Titre : Déterminisme des fonctions d’accrétion et de ...thesesups.ups-tlse.fr/86/1/Bouletreau_Stephanie.pdfUne pensée amicale pour Amaia et Laurent, mes vrais faux amis toulousains

UNIVERSITE TOULOUSE III – PAUL SABATIER

U. F. R. Sciences de la Vie et de la Terre

THESE

en vue de l’obtention du

DOCTORAT DE L’UNIVERSITE DE TOULOUSE délivré par l’Université Toulouse III - Paul Sabatier

Discipline : Hydrobiologie

présentée et soutenue

par

Stéphanie BOULÊTREAU

le 28 septembre 2007

Titre :

Déterminisme des fonctions d’accrétion et de détachement du biofilm

phototrophe en milieu naturel : études expérimentale et numérique des facteurs de contrôle de la biomasse en rivière.

Directeurs de thèse :

Sabine SAUVAGE et José-Miguel SÁNCHEZ-PÉREZ

JURY

J.-L. ROLS, Professeur, Université Toulouse III , Président

A. ELOSEGI, Professeur, Université de Bilbao, Espagne , Examinateur

F. GARABETIAN, Professeur, Université de Bordeaux I , Examinateur

P. MARMONIER, Professeur, Université de Rennes , Examinateur

M. POULIN, Ingénieur de Recherche, Ecole des Mines Paris , Rapporteur

S. SABATER, Professeur, Université de Girona, Espagne , Rapporteur

J.-M. SÁNCHEZ-PÉREZ, Directeur de Recherche, CNRS , Directeur de thèse

S. SAUVAGE, Ingénieur de Recherche, CNRS , Co-directrice de thèse

Remerciements

Je voudrais tout d’abord remercier MM. Jean-Luc ROLS (Professeur, Université Paul

Sabatier) et Eric CHAUVET (Directeur de Recherche, CNRS), respectivement directeurs du

LEH (Laboratoire d’Ecologie des Hydrosystèmes) et d’EcoLab (Laboratoire d’écologie

fonctionnelle), pour m’avoir successivement accueillie au sein de leur laboratoire.

Je tiens à remercier mes directeurs de thèse, Mme Sabine SAUVAGE (Ingénieur de

Recherche, CNRS) et M. José-Miguel SANCHEZ-PEREZ (Directeur de Recherche, CNRS),

qui m’ont offert l’opportunité de réaliser cette thèse et se sont rendus très disponibles au cours

de ce travail.

Je tiens à remercier les personnes qui ont accepté de juger ce travail : M. Sergi SABATER

(Professeur, Université de Girona, Espagne), M. Michel POULIN (Ingénieur de Recherche,

Ecole des Mines de Paris), M. Arturo ELOSEGI (Professeur, Université de Bilbao, Espagne),

M. Frédéric GARABETIAN (Professeur, Université de Bordeaux) et M. Pierre

MARMONIER (Professeur, Université de Rennes).

Je remercie aussi particulièrement M. Arturo ELOSEGI pour m’avoir accueillie au sein de

son équipe du Département de Biologie Végétale et d’Ecologie de l’Université de Bilbao

pendant mon séjour ATUPS et pour avoir aussi efficacement fait avancer ce travail.

Je remercie également le personnel de l’Institut de Mécanique des Fluides de Toulouse qui a

participé à la mise en place et à la réalisation financière et technique de l’expérience en canal

de laboratoire : MM. Alexandre BEER, Yvan BERCOVITZ, Grégory DHOYE, Noël

DOLEZ, Olivier EIFF, Serge FONT et Frédéric MOULIN.

Je tiens à remercier Mme Claude MUR et M. Daniel DALGER pour leur professionnalisme

et leur contribution inconditionnelle à l’ensemble des analyses chimiques de ce travail. Merci

beaucoup à M. Yvan NICAISE pour sa disponibilité et son investissement dans le traitement

des échantillons de biologie moléculaire. Merci à M. Mehdi SELLALI pour son implication

lors de l’expérience en canal.

Un clin d’œil spécial à la communauté gallo-romaine que j’ai côtoyée pendant plus de trois

ans. A mes collègues romains Seb, Dimitri, Fred el « demi matador » et Dov avec qui j’ai

beaucoup apprécié de partager les discussions scientifiques et philosophiques post prandiales.

A mes collègues gaulois de début ou de fin de thèse, Emilie, Pierre, Sandrine, Arthur,

Malvina, les Freds, Sammy, Sylvain, Daniel, Yvan, Jean-Louis, Jo, Armelle, Anthony,

Cristina et Julien qui ont contribué à la bonne ambiance au laboratoire.

Un merci tout particulier au Professeur « Garabet » pour s’être investi autant, m’avoir

conseillée, fait confiance et tellement appris tout au long de ces années et ce, malgré mon

lourd passé d’ingénieur.

Une pensée amicale pour Amaia et Laurent, mes vrais faux amis toulousains du Pays Basque

(le vrai !) et de l’Ardèche, que j’ai rencontrés et appris à mieux connaître pendant ces années.

Une pensée aussi pleine de repentance pour les termites de Laurent.

Et à tous ceux qui m’entourent de très près et de plus loin…

Sommaire

Liste des abréviations …………………………………………………… 1

Liste des figures …………………………………………………………. 2

Liste des tableaux ……………………………………………………….. 6

Avant-propos ……………………………………………………………. 7

Chapitre 1 : Contexte général et problématique ...……………………. 10

1 – Les biofilms épilithiques : de la rivière à l’agrégat ...………………… 11 1.1 – Définitions ……………………………………………………………….. 11

1.2 – Conditions de développement …………………………………………… 13

1.3 – Rôle fonctionnel dans les écosystèmes lotiques ………………………… 15

1.4 – Dynamique temporelle de la biomasse ………………………………….. 16

1.5 – Intérêt pour la bioindication ……………………………………………... 19

2 – Les modèles mathématiques : de la description à la prédiction ……… 21 2.1 – Définitions ……………………………………………………………….. 21

2.2 – Intérêts pour l’écologie ………………………………………………….. 22

2.3 – Démarche de modélisation ………………………………………………. 23

2.4 – Limites et contraintes d’application ……………………………………... 26

3 – Objectifs de l’étude …………………………………………………... 28 3.1 – Problématique …………………………………………………………… 28

3.2 – Questions et démarche …………………………………………………... 30

Chapitre 2 : Méthodologie générale …………………………………… 32

1 – Expérimentation numérique ………………………………………….. 33 1.1 – Présentation des séries temporelles ………………………........................ 34

1.1.1 – Séries temporelles de l’Agüera ………………………………... 34

Sites d’études…………………………………………………………. 34

Echantillonnage……………………………………………………… 36

Données disponibles ………………………………………………… 36

1.1.2 – Séries temporelles de la Garonne ……………………………… 37

Sites d’études…………………………………………………………. 37

Echantillonnage……………………………………………………… 38

Données disponibles ………………………………………………… 39

1.2 – Revue des modèles existants …………………………………………….. 40

1.3 – Description du modèle …………………………………………………... 43

1.3.1 – Formulation initiale ……………………………………………. 43

1.3.2 – Développement………………………………………………... 44

1.4 – Résolution numérique …………………………………………………… 45

1.5 – Sélection de modèle et identification des paramètres …………………… 45

1.5.1 – Critère d’Information d’Akaike (AIC) ………………………… 46

Identification des paramètres sans contrainte …………………... 46

Identification des paramètres avec contrainte…………………… 47

Interprétation des paramètres……………………………………… 47

1.5.2 – Critère du χ2 ……………………………………………………. 48

2 – Expérimentations in situ ……………………………………………… 49 2.1 – Expérimentation en milieu contrôlé ……………………………………... 49

2.1.1 – Dispositif expérimental ………………………………............... 49

Caractéristiques du montage hydraulique ……………………….. 49

Conditions nutritives et physico-chimiques………………………. 50

Caractéristiques de l’écoulement …………………………………. 51

Conditions d’éclairement…………………………………………… 51

Caractéristiques des substrats ………………………………......... 52

2.1.2 – Déroulement de l’expérience…………………………………... 53

Phase d’ensemencement ……………………………………………. 53

Echantillonnage et conditionnement du biofilm…………………. 54

2.1.3 – Analyses ……………………………………………….............. 55

Chlorophylle a ……………………………………………………….. 55

Métabolisme………… ……………………………………………….. 55

MSSC et MS …………………………………………………………. 57

Composition algale ………………………………………………..... 57

Composition bactérienne……………………………………………. 58

Analyse de l’eau ……………………………………………………... 58

2.2 – Expérimentation en milieu naturel ………………………………………. 59

2.2.1 – Echantillonnage et conditionnement ………………………….. 59

2.2.2 – Analyses des échantillons …………………………………….. 61

MSSC et MS ………………………………………………………….. 61

Chlorophylle a ……………………………………………………….. 61

Dénombrements algaux …………………………………………….. 61

Invertébrés …………………………………………………………… 61

Analyses de l’eau ……………………………………………………. 61

Débits …………………………………………………………………. 62

Rayonnement solaire ………………………………………………... 62

Chapitre 3 : Importance des perturbations hydrodynamiques dans la

dynamique spatio-temporelle du biofilm épilithique : vers un modèle

de prédiction …………………………………………………………….. 63

1 – Contexte et objectifs ………………………………………………….. 64

2 – Principaux résultats et discussion …………………………………….. 66

3 – Conclusion ……………………………………………………………. 69

4 – Publication ……………………………………………………………. 70

Chapitre 4 : Importance du détachement autogène dans la

dynamique spatio-temporelle du biofilm épilithique : le modèle

comme outil de recherche ………………………………………………. 88


2 – Principaux résultats et discussion …………………………………….. 91

3 – Conclusion ……………………………………………………………. 93

4 – Publication ……………………………………………………………. 94

Chapitre 5 : Dynamique de la biomasse en écoulement contrôlé : vers

une évolution autogène de l’agrégat ? …………………………………. 106


2 – Evolutions structurelle et fonctionnelle du biofilm …………………... 108

3 – Vers une identification des processus de détachement de biomasse …. 113

4 – Conclusion et perspectives …………………………………………… 118

5 – Publication ……………………………………………………………. 120

Chapitre 6 : Comparaison interannuelle de la dynamique de la

biomasse épilithique en milieu naturel ………………………………… 152


2 – Résultats et discussion ………………………………………………... 154 2.1 – Caractéristiques de la série temporelle de 2004-05-06 ………….. 154

2.2 – Comparaison interannuelle des patrons de biomasse ……………. 161

2.3 – Comparaison interannuelle des conditions environnementales …. 163

2.4 – Comparaison taxonomique des assemblages algaux …………….. 164

3 – Conclusion et perspectives …………………………………………… 167

Conclusion générale …………………………………………………….. 171

Références bibliographiques……………………………………............. 178

Stéphanie Boulêtreau / Thèse en Hydrobiologie / Université Paul Sabatier, Toulouse 1

Liste des abréviations

Les abréviations anglaises figurent en italique

AI ou IA : Autotrophic index ou index d’autotrophie

AIC : Akaike information criterion

APHA : American public health association

AR : Accretion rate

BIC : Bayesian information criterion

COD : Carbone organique dissous

DBL : Diffusive boundary layer

DGGE : Denaturing gradient gel electrophoresis

DIREN : Direction régionale de l’environnement

EPS : Exopolymeric substances

EPU : Eucaryotes photosynthétiques unicellulaires

Fr : Nombre de Froude

GPP : Gross Primary Production

HPLC : High performance liquid chromatography

IC ou CI : Inorganic content ou contenu inorganique

IMFT : Institut de mécanique des fluides de Toulouse

MES : Matière en suspension

MS : Matière sèche

MSSC : Matière sèche sans cendre

NPP : Net Primary Production

NTU : Nephelometric turbidity unit

OTU : Operational taxonomic unit

PB : Peak of biomass

QMJ : Débit moyen journalier

RCC : River Continuum Concept

PAR : Photosynthetically active radiation

PCR : Polymeric chain reaction

RSS : Residual sum of squares

R : Respiration

SC : Schwarz criterion

VCN : Débit minimal sur N jours consécutifs


Liste des figures

Figure 1.1. Observations du biofilm épilithique à l’échelle microscopique (a), du

galet (b) et du tronçon de rivière (c) …………………………………………………... 12

Figure 1.2. Courbe théorique de croissance (d’après Biggs 1996) ……………............ 17

Figure 1.3. Représentation schématique de la démarche de modélisation (d’après

Jorgensen 1983) …………………………………………………………….................. 24

Figure 1.4. Spectre de la complexité d’un modèle (adapté de Snowling & Kramer

2001). La flèche représente la gamme de complexité possible pour un modèle, de plus

en plus simple (à gauche) et de plus en plus complexe (à droite) …………………....... 27

Figure 1.5. Schéma illustrant la relation entre complexité – incertitude – sensibilité

d’un modèle. Plus la complexité d’un modèle augmente, plus sa sensibilité augmente

et plus son incertitude diminue. Il existe un modèle de complexité intermédiaire qui

optimise la relation complexité – incertitude – sensibilité (d’après Snowling &

Kramer 2001) ………………………………………………………………………...... 28

Figure 2.1. Schématisation de la démarche d’expérimentation numérique mise en

oeuvre pour obtenir un modèle de dynamique de la biomasse épilithique ……………. 33

Figure 2.2. Vues des sites amont (site 2, à gauche) et aval (site 9, à droite) de

l’Agüera ……………………………………………………………………………...... 34

Figure 2.3. Débit moyen journalier (m3 s-1) mesuré dans le site 9 (aval) lors des

périodes d’échantillonnage de 1990-91 (a), 1992-93 (b) et 2001-02 (c) ………............ 35

Figure 2.4. Vues prises en rive droite des sites amont (Aouach, à gauche) et aval

(Gagnac, à droite) sur la Garonne (photographies S. Teissier) ………………………... 38


Figure 2.5. Schéma du dispositif expérimental ……………………………………...... 50

Figure 2.6. Photographie et schéma de l’agencement des substrats dans le canal ...….. 53

Figure 2.7. Schéma du dispositif de mesure de la production et de la respiration

(schéma modifié de J. Meillon) et photographie de la chambre d’incubation des

substrats ……………………………………………………………………………….. 56

Figure 4.1. Illustration d’un galet érodé par le détachement autogène ……………….. 91

Figure 5.1. Photographies des substrats colonisés après 4 semaines (a), 10 semaines

(b), 12 semaines (c) et 14 semaines (d) de croissance. Le diamètre d’un substrat est de

4 cm ……………………………………………………………………………………. 112

Figure 5.2. Evolutions temporelles de (a) la dérive moyenne du biofilm exprimée en

mg MSSC L-1 (g MSSC m-2)-1, (b) le contenu chlorophyllien et (c) le contenu

inorganique (en % de cendres). L’évolution de la biomasse chlorophyllienne

(moyenne ± ES) en mg chlorophylle a m-2 est reportée sur chaque graphique sur l’axe

des ordonnées de droite (cercles gris) ……………………………………..................... 116

Figure 5.3. Résultats des simulations en chlorophylle a (colonne de gauche) et MSSC

