Simulation of the biogeochemical cycle of phosphorus in the ORCHIDEE land surface model : evaluation against local and global observational data

Le phosphore (P) joue un rôle essentiel dans le contrôle des processus métaboliques, de la dynamique de la matière organique du sol et de la productivité des écosystèmes, affectant ainsi le bilan des gaz à effet de serre (GES) des écosystèmes terrestres. Un nombre croissant de modèles numériques d’écosystèmes terrestres (LSMs) ont incorporé le cycle du phosphore mais leurs prévisions des bilans de GES restent incertaines. Les raisons sont: (1) le manque de données de référence pour les processus clés liés au P, (2) le manque d’approche intégrée globale d'évaluation adaptée aux processus spécifiques à P et les intéractions entre le cycle de P et celui du carbone (C) et de l'azote (N), et (3) le calibrage insuffisant des modèle, limité par le coût de calcul élevé pour simuler des cycles CNP couplés sur des échelles de temps allant de quelques minutes à plusieurs millénaires. Pour remédier à ces goulots d'étranglement, j'applique une combinaison de méthodes statistiques (apprentissage automatique), de LSMs et de données d'observation à différentes échelles.Premièrement (chapitre 2), pour compléter les données de référence de l’évaluation des modèles. J'ai appliqué deux méthodes d'apprentissage automatique afin de produire des cartes spatiales de l'activité de la phosphatase acide (AP) à l'échelle continentale en extrapolant les observations sur sites de l'activité potentielle de la AP. Le AP sécrété par les mycorhizes, les bactéries et les racines des plantes joue un rôle important dans le recyclage du P du sol en transformant le P organique non disponible en phosphate assimilable. La méthode du réseau artificiel de rétropropagation (BPN) a expliqué 58% de la variabilité spatiale de AP et peut reproduire les gradients en AP le long de trois transects en Europe. Les éléments nutritifs du sol et les variables climatiques ont été détectés comme les principaux facteurs influençant les variations de la AP dans l'espace.Deuxièmement (chapitre 3), j'ai évalué les performances de la version globale du LSM ORCHIDEE-CNP (v1.2) en utilisant les données du chapitre 2 ainsi que des données issues de la télédétection, des réseaux de mesure au sol et des bases de données. Les composantes simulées du cycle N et P à différents niveaux d'agrégation sont en bon accord avec les estimations empiriques. Nous avons identifié des biais de modèle, sur la stoechiométrie des feuilles et du sol et de l'efficacité d'utilisation des plantes P, qui suggèrent une sous-estimation de la disponibilité de P aux hautes latitudes. Basé sur notre analyse, nous proposons des moyens de corriger les biais du modèle en donnant la priorité à une meilleure représentation des processus de minéralisation du P organique du sol et de la transformation du P inorganique du sol.Enfin (chapitre 4) j'ai conçu et testé une procédure basée sur l'apprentissage automatique (ML) pour l'accélération de l'équilibration des cycles biogéochimiques en réponse à des conditions aux limites stationnaires, un problème qui est la source d’une faible efficacité de calcul des LSMs représentants les couplages entre P et autres éléments. Cette approche d'accélération basée sur le ML(MLA) requiert de ne faire tourner qu'un petit sous-ensemble de pixels (14,1%) à partir desquels l'état d’équilibre des pixels restants est estimé par ML. La méthode de MLA prédit suffisamment bien l'état d'équilibre des stocks de C, N et P du sol, de la biomasse et de la litière C, N et P, comme l'indique l'erreur mineure introduite dans la simulation du bilan actuel du C terrestre. La consommation de calcul de MLA est un ordre de grandeur inférieure à l'approche actuellement utilisée, ce qui rend possible l’assimilation de données à l'aide des ensembles de données d'observation en constante augmentation.Dans les perspectives, je discute des applications spécifiques de l'approche MLA et des priorités de recherche futures pour améliorer encore la fiabilité et la robustesse des LSMs P-enabled.Phosphorus (P) plays a critical role in controlling metabolic processes, soil organic matter dynamics, plant growth and ecosystem productivity, thereby affecting greenhouse gas balance (GHG) of land ecosystems. A small number of land surface models have incorporated P cycles but their predictions of GHG balances remain highly uncertain. The reasons are: (1) scarce benchmarking data for key P-related processes (e.g. continental to global scale gridded datasets), (2) lack of comprehensive global evaluation strategy tailored for d P processes and interlinkages with carbon and nitrogen (N) cycles, and (3) insufficient model calibration limited by the high computation cost to simulate coupled CNP cycles which operate on timescales of minutes to millenia. Addressing those research gaps, I apply a combination of statistical methods (machine learning), LSMs and observational data among various scales.Firstly (Chapter 2), to address the lack of benchmarking data, I applied two machine-learning methods with the aim to produce spatial gridded maps of acid phosphatase (AP) activity on continental scale by scaling up scattered site observations of potential AP activity. AP secreted by fungi, bacteria and plant roots play an important role in recycling of soil P via transforming unavailable organic P into assimilable phosphate. The back-propagation artificial network (BPN) method that was chosen explained 58% of AP variability and was able to identify the gradients in AP along three transects in Europe. Soil nutrients (total nitrogen, total P and labile organic P) and climatic controls (annual precipitation, mean annual temperature and temperature amplitude) were detected to be the dominant factors influencing AP variations in space.Secondly (Chapter 3), I evaluated the performance of the global version of the land surface model ORCHIDEE-CNP (v1.2) using the data from chapter 2 as well as additional data from remote-sensing, ground-based measurement networks and ecological databases. Simulated components of the N and P cycle at different levels of aggregation (from local to global) are in good agreement with data-driven estimates. We identified model biases, in the simulated large-scale patterns of leaf and soil stoichiometry and plant P use efficiency, which point towards an underestimation of P availability towards the poles. Based on our analysis, we propose ways to address the model biases by giving priority to better representing processes of soil organic P mineralization and soil inorganic P transformation.Lastly (Chapter 4), I designed and tested a Machine Learning (ML)-based procedure for acceleration of the equilibration of biogeochemical cycles to boundary conditions (spinup) which is causing the low computational efficiency of current P-enabled LSMs. This ML-based acceleration approach (MLA) requires to spin-up only a small subset of model pixels (14.1%) from which the equilibrium state of the remaining pixels is estimated by ML. MLA predicts the equilibrium state of soil, biomass and litter C, N and P on both PFT and global scale sufficiently well as indicated by the minor error introduced in simulating current land carbon balance. The computational consumption of MLA is about one order of magnitude less than the currently used approach, which opens the opportunity of data assimilation using the ever-growing observation datasets.In the outlook, specific applications of the MLA approach and future research priorities are discussed to further improve the reliability and robustness of phosphorus-enabled land surface models