Thèse Nouvelles Approches Statistiques pour l'Analyse Intégrée de Données Multi-Sources et Multi-Échelles en Épidémiologie Végétale Application à la Maladie du Balai de Sorcière du Manioc H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier
École doctorale : GAIA - Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
Laboratoire de recherche : AGAP Institut, Amélioration Génétique et Adaptation des Plantes
Direction de la thèse : Christian CILAS ORCID 0000000176581866
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-07T23:59:59

Cette thèse s'intéresse à l'amélioration de la surveillance des maladies émergentes des cultures, dont la fréquence augmente sous l'effet du changement climatique et de la mondialisation. Ces maladies représentent une menace majeure pour la production agricole et la sécurité alimentaire, ce qui rend nécessaire la mise en place de dispositifs capables de détecter rapidement les émergences, d'évaluer le risque épidémique et d'optimiser les stratégies de surveillance. Le travail vise à répondre à trois défis méthodologiques principaux : 1) l'intégration de données multi-sources (e.g., environnementales, agricoles, spatiales, sociétales), souvent hétérogènes, nombreuses et corrélées dans les modèles épidémiologiques; 2) le développement d'approches capables d'analyser le risque épidémique de manière cohérente à plusieurs échelles, depuis la plante ou la parcelle jusqu'à l'échelle régionale, afin d'orienter efficacement la surveillance; 3) l'optimisation simultanée de plusieurs objectifs (e.g., minimiser le risque, les coûts) dans la construction de scénarios de surveillance et de gestion du risque. Pour cela, la thèse propose de développer des modèles épidémiologiques spatio-temporels dans un cadre bayésien, permettant d'intégrer des données très diverses tout en quantifiant les incertitudes. Des méthodes de sélection de variables seront utilisées pour identifier les facteurs les plus déterminants dans la propagation des maladies. Les modèles serviront ensuite à concevoir des stratégies de surveillance adaptées au niveau de risque, en tenant compte de compromis entre efficacité, coût et faisabilité. Les outils méthodologiques seront d'abord testés sur un jeu de données détaillé afin d'établir un protocole d'analyse et d'évaluer la sensibilité aux données manquantes ou dégradées. Ce protocole sera ensuite appliqué à la maladie du balai de sorcière du manioc, récemment détectée en Guyane française, qui menace fortement la sécurité alimentaire sur le territoire. L'objectif final est de produire des outils pour optimiser la surveillance et la gestion du risque, en collaboration avec les acteurs de terrain, et plus largement de proposer un cadre méthodologique transférable à d'autres maladies végétales, animales ou humaines.

Les changements climatiques et l'intensification des échanges commerciaux liés à la mondialisation favorisent l'émergence de nouvelles maladies des cultures, menaçant la production agricole et la sécurité alimentaire (Ristaino et al., 2021). Pour atténuer et anticiper ces menaces, il est crucial de détecter rapidement ces premières émergences, évaluer le risque épidémique, et identifier les zones/périodes optimales pour la surveillance à travers la mise en place d'un dispositif d'épidémiosurveillance (Parnell et al., 2017). Cependant, la conception de tels dispositifs soulève plusieurs défis méthodologiques.

Le premier concerne l'intégration conjointe de données environnementales, agricoles, spatiales et sociétales dans les prédictions épidémiologiques sur lesquels s'appuient la surveillance. En plus de varier dans l'espace et dans le temps, ces données sont généralement de nature hétérogène, de grande dimension, voire redondantes, ce qui rend leur incorporation dans les dispositifs actuels délicate. Les méthodes classiquement utilisées en épidémiologie (par exemple les modèles linéaires généralisés à effet mixtes, les modèles SIR ou les modèles mécanistes) exploitent encore de façon limitée cette diversité et considèrent généralement les différentes sources de variabilité séparément. Pourtant, inclure cette diversité d'information constitue un levier majeur pour améliorer la surveillance (Robin et al., 2019) et la compréhension des mécanismes épidémiologiques (par exemple Motisi et al., 2022 ; Oro et al., 2012 ; Leandro-Muñoz et al., 2017). Cet aspect est d'autant plus important dans le contexte des maladies émergentes, pour lesquelles peu de connaissances sur le cycle biologique ou la dynamique épidémique sont disponibles, où l'intégration de telles données peut enrichir l'analyse de dispositifs de suivi contraints ou limités.

Le second implique de développer des modèles suffisamment adaptables pour produire des analyses pertinentes à différentes échelles. Tandis que les épidémies se manifestent au sein d'une parcelle, d'un bassin de production, ou d'une région, la littérature montre que pour être efficace, le déploiement de la surveillance doit s'effectuer à une échelle plus large (Radici et al., 2023 ; Soubeyrand et al., 2024). Toutefois, la manière dont les dynamiques observées à chacun de ces niveaux doivent être intégrées et articulées au sein d'un dispositif de surveillance reste insuffisamment définie.