(colonne de droite). Les graphiques comparent les évolutions de la biomasse

(moyenne ± ES) observée (carrés noirs) et de la biomasse simulée selon l’hypothèse 1

d’« altération physiologique » (ligne noire) ou l’hypothèse 2 d’ « abrasion » (ligne

grise). Les tableaux indiquent la signification de la variable de forçage Sed(t) du

terme de perte ainsi que les valeurs des paramètres et de l’ajustement de la

combinaison optimale ………………………………………......................................... 119

Figure 6.1. Evolutions temporelles de la biomasse épilithique (moyenne ± ES)

exprimées en g MSSC m-2 (a, a’), g MS m-2 (b, b’) et mg chl a m-2 (c, c’) des séries

temporelles de 2004-05-06 (colonne de gauche) et de 2001-02 (colonne de droite) à

l’Aouach (site amont, Garonne). Noter que les échelles des axes des ordonnées sont

multipliées par 4 entre 2004-05-06 et 2001-02 ………………………………………... 156


Figure 6.2. Evolutions temporelles du débit moyen journalier (a, a’), du rayonnement

global journalier (b, b’), de la température de l’eau (c, c’), de la concentration en

phosphore (d, d’) et de la biomasse épilithique (e, e’) des séries temporelles de 2004-

05-06 (colonne de gauche) et de 2001-02 (colonne de droite) à l’Aouach (site amont,

Garonne). Noter que les échelles d’une série à l’autre sont identiques, excepté pour la

biomasse (e, e’) ………………………………………………………………………... 157

Figure 6.3. Densités totales, des collecteurs filtreurs, des collecteurs assembleurs, des

brouteurs, des prédateurs et des déchiqueteurs lors des prélèvements des 1, 13 et 26

juillet 2005 ...…………………………………………………………………………... 158

Figure 6.4. Evolutions temporelles du contenu chlorophyllien du biofilm en % (a) et

du contenu intracellulaire en chlorophylle a en mg chl a (ind.)-1 (b). La biomasse

épilithique (en g MSSC m-2) est reportée sur le second axe des ordonnées du

graphique (a). Le rayonnement global journalier (en J cm-2) est reporté sur le second

axe des ordonnées du graphique (b) ………………………………………………….... 160

Figure 6.5. Comparaison entre la biomasse épilithique observée (moyenne ± ES) et la

biomasse épilithique simulée obtenue en appliquant la paramétrisation optimale du

modèle à trois paramètres confronté à la série temporelle de 2001-02 : µmax,0 = 1 d-1,

kinv,B = 3.8 et cdet = 0.0002 d-1…………………………………………………………... 161

Figure 6.6. Evolutions temporelles de l’abondance relative (%) des biovolumes des

principaux groupes algaux (a, a’) et du nombre de taxa (b, b’) lors des séries

temporelles de 2004-05-06 (colonne de gauche) et de 2001-02 (colonne de droite). R :

Rhodophycées ; C : Cyanophycées ; VF : algues vertes filamenteuses ; VNF : algues

vertes non filamenteuses ; DF : diatomées filamenteuses ; DC : diatomées coloniales ;

DUL : diatomées unicellulaires libres et DUF : diatomées unicellulaires fixées. La

biomasse épilithique en g MSSC m-2 est reportée sur les graphiques (a) et (a’) ……… 166

Figure 6.7. Distribution des années en fonction de la valeur du couple durée moyenne

et amplitude moyenne des périodes de basses eaux. Le couple est défini à partir des

indices hydrologiques décrits par Richter et al. (1998). La durée de la période de


basses eaux correspond à la durée moyenne des périodes où le QMJ est inférieur au

premier quartile des QMJ des 15 années testées (soit 47 m3 s-1). L’amplitude de la

période de basses eaux correspond au minimum de l’amplitude des QMJ au cours de

périodes de 90 jours …………………………………………………………………… 167

Figure 6.8. Evolution temporelle du débit moyen journalier QMJ (m3 s-1) entre

janvier 1990 et janvier 2006 à l’Aouach ………………………………………………. 169


Liste des tableaux

Tableau 2.1. Synthèse comparative des caractéristiques des modèles de périphyton de

la littérature …………………………………………………......................................... 42

Tableau 3.1. Tableau récapitulatif des résultats de la sélection du « meilleur » modèle

dans les 13 situations testées (1ère colonne). Les situations 90-9 et 92-7 n’ont pas été

testées. La présence d’une croix dans une colonne indique que le processus de la

colonne est activé. Exemples : le meilleur modèle de la situation 90-2 est constitué

d’un terme de croissance, limitée par l’épaisseur et d’un terme de détachement

hydrodynamique continu ; le meilleur modèle de la situation 01-9 est constitué d’un

terme de croissance et d’un terme de détachement hydrodynamique catastrophique

(activé lorsque le débit Q est supérieur au débit critique Qcr) ………………………… 67

Tableau 6.1. Caractéristiques structurelles globales du biofilm épilithique lors des

séries temporelles de 2004-05-06 et de 2001-02 …………………………………….... 162

Tableau 6.2. Caractéristiques environnementales moyennes des prélèvements lors

des séries temporelles de 2004-05-06 et de 2001-02. M.E.S. : Matières en

Suspension ; C.O.D. : Carbone Organique Dissous ; Vf : vitesse au fond ; Hf : hauteur

d’eau et Distance : distance au point fixe ...…………………………………………… 164

Avant-propos


Avant-propos

Avant-propos


La pierre glissante qui nous fait prendre un bain involontaire dans le ruisseau que nous

voulions traverser, le réservoir d’eau de la cafetière expresso constamment visqueux, les dents

déjà râpeuses peu après leur brossage sont autant de situations que nous devons à la

croissance des microorganismes qui colonisent toutes sortes de surfaces, généralement sous la

forme de communautés appelées biofilms. Ces derniers sont de tailles très variables, de la

microcolonie de quelques millimètres à l’agrégat de plusieurs centimètres d’épaisseur dans

lesquels les microorganismes sont englobés dans une matrice visqueuse. La forme d’existence

offerte par le biofilm est particulièrement avantageuse puisqu’elle assure notamment une

protection vis-à-vis des brouteurs et des biocides, une meilleure résistance aux forces

physiques comme le courant ou aux situations de stress comme le dessèchement et facilite les

interactions métaboliques.

Dans les ruisseaux ou rivières, le biofilm épilithique se développe à l’interface entre la

colonne d’eau et les galets ou rochers. Il s’agit d’un assemblage constitué de microorganismes

appartenant à des groupes aussi différents que les bactéries, les protozoaires, les algues, les

invertébrés, etc. En tant que producteurs de biomasse et décomposeurs, les biofilms

épilithiques constituent un maillon vital du réseau trophique. Ils participent au fonctionnement

hydro-écologique de la rivière (Battin et al. 2003), en particulier au niveau des

transformations de l’azote (Teissier et al. 2007) ou du fonctionnement des communautés

benthiques (Feminella & Hawkins 1995). Dans les secteurs de cours d’eau où ils représentent

la seule biomasse microbienne, le bilan de matière est conditionné par la production,

l’arrachement et la dégradation de la matière organique issue de ce biofilm. Le

fonctionnement biogéochimique de ces secteurs est souvent directement associé à la

dynamique spatiale et temporelle du biofilm épilithique et aux mécanismes qui le structurent.

Le développement du biofilm épilithique en rivière est une conséquence de conditions

hydrodynamiques (vitesse du courant) et géomorphologiques (faciès dominants, hauteur

d’eau, stabilité des galets) particulières. Certains tronçons de rivières (zones torrentielle et

semi-torrentielle) ne sont effectivement propices qu’au développement d’une communauté

fixée car les communautés libres sont « lessivées » par des temps de transfert très courts.

C’est le cas de la Garonne sur une partie de son cours entre sa source et sa confluence avec le

Tarn, en amont et en aval de l’agglomération toulousaine. Celle-ci est effectivement

caractérisée par de faibles concentrations en chlorophylle a dans la colonne d’eau : comprises

entre 2 et 20 µg L-1, les concentrations maximales sont rencontrées dans les zones de retenues

artificielles (Eulin 1997) et, dans les autres stations, la concentration est le plus souvent

inférieure à 10 µg L-1. Il a par ailleurs été démontré que cette chlorophylle a est

Avant-propos


principalement d’origine benthique (Améziane et al. 2003). La Garonne constitue à ce titre un

modèle d’étude du biofilm épilithique.

La grande variabilité des communautés microbiennes qui composent les biofilms, et

tout particulièrement les biofilms épilithiques, et la multitude des processus biologiques et

physico-chimiques qui s’y déroulent induisent une grande complexité structurelle. Cette

complexité rend leur étude expérimentale particulièrement difficile. Les modèles

mathématiques constituent alors des instruments d’intérêt pour exprimer de façon quantitative

la vision que nous possédons de ces systèmes et d’en vérifier la pertinence par comparaison

avec des résultats expérimentaux. Ces modèles sont aussi un outil de changement d’échelle

permettant de transférer les connaissances acquises au niveau de l’agrégat au fonctionnement

de l’écosystème.

C’est dans ce cadre général que nous allons nous intéresser aux mécanismes qui

structurent la dynamique spatio-temporelle du biofilm épilithique en milieu naturel avec pour

angle d’attaque principal la contribution de l’outil modélisation dans la connaissance de ces

mécanismes. Pour aborder cette question, ce manuscrit se structure en 6 chapitres :

• Le chapitre 1, qui s’appuie sur une base bibliographique, précise le contexte général

autour des mots-clés « biofilms épilithiques » et « modèles mathématiques » avant de définir

la problématique et les questions scientifiques auxquelles ce mémoire répond. Le biofilm

épilithique est présenté du point de vue de sa structure, de sa dynamique en milieu naturel et

de son rôle au sein des écosystèmes aquatiques. Les modèles mathématiques sont

appréhendés du point de vue de la démarche de modélisation, des intérêts et limites de leur

utilisation en écologie.

• Le chapitre 2 détaille l’ensemble des méthodologies relatives à la démarche de

l’expérimentation numérique ainsi que les dispositifs expérimentaux, protocoles

d’échantillonnage et analyses effectués.

• Les chapitres suivants présentent et discutent les résultats de ce mémoire : les

chapitres 3 et 4 sont consacrés à la mise en œuvre de l’expérimentation numérique au service

de la connaissance des processus qui contrôlent l’évolution de la biomasse épilithique en

milieu naturel. Les chapitres 5 et 6 analysent et discutent les résultats de deux

expérimentations complémentaires ayant pour objectifs de préciser, en milieu contrôlé (canal

de laboratoire) certains processus du modèle et d’explorer la variabilité interannuelle de la

dynamique de biomasse épilithique (in situ).

Chapitre 1. Contexte général et problématique


Chapitre 1

Contexte général et problématique



1 – Les biofilms épilithiques : de la rivière à l’agrégat

1.1 – Définitions

Dans les secteurs de rivière ou de fleuve à forte hydrodynamique (torrentiels et semi

torrentiels), le temps de résidence des masses d’eau très court est incompatible avec la

croissance d’une biomasse microbienne en suspension à l’origine de processus planctoniques

(Reynolds et al. 1994). Les interfaces liquide-solide comme les supports rocheux (galets,

blocs, roche mère ou matériau de construction), les sédiments ou les macrophytes constituent

alors des supports favorables à l’installation et au développement des microorganismes. Ces

microorganismes forment une couche visqueuse de quelques micromètres à quelques

centimètres d’épaisseur et de couleur brunâtre ou verdâtre.

Associés à des particules détritiques et enchevêtrés dans une matrice d’exopolymères

(EPS, exopolymeric substances), ces microorganismes adhérant à une surface submergée ou

soumise à un environnement aqueux forment un film biologique appelé biofilm (Costerton et

al. 1987 ; Lock 1993) (Figure 1.1.a). La formation de biofilms concerne tous les milieux

aquatiques naturels (aquifères, lacs, rivières, mers) ainsi que les tissus vivants (tissus

épithéliaux, dents, racines…), les biomatériaux médicaux (ustensiles médicaux, prothèses…),

les dispositifs industriels et sanitaires (climatiseurs, réseaux de distribution d’eau potable,

coques de navire…). Leur développement est souvent associé à de lourds enjeux sociétaux :

dégradation des installations portuaires, bio-salissures des coques de navire, contamination

des équipements des industries agroalimentaires et des réseaux d’eau potable, infections

nosocomiales, etc. Un biofilm peut être formé par une seule espèce bactérienne (ex. modèle à

Pseudomonas aeruginosa) ou former un assemblage diversifié de microorganismes

eucaryotes unicellulaires hétérotrophes ou photosynthétiques.

Dans ce travail, l’interface liquide-solide propice à l’installation du biofilm est la

pierre (du grec lithos) des galets du fond des cours d’eau (Figure 1.1.b et c). On parle alors

de biofilm épilithique ou d’épilithon. Le biofilm épilithique est un assemblage très complexe

reposant sur le développement de microorganismes photoautotrophes (EPU, cyanobactéries)

qui lui confèrent sa coloration, et qui comprend également divers micro- et méso-organismes

procaryotes et eucaryotes, autotrophes et hétérotrophes et, de façon plus ou moins transitoire

(selon la période de la journée ou de l’année) des macroorganismes (larves d’Insectes

aquatiques, Invertébrés benthiques…).



Figure 1.1. Observations du biofilm épilithique à l’échelle microscopique (a), du galet (b) et du tronçon de rivière (c).

La terminologie biofilm (associée en anglais aux mots epilithic, river ou lotic) est

utilisée plus largement depuis une vingtaine d’années. L’assemblage en question, défini par

Wetzel (1983) comme une communauté microbienne complexe (algues, bactéries,

champignons, animaux et détritus organiques et inorganiques) attachée à un substrat

inorganique ou organique, vivant ou mort, est traditionnellement et majoritairement désigné

sous le nom de périphyton. Son utilisation reste néanmoins très souvent associée aux

communautés algales benthiques et il est principalement étudié pour son rôle de producteur

primaire des milieux lotiques (par ex. Mulholland et al. 1991 ; Stevenson 1996 ; Biggs et al.

1998). D’autres qualificatifs précisent le type d’assemblage selon le type de substrat colonisé :

l’épiphyton colonise les plantes aquatiques, l’épisammon colonise les grains de sable,

l’épipélon colonise les sédiments fins et la boue, l’épixylon colonise le bois et l’épilithon

colonise la pierre. Depuis les travaux de Lock et al. (1984), le périphyton et en particulier

l’épilithon sont davantage appréhendés via leur dimension microbiologique (par ex. Romani

& Sabater 2000 ; Lawrence et al. 2002 ; Battin et al. 2003a ; Olapade & Leff 2004). Enfin

plus généralement, d’autres termes sont ou ont été utilisés : le terme microphytobenthos (plus

utilisé en milieu marin) et le terme allemand « aufwuchs » qui signifie « se développer sur »

était employé en Europe il y a une dizaine d’années (Stevenson 1996). La complexité

structurelle et fonctionnelle de l’agrégat composé de microorganismes et d’EPS est associée à

l’idée de biofilm, un modèle particulièrement intéressant pour appréhender les concepts

écologiques de diversité, de succession écologique, de relation structure-fonction,

d’interactions biologiques, etc.

