Forêts | Texte intégral gratuit | Décomposition interne des chênes paysagers (Quercus spp.) : incidence, gravité, variables explicatives et estimations de la perte de résistance

Dans l’ensemble, 323 paires de tomographies soniques et ER ont été obtenues à partir de 186 chênes, le nombre d’arbres échantillonnés par espèce de chêne allant de 23 à 44 (tableau 3). Sur les 186 chênes échantillonnés, 135 (73 %) avaient une carie détectable dans la partie inférieure du tronc, tandis que 51 (27 %) n’en avaient pas (tableau 3). Sur les 135 chênes pourris, 72 sur 135 (53%) présentaient une faible ER (conductivité relative plus élevée) dans la même zone de la coupe transversale où la pourriture a été trouvée, indiquant que le tissu de bois en décomposition était toujours présent (Figure 1 et Figure S1 ). Pendant ce temps, 63 chênes sur 135 (47 %) avaient des zones de ER élevé (conductivité relative inférieure) dans la même zone où la pourriture a été détectée, ce qui indique que la formation de cavités se produisait probablement (Figure 2 et Figure S2-S4). L’analyse du chi carré a déterminé qu’il n’y avait pas de différences significatives dans la fréquence de l’incidence de la pourriture selon les espèces de chêne (tableau 3). Cependant, le groupe du chêne blanc présentait une fréquence plus faible d’incidence de pourriture interne par rapport aux valeurs attendues (tableau 3). La fréquence de la carie interne était significativement plus élevée pour les arbres présentant des symptômes visibles alors qu’elle était significativement plus faible lorsque les symptômes étaient absents (tableau 3). Enfin, la fréquence de décomposition interne était significativement plus élevée lorsque les fructifications étaient présentes, mais aucune différence significative n’a été trouvée dans la fréquence de décomposition lorsque les fructifications étaient absentes (tableau 3). Lorsque tous les tomogrammes soniques sont évalués ensemble, 229 sur 323 (71 %) présentaient une carie mesurable tandis que dans 94 des 323 (29 %) la carie était absente. Pour toutes les essences de chêne, la moyenne A_D était de 41 % (UN_D-GVB) et 31% (UN_D-VB), respectivement, tandis que le maximum moyen Z_PERTE était de 35 % (Z_PERTE-GVB) et 22% (Z_PERTE-VB), respectivement (tableau S1). Par essence de chêne, on entend UN_D variait de 35 % à 47 % (UN_D-GVB) et 22%–37% (UN_D-VB), alors que signifie Z_PERTE variait de 26 % à 40 % (Z_PERTE-GVB) et 18 % à 26 % (Z_PERTE-VB) (tableau S1). La moyenne UN_D et moyenne maximale Z_PERTE par balayage de la hauteur pour chaque espèce de chêne se trouve dans le tableau S1.

En utilisant le critère de seuil, les arbres de régression boostés ont indiqué que cinq variables étaient très influentes pour prédire l’incidence de la décomposition dans les sections mesurées, y compris (classées en termes d’influence relative décroissante) D, DHP, H, symptômes et espèces (tableau 4). Le même ensemble de variables, à l’exception des symptômes, était très influent pour prédire la gravité de la carie déterminée à l’aide de l’un ou l’autre des ensembles de couleurs du tomogramme. Le classement des variables différait légèrement pour prédire UN_D-GVB et UN_D-VB, mais D, DHPet H étaient systématiquement plus influents que les espèces.

En utilisant l’ensemble réduit de variables hautement influentes, les modèles de régression logistique et bêta ont été adaptés pour prédire l’incidence et la gravité de la carie, respectivement. Cependant, DHP et D étaient fortement corrélés (r = 0,87), et les termes correspondants dans un modèle contenant les deux variables avaient un VIF supérieur à 9. Dans la plupart des cas, DHP était moins influent que D pour prédire l’incidence et la gravité de la carie, et elle a été retirée de la liste des variables candidates pour la sélection du modèle puisque DHP peut être considéré comme un cas particulier de D. En utilisant des critères d’information, le modèle de régression logistique binomiale réduite contenant D, les symptômes et les espèces ont été sélectionnés pour prédire l’incidence de la carie (tableau 5; figure 3). Les diagrammes de diagnostic ont suggéré que le modèle correspondait mal à huit observations associées à cinq combinaisons de variables, mais le changement des coefficients du modèle après exclusion des observations était similaire à d’autres cas, indiquant leur influence limitée. En général, les observations ont défié les attentes du modèle en contenant une combinaison de facteurs qui auraient dû produire la carie mais ne l’ont pas fait, en particulier pour deux grands arbres présentant des symptômes de carie. Malgré le mauvais ajustement cas par cas, les observations ont été conservées dans le modèle pour représenter avec précision l’échantillon de grands chênes matures.

