estimation de moins de 3 cm et un coefficient de détermination de 0,95. L'un des grands avantages de cette méthode de décomposition des séries temporelles est qu'elle ne nécessite ni entraînement ni estimation des paramètres de calibration, ce qui permet une application facile non seulement dans la culture de sphaignes mais aussi dans les projets de tourbières remouillées. Cette étude a également permis d'évaluer la fréquence des mesures dans les puits manuels et son influence sur l'erreur d'estimation. La réduction de la fréquence des mesures d'une fréquence bimensuelle à une fréquence hebdomadaire entraîne une diminution de l'erreur de 16 % et l'augmentation à une fréquence mensuelle augmente l'erreur de 13 %. Autrement dit, par rapport aux mesures hebdomadaires, la fréquence mensuelle augmente l'erreur de 29 %. Le troisième focus de cette étude a été d'analyser les fluctuations de la nappe phréatique en fonction des caractéristiques physiques et hydrauliques du système et de l'écoulement souterrain estimé. À cette fin, un modèle a été développé sur la base de l'équation de Boussinesq et qui considère la stratification du milieu, tel que le profil de tourbe où la culture de la sphaigne est aménagée. La performance du modèle, qui prédit 91 % de la variation observée du niveau de la nappe phréatique, est le résultat de la combinaison de la mesure continue du niveau d'eau dans les canaux d'irrigation, les mesures sur place des précipitations, l'approximation de l'évapotranspiration par un modèle utilisant des mesures de la température et de la radiation extraterrestre, ainsi que les mesures in-situ de la conductivité hydraulique saturée par la méthode de la tarière manuelle en milieu stratifié. Un résultat important de ce chapitre est l'exploration de micro-canaux d'irrigation creusés dans un bassin déjà établie afin d'améliorer son hydrologie. Ces canaux de section rectangulaire de 20 cm x 20 cm, espacés de 10 m et reliés au canal périphérique principal, ont permis une amélioration du réseau hydraulique des canaux d'irrigation en réduisant l'espacement entre les canaux, qui était initialement de 20 m entre canaux périphériques. En somme, en plus de répondre spécifiquement à trois défis de la gestion de l'eau en culture de sphaigne, cette thèse fournit une compréhension améliorée du stress hydrique saisonnier chez les espèces de sphaigne, et une vision plus claire du mouvement des eaux souterraines dans les tourbières ombrotrophes réaménagées. Plusieurs des résultats illustrés dans cette thèse sont déjà appliqués dans les systèmes de culture de sphaigne de l'est du Canada.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.030
Threshold uncertainty score0.060

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0000.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0010.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.007
GPT teacher head0.239
Teacher spread0.232 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2023
Admission routes2
Has abstractyes

Explore more

Same topicRemote Sensing and LiDAR Applications→French-language works237,207→