Photo Samuel Teissier Photo Samuel Teissier

(a) (b) (c)

50 µm Photo Samuel Teissier Photo Samuel Teissier

(a) (b) (c)

50 µm



1.2 – Conditions de développement

La présence d’un substrat disponible et suffisamment stable pour résister au courant

est un facteur nécessaire mais non suffisant pour le développement de cet agrégat. D’autres

facteurs sont désignés pour contrôler le développement de l’épilithon et parmi eux, sont

identifiés les ressources, les facteurs abiotiques et biotiques. Contrairement aux facteurs

abiotiques et biotiques, les ressources sont directement consommées pour le métabolisme et la

reproduction. Les facteurs abiotiques et biotiques influencent directement les capacités de la

communauté algale à consommer ces ressources, en modifiant par exemple l’activité

enzymatique ou l’intégrité physique des cellules (Stevenson 1997). Plus généralement et à

l’échelle de l’hydrosystème, cet ensemble de facteurs est contrôlé par d’autres facteurs

indirects tels que le climat, la géologie, l’occupation du sol, l’hydrologie, les apports en

nutriments, la sédimentation et les interactions biotiques (Biggs 1995 ; Stevenson 1997).

La lumière est la première ressource indispensable : le biofilm épilithique se

développe où et quand l’ombrage (contrôlé par la canopée), la hauteur d’eau et la turbidité

rendent possible la pénétration de la lumière jusqu’au biofilm. Plus accessoirement, la

présence de substrat vierge est une ressource nécessaire à l’installation de certaines espèces

algales qui ont besoin de s’attacher directement au substrat (ex. Cocconeis ou Cladophora).

Enfin, la ressource en nutriments est indispensable au métabolisme algal, et constitue

d’ailleurs le facteur le plus étudié, souvent en association avec la vitesse du courant.

L’assimilation des nutriments dépend de la couche limite (ou diffusive boundary layer DBL)

définie comme la zone d’interface entre le biofilm épilithique et l’eau environnante lors d’un

mouvement relatif entre les deux (Riber & Wetzel 1987 ; Rasmussen & Lewandowski 1998).

Au sein de cette couche limite, la composante verticale du flux de transport des nutriments est

fortement contrainte, la diffusion moléculaire devient le mode de transfert prédominant des

composés dissous vers le biofilm (Borchardt 1996). L’existence d’un gradient de

concentration entre l’eau et le biofilm est alors nécessaire à la diffusion et le taux de diffusion

moléculaire est proportionnel à l’intensité de ce gradient (Borchardt 1996).

Le pH, la salinité, la température, la force de frottement liée à la vitesse du courant

(shear stress), l’abrasion, ou encore la présence de composés toxiques dans l’eau constituent

les facteurs abiotiques les plus importants. Leurs effets dépendent de la tolérance et des

conditions optimales de développement de chaque espèce. Parmi les facteurs biotiques, on



peut citer le broutage, l’allélopathie, la lyse virale et la compétition interspécifique (Stevenson

1997).

Si la distinction entre facteurs biotiques et facteurs abiotiques est assez claire lorsque

l’on considère les algues benthiques en tant que communauté, elle n’est pas aussi légitime

lorsque l’on considère l’assemblage « biofilm épilithique » dans sa globalité en tant qu’unité

fonctionnelle. On préférera parler du double contrôle auquel sont soumis la composition, la

biomasse et le fonctionnement du biofilm : un contrôle allogène sous l’influence de facteurs

qui lui sont extérieurs (vitesse du courant, nutriments, lumière, température, broutage par les

poissons, etc.) et un contrôle autogène sous l’influence de facteurs qui lui sont propres

(compétition, broutage, allélopathie, gradients de pH, d’oxygène, etc.).

L’ensemble des conditions favorables au biofilm épilithique en rivière co-existe dans

les cours d’eau de taille intermédiaire (ordres de Strahler compris entre 3 et 7) d’après le

River Continuum Concept (RCC, Vannote et al. 1980). Les biofilms épilithiques constituent à

ce titre des assemblages largement répandus dans l’environnement aquatique. En revanche les

biomasses atteintes sont très variables dans l’espace et le temps. Temporellement, Dodds et al.

(1998) montrent que le rapport moyen entre biomasse maximale et biomasse moyenne obtenu

dans 176 sites de l’Amérique du Nord et de la Nouvelle Zélande est de 4,52 en rivière contre

seulement 1,7 – 2,6 en lacs. Ce rapport de biomasses traduit l’amplitude de la croissance

annuelle du biofilm épilithique. Si cette amplitude est plus importante en rivière c’est qu’elle

répond à une plus grande amplitude des conditions environnementales alternativement

propices ou non au développement du biofilm. Spatialement, une revue bibliographique

effectuée par Biggs & Price (1987) répertorie des biomasses maximales atteintes dans

différentes rivières de Nouvelle Zélande comprises entre 0,7 et 290 g de matière sèche sans

cendre (MSSC) par m2. Cette variabilité importante est largement associée à la richesse

nutritive du milieu (par ex. Dodds et al. 1997 ; Biggs 2000). A ce titre, à partir de la biomasse

benthique moyenne, Dodds et al. (1998) identifient trois catégories de cours d’eau selon le

degré d’enrichissement en nutriments N et P (statut trophique) : le statut oligotrophe

(biomasse < 20 mg de chlorophylle a par m2), le statut mésotrophe (20 < biomasse < 70 mg de

chlorophylle a par m2) et le statut eutrophe (biomasse > 70 mg de chlorophylle a par m2).

D’autres modèles empiriques décrivent cette relation entre la biomasse du biofilm épilithique

(surtout exprimée en chlorophylle a) et la disponibilité en nutriments phosphorés

principalement mais aussi azotés (par ex. Sabater & Admiraal 2005).



1.3 – Rôle fonctionnel dans les écosystèmes lotiques

Les secteurs de cours d’eau caractérisés par le développement de biofilm épilithique

pourraient être qualifiés de rivière « à biomasse fixée » par analogie avec les réacteurs du

même type utilisés en épuration. Ces procédés (ex. des biofiltres), caractérisés par une

biomasse fixée à un matériau solide sur lequel percole l’eau à traiter, possèdent un potentiel

épuratoire bien plus important que ceux à biomasse libre (ex. boues activées), en particulier

dans des situations où la capacité du réacteur est limitée par la concentration en biomasse et le

temps de résidence hydraulique. La biomasse fixée sur le support bactérien (lit ou disque)

permet d’atteindre des temps de rétention élevés au sein du biofilm tout en opérant des temps

de rétention hydrauliques relativement faibles. Les cultures fixées sont alors particulièrement

utiles lorsque des temps élevés de rétention au sein de la biomasse sont exigés, ce qui est le

cas des réactions qui impliquent des organismes à faible taux de croissance (ex. nitrifiants,

méthanogènes). Dans les petits cours d’eau (taille intermédiaire), le temps de résidence

hydraulique est faible. Les flux biogéochimiques sont alors principalement gouvernés par les

processus et échanges aux interfaces hyporhéiques et benthiques (Dahm et al. 1998). En effet,

à ces interfaces, les flux hydrauliques sont nuls ou quasi nuls. Les communautés biologiques

peuvent donc influencer localement la concentration en nutriments par assimilation et

transformation de la matière (et maintien du gradient de concentration). De plus, les biofilms

développent des structures filamenteuses, des protubérances de diverses formes et tailles et un

réseau complexe de canaux qui augmentent le rapport surface/volume de l’assemblage et

favorisent alors le transfert de matière.

Les algues comme les bactéries sont d’importants consommateurs de nutriments

inorganiques (Cole et al. 1982) : les autotrophes comme les hétérotrophes du biofilm

épilithique utilisent l’azote et le phosphore de l’eau, les premiers pour construire leur propre

biomasse (Bothwell 1988), les seconds lorsqu’ils dégradent la matière organique dont les

rapports C/N et C/P sont élevés (Mulholland 1992). Le couplage fort entre les deux au sein du

biofilm épilithique assure un recyclage plus efficace des nutriments. Leur potentiel

d’élimination ou de mobilisation des nutriments a été mis en évidence en particulier

concernant l’azote (Duff et al. 1984 ; Sabater et al. 2002 ; Teissier et al. 2007). Récemment

les travaux de Teissier et al. (2007) montrent que l’élimination de l’azote s’effectue en deux

étapes au cours de la maturation du biofilm : un biofilm jeune et fin assimile l’azote en

provenance de la colonne d’eau et le stocke (croissance), les processus de minéralisation,



nitrification et dénitrification sont faibles ; un biofilm épais libère l’azote préalablement

stocké sous la forme de N2 grâce au couplage de réactions minéralisation – nitrification –

dénitrification. Soit le biofilm s’autominéralise et donc, sa biomasse diminue, soit

l’assimilation d’azote organique en provenance de la colonne d’eau compense la perte de

biomasse.

Les biofilms épilithiques sont aussi des sites efficaces pour l’assimilation,

l’immobilisation (le stockage) et la transformation des substances organiques particulaires et

dissoutes. La croissance du biofilm favorise le dépôt de particules organiques en rivière

(Thomas et al. 2001 ; Battin et al. 2003a), grâce à ses propriétés d’adhésion et de filtration.

Les cellules attachées tirent profit du piégeage de carbone exogène et d’énergie. La proximité

des organismes autotrophes et hétérotrophes au sein de l’agrégat ainsi que la capacité de

dégradation extracellulaire au sein de la matrice d’EPS (Sinsabaugh et al. 1991) permettent un

recyclage efficace du carbone apporté par la photosynthèse au sein de la communauté (Lock

et al. 1984). Les organismes au sein du biofilm sont en interaction constante : l’agrégat est

assimilé à une plateforme d’échanges de matériel génétique et d’interactions métaboliques

(Stoodley et al. 2002). Ces échanges et interactions sont limités pour les cellules

planctoniques puisque ces dernières ne se trouvent pas en contact physique. L’activité

métabolique des communautés en biofilm dépasse donc largement l’activité planctonique

(Geesey et al. 1978).

Enfin, dans ces cours d’eau, de par sa fonction de producteur primaire, le biofilm

épilithique est à la base du réseau trophique. Dodds (2006) démontre effectivement que la

biomasse algale benthique est corrélée positivement à la production primaire brute des

rivières. Or cette production primaire gouverne le maintien de la structure et du

fonctionnement des communautés d’une rivière d’après (Minshall 1978). McIntire (1973)

prouve par modélisation que, grâce à un turnover rapide, le périphyton, même en faible

quantité, est capable de soutenir d’importantes biomasses de consommateurs.

1.4 – Dynamique temporelle de la biomasse

La dynamique temporelle à court terme de la biomasse épilithique résulte de

l’équilibre entre des processus d’accrétion (importation et prolifération de cellules) et de perte

(mort et/ou émigration de cellules). L’état des connaissances relatives à cette dynamique a été

conceptualisé par les travaux de Biggs (1996) qui la décrit par une courbe théorique en deux



phases (Figure 1.2.). La phase de croissance qui présente une évolution exponentielle de la

biomasse est successivement dominée par les processus de colonisation et de croissance. Lors

de la phase de perte, ces derniers sont largement compensés par des pertes liées à la

sénescence, au parasitisme, au broutage ou au détachement autogène (autogenic sloughing).

Enfin la biomasse atteint un palier égal à la capacité de charge de l’assemblage (carrying

capacity). La forme de cette courbe universelle est fonction des paramètres tPB, le temps

nécessaire pour atteindre le pic de biomasse, et PB, la biomasse maximale atteinte, paramètres

pouvant être synthétisés par la vitesse d’accrétion (AR).

Figure 1.2. Courbe théorique de croissance (d’après Biggs 1996).

En milieu naturel cette évolution théorique est très rarement observée, le processus de

croissance étant le plus souvent interrompu par une perturbation hydrodynamique (vitesses du

courant élevée et/ou substrat instable et/ou abrasion) à l’origine d’une perte brutale de

biomasse. L’évènement ne conduit pas nécessairement à la disparition complète du biofilm.

L’amplitude, la durée et/ou la fréquence de cet évènement ainsi que les propriétés

morphotypiques, taxonomiques et physiologiques (histoire et âge) conditionnent la réponse

structurelle et fonctionnelle (résistance et résilience) du biofilm à la perturbation (Peterson &

Stevenson 1992). A long terme aussi le régime de perturbation hydrologique est le principal

facteur de structuration temporelle de la biomasse. Biggs (1996) distingue trois patrons de

dynamique temporelle de la biomasse à long terme :

PB

tPBcolonisation + croissance mortalité + abrasion

y

x

AR=

y / x

accrétion érosion

temps

PB

tPBcolonisation + croissance mortalité + abrasion

y

x

AR=

y / x

accrétion érosion

temps



• une dynamique stable et caractérisée par de faibles biomasses est associée le plus

souvent à des perturbations hydrologiques fréquentes et/ou une forte instabilité du substrat,

• une dynamique rythmée par des cycles saisonniers associés à une importante

saisonnalité du régime hydrologique, de l’activité des brouteurs ou de la lumière,

• une dynamique marquée par la succession de cycles d’accrétion/détachement est

souvent caractéristique de rivières où les perturbations hydrologiques sont saisonnières ou peu

fréquentes.

L’épaississement du biofilm qui se produit lors des longues phases de stabilité qui

caractérisent les deux derniers types d’évolution temporelle s’accompagne d’une modification

de la composition (biodiversité), de l’architecture (microgradients et distribution

tridimensionnelle des organismes) et du fonctionnement (métabolisme) de l’assemblage. Les

formes algales colonisatrices (ou pionnières), généralement de petite taille et au

développement rapide, sont progressivement remplacées par des formes algales climaciques,

généralement de grande taille et au développement lent (Biggs et al. 1998). Le morphotype

(unicellulaire, colonial ou filamenteux) et le mode de fixation (prostrée ou érigée) des algues

présentes conditionnent la structure tridimensionnelle de l’assemblage (Stevenson 1996) :

l’assemblage rendu très cohésif par la présence de petites diatomées capables d’adhérer très

fortement au substrat et de diatomées coloniales fixées à l’apex devient plus aéré et

volumineux avec l’installation des algues vertes filamenteuses.

Le concept de succession écologique (Odum 1956) a été généralisé aux communautés

bactériennes de biofilms de rivière par Lyautey et al. (2005a). Les OTUs (operational

taxonomic units) identifiées dans cette étude au cours d’une phase d’accrétion indiquent des

profils de présence et des exigences écologiques différents au cours du temps qui pourraient

s’apparenter à des stratégies écologiques (Lyautey et al. 2005a). En début de croissance, alors

que le biofilm est fin, les populations détectées correspondraient à des taxons aérobies stricts

(Spirosoma sp.). En fin de croissance, alors que les couches profondes se désoxygènent, les

populations identifiées présenteraient vis-à-vis de l’oxygène une adaptation à de faibles

concentrations (aérobie facultative Dechloromonas sp., microaerophile Nitrospira sp.).

Enfin l’épaississement du biofilm modifie physiquement la nature des échanges avec

la colonne d’eau. Lorsque le biofilm est fin, le transport actif est prépondérant par rapport à la

diffusion parce que la concentration en nutriments au-dessus du biofilm reste importante.

Lorsque le biofilm est épais, le flux diffusif au sein de la couche limite devient limitant car il

est plus faible que le taux potentiel de consommation des nutriments par les cellules



(Borchardt 1996). Avec la maturation du biofilm, l’activité métabolique devient donc

davantage fonction de l’épaisseur du biofilm que des conditions extérieures.