L’aire sous la courbe ROC (AUC = 0,75) indiquait une discrimination acceptable du modèle entre les arbres solides et pourris, et les coefficients du modèle représentaient généralement une probabilité plus élevée de pourriture pour les grands arbres présentant des symptômes de pourriture : les probabilités d’apparition de la pourriture étaient de 1,3 et 3,3 fois plus grande sur une augmentation de 10 cm de D et pour les arbres symptomatiques par rapport aux arbres asymptomatiques, respectivement (tableau 5). Relatif à Q. rubra (l’espèce de référence), les coefficients du modèle dépeignent une probabilité plus faible de décomposition pour toutes les autres espèces, sauf Q. velutina. Outre la différence significative dans la probabilité de décroissance pour Q. palustris (inférieur) et Q. velutina (plus élevé), les moyennes marginales de la probabilité de décomposition pour chaque espèce n’étaient pas significativement différentes les unes des autres (tableau 5). Même s’il avait l’une des valeurs moyennes les plus basses, Q. bicolore ont montré une variabilité marquée dans l’incidence de la décomposition par rapport aux autres espèces modélisées. Les intervalles de confiance entourant les valeurs prédites représentaient une incertitude modérée pour la plupart des combinaisons de variables, mais les intervalles plus petits pour les grands arbres symptomatiques représentaient la certitude croissante de la pourriture dans de tels cas (figure 3).

En utilisant des critères d’information, le modèle de régression à bêta réduit contenant D, Het l’espèce a été sélectionnée pour prédire la gravité de la décomposition, quelles que soient les couleurs (GVB, VB) utilisées pour déterminer UN_D. Il n’y avait pas de valeurs aberrantes ou d’observations influentes détectées pour l’ajustement du modèle à UN_D-GVB, mais plusieurs UN_D-Les observations VB ont exercé une influence indue sur les coefficients du modèle. Dans six cas, les zones cariées dans les tomogrammes étaient principalement affichées en vert et en violet ou bleu limité, et les observations associées avec UN_D-VB effectivement égal à zéro ont été supprimés pour améliorer les coefficients du modèle. Après suppression des observations, les statistiques d’ajustement ont indiqué une description satisfaisante des données, avec un biais moyen inférieur à 1 % pour les modèles ajustés à UN_D-GVB et UN_D-VB, mais le biais de prédiction variait considérablement entre -50 % et 40 % pour les cas individuels dans les deux modèles (tableau 6).

Quelles que soient les couleurs utilisées pour déterminer UN_Dles coefficients du modèle indiquaient généralement que la gravité de la décomposition augmentait pour les grandes sections près du sol, et les termes d’espèces indiquaient que la gravité de la décomposition était intermédiaire pour Q. rubra par rapport aux autres espèces (tableau 6). Les effets marginaux moyens de D et H, indiquant un changement de 1 % à 2 % de la gravité de la carie sur une augmentation de 10 cm du diamètre ou de la hauteur de la section numérisée, étaient d’une ampleur similaire mais de signe opposé. En raison des différents ensembles de couleurs utilisés pour mesurer la gravité de la décomposition, les moyennes marginales moyennes pour chacune des espèces variaient entre les UN_D-GVB et UN_D-Ensembles de données VB et classement de la moyenne marginale moyenne UN_D parmi les espèces a été légèrement réorganisé entre les deux ensembles de données, à l’exception de la moyenne toujours la plus élevée UN_D dans Q. alba.

Parmi tous les tomogrammes, le maximum Z_PERTE déterminé en utilisant les deux ensembles de couleurs (GVB, VB) variait entre 0 % et 92 % (moyenne : 29 %), et L_O pour les zones cariées représentées de manière similaire dans tous les tomogrammes variait entre 0 % et 26 % (moyenne : 4 %). Parmi toutes les observations, la distance entre les deux estimations de perte de résistance (Z_PERTE − je_PERTE) variait entre −24 % et 76 % (moyenne : 16 %). Le modèle linéaire s’ajuste à la distance entre je_PERTE et Z_PERTE contenant UN_D erreurs de prédiction et UN_D·L_O était significativement meilleur qu’un modèle nul (F = 163,5 ; df = 2 449 ; p < 0,001) ne contenant qu’une interception, confirmant la relation hypothétique. Cependant, les parcelles résiduelles ont montré des signes d’hétéroscédasticité, confirmés à l’aide du test de Breusch-Pagan studentisé (p < 0,001), et une relation quadratique entre les variables indépendantes et dépendantes. Après inspection, le modèle a été réajusté avec un terme quadratique pour la variable résiduelle et un estimateur de variance non constant pour obtenir des erreurs types robustes (tableau 7).

Les coefficients du modèle ont montré que la distance entre les estimations de la perte de résistance augmentait proportionnellement à la zone de décroissance décalée dans les tomogrammes et variait quadratiquement avec la différence entre les valeurs modélisées et mesurées. UN_D (Tableau 7 ; Figure 4). L’effet marginal moyen de la décroissance du décalage indiquait que les estimations de la perte de résistance étaient de plus en plus dissemblables à mesure que UN_D·L_O augmenté, mais l’effet marginal moyen des résidus, calculé sur la plage des valeurs observées, a illustré la dissemblance croissante entre les estimations de perte de résistance pour des résidus positifs et négatifs de plus en plus grands. La distance entre les estimations de perte de résistance a été minimisée lorsque les zones décomposées occupaient le centre de la tige et que les modèles empiriques ont prédit avec précision UN_D dans les tomographies (Figure 4).