Au-delà de la capacité à estimer le risque épidémiologique, l'évaluation de la faisabilité d'une stratégie de surveillance doit intégrer d'autres critères, tels que son coût (e.g., Parnell et al., 2017 ; Mastin et al., 2020) ou encore son acceptabilité par les acteurs locaux impliqués dans la surveillance (e.g., Bagavathiananan et al., 2019). Il est ainsi nécessaire de concevoir des stratégies de surveillance adaptées au niveau de risque, tout en réfléchissant aux compromis entre l'ensemble de ces critères afin de maximiser l'efficacité globale du dispositif.

A travers l'exploration de ces différents enjeux méthodologiques, cette thèse en statistique appliquée vise à développer des modèles épidémiologiques spatio-temporels intégrant des données hétérogènes et multi-échelles dans un contexte d'épidémiosurveillance. Le cadre bayésien sera privilégié car il permet d'intégrer naturellement ce type de données tout en quantifiant explicitement les différentes sources d'incertitude. D'autre part, des méthodes de sélection de variables seront utilisées pour identifier les facteurs les plus importants parmi de nombreux candidats (Chen et al., 2023 ; Denis and Tadesse, 2023). Les modèles seront d'abord testés sur un jeu de données « complet », c'est-à-dire issu d'un dispositif équilibré avec un suivi de la maladie et des mesures des facteurs hétérogènes à une résolution fine dans le temps et/ou l'espace. Cette étape permettra de définir un protocole pour identifier les sources de variabilité les plus influentes dans la propagation des maladies.
Ce protocole pourra ensuite être appliqué à différents cas d'étude, qu'il s'agisse d'épidémies chez les plantes, les animaux ou les humains.
Le cas retenu dans le cadre de la thèse est la maladie du balai de sorcière du manioc (Cassava Witches' Broom Disease, CWBD). Cette maladie, causée par un champignon du genre Rhizoctonia (syn. Ceratobasidium) theobromae (Leiva et al., 2023), a été détectée en 2023 en Guyane française (Pardo et al., 2024) et dans l'État de l'Amapá au Brésil (ref). A cause de son impact sur la production locale de manioc, elle constitue une menace sérieuse pour la sécurité alimentaire des populations autochtones, fortement dépendantes de cette culture qui constitue la base de leur alimentation et une source de revenu importante. In fine, l'objectif de la thèse sera d'appliquer les modèles développés, sur des données collectées par la FREDON Guyane, et de co-produire des outils d'aide à la décision et des scénarios de gestion du risque utiles à la surveillance de la maladie en Guyane.

Pour ce faire, les différents axes de travail de la thèse sont les suivants :

Développements méthodologiques :
1/ Identifier et développer des modèles épidémiologiques spatio-temporels bayésiens innovants et flexibles intégrant des facteurs hétérogènes évoluant dans le temps et /ou l'espace, s'adaptant à différentes échelles d'analyse (de la plante à l'échelle régionales) et modélisant des effets complexes (Ingebrigtsen et al., 2014 ; Nothdirft, 2020).
2/ Définir des indices caractérisant le voisinage, le micro-climat, le type de mélanges variétaux, etc. pour gérer la redondance et réduire les dimensions (Allinne et al., 2026).
3/ Dériver de ces modèles des stratégies de surveillance adaptées aux risques et réfléchir à l'intégration d'un compromis risque-coût avec, par exemple, l'utilisation de modèles multi-objectifs (Parnell et al., 2017 ; Mastin et al., 2020 ; Rimbaud et al., 2019).

Mise en oeuvre des outils développés :
4/ Application sur un jeu de données « complet » afin de définir un protocole d'analyse : étude de l'impact de la dégradation du jeu de données (diminution des pas de temps, données spatiales hétérogènes, variables externes dégradées, etc.) et définition des paramètres optimaux du modèle avec des analyses de sensibilité (Rimbaud et al., 2018)
5/ Application de ce protocole sur le jeu de données Manioc, qui est moins complet (suivis moins fréquents, données manquantes, dispositif déséquilibré).

Au-delà de la capacité à estimer le risque épidémiologique, l'évaluation de la faisabilité d'une stratégie de surveillance doit intégrer d'autres critères, tels que son coût (e.g., Parnell et al., 2017 ; Mastin et al., 2020) ou encore son acceptabilité par les acteurs locaux impliqués dans la surveillance (e.g., Bagavathiananan et al., 2019). Il est ainsi nécessaire de concevoir des stratégies de surveillance adaptées au niveau de risque, tout en réfléchissant aux compromis entre l'ensemble de ces critères afin de maximiser l'efficacité globale du dispositif.

Master en bio-statistiques ou épidémiologie.
Maîtrise d'un langage de programmation (R, python) et gestion de versions de code (Git, Github, Gitlab).
Notions en statistiques bayésiennes.
Intérêt pour les questions d'agronomie, environnement, de santé.
Intérêt pour travailler dans un environnement tropical, multi-culturel.
Permis B.