Finalement, en absence de perturbation, si les premières semaines de la vie du biofilm

sont largement conditionnées par les ressources nutritives et lumineuses, la température et la

vitesse du courant, il semblerait qu’au fur et à mesure de la maturation de l’agrégat,

l’augmentation des interactions biotiques entre les différents organismes et l’isolement

physique associé à l’épaississement tendent à limiter les interactions avec la colonne d’eau

environnante et donc l’importance du contrôle allogène.

1.5 – Intérêt pour la bioindication

Les milieux aquatiques subissent depuis plusieurs décennies une pression croissante

des activités humaines qui affectent leur intégrité et leur santé écologique. La prise de

conscience de la nécessité de ralentir, stopper voire inverser cette tendance a présidé à la mise

en place de la directive cadre européenne sur l’eau (2000/60/CE) qui impose d’atteindre le

« bon état écologique » d’ici 2015. La nécessité sous-jacente de caractériser l’état des milieux

et d’évaluer les efforts de réhabilitation suppose de disposer de critères de diagnostic fiables

et adaptés.

De par ses caractéristiques structurelles et fonctionnelles, le biofilm épilithique

possède un fort potentiel de bioindication. En particulier, les potentialités des microalgues

comme descripteurs structurels de l’état du milieu ont été déjà largement explorées. Parmi les

avantages de ces organismes leur temps de génération assez faible leur permet de répondre à

des changements de qualité de l’eau plus rapidement que les macrophytes ou la faune

aquatique. La réponse des microalgues est souvent symptomatiquement associée à des

changements de nutriment. Par exemple un rapport N/P de l’eau faible et/ou des variations en

P ou N total peuvent contribuer au développement de blooms cyanobactériens (Downing et al.

2001). Un faible ajout de P dans des systèmes à fort rapport N/P peut être suffisant pour faire

basculer la communauté algale d’une dominance d’espèces limitées par le phosphore (ex.

diatomées, algues vertes) à une dominance d’espèces limitées par l’azote, parmi lesquelles les

cyanobactéries peuvent jouer le rôle principal. Ces changements affectent la composition des

producteurs primaires et par conséquent le fonctionnement de l’écosystème tout entier. Les

indices diatomiques ont été mis au point pour synthétiser l’information issue des préférences

autoécologiques de la composition taxonomique de la communauté diatomique. Ces indices



renseignent sur la capacité des communautés diatomiques à détecter les variations du pH de

l’eau (Van Dam et al. 1994), de la salinité (Veres et al. 1995), du niveau nutritif (Lecointe et

al. 1993) et du phosphore total (Poulickova et al. 2004) et sont, pour la plupart, inspirés de

l’index de saprobie de Kolkwitz & Marsson (1909).

Les propriétés fonctionnelles des microorganismes photosynthétiques et de la

composante hétérotrophe du biofilm épilithique commencent à être étudiées avec l’utilisation

du métabolisme comme descripteur fonctionnel. L’équilibre entre la production et la

consommation de carbone organique renseigne sur l’importance relative des deux sources

d’énergies majeures, les algues (matière autochtone) ou la matière organique terrestre

(allochtone). Si la production de carbone organique égale ou excède sa consommation dans

l’écosystème la matière organique produite pourra supporter la chaîne trophique. En revanche

si la consommation de carbone excède largement sa production la matière organique issue du

bassin versant sera nécessaire pour maintenir le système. Le métabolisme permet une mesure

directe de la base de la chaîne trophique et une détermination de la capacité de l’écosystème à

maintenir la vie. L’utilisation de la production microphytobenthique pour le monitoring est

d’autant plus intéressante qu’elle est le résultat d’une conception qui considère le biofilm

comme unité fonctionnelle (Lock 1993).

Le biofilm est un agrégat susceptible d’accumuler des toxiques organosolubles et d’en

être protégé. Son développement intègre dans la durée de grandes quantités d’eau ainsi que

les variations spatio-temporelles de leur qualité. Moins sensible à un pic de contamination

qu’à un niveau moyen, le biofilm peut avoir un rôle intégrateur de bioaccumulateur. Les effets

à long terme des herbicides (atrazine) et des métaux lourds (cuivre) sur la biomasse

chlorophyllienne ont par exemple été observés sur des communautés naturelles (Navarro et al.

2002). C’est aussi un modèle écotoxicologique paradoxal puisque les organismes sont à la

fois protégés mais aussi plus intensément exposés à un contaminant qui s’accumulerait dans

les EPS.

Le faible temps de génération des organismes qui le composent, ses propriétés

bioaccumulatrices, sa complexité structurelle (différents groupes taxonomiques) et

fonctionnelle (autotrophie/hétérotrophie) confèrent à cet assemblage des propriétés

bioindicatrices indéniables. L’importante gamme de descripteurs structurels (biomasse,

composition taxonomique, composition chimique) et fonctionnels (production, respiration,

activité enzymatique extracellulaire) qui lui sont associés fait du biofilm un candidat idéal à

l’indication de perturbation des écosystèmes lotiques (Burns & Ryder 2001).



2 – Les modèles mathématiques : de la description à la prédiction

2.1 – Définitions

Un modèle est une représentation simplifiée d’un processus ou d’un système en vue de

le décrire (de l’expliquer) ou de le prévoir. Deux finalités sont attribués aux modèles : le

modèle descriptif et le modèle prédictif. Le modèle descriptif est utilisé pour interpréter une

masse d’informations réelles (ex. modèle de croissance exponentielle des microorganismes).

Le modèle prédictif est utilisé pour anticiper des événements réels (ex. modèle

météorologique). Cette classification reste néanmoins très arbitraire dans la mesure où ces

modèles sont très étroitement liés. Une prédiction satisfaisante de la réalité future nécessite

préalablement une bonne compréhension et description de la réalité passée ou actuelle.

Inversement une bonne prédiction doit servir de diagnostic pour identifier des perspectives

futures.

La description d’un système passe généralement par l’association de grandeurs (ou

fonction). La plupart des outils de l’analyse mathématique sont particulièrement bien adaptés

à l’étude des fonctions réelles d’une ou plusieurs variables. La mise en œuvre d’un modèle

suppose une traduction des propriétés physiques, biologiques et/ou chimiques du système en

des termes mathématiques. Le langage mathématique représente de manière symbolique et

logique des idées et des relations (plus ou moins complexes). Il donne ainsi accès à une

description quantitative de l’état du système et des processus qui s’y déroulent.

Trois types de modèles mathématiques sont traditionnellement considérés : le modèle

statistique, le modèle mécaniste stochastique (ou probabiliste ou évènementiel) et le modèle

mécaniste déterministe. Le modèle statistique permet d’identifier des liens entre les éléments

d’un système au moyen d’études de corrélations et d’analyses de variance. Il a avant tout un

fort potentiel de description. Il est parfois utilisé comme outil de prédiction mais sa

représentation du système est instantanée et représentative du système au seul moment de la

prise de mesure. Le modèle (mécaniste) déterministe est basé sur une ou des équation(s)

différentielle(s) et ses variables sont des grandeurs précises. L’évolution temporelle de la (ou

des) variable(s) est entièrement déterminée par les conditions initiales, les paramètres et les

variables externes. La mise en œuvre d’un modèle déterministe est guidée par la théorie et

s’appuie sur des équations phénoménologiques ou sur des schémas de fonctionnement

(modèle conceptuel). Elle suppose donc de connaître au préalable et au moins en partie les



mécanismes impliqués. Le modèle (mécaniste) stochastique est régi par des lois/distributions

de probabilité. Sa mise en œuvre est guidée par les données ce qui suppose de pouvoir

observer et analyser les phénomènes. Finalement pour des conditions initiales identiques, le

modèle déterministe donnera toujours le même résultat alors que le modèle stochastique

produira des résultats différents selon la valeur actuelle des variables prises au hasard. Le

développement et l’utilisation d’un modèle mathématique exige, quel que soit le modèle

considéré, de disposer en parallèle d’observations adaptées et suffisantes aux échelles

spatiales et temporelles requises.

2.2 – Intérêts pour l’écologie

A l’image des expérimentations in vivo, in vitro ou in situ très classiquement utilisées

en biologie depuis le XIXième siècle, l’expression in silico désigne une expérimentation

entièrement réalisée par ordinateur. Contrairement aux autres qualificatifs, tous issus du latin,

cette expression tire son nom de la puce au silicium, composant de base du microprocesseur

ayant donné par ailleurs son nom à l’industrie des hautes technologies qu’est la Silicon

Valley. L’expérimentation in silico (ou expérimentation numérique) est née grâce à la

puissance de calcul des outils informatiques capables de faire tourner des modèles

mathématiques en relation avec la biochimie, le comportement et l’environnement animal.

Elle permet comme les autres expérimentations de tester une ou plusieurs hypothèses

scientifiques mais, dans certains cas, elle est la seule alternative pour représenter et tester des

hypothèses complexes. En effet un écosystème est constitué de tant de composantes en

interactions qu’il est difficile de les examiner toutes. Lorsque cela est possible, l’interaction

examinée isolément en laboratoire est nécessairement différente de celle qui se produit

naturellement en présence d’autres interactions. C’est ce qu’illustre la phrase qui résume bien

le principe de l’émergence : “tout est plus grand que la somme des parties » (Allen 1988). La

complexité d’un système dépend du nombre d’interactions entre ses diverses composantes

mais aussi du nombre de feedbacks et de régulations qui permettent au système de se

maintenir malgré l’apparition de conditions défavorables. Par exemple, les cellules algales

sont capables de réguler leur contenu en chlorophylle a selon l’intensité du rayonnement

solaire. Si elles s’avèrent insuffisantes, ces interactions, ces feedbacks et ces régulations

évoluent au cours du temps pour une meilleure utilisation des ressources disponibles. Le

changement saisonnier par exemple peut conduire à un remplacement d’espèces algales. Cela



implique donc évidemment de prendre en compte l’histoire de l’écosystème et de ses

composantes (Patten 1997) et justifie la nécessité de travailler en dynamique. Le modèle

dynamique (ou permanent), qui se distingue du modèle statique (ou transitoire), et prédit des

variables qui changent au cours du temps est donc préféré en écologie.

2.3 – Démarche de modélisation

La démarche de modélisation est fondée sur le principe selon lequel tout est système

ou tout peut être conceptualisé selon une logique de système, principe appelé théorie des

systèmes ou théorie systémique, formalisée notamment en 1968 par Ludwig von Bertalanffy.

Du grec sustêma signifiant ensemble, le système fait référence à un assemblage d’éléments en

interaction permanente et fonctionnant de manière unitaire. Le modèle s’intéresse à un

système qu’il considère comme un ensemble fini d’éléments appelés variables d’état, qui

comme leur nom l’indique, décrivent son état et, d’interactions (processus) entre ces variables

qui permettent de décrire son évolution dans le temps et dans l’espace. Ces processus

biologiques, chimiques ou physiques sont représentés par des équations mathématiques. Ces

équations sont décrites par un nombre plus ou moins important de coefficients (paramètres ou

constantes universelles). Les conditions qui ne sont pas décrites par le modèle lui sont

imposées par le biais de fonctions dites de forçage qui peuvent fluctuer dans l’espace et dans

le temps et qui sont généralement obtenues à partir de données mesurées.

La mise en œuvre d’un modèle nécessite au préalable de définir le problème (Figure

1.3.). Elle exige ensuite de définir une échelle de temps et d’espace adaptée au problème à

résoudre sachant qu’au niveau de perception (spatio-temporel), les éléments du niveau

inférieur liés par des interactions intenses et fréquentes ne sont pas décrits mais agrégés et

donc mis sous silence. Idéalement l’acquisition de données s’effectue avant même la mise en

équation de manière à adapter la qualité des données au niveau de complexité du modèle

exigé par l’objectif. L’identification des processus dominants aboutit à l’écriture d’un schéma

conceptuel. Elle s’effectue à partir des données du suivi expérimental et dépend donc

nécessairement des conditions particulières ayant prévalu pendant la période de ce suivi. A

l’issue de cette étape le modèle est formalisé mathématiquement (écriture des équations) et

programmé. L’étape de vérification permet ensuite de vérifier si le comportement du modèle

est en accord avec ce que l’on connaît du système. L’analyse de sensibilité examine la

réponse du modèle à la variation des paramètres et permet ainsi de discriminer les paramètres



du modèle les plus sensibles. La qualité du modèle est ensuite testée lors de l’étape de

calibration en comparant le résultat du modèle (la simulation) avec le système réel observé

que le modèle est sensé représenter.

Figure 1.3. Représentation schématique de la démarche de modélisation (d’après Jorgensen 1983).

L’étape de calibration consiste à choisir à l’intérieur d’une gamme pré-établie, les valeurs de

paramètres qui donnent le meilleur ajustement avec les données observées. Plusieurs cas de

figures existent : les paramètres sont mesurés sur le terrain ou en laboratoire ; ils proviennent

Définition duproblème

Définition des limites spatiales,temporelles et

des sous-systèmes

Besoin dedonnées

Schémaconceptuel

Equations

Vérification

Qualitédes donnéesdisponibles

Révisionnécessaire

Analyse desensibilité

Calibration

Validation

Niveau decomplexité

Définition duproblème

Définition des limites spatiales,temporelles et

des sous-systèmes

Besoin dedonnées

Schémaconceptuel

Equations

Vérification

Qualitédes donnéesdisponibles

Révisionnécessaire


Calibration

Validation

Niveau decomplexité



de la littérature ; ils sont ajustés car non mesurables et/ou n’ayant pas de signification connue.

Si la calibration ne permet pas une bonne adéquation entre les observations et simulations, le

modèle doit être révisé. Cela peut aussi conduire à la réalisation d’expériences destinées à

améliorer la description des processus. Si l’objectif fixé est de générer de nouvelles

hypothèses et de synthétiser les connaissances issues d’études expérimentales, ces étapes sont

suffisantes. Si l’objectif est prédictif, l’étape de validation est indispensable pour s’assurer

que le comportement du modèle est représentatif du système même lors de périodes

différentes de la période de calibration. S’en suit alors l’importance de disposer d’un éventail

large de situations permettant de s’affranchir de conditions particulières.

Calibration et sélection de modèle

Revenons sur l’étape de calibration. La méthode de confrontation la plus simple entre

le modèle et les données est celle qui consiste à minimiser les moindres carrés. Dans certains

cas plusieurs modèles de complexité différente peuvent être proposés. La somme des carrés

des écarts la plus faible est obtenue avec le modèle comprenant le plus de paramètres mais

l’ajout de paramètres augmente les difficultés d’interprétation. Les méthodes de sélection de

modèles ont été conçues pour pouvoir comparer un modèle à n paramètres d’avec un modèle à

p paramètres et déterminer lequel d’entre eux est le meilleur vis-à-vis des données. Plus

fondamentalement la sélection de modèles vise à sélectionner l’hypothèse la plus probable (la

plus supportée par l’observation) parmi plusieurs hypothèses formulées. Parmi les critères qui

permettent de classer les différents modèles et d’évaluer la contribution relative de chacun,

deux critères sont utilisés en écologie : le critère d’information d’Akaike (AIC) et le critère de

Schwarz (SC), connu aussi sous le nom de critère d’information bayésien (BIC). Ces derniers

utilisent le maximum de vraisemblance comme mesure de l’ajustement et pénalisent

l’introduction de paramètres supplémentaires. Pour l’instant leur application reste

exclusivement réservée aux domaines des analyses de marquage-recapture pour estimer

l’abondance de la population et les probabilités de survie (par ex. Lebreton et al. 1992) et de

l’évolution pour la reconstruction phylogénétique (par ex. Posada & Crandall 2001).



2.4 – Limites et contraintes d’application

Les premiers modèles mathématiques en écologie sont nés avec les travaux de Lotka-

Volterra et de Streeter-Phelps dans les années 1920. L’utilisation des modèles pour la gestion

de l’environnement s’est largement répandue depuis 1970. La prise de conscience des

problèmes théoriques/fondamentaux associés à la mise en œuvre de la modélisation

mathématique en écologie est plus récente. L’estimation des paramètres, l’insuffisance des

données et l’incapacité des modèles à représenter le potentiel d’adaptation des organismes et

des écosystèmes (contrairement aux systèmes physiques qui sont stables) figurent parmi les

points les plus problématiques (Jorgensen 1999). La question majeure éternellement associée

à la construction d’un modèle est : quel niveau de complexité le modèle doit-il avoir sachant

qu’un modèle trop simple risque d’écarter des processus significatifs du système et qu’un

modèle trop complexe risque de rendre impossible la calibration, faute de données

suffisantes, et de rendre difficile la compréhension du système?

Contrairement à l’écosystème qui est capable de réguler, modifier et changer ses

paramètres en réponse à des changements environnementaux, la structure et le nombre de

paramètres du modèle sont fixés. Le modèle se base sur l’analyse du système à l’instant t pour

prédire la réponse du système à l’instant t+1 sans tenir compte de l’adaptation des processus

au nouveau système. Cela explique pourquoi les paramètres du modèle peuvent représenter

correctement la variable d’état telle qu’elle est dans l’écosystème pendant la période étudiée

et ne pas être nécessairement valides pour une autre période de temps.

Ce problème constant a conduit certains auteurs à introduire la notion d’incertitude

dans la construction des modèles. Hilborn & Mangel (1997) distinguent deux formes

d’incertitude : l’incertitude (ou bruit, ou stochasticité ou erreur) de processus i.e. associée à la

mise en oeuvre du modèle (process uncertainty) et l’incertitude d’observation (observation

uncertainty). Le fait que les paramètres puissent varier d’une manière imprévue, par exemple

qu’un taux de croissance fluctue d’une année à l’autre représente une erreur de processus.

L’erreur associée à l’échantillonnage (par ex. liée à la taille de l’échantillon) est une erreur

d’observation. Contrairement à l’incertitude de processus, l’incertitude d’observation ne se

propage pas au cours du temps. Cette notion d’incertitude est particulièrement importante

dans les modèles écologiques : la forte incertitude d’observation existe chez les communautés

épilithiques comme dans la plupart des séries temporelles écologiques : leur dynamique

temporelle est fortement contrôlée par des processus stochastiques (potentiel de colonisation



rapide, fort renouvellement d’espèces, etc.) ; leurs biomasse et composition sont fortement

conditionnées par la variabilité spatiale des variables environnementales locales comme la

vitesse, la granulométrie, la stabilité du substrat, le broutage, etc.

L’incertitude est indissociable des notions de complexité, de flexibilité, de sensibilité

d’un modèle (Figure 1.4.).

Figure 1.4. Spectre de la complexité d’un modèle (adapté de Snowling & Kramer 2001). La flèche représente la gamme de complexité possible pour un modèle, de plus en plus simple (à gauche) et de plus en plus complexe (à droite).

La sensibilité d’un modèle (model sensitivity) ou la performance d’un modèle correspond à sa

capacité à décrire l’évolution de sa ou ses variable(s) d’état. Plus un modèle est complexe plus

il est sensible, en raison du plus grand degré de liberté et de la structure des interactions entre

paramètres et variables d’état. Et plus un modèle est complexe et plus il intègre de processus,

moins il assume de simplifications, mieux il simule la réalité et donc moins l’incertitude est

élevée. Quant à la flexibilité, elle se réfère au nombre d’hypothèses effectuées lors du

développement du modèle. Moins le modèle est complexe, plus il assume d’hypothèses pour

réduire le nombre de variables d’état et de paramètres et donc moins il est flexible. Les

hypothèses restreignent le modèle aux situations pour lesquelles elles sont valides alors que

plus le modèle est complexe et plus il couvre de situations.

Néanmoins la complexification d’un modèle rend l’identification de ses paramètres

plus insignifiante, en raison notamment des corrélations croissantes entre paramètres, et

requiert davantage de données. Pour Zucchini (2000), il existe un niveau optimal de

complexité pour les modèles prédictifs. Il distingue une erreur de prédiction liée à

l’approximation, qui diminue lorsque la complexité du modèle augmente, d’une erreur de

Moins complexe Plus complexe

- Moins de données- Moins sensible- Tendances seulement

- Plus de données- Plus sensible- Plus précis

MODELEMoins complexe Plus complexe

- Moins de données- Moins sensible- Tendances seulement

- Plus de données- Plus sensible- Plus précis

MODELE



prédiction liée à l’estimation, qui augmente avec la complexité. Quel que soit le modèle et le

jeu de données, l’erreur de prédiction diminue puis augmente avec une complexité croissante,

justifiant de l’existence d’un niveau optimal intermédiaire de complexité. C’est aussi ce que

démontrent Snowling & Kramer (2001) en comparant deux modèles de complexité différente

(Figure 1.5.). Plusieurs auteurs s’accordent à dire que le niveau de complexité d’un modèle

dépend du modèle mis en œuvre et de l’objectif recherché (par ex. Hilborn & Mangel 1997 ;

Snowling & Kramer 2001) et que les modèles de « recherche » peuvent être plus complexes

que les modèles de « gestion ».

Figure 1.5. Schéma illustrant la relation entre complexité – incertitude – sensibilité d’un modèle. Plus la complexité d’un modèle augmente, plus sa sensibilité augmente et plus son incertitude diminue. Il existe un modèle de complexité intermédiaire qui optimise la relation complexité – incertitude – sensibilité (d’après Snowling & Kramer 2001).

3 – Objectifs du travail

3.1 – Problématique

Les communautés microbiennes du biofilm épilithique sont fortement impliquées dans

les processus de production, de recyclage, de dégradation ou de stockage de la matière au sein

des écosystèmes aquatiques. Leur développement est sous le contrôle d’un ensemble de

facteurs allogènes qui coexistent largement dans les écosystèmes lotiques, en particulier dans

les cours d’eau d’ordre intermédiaire (entre 3 et 7) tels que définis par le River Continuum

Concept. Dans ces milieux le biofilm épilithique constitue la base du réseau trophique et son

rôle dans le fonctionnement biogéochimique est largement reconnu (Battin et al. 2003b). Le

fonctionnement (voire le dysfonctionnement) biogéochimique des écosystèmes colonisés est

directement relié à la biomasse fixée et son évolution au cours du temps. Si les premières

étapes de l’accrétion du biofilm (court terme) ont été largement étudiées, peu de travaux

Sens

ibilit

é

Ince

rtitu

de

Sens

ibilit

é / I

ncer

titud

eComplexité Complexité Complexité

Sens

ibilit

é

Ince

rtitu

de

Sens

ibilit

é / I

ncer

titud

eComplexité Complexité Complexité



s’intéressent aux mécanismes qui prévalent lors de la maturation de l’assemblage. Les suivis

de la dynamique du biofilm en milieu naturel sur le long terme sont assez fastidieux et leur

résultat souvent incertain, la dynamique pouvant être soudainement interrompue par une

perturbation hydrologique. Les techniques fines d’observation de la morphologie

(microscopie confocale) et de mesure de l’activité des biofilms (microélectrodes) ne

permettent d’observer que des biofilms très fins, souvent jeunes et pour lesquels les

mécanismes de croissance dominent largement les processus de mortalité et de détachement.

Dans des milieux artificiels hydrauliquement moins perturbés faisant intervenir des biofilms

microbiens moins complexes (ex. réacteurs à biomasse fixée) d’autres processus à l’origine

du détachement (érosion, abrasion et sloughing) sont étudiés expérimentalement ou par

modélisation.

Lorsque les ressources suffisent à assurer l’accrétion du biofilm et que

l’environnement local est suffisamment stable pour que les pertes de biomasse ne compensent

pas l’accrétion, l’équilibre est favorable à un épaississement du biofilm. Cet épaississement

est à la base d’une complexification structurelle et fonctionnelle de l’assemblage.

L’implication du biofilm dans l’élimination azotée l’illustre parfaitement : l’épaississement du

biofilm génère au sein de l’assemblage de nouvelles microconditions environnementales, en

particulier une désoxygénation des couches profondes favorable à la dénitrification. La

limitation de la diffusion de l’oxygène qui résulte de cet épaississement semblerait favoriser

l’installation de taxa qui dénitrifient (Lyautey et al. 2005a ; Teissier et al. 2007). Ces résultats

confirment un isolement fonctionnel du biofilm épilithique vis-à-vis de la colonne d’eau

associé à d’importantes modifications taxonomiques et structurelles. Cette évolution dite

autogène, par opposition avec le contrôle allogène évoqué précédemment, s’organise autour

d’un point central : l’épaississement du biofilm. C’est une idée que défendent Sabater &

Admiraal (2005) qui considèrent l’épaississement du biofilm comme le moteur des propriétés

structurelles et fonctionnelles du périphyton et une interface entre les compartiments

phototrophe, bactérien, de la méiofaune et de la macrofaune. Malheureusement pour des

assemblages aussi complexes que les biofilms épilithiques l’épaisseur du biofilm est une

information difficile à obtenir. Nous considèrerons dans ce travail que la biomasse et surtout

son évolution au cours du temps est une variable pertinente pour représenter l’épaisseur.

Les modèles mathématiques sont des outils très précieux de la recherche scientifique.

Ils facilitent l’exploitation des données, intègrent l’ensemble des connaissances acquises sur

le système et livrent une représentation quantitative des hypothèses de travail, ce qui permet

ensuite de les confirmer ou infirmer par voie expérimentale. Lorsque l’élaboration du modèle



est motivée par la volonté d’analyser les mécanismes qui régulent la dynamique d’un système

et que la connaissance (au moins partielle) de ces mécanismes existe, le modèle déterministe

et dynamique est le plus approprié pour comprendre des séries temporelles. Les nombreuses

potentialités bioindicatrices du biofilm épilithique liées principalement à son universalité, son

abondance et sa sensibilité aux changements des conditions environnementales sont des

arguments favorables à la recherche d’un modèle prédictif.

3.2 – Questions et démarche

Ce travail s’intéresse aux mécanismes qui contrôlent la dynamique de la biomasse

épilithique en milieu naturel, en particulier ceux qui sont associés à des pertes de biomasse du

biofilm. Le chapitre 2 présente l’ensemble des méthodologies relatives aux expérimentations

numérique et in situ.

Les chapitres 3 et 4 sont axés sur la mise en œuvre de la modélisation au service de

l’amélioration de la connaissance des processus de structuration du biofilm. Un modèle est

sélectionné et confronté à des observations acquises avant le début de ce travail. Les capacités

prédictive et descriptive de ce modèle ainsi que celle qui consiste à générer des hypothèses

sont successivement testées pour répondre aux questions suivantes :

• Peut-on identifier un modèle capable de reproduire la dynamique de la biomasse

épilithique dans des situations soumises à des contraintes environnementales différentes? A

quels niveaux de complexité et de sensibilité ? Et dans quel domaine d’application? Avec quel

potentiel de prédiction ? Ces questions feront l’objet du chapitre 3. Ce chapitre 3 a été

valorisé par une publication sous presse dans la revue River Research and Applications.

• Comment améliorer la sensibilité du modèle, particulièrement en période de stabilité

hydrologique ? Comment rendre compte par la modélisation d’une évolution autogène du

biofilm ? Quelle hypothèse sous-jacente est proposée pour expliquer le détachement

autogène ? Ces questions feront l’objet du chapitre 4, valorisé par une publication parue dans

la revue Freshwater Biology.

Les chapitres 5 et 6 sont axés sur la réalisation d’expérimentations complémentaires en

laboratoire et in situ destinées à compléter l’acquisition de données pour permettre de valider



le modèle et d’identifier des processus insuffisamment décrits initialement par le modèle. Des

perspectives de développement du modèle sont décrites.

• L’hypothèse relative au détachement autogène identifiée par modélisation dans le

chapitre 5 est testée expérimentalement en suivant la dynamique du biofilm en milieu contrôlé

(canal de laboratoire) à long terme (17 semaines) à travers une description structurelle

(biomasse, composition algale, composition bactérienne) et fonctionnelle (production,

respiration) du biofilm épilithique. Une partie de ce chapitre est rédigée sous la forme d’une

publication en préparation.

• Une chronique supplémentaire de biomasses et de mesures complémentaires in situ est

analysée en vue d’une comparaison interannuelle de la dynamique de biomasse dans le

chapitre 6. Des perspectives de développement de la modélisation de la dynamique de

biomasse sont proposées dans ce chapitre.

Chapitre 2. Méthodologie générale


Chapitre 2

Méthodologie générale



Idéalement l’acquisition des observations nécessaires à la mise en œuvre d’un modèle

doit s’effectuer avant même l’élaboration du schéma conceptuel (cf. chapitre 1, Figure 1.3.).

Dans de nombreuses situations, les données ne sont cependant pas collectées pour cet objectif.

Leur utilisation à des fins de modélisation nécessite alors d’adapter la structure du modèle au

type de données disponibles. C’est le cas de ce travail puisque l’expérimentation numérique a

été réalisée à partir de séries temporelles de biomasse épilithique déjà acquises

antérieurement. La partie 2.1 présente ces séries temporelles, le modèle sélectionné et la

démarche d’estimation des paramètres. La réalisation de l’expérimentation numérique ayant

généré un besoin de données supplémentaires pour augmenter notamment le niveau de

complexité du modèle (cf. chapitre 1, Figure 1.3.), de nouvelles séries temporelles ont été

acquises en milieu naturel et en canal expérimental. La partie 2.2 détaille les protocoles

d’échantillonnage et les analyses réalisés pour l’acquisition de ces nouvelles données.

1 – Expérimentation numérique

L’organisation de cette partie peut être synthétisée par le diagramme de la figure 2.1. :

les séries temporelles sont présentées et analysées puis confrontées aux modèles de la

littérature afin de définir une famille de modèle adaptée. Les méthodes utilisées pour l’analyse

de sensibilité, l’estimation des paramètres et la sélection de modèle sont ensuite détaillées.

Figure 2.1. Schématisation de la démarche d’expérimentation numérique mise en oeuvre pour obtenir un modèle de dynamique de la biomasse épilithique.

