Intégrer la diversité microbienne dans les modèles de carbone du sol : une approche de modélisation hybride

Mobilité sortante 2 semaine du 17 au 28 février

laboratoire d'origine : Laboratoire de Géologie de l'Ecole Normale Supérieure (Paris)
laboratoire de destination : Max Plank Institute for Biogeochemistry - Department of Biogeochemical Integration (Jena) / ALLEMAGNE

AXE 2 : Couplage des cycles biogéochimiques dans un contexte de changement planétaire

Microbes et carbone organique du sol (SOC)
Intégrer la diversité microbienne dans les modèles de carbone du sol : une approche de modélisation hybride

Comprendre les dynamiques du carbone organique du sol (SOC) et des nutriments est essentiel pour prédire les impacts du changement climatique. Les communautés microbiennes du sol jouent un rôle clé dans la décomposition du carbone (C) et le cycle des nutriments. Cependant, en raison de leur complexité, l'ampleur et la direction des effets de la diversité microbienne sur ces processus restent incertaines. Cela soulève des questions sur l'opportunité et la manière d'intégrer l'activité microbienne dans les modèles SOC.

Ce projet adopte une approche de modélisation hybride, combinant des modèles basés sur les processus avec des modèles d’apprentissage automatique, pour étudier les effets de la diversité microbienne sur les flux de carbone (C) et d’azote (N) dans le sol. En encapsulant la complexité microbienne dans un cadre d’apprentissage profond, cette méthode équilibre interprétabilité et puissance prédictive. Elle vise à améliorer les performances des modèles, approfondir notre compréhension des effets de la diversité microbienne sur les fonctions du sol, et potentiellement affiner les prédictions des dynamiques du carbone et de l’azote dans un contexte de changement climatique.

Microbes for SOC
Integrating microbial diversity into soil carbon models: a hybrid modeling approach

Understanding soil organic carbon (SOC) and nutrient dynamics is critical to predict climate change impacts. Soil microbial communities drive carbon (C)
decomposition and nutrient cycling. However, due to their complexity, the level and direction of microbial diversity effects on these processes remain unclear. As a result, questions remain on whether and how to incorporate microbial activity in SOC models. This project leverages a hybrid modeling approach, combining process-based with machine learning models, to study the effects of microbial diversity on soil C and nitrogen (N) fluxes. By encapsulating microbial complexity within a deep learning framework, this approach balances interpretability and predictive power, aiming to enhance model performance, advancing our understanding of microbial diversity effects on soil functions, and potentially improving the predictions of C and N dynamics in a context of climate change.