Mieux comprendre et prédire la composition des communautés d'espèces communes et leur distribution spatiale : réponses complexes à l'environnement et associations d'espèces

• Auteur / Autrice : Clément Valle
• Direction : Frédéric Jiguet
• Type : Projet de thèse
• Discipline(s) : Sciences de la conservation
• Date : Inscription en doctorat le 01/10/2020; Soutenance le 16/01/2024
• Etablissement(s) : Paris, Muséum national d'histoire naturelle
• Ecole(s) doctorale(s) : École doctorale Sciences de la nature et de l'Homme - Évolution et écologie (Paris ; 1995-....)

Mots clés

Mots clés libres

Statistiques

Conservation

JSDM

Ecologie

Statistics

Conservation

JSDM

Ecology

Résumé

Dans le contexte de déclin de la biodiversité, mieux comprendre et prédire la distribution spatiale des espèces et la composition de leurs communautés est un défi majeur pour mesurer l'état de la biodiversité, anticiper ses trajectoires et guider les mesures de conservation. L'enjeu est de caractériser finement les niches écologiques des espèces se décomposant en une dimension abiotique (leurs réponses à l'environnement abiotique) et biotique (leurs interactions). De nombreux programmes de conservation s'appliquant à de larges étendues spatiales, il est important de les décrire à une échelle macroécologique. Bien que l'importance théorique de ces facteurs abiotiques et biotiques soit reconnue, mieux comprendre et prédire leur impact sur les distributions spatiales des espèces à travers de vastes étendues couvrant divers gradients environnementaux reste un défi conceptuel et technique. S'agissant de réponses complexes à des facteurs environnementaux différents mais liés, potentiellement en interaction, l'enjeu est de i) mieux comprendre et décrire leur complexité, en interrogeant notamment leur linéarité, et ii) distinguer l'influence relative des facteurs abiotiques et biotiques dans ces réponses. Dans cette thèse, l'étude de ces mécanismes sous-jacents de la niche écologique des espèces repose sur l'analyse de corrélations statistiques entre données empiriques, avec des modèles statistiques de distribution de niche (SDMs). Les trois jeux de données mobilisés proviennent de suivis de communautés d'espèces communes (oiseaux, chauve-souris et chiroptères, arbres et plantes de la strate herbacée), à l'échelle de la France métropolitaine (de plusieurs centaines à milliers de sites pour chaque taxon). Premièrement, nous avons analysé la réponse complexe de ces trois premiers taxons à certaines composantes abiotiques de leurs habitats en étudiant l'effet de petits éléments boisés dans les paysages agricoles. Nos résultats décrivent la réponse complexe, non-linéaire et modulée par le contexte paysager, de la biodiversité agricole à ces éléments paysagers. Ceci nous permet de formuler des recommandations génériques de planification spatiale en conservation de la biodiversité en milieu agricole, éclairant la décision publique à un moment crucial à l'échelle européenne (PAC 2023-2027, Stratégie Biodiversité Européenne 2030,...). Deuxièmement, nous avons étudié la capacité d'inférer des interactions biotiques (de type compétition), à partir de données de co-abondance à fine résolution des communautés d'oiseaux communs, en utilisant des modèles de distribution jointes d'espèces (jSDM). Ces associations d'espèces inférées par nos modèles différaient des attentes théoriques en termes d'interactions biotiques, validant ainsi les critiques antérieures de la littérature sur ces modèles. Cependant, nous avons démontré que ces associations pouvaient capturer une information précieuse sur des facteurs environnementaux, non décrits et difficilement mesurables in situ, influençant la distribution des espèces. Cette information permet d'établir des prédictions conditionnelles (i.e., prédire la distribution spatiale de l'abondance/occurrence d'une espèce en fonction de celle connue d'une/d'autres espèces). Pour illustrer leur pertinence à large échelle, nous avons montré l'importance de l'identité des arbres de la canopée dans l'explication et la prédiction spatiale de la distribution des espèces de la strate herbacée. Cet exemple met en lumière l'importance de ce lien inter-strate et constitue un cas d'application empirique rare de ces prédictions conditionnelles. Cette thèse a ainsi permis de franchir une étape importante pour l'intégration des associations d'espèces dans les modèles de distribution de niche, à une échelle macroécologique. Elle contribue aussi à la réflexion sur la complexité croissante des différents SDMs et la nécessité d'en comparer les avantages respectifs pour la compréhension ou la prédiction de ces communautés.

In the context of biodiversity decline, better understanding and predicting the spatial distribution of species and the composition of their communities is a major challenge to assess biodiversity status, anticipate its trajectories, and guide conservation measures. The goal is to finely characterize the ecological niches of species, breaking them down into abiotic (responses to the abiotic environment) and biotic (interactions) dimensions. With many conservation programs covering large spatial extents, it is important to describe them at a macroecological scale. Despite the recognized theoretical importance of these abiotic and biotic factors, comprehending and predicting their impact on species' spatial distributions across vast areas with diverse environmental gradients remains a conceptual and technical challenge. Given the complex responses to different but linked environmental factors, potentially interacting, the challenge is to i) better understand and describe their complexity, particularly questioning their linearity, and ii) distinguish the relative influence of abiotic and biotic factors in these responses. In this thesis, the study of these underlying mechanisms of species' ecological niches relies on the analysis of statistical correlations between empirical data, using statistical species distribution models (SDMs). The three datasets used come from monitoring common species communities (birds, bats and chiropters, trees, and herbaceous plants), on the scale of metropolitan France (from hundreds to thousands of sites for each taxon). Firstly, we analyzed the complex response of these three taxa to certain abiotic components of their habitats by studying the effect of small woody features in agricultural landscapes. Our results describe the complex, non-linear, and context-modulated response of farmland biodiversity to these landscape elements. This allows us to formulate generic recommendations for spatial planning in biodiversity conservation in agricultural environments, enlightening public decision-making at a crucial moment on the European scale (PAC 2023-2027, European Biodiversity Strategy 2030, etc.). Secondly, we studied the ability to infer biotic interactions (competition type) from fine-resolution co-abundance data of common bird communities, using joint species distribution models (jSDM). The inferred species associations differed from theoretical expectations in terms of biotic interactions, thus validating previous critiques in the literature on these models. However, we demonstrated that these associations could capture valuable information on undescribed and difficult-to-measure environmental factors influencing species distribution. This information allows for conditional predictions (i.e., predicting the spatial distribution of the abundance/occurrence of a species based on that of known species). To illustrate their relevance on a large scale, we showed the importance of canopy tree identity in explaining and spatially predicting the distribution of herbaceous species. This example highlights the importance of this inter-strata link and constitutes a rare empirical application of these conditional predictions. This thesis has thus taken a significant step in integrating species associations into species distribution models on a macroecological scale. It also contributes to the reflection on the increasing complexity of different SDMs, emphasizing the need to compare their respective advantages for understanding or predicting these communities.