Estimationdes paramètres

et simulation

Critère d’Infor-mation d’Akaike

(AIC) / χ2


Famillede modèlescandidats

Modèleset mécanismesde la littérature

Séries temporelles

in situ


et simulation


et simulation


(AIC) / χ2


(AIC) / χ2

Analyse desensibilitéAnalyse desensibilité





Séries temporelles

in situ

Séries temporelles

in situ



1.1 – Présentation des séries temporelles disponibles

1.1.1 – Séries temporelles de l’Agüera

Ce jeu de données comprend 13 séries temporelles de biomasse épilithique collectée

dans l’Agüera (Pays Basque espagnol), à une fréquence mensuelle, pendant 3 années, de

janvier 1990 à décembre 1991, d’octobre 1992 à novembre 1993 et d’octobre 2001 à

novembre 2002 et dans 5 (ou 3 en 1992-93) sites d’étude. 185 mesures de biomasse

épilithique (moyenne ± ES) sont disponibles en Matière Sèche Sans Cendres (MSSC), en

Matière Sèche (MS) et en chlorophylle a. Le jeu de données est complété par des mesures

mensuelles de la physico-chimie (température, pH, oxygène et conductivité), de la chimie de

l’eau (azote total, phosphore total et silice) et des mesures journalières du débit moyen et du

rayonnement solaire.

Sites d’études

L’Agüera draine un bassin versant de 145 km2 à la limite entre les provinces de la Cantabrie

et de la Biscaye du Pays Basque espagnol. A l’embouchure c’est une rivière d’ordre (Strahler)

3, d’une longueur de 30 km et dont le débit moyen est de 3,4 m3 s-1. Son lit est constitué de

graviers, de galets, de blocs de pierre et parfois même de bancs de roche mère selon les sites

avec une alternance de mouilles et de radiers. Les 5 sites échantillonnés (nommés sites 2, 4, 5,

7 et 9) sont tous situés sur le cours d’ordre 3 de l’Agüera, excepté le site 2 qui est d’ordre 2.

Répartis régulièrement le long du cours principal de l’Agüera, ces sites sont bien

représentatifs de l’intégralité du continuum et d’un large panel de conditions

environnementales (nutriments, couverture végétale, vitesse du courant et type de substrat).

Figure 2.2. Vues des sites amont (site 2, à gauche) et aval (site 9, à droite) de l’Agüera.

0,5 m0,5 m0,5 m0,5 m0,5 m



La pente élevée de son bassin versant et les précipitations importantes caractéristiques du

climat océanique sont à l’origine d’une forte variabilité hydrologique interannuelle (Elosegi &

Pozo 1992, 1994). Le régime hydrologique est très faiblement prédictible comme en

témoignent les années échantillonnées (Figure 2.3.) : les années 1990-91 et 2001-02 sont des

années hydrologiques stables pendant lesquelles une seule crue (> 30 m3 s-1) est enregistrée ;

en revanche l’année 1992-93 est considérée comme « torrentielle » puisqu’elle enregistre 16

crues (> 30 m3 s-1).

Figure 2.3. Débit moyen journalier (m3 s-1) mesuré dans le site 9 (aval) lors des périodes d’échantillonnage de 1990-91 (a), 1992-93 (b) et 2001-02 (c).

0

20

40

60

80

100

janv.-90 mars-90 mai-90 juil.-90 sept.-90 nov.-90 janv.-91

débi

t moy

en jo

urna

lier

(m3 s

-1)

0

20

40

60

80

100

oct.-92 déc.-92 févr.-93 avr.-93 juin-93 août-93 oct.-93

débi

t moy

en jo

urna

lier (

m3 s

-1)

0

20

40

60

80

100

sept.-01 nov.-01 janv.-02 mars-02 mai-02 juil.-02

débi

t moy

en jo

urna

lier

(m3 s

-1)

(a)

(b)

(c)



Echantillonnage

Lors de chaque prélèvement, 10 galets sont collectés au hasard dans une zone de radier de 100

m2 de surface couvrant la largeur du cours d’eau. Le biofilm est gratté sur une surface définie

de galet avec un scalpel et une brosse à dent puis stocké dans un sac plastique au froid.

L’échantillon de biofilm est homogénéisé avec un mixeur puis sous échantillonné pour

analyser la MS, la MSSC et la chlorophylle a.

Un prélèvement d’eau est effectué pour les analyses chimiques pour les séries de 1990-91 et

2001-02. Pour ces mêmes séries, la température, le pH (pH-mètre Hanna HI 9025), la

concentration en oxygène dissous (oxymètre WTW Oxi96) et la conductivité (conductimètre

WTW Lf 90) sont mesurés in situ. En revanche aucune donnée de physico-chimie ni de

qualité de l’eau n’est disponible pour les prélèvements des séries temporelles de 1992-93.

Données disponibles

Les méthodes d’analyse de la biomasse et des nutriments ayant changé d’une année à l’autre,

se reporter aux travaux d’Elosegi & Pozo (1998) pour les séries de 1990-91, de Lopez de

Luzuriaga (1995) pour celles de 1992-93 et d’Izagirre & Elosegi (2005) pour celles de 2001-

02.

Les débits moyens journaliers (QMJ) ont été fournis par la Confédération hydrographique du

Nord de l’Espagne dans le site 9 puis recalculés pour les autres sites à partir de régressions

empiriques (A. Elosegi, communication personnelle).

Les rayonnements solaires globaux journaliers (J cm-2) ont été directement mesurés par

l’Institut Météorologique de Saint Sébastien pour les séries temporelles de 1992-93 et 2001-

02. Pour les séries de 1990-91, le rayonnement solaire a été calculé en fonction de la durée

d’ensoleillement mesurée à Bilbao par l’Institut National Météorologique, à partir de la

formule d’Ångström (Organisation des Nations Unies pour l’alimentation et l’agriculture –

FAO Food and Agricultural Organization of the United States) : http://www.fao.org/). Le

rayonnement photosynthétiquement actif (ou PAR, photosynthetically active radiation) étant

plus utilisé et plus adapté, les valeurs de rayonnement solaire mesurées ou calculées ont

ensuite été converties en PAR (J cm-2) selon Steemann-Nielsen (1975) puis transformées en

quantité de photons (mol de photons m-2 ou E m-2).

Certains sites étant particulièrement ombragés par une ripisylve dense, une correction

fonction de la couverture végétale dans chaque site, est apportée aux rayonnements solaires

mesurés. La couverture végétale est déterminée à partir de la luminosité de photographies

prises avec un objectif grand angle (18 mm), scannées et analysées avec Adobe Photoshop 3



et NIH 1.55. Dix photographies verticales sont prises dans chaque site, en été et en hiver pour

tenir compte de la présence du feuillage ou non.

1.1.2 – Séries temporelles de la Garonne

Ce jeu de données comprend 2 séries temporelles de biomasse épilithique collectée

dans la Garonne (Sud Ouest de la France), à une fréquence hebdomadaire, pendant 16 mois,

de juillet 2001 à novembre 2002 dans 2 sites d’étude. Soixante-six mesures de biomasse

épilithique (moyenne ± ES) sont disponibles en MSSC, MS et chlorophylle a. Le jeu de

données est complété par des mesures hebdomadaires de la physico-chimie (température, pH,

oxygène et conductivité), de la chimie de l’eau (formes azotées, phosphorées, silice, carbone

organique dissous), et de l’environnement hydrodynamique (hauteur d’eau, vitesse du

courant). Des mesures du QMJ et du rayonnement solaire complètent ce jeu de données

comme dans les séries de l’Agüera.

Sites d’étude

La Garonne, 4ème fleuve français, draine un bassin versant de 55000 km2. A l’embouchure,

c’est un fleuve d’ordre 8, d’une longueur de 647 km et dont le débit moyen atteint 625 m3 s-1.

Son régime est pluvionival et moins imprévisible que celui de l’Agüera puisqu’il présente

généralement deux périodes d’étiage : un étiage hivernal de janvier à mars et un étiage estival

de juillet à septembre. Les 2 sites échantillonnés sont deux zones de radiers présentant un

faciès homologue : le site de l’Aouach est situé sur le cours d’ordre 6, à 36 km en amont de

Toulouse (Upstream site) ; le site de Gagnac est situé sur le cours d’ordre 7, à 12 km en aval

de Toulouse (Downstream site) (Figure 2.4.). L’agglomération de Toulouse (965000

habitants) représente le principal point de rejet urbain et la cause majeure de la multiplication

par 10 des quantités moyennes d’azote et de phosphore entre le site amont et le site aval.



Figure 2.4. Vues prises en rive droite des sites amont (Aouach, à gauche) et aval (Gagnac, à droite) sur la Garonne (photographies S. Teissier).

Echantillonnage

Les prélèvements ont été effectués lorsque les conditions de hauteur d’eau le permettaient

(débit inférieur à 200 m3 s-1). Une série de campagnes réalisées sur différents radiers de la

Garonne a montré que la biomasse épilithique n’est pas uniformément répartie dans l’axe

transversal du cours d’eau (Améziane et al. 2002) : maximale au niveau de la zone de

marnage, où le courant quasi nul autorise le développement de longs filaments, la biomasse

décroit sensiblement à la profondeur maximale probablement à cause de l’atténuation de la

lumière. En revanche la couverture dans la zone comprise entre 0,3 et 0,7 m de profondeur est

plus homogène.

Un échantillonnage de type transect, qui couvre la largeur du cours d’eau comme c’est

le cas dans l’Agüera, est trop lourd pour être effectué en routine dans la Garonne.

L’échantillonnage a donc été restreint à un type de faciès, relativement homogène, plus facile

à échantillonner et propice au développement du biofilm : la zone de profondeur voisine de

0,5 m. Trois galets y ont été prélevés au hasard, et ceci à trois hauteurs d’eau différentes (0,3 ;

0,5 et 0,7 m) soit 9 galets au total. Chaque galet est prélevé dans un sac plastique (stérile à

usage unique) et stocké au froid (4°C) jusqu’au traitement en laboratoire dans un délai

inférieur à 6 h. Un prélèvement d’1,5 L d’eau est effectué et stocké au froid (4°C) pour

l’analyse chimique au laboratoire. La température, la conductivité, le pH et la concentration

en oxygène dissous sont mesurés in situ en utilisant respectivement un conductimètre WTW

Lf 95, un pH-mètre pH320 et un oxymètre WTW Oxi 320. La hauteur d’eau et les vitesses du

5 m5 m5 m5 m



courant (au fond et à hauteur moyenne) sont mesurées lors de chaque prélèvement à l’aide

d’un courantomètre (Flow-Mate model 2000, Marsh-McBirney Inc., USA).

Données disponibles

Au laboratoire, le biofilm est décroché à l’aide d’une brosse à dents (stérile), mis en

suspension dans un volume donné d’eau filtrée au préalable sur 0,22 µm, puis homogénéisé

(24000 trs min-1, Ultra Turrax modèle T2S, Janke et Klunkel). Le périmètre de chaque galet

est reporté sur un papier calque, la surface correspondante découpée et déterminée par pesée.

La MS a été obtenue après séchage (105°C, 10 h) du culot de 50 mL de suspension

centrifugée (15 min à 2300 g, Sigma-202). La MSSC correspond aux matières combustibles

ou volatiles après calcination (500°C, 5 h) du culot. La MSSC est obtenue en soustrayant la

masse de cendres résiduelles à la MS initiale. Le dosage de la chlorophylle a a été réalisé par

analyse spectrophotométrique d’un extrait acétonique (acétone 90%) réalisé sur un culot de 10

mL de suspension centrifugée (20 min à 12000 g à 4°C).

Les différentes formes d’azote (N-NH4+, N-NO2

- et N-NO3-) ont été mesurées selon les

techniques colorimétriques sur chaîne à flux continu décrites dans APHA (1992). Les

différentes formes de phosphore (PO43- et phosphore total) ont été mesurées par la méthode au

bleu d’indophénol selon APHA (1992) et au vert de malachite selon Motomizu et al. (1993).

Le carbone organique dissous (COD) a été mesuré sous forme de CO2 par spectrophotométrie

IR après minéralisation à haute température sur Shimadzu TOC5000.

La DIREN Midi-Pyrénées donne accès aux QMJ sur la Garonne (via le site internet

http://www.hydro.eaufrance.fr). Le QMJ dans le site aval a été pris à la station de jaugeage la

plus proche (Verdun-sur-Garonne). La station la plus proche du site amont est celle de Portet-

sur-Garonne. Celle-ci étant située juste en aval de la confluence avec l’Ariège, la valeur du

débit dans le site amont a été obtenue en soustrayant au débit de Portet-sur-Garonne le débit

enregistré dans la station la plus proche de l’Ariège (Auterive).

Les mesures hebdomadaires de la température ont été complétées par des données

horaires enregistrées par la DIREN Midi-Pyrénées à la station du Bazacle à Toulouse.

Le rayonnement global journalier (J cm-2) a été enregistré à Lherm (20 km au sud

ouest de Toulouse) par Météo France. De la même manière que pour les données de l’Agüera,

le rayonnement est converti en PAR exprimé en E m-2.

Alors que le premier jeu de données (Agüera) fournit une image complète de la

couverture spatio-temporelle par l’épilithon d’un petit cours d’eau via un échantillonnage

mensuel dans cinq sites et pendant trois années, le second jeu de données (Garonne) se



concentre sur le développement du biofilm épilithique dans un faciès d’un grand cours d’eau

de plaine via un échantillonnage hebdomadaire dans deux sites et pendant une année.

1.2 – Revue des modèles existants

La recherche d’un modèle permettant d’identifier les processus structurants la

biomasse épilithique dans l’Agüera comme dans la Garonne a été guidée par la nature des

jeux de données présentés ci-dessus. Parmi les modèles existants, deux types de modèles se

distinguent selon qu’ils concernent le biofilm ou le périphyton. Les modèles de biofilm sont

basés sur des équations d’équilibre de masse qui décrivent l’évolution de l’épaisseur du

biofilm, la distribution spatiale et l’évolution temporelle de différents composés dissous

(nutriments, accepteurs et donneurs d’électrons) et particulaires (cellules bactériennes, EPS,

particules organique et inorganique). Ces modèles considèrent les phénomènes de transport et

les transformations biologiques de ces composés. Ils sont appliqués à des biofilms bactériens

pluri- ou monospécifiques (ex. modèle du détachement de Pseudomonas aeruginosa) cultivés

en réacteurs et dont l’épaisseur ne dépasse jamais plusieurs centaines de micromètres. La

recherche se concentre sur le développement de modèles multidimensionnels : après le

modèle 1D proposé par Wanner & Gujer (1986) et Wanner & Reichert (1996), des modèles

2D (Picioreanu et al. 2000) ou encore 3D (Eberl et al. 2000 ; Picioreanu et al. 1999) ont été

proposés pour mieux appréhender la structure tridimensionnelle du biofilm. Néanmoins

l’application de tels modèles est incompatible avec la complexité du biofilm épilithique et la

connaissance que nous en avons.

Alors que les modèles relatifs à la dynamique du phytoplancton dans les lacs ou les

estuaires sont nombreux, assez peu de modèles de dynamique du périphyton existent. Les

auteurs McIntire (1973) et McIntire & Colby (1978) sont les premiers à avoir proposé un

modèle capable d’expliquer la dynamique des écosystèmes lotiques de petite taille. Parmi les

7 processus que décrit ce dernier, le module relatif à la dynamique du périphyton a servi de

base au développement d’autres modèles (Tableau 2.1.) destinés plus spécifiquement (et pour

la plupart) à rendre compte des effets du courant, des nutriments et/ou de la lumière sur la

dynamique temporelle de l’épilithon (Horner et al. 1983 ; Biggs 1988 ; Momo 1995 ;

Uehlinger et al. 1996 ; Saravia et al. 1998). Plus tôt Rodriguez (1987) proposait une

application et un développement du modèle logistique à la dynamique du périphyton en lac,

sans intégrer néanmoins la contribution de variables de forçage telles que l’hydrodynamique.



Dans leur stucture, tous ces modèles considèrent le descripteur global qu’est la biomasse

comme variable d’état et tous utilisent la biomasse chlorophyllienne (en mg m-2). Dans leur

modèle, Asaeda & Hong Son (2000, 2001)proposent une description verticale en sous

couches et distinguent les algues filamenteuses des non filamenteuses ; les caractéristiques

des séries temporelles utilisées basées sur des comptages cellulaires d’Achnanthes

minutissima, de Spirogyra (espèces non filamenteuses) et de Synedra spp. (espèces

filamenteuses) répondent alors spécifiquement à la structure du modèle.

Enfin citons l’existence de deux autres modèles qui intègrent le périphyton mais dont

l’objectif est plus global : à travers leur modèle, DeAngelis et al. (1995) étudient le rôle du

périphyton vis-à-vis de l’azote ; Flipo et al. (2004) développent un modèle de périphyton et

l’intègrent au modèle ProSe (Even et al. 1998) afin d’évaluer la contribution du périphyton

sur les flux de carbone à l’échelle de 40 km de rivière.

Parmi ces modèles, celui proposé par Uehlinger et al. (1996) a retenu notre attention

pour ces deux principales raisons :

• Sa structure : le modèle utilise des variables de forçage disponibles dans les jeux de

données et relativement faciles à se procurer ; le nombre de paramètres est réduit (maximum

9) compte tenu des processus qu’il considère (effets de la lumière, de la température, du débit,

de la diffusion). En particulier ce modèle intègre l’idée d’une dépendance de la croissance vis-

à-vis de la densité du biofilm, particulièrement importante à nos yeux.

• Les conditions de sa calibration : le modèle a été calibré à partir d’une série temporelle

comprenant des observations fréquentes (fréquence hebdomadaire ou bimensuelle) et

relativement nombreuses (43 points), mesurées en milieu naturel (River Necker, Suisse)

pendant 15 mois consécutifs.

Comme la plupart des modèles, celui d’Uehlinger et al. (1996) retient la chlorophylle

a comme descripteur de biomasse. Dans ce travail, parmi les descripteurs globaux disponibles

(MS, MSSC et chlorophylle a), la MSSC a été préférée car elle décrit l’intégralité de

l’assemblage, contrairement à la chlorophylle a, qui concerne seulement la fraction algale et

peut être l’objet de changements tels que la photoadaptation, et contrairement à la MS qui

inclut aussi la fraction minérale pour laquelle l’équation n’est absolument pas adaptée.



Tableau 2.1. Synthèse comparative des caractéristiques des modèles de périphyton de la littérature (d : jour ; m : mois).

MODELE

var. d'état (+ unité) processus var. de forçage nb paramètres nb séries conditions durée fréquence milieu substrats

Horner et al. (1983) biomasse (mg chl a m-2) croissance vitesse du courant 8 9 3 concentrations 45 d 7 d-1 canal laboratoire artificielsdétachement nutriments (phosphore) x 3 vitesses

Rodriguez (1987) biomasse ou taille colonisation 4 6 - de 30 d à 6 m de 3 à 30 d-1 naturel (lacs) artificiels (5) de population (indifférente) croissance et naturels (1)

Rodriguez (1987) biomasse ou taille croissance 3 6 - de 30 d à 6 m de 3 à 30 d-1 naturel (lacs) artificiels (5)de population (indifférente) (logistique) et naturels (1)

Momo (1995) biomasse (indifférente) colonisation vitesse du courant 6 aucune - - - - -détachementcroissance

Uehlinger et al. (1996) biomasse (mg chl a m-2) croissance débit moyen journalier 9 1 moy. de 4 sites 16 m 7 ou 15 d-1 naturel - ordre 3 naturelsdétachement lumière River Necker (Suisse)

température

Saravia et al. (1998) biomasse (mg chl a m-2) colonisation vitesse du courant 10 6 2 sites 45 d 3 d-1 naturel - ordre 3 artificielscroissance nutriments (SRP ) x 2 saisons River Lujan (Argentine)

détachement x 2 vitesses

Asaeda et Hong Son biomasse / densité cell. croissance vitesse du courant > 15 6 2 vitesses 33 d 3 d-1 canal déporté artificiels(2000, 2001) (mm3 mm-2 biovolume) colonisation lumière x 3 espèces

détachement température

STRUCTURE DU MODELE SERIES TEMPORELLES



1.3 – Description du modèle

1.3.1 – Formulation initiale

Le modèle développé par Uehlinger et al. (1996) se compose d’une équation

différentielle décrivant l’évolution de la biomasse B en fonction du temps t (Eq. 1).

L’équation différentielle est constituée d’un terme d’accrétion (1) et d’un terme de perte (2),

en accord avec la courbe théorique proposée par Biggs (1996).

)()(][

][1

100det

)(

,0max,

0 BBQkBBQckP

PkI

IeBk

BµdtdB

floodPI

TT

Binv

−−−−+++

= −β (Eq. 1)

avec catflood kk = si crQQ >

0=floodk si crQQ ≤

où T est la température de l’eau (°C), T0 la température de référence (°C), I l’intensité du

rayonnement journalier (E m-2), [P] la concentration en phosphore (mg L-1), Q le débit moyen

journalier (m3 s-1) et Qcr le débit critique au-delà duquel le substrat est instable (m3 s-1).

Le terme d’accrétion (1a) basé sur un processus linéaire proportionnel à B et au taux

de croissance spécifique µmax,0 (à la température de référence T0) génère une croissance

exponentielle de la biomasse. Cette croissance est limitée par quatre termes qui intègrent les

effets de l’épaisseur de l’assemblage (paramètre kinv,B), de la température (paramètre β), de la

lumière (paramètre kI) et du phosphore (paramètre kP) : (1b) Le terme de limitation associé à

l’épaisseur du biofilm considère que, lorsque l’épaisseur du biofilm augmente, la diffusion de

la lumière et des nutriments est limitée dans les couches profondes du biofilm par rapport aux

couches de surface. Son influence est désactivée pour kinv,B=0 ; (1c) Le terme de limitation par

la température utilise l’approximation de l’équation d’Arrhenius ou van t’Hoff. La

température de référence T0 est fixée à 20°C. Ce terme est désactivé pour β=0 ; (1d) La

limitation de la croissance par la lumière est décrite par une fonction de Monod où kI est le

coefficient de demi saturation. Ce terme est désactivé pour kI=0 ; (1e) Enfin une limitation de

la croissance par le phosphore a été ajoutée à l’équation proposée par (Uehlinger et al. 1996)

pour tester l’influence des nutriments. D’après le terme de Monod qui décrit ce terme, le taux

(1b) (1c) (1d) (1e) (2a) (2b) (1a)



de croissance augmente rapidement avec [P] à de faibles concentrations en phosphore et très

faiblement à de fortes concentrations en phosphore.

La perte de biomasse est décrite par deux termes. Le premier terme (2a) décrit le

détachement comme une fonction du débit et de la biomasse (supérieure à la biomasse

minimale B0). Le processus est inactivé pour cdet=0. Le second terme de perte (2b) est associé

à une perte « catastrophique ». Il est formulé de la même manière que le terme précédent mais

est activé uniquement lorsque le débit excède le débit critique (et lorsque kcat≠0). Le

paramètre B0 permet dans les cas de forte perturbation d’assurer un redémarrage de la

biomasse. C’est une alternative à l’utilisation d’un terme de colonisation.

L’équation initiale (Eq. 1) permet de générer une famille de R sous modèles (nested

models) : le modèle le plus simple à un paramètre correspond au modèle linaire ; les modèles

à 2, 3, 4, 5, 6 ou 7 paramètres sont construits en ajoutant un ou plusieurs termes (donc un ou

plusieurs paramètres) au modèle le plus simple. Cette famille de sous modèles est utilisée à

deux reprises dans cette partie. Les modèles sont d’abord confrontés aux séries temporelles

d’observations collectées dans l’Agüera pour déterminer du point de vue de la modélisation,

s’il existe, un modèle simple qui s’ajuste avec le maximum de séries temporelles et du point

de vue des processus si l’hydrodynamique possède un rôle déterminant dans l’Agüera. Ils sont

aussi confrontés aux séries temporelles collectées dans la Garonne. La qualité de l’ajustement

n’étant pas optimal, le modèle (Eq. 1) est développé pour générer une nouvelle hypothèse qui

explique le contrôle de la biomasse dans les situations concernées. La famille de sous modèles

est alors agrandie.

1.3.2 – Développement

Le développement du modèle (Eq. 1) consiste à implémenter un terme de détachement

autogène (Eq. 2). Le terme (2c) est décrit selon la même formulation que le terme de

détachement hydrodynamique (2a) i.e. proportionnel à la biomasse (B-B0). Proportionnelle à

Q dans le terme de détachement hydrodynamique, la perte est ici proportionnelle à la

biomasse bactérienne active Bb (cellules m-2).

)(

)()(][

][1

1

0

00det)(

,0max,

0

BBBc

BBQkBBQckP

PkI

IeBk

BµdtdB

bauto

floodPI

TT

Binv

−−

−−−−+++

= −β

(Eq. 2)

(2c)



Bb est simultanément décrite par une seconde équation différentielle (Eq. 3) composée d’un

terme de croissance et d’un terme de perte :

bbBTTbBbB

b BBceµdt

dB⋅−⋅=

−]'[ det

)0((β (Eq. 3)

où T est la température de l’eau (°C) et T0Bb la température de référence (°C) pour les

bactéries.

La croissance (1’a) est assujettie à une limitation par la température (1’b) selon une loi

d’Arrhenius ou van’t Hoff (paramètres βBb et T0Bb). T0Bb est fixée égale à 20°C. Ce terme est

désactivé pour βBb=0. L’écriture du terme de perte (2’ : paramètre c’det) considère que le

détachement du biofilm génère une perte de matériel bactérien. La biomasse B est utilisée

comme variable pour approximer la perte bactérienne. Les autres pertes (lyse bactérienne,

mortalité) sont incluses dans le terme de croissance bBµ .

1.4 – Résolution numérique

La méthode de résolution appliquée est celle de Runge et Kutta de quatrième ordre,

méthode la plus couramment utilisée en écologie et qui donne des résultats très satisfaisants.

Cette méthode allie simplicité et précision de calcul. Le pas de temps est le jour et, après

vérification, le pas d’intégration est choisi égal à 3 heures. Les valeurs intermédiaires des

variables de forçage (débit, température, lumière et phosphore) à chaque pas d’intégration

sont obtenues par interpolation linéaire des données mesurées. Le bilan de biomasse est

vérifié tout au long de la simulation pour s’assurer que le calcul ne dérive pas.

La valeur initiale de la biomasse B est fixée égale à la valeur initiale observée dans la série

temporelle d’observation. La valeur initiale de Bb est égale à 3.1010 cellules (g MSSC)-1 en

accord avec les travaux de Lyautey et al. (2003, 2005a) concernant les mêmes séries

temporelles que celles utilisées ici pour le développement du modèle.

1.5 – Sélection de modèles et identification des paramètres

Dans les deux cas testés l’objectif est de sélectionner le sous modèle le plus adapté aux

séries temporelles d’observations. Deux méthodes de sélection de modèles sont mises en

(1’a) (1’b) (2’)



œuvre dans ce travail : le Critère d’Information d’Akaike, utilisé dans le chapitre 3 et le

critère du χ2 mis en œuvre dans le chapitre 4.

1.5.1 – Critère d’Information d’Akaike (AIC)

Identification des paramètres sans contrainte

Les paramètres de chaque sous modèle sont calibrés de manière à ajuster au mieux la

simulation avec les observations. L’algorithme de Levenberg-Marquardt (Press et al. 1988)

est utilisé pour minimiser la somme des carrés des écarts (RSS, Residual Sum of Squares)

entre simulation et observation. Le critère d’information d’Akaike (Akaike Information

Criterion AIC) est employé pour comparer chaque sous modèle et déterminer le meilleur

compromis entre qualité du fit (ajustement) et simplicité du modèle (nombre de paramètres)

(Akaike 1973). Comme le nombre de paramètres libres (à calibrer) p excède 40n avec n la

taille de la série temporelle (n = 14), l’utilisation d’une seconde forme de l’AIC appelée AICc

est préconisée pour corriger le biais associé à la petite taille de l’échantillon :

1)p(n1)(p2p2p/y)θ2ln(L(AICc p −−

+++−= ˆ (4)

où /y)θL( pˆ représente le maximum de vraisemblance du ou des paramètre(s) du modèle selon

les observations y. L’utilisation du RSS comme critère d’optimisation permet de transformer

la formule (4) en formule (5) :

1)p(n

1)(p2p2pn

RSSnlnAICc−−

−++= (5)

L’AICc est constitué de deux composantes : (i) le logarithme du maximum de vraisemblance

qui tient compte de l’écart entre la simulation et l’observation auquel s’ajoute (ii) une

correction qui augmente proportionnellement avec le nombre de paramètres. Selon ce critère,

un modèle est d’autant plus pénalisé que son nombre de paramètres est élevé. Le « meilleur »

modèle est celui dont l’AICc est le plus faible.

D’autres critères dérivés de l’AICc sont calculés pour déterminer la probabilité que chaque

sous modèle de la famille soit le meilleur parmi les R modèles :

minii AICc AICc −=∆ et ∑=

∆−

∆−= R

rr

ii

1

)2/exp(

)2/exp(ω



où AICci est l’AICc du modèle i et l’AICcmin est l’AIC du meilleur sous modèle. Enfin,

le « rapport d’évidence » (evidence ratio)i

j

ωω

, renseigne dans quelle mesure le « meilleur »

modèle j est meilleur qu’un autre sous modèle i. Si ∆i < 2 (ou i

j

ωω

< 2,7) le modèle i est aussi

bon que le modèle j, si ∆i est compris entre 3 et 7 le modèle i n’est pas très bon et enfin si ∆i >

10 le modèle i est à rejeter (Burnham & Anderson 2002).

Identification des paramètres avec contrainte

La sélection de modèle a été effectuée une première fois sans contraindre la valeur des

paramètres. Dans certains cas cependant, les valeurs obtenues étant très peu réalistes, une

gamme de valeur a été imposée aux paramètres µmax,0, β, kI et kP à partir d’une recherche

bibliographique basée sur des études expérimentales ou de modélisation, de terrain ou de

laboratoire concernant des algues benthiques ou planctoniques (principalement). La recherche

automatisée de la combinaison optimale de paramètres pi avec contrainte implique alors de

faire tourner l’algorithme avec de nouveaux paramètres p’i :

⎟⎟⎠

⎞⎜⎜⎝

⎛

−

−−=

ii

iiii

ppppp

pmin,max,

min,max,' 22

tan π

avec pmin,i et pmax,i les bornes inférieure et supérieure de la gamme du paramètre pi obtenue

dans la littérature. Une fois les calculs effectués, l’estimation des véritables paramètres ip est

déduite de l’estimation des paramètres 'ip en utilisant la formule inverse :

)()arctan()(21

min,max,'

min,max, iii

iii pppppp −++=π

Interprétation des paramètres

La recherche d’un modèle prédictif impose de bien maîtriser le comportement du modèle et

en particulier de pouvoir expliquer les valeurs optimisées de chaque paramètre. Une

régression multiple pas à pas est effectuée afin d’expliquer les valeurs prises par les

paramètres des « meilleurs » sous modèles en fonction des conditions environnementales des

séries temporelles testées. Les valeurs obtenues pour chaque meilleur sous modèle sont alors

analysées en fonction de la vitesse moyenne du courant, le pourcentage de sable du substrat,

la conductivité, l’azote total, le phosphore total, la silice et le pourcentage de couverture par la

canopée de chaque série, après transformation logarithmique des données. Seuls les facteurs



pour lesquels p<0,05 sont conservés dans l’équation qui relie chaque paramètre aux différents

facteurs environnementaux testés.

1.5.2 – Critère du χ2

Les paramètres de chaque sous modèle sont calibrés pour permettre le meilleur

ajustement avec les observations. L’algorithme de Levenberg-Marquardt (Press et al. 1988)

est utilisé pour minimiser le χ2 entre simulation et observation :

∑=

⎟⎟⎠

⎞⎜⎜⎝

⎛ −=

n

i itobs

tobsi iBtB

1

2

,

,2 )(σ

χ

avec itobsB , la biomasse observée à l’instant ti, )( itB la biomasse simulée à l’instant ti,

itobs,σ l’écart type de itobsB , et n le nombre d’observations.

Les nouveaux processus testés étant hypothétiques, la gamme de valeurs des paramètres n’est

pas définie et donc aucune contrainte sur les paramètres n’est envisagée.



2 – Expérimentations in situ

Cette partie expérimentale, consacrée à l’acquisition de nouvelles séries temporelles

de biomasse épilithique, a été réalisée dans le but de disposer d’une description structurelle et

fonctionnelle plus complète et d’éléments d’interprétation de la dynamique temporelle de la

biomasse. Ces expérimentations ont été effectuées :

• en milieu contrôlé, dans un canal de laboratoire, afin de limiter l’effet des

perturbations allogènes sur la structuration du biofilm et favoriser une évolution autogène.

• in situ dans le site de l’Aouach (site amont) sur la Garonne, dans une logique de

comparaison interannuelle avec la série temporelle de 2001-02.

2.1 – Expérimentation en milieu contrôlé

2.1.1 – Dispositif expérimental

Le canal utilisé est un canal légèrement pentu (1/1000) de 11 m de longueur, 50 cm de

largeur et 20 cm de hauteur, situé dans le hall de l’Institut de Mécanique des Fluides de

Toulouse (IMFT) sur le bras supérieur de la Garonne (Figure 2.5.). Ce canal de laboratoire a

déjà fait l’objet d’expérimentations relatives aux interactions biofilm/écoulement (Godillot et

al. 2001 ; Fothi 2003). Dans ces études, les expérimentations étaient réalisées en circuit fermé,

le canal étant alimenté par de l’eau de ville. Afin de limiter les risques de carences nutritives,

irrémédiablement associées à un tel dispositif, le montage hydraulique a été adapté pour que

le canal reçoive de l’eau de Garonne et tourne en circuit semi-ouvert.

Caractéristiques du montage hydraulique

La cuve aval du canal (3300 L) est continuellement alimentée grâce à une pompe (Selfinox

200/80T, ITT Flygt, France) qui prélève de l’eau dans la Garonne à deux mètres de

profondeur à un débit de 800 L h-1 (soit 2,2 10-4 m3 s-1) assurant un renouvellement complet

de l’eau dans le canal en l’espace de 4 h. La pompe choisie est suffisamment robuste pour

faire circuler de l’eau de rivière riche en particules minérales ou organiques. Néanmoins,

avant son entrée dans le canal, l’eau est filtrée pour limiter l’apport de matière en suspension

ainsi que l’entrée de méio- et macrofaune exogène, qui pourrait générer des pertes de

biomasse par broutage. L’eau traverse successivement deux séparateurs centrifuges, un à



vidange automatique et le second à vidange manuelle, chargés d’éliminer les particules de

l’eau de Garonne dont la taille dépasse 125 µm puis une série de trois filtres de 90, 20 et 10

µm.

Figure 2.5. Schéma du dispositif expérimental.

Conditions nutritives et physico-chimiques

La composition chimique de l’eau n’étant pas parfaitement maîtrisée par ce dispositif, celle-ci

a été analysée chaque semaine. Elle a aussi été analysée dans l’eau de Garonne (après

filtration) afin de mettre éventuellement en évidence par comparaison avec l’eau du circuit, un

effet du biofilm (consommation/production) sur la qualité de l’eau au cours de

l’expérimentation. Une fois par semaine, l’eau est prélevée automatiquement dans la cuve

amont du canal et juste avant son entrée dans le canal par deux préleveurs ISCO 3000 (Figure

2.5.). Ces derniers sont programmés pour prélever 500 mL d’eau par heure pendant 24 heures

(entre 7h et 6h). A l’issue de ce cycle, trois échantillons d’eau sont constitués par mélange

manuel des prélèvements des 8 premières heures (jour), des 8 deuxièmes (jour) et des 8

dernières heures du cycle (nuit). La comparaison des 3 échantillons ainsi constitués doit

permettre de suivre d’éventuelles variations nycthémérales.

La physico-chimie (température, conductivité, pH, oxygène dissous et turbidité en

NTU) de l’eau du canal (après filtration) a été mesurée toutes les heures par deux sondes

multiparamètres YSI 6600 implantées aux mêmes points que les préleveurs ISCO 3000

(Figure 2.5.).

néons

débitmètre vanne pompecuve aval

3300 L

cuve amont1500 L

cuve Garonne

eau deGaronne filtrée

800 L h-1sonde

PréleveurISCO 3000

PréleveurISCO 3000

0,22 m s-1

néons néons néons néons néons

sonde

Sortie :trop plein

néons

débitmètre vanne pompecuve aval

3300 L

cuve amont1500 L

cuve Garonne

eau deGaronne filtrée

800 L h-1sonde

PréleveurISCO 3000

PréleveurISCO 3000

0,22 m s-1

néons néons néons néons néons

sonde

Sortie :trop plein



La taille des particules a été mesurée en utilisant un granulomètre laser Mastersizer

Micro (Malvern Instruments Ltd, Malvern, UK) sur deux échantillons de 1 L d’eau prélevés

dans le canal lors de la dernière semaine d’expérimentation.

Caractéristiques de l’écoulement

L’expérimentation en canal expérimental permet d’assurer une régularité des conditions

hydrodynamiques (débit et vitesse du courant constants) et donc de limiter les sources de

perturbation hydrodynamique. Les conditions expérimentales doivent aussi être favorables au

développement du biofilm et favoriser son épaississement. Cela présuppose de suivre

l’évolution de la biomasse à relativement long terme. Or, d’après Stevenson & Peterson

(1991), l’établissement des communautés sur le substrat est favorisé par les vitesses modérées

du courant et, avec l’âge et l’augmentation de biomasse, les vitesses du courant élevées

inhibent ces dernières. Nous avons donc choisi de maintenir une vitesse constante de 0,22 m

s-1 correspondant à un débit de 14,5 L s-1. Par ailleurs l’expérience effectuée par Godillot et al.

(2001) dans ce même canal semble conforter ce choix, puisqu’elle avait démontré un

optimum de biomasse pour un nombre de Reynolds de 22000 soit une vitesse de 0,21 m s-1.

Un débitmètre électromagnétique permet de contrôler le débit, et ce dernier peut être réajusté

en actionnant une vanne et un by-pass. Une seconde pompe (Omega 10-160-4, Smedegard,

Danemark) immergée dans la cuve aval renvoie l’eau (à un débit de 14,5 L s-1) vers la cuve

amont via une conduite de 100 mm de diamètre. L’eau circule de la cuve amont vers la cuve

aval par gravité. Après calcul, le nombre de Froude (adimensionnel) gD

VFr×

= avec V, la

vitesse moyenne du courant (m s-1), D, la hauteur d’eau (m) et g, l’accélération de la pesanteur

(m s-2) est égal à 0,19 donc caractéristique d’une zone de « plat courant ».

La hauteur d’eau, ajustée en permanence à 13 cm, est considérée suffisante pour

assurer un écoulement à surface libre, compte tenu de la hauteur (2 cm) des rugosités (ou

substrats). L’établissement dans le canal est facilité par un entonnoir en forme de Venturi

convergent localisé entre la cuve amont et l’entrée du canal. Un dispositif positionné dans la

cuve amont constitué d’une clarinette, d’un système de lattes de PVC verticales et d’un filtre

de 350 µm permet de tranquilliser et homogénéiser l’eau avant son entrée dans le canal.

Conditions d’éclairement

L’éclairage initial du canal a été adapté pour favoriser encore davantage le développement du

biofilm : le canal est presque intégralement recouvert (excepté aux extrémités) par 6 rampes



de 1,50 m, coulissantes et amovibles pour permettre l’accès pour les prélèvements et équipées

de néons. Ces rampes sont reliées à un programmateur qui assure une photopériode estivale

de 16 h de jour et de 8 h de nuit particulièrement favorable à la croissance photosynthétique.

L’éclairage artificiel est assuré par l’alternance de 15 néons « lumière du jour » (daylight

Philips TDL 58 W) et de 15 néons horticoles (Sylvania Gro-Lux 58 W) dont le spectre

d’émission dans le rouge est spécialement adapté à la croissance des végétaux. La mesure de

la lumière incidente, à l’aide d’un quantamètre LI-190 SA connecté à un enregistreur de

données (LI-COR Inc. Lincoln, Nebraska), avant la mise en eau du canal, montre que la PAR

atteint 180 µE m-2 s-1 au centre du canal et décroît sur les bords à 140 µE m-2 s-1. Or d’après

Bothwell et al. (1993), l’activité photosynthétique est saturée pour des intensités (en lumière

blanche) comprises entre 100 et 400 µE m-2 s-1. On peut donc penser que, même en

considérant la limitation de la pénétration de la lumière par les 13,5 cm d’eau, les conditions

d’éclairement ne sont ni limitantes ni inhibitrices. Les parois latérales du canal sont

recouvertes d’un film opaque pour limiter la croissance du biofilm sur ces parois.

Caractéristiques des substrats

Une forte erreur d’observation entache l’acquisition de la biomasse épilithique en milieu

naturel. Cette erreur est non seulement due à la mesure de la biomasse mais aussi à la

variabilité des conditions locales de développement du biofilm in situ qui génère une forte

hétérogénéité de la biomasse même à petite échelle. L’utilisation de substrats artificiels tous

identiques permet de limiter cette variabilité et de réduire significativement l’erreur associée à

l’estimation de la surface. Le fond du canal est recouvert de substrats hémisphériques de 37

mm de diamètre et de 20 mm de hauteur, de 0,065 m2 de surface, en résine polyuréthane et

lestés avec du sable pour ne pas être emportés par le courant (Figure 2.6.). Le matériau a été

sélectionné pour ses propriétés chimiques inertes et pour sa résistance à une température de

110°C. Cette résistance permet de s’affranchir de l’étape qui consiste à détacher le biofilm de

son support pour mesurer la MS en mettant directement les substrats colonisés à l’étuve.

L’étape de « grattage » étant une source de perte de matière et d’imprécision sur la surface

réellement échantillonnée, le protocole que nous avons retenu, sensément, diminue

l’incertitude sur la mesure de la biomasse. Biggs & Thomsen (1995) démontrent par ailleurs

que des substrats de même forme et de même taille confèrent des conditions optimales pour la

colonisation et la croissance du biofilm. Enfin la présence de sable donne à la surface du

substrat une texture granuleuse plus favorable à la colonisation du biofilm que les surfaces

lisses (Nielsen et al. 1984).



Afin de s’affranchir de problèmes liés au relargage de substances (toxiques) issues du

procédé de fabrication, les substrats sont immergés dans de l’eau de Garonne pendant 3

semaines puis stérilisés par autoclavage (120°C, 20 min) avant d’être disposés sur le fond du

canal. Ils sont disposés régulièrement et périodiquement sans colle pour être prélevés.

Figure 2.6. Photographie et schéma de l’agencement des substrats dans le canal.

2.1.2 – Déroulement de l’expérience

Phase d’ensemencement

Pour accélérer l’installation d’un biofilm diversifié, le canal est ensemencé à trois reprises

pendant trois semaines avec un inoculum constitué de biofilms collectés dans différentes

rivières du Sud-Ouest de la France. Avant son introduction dans le canal, la biomasse de 15

galets (surface d’environ 10 cm2) est mise en suspension dans 1 L d’eau filtrée (0,22 µm) puis

homogénéisée avec un homogénéiseur de tissus (Polytron, Kinematica) pour broyer la

50 cm3,8 cm

50 cm3,8 cm

50 cm3,8 cm



macrofaune et dilacérer les agrégats macroscopiques. Pendant cette période d’ensemencement

le canal fonctionne en circuit fermé ; avant chaque renouvellement de l’inoculum, l’eau du

canal est remplacée par de l’eau de Garonne pour la réenrichir en nutriments. A l’issue de

cette phase, débute la phase d’expérimentation proprement dite au cours de laquelle par

exemple, les processus de croissance/adaptation sont sensés prévaloir sur les processus

d’immigration pour expliquer la structuration des communautés.

Echantillonnage et conditionnement du biofilm

Pendant la phase d’expérimentation, la biomasse épilithique est prélevée une fois par semaine

pendant 14 semaines (soit 15 prélèvements) dans la zone aval du canal d’une longueur de 5

m. Les bords du canal peuvent générer une hétérogénéité dans le développement de la

biomasse. Les 3 substrats situés immédiatement près des parois sont donc volontairement

écartés du prélèvement pour éviter ces « effets de bords ». Chaque semaine, 11 substrats sont

aléatoirement prélevés avec une pince et un emporte-pièce et stockés au froid (4°C) jusqu’au

traitement ou stockage (systématiquement effectué dans les 4 heures qui suivent le

prélèvement) :

• 4 substrats constituent 4 échantillons réplicats qui sont sous échantillonnés pour la

caractérisation de la biomasse microbienne des biofilms : chlorophylle ; dénombrement des

bactéries ; composition des communautés bactériennes par PCR - DGGE. Le biofilm est

détaché du substrat à la brosse à dents stérile et mis en suspension dans 50 ou 100 mL (selon

la quantité de biomasse) d’eau filtrée (0,22 µm). La suspension de biofilm est ensuite

homogénéisée (Polytron, Kinematica). Deux aliquotes de 10 mL sont prélevés, centrifugés

(12000 g, 20 min, 4 °C) puis stockés à -80°C pour analyses ultérieures. Par manque de temps,

le dénombrement des bactéries n’a pas été effectué. De même, pour alléger les analyses, la

composition bactérienne a été réalisée en triplicat : 3 échantillons parmi les 4 ont été

sélectionnés au hasard.

• 6 substrats constituent 6 échantillons réplicats qui sont réservés aux mesures de

production et de respiration puis, en fin d’incubation, aux mesures de biomasse (MS et

MSSC).

• 1 substrat est utilisé pour la composition algale.

Chaque substrat prélevé est remplacé par un substrat vierge de couleur rose pour être plus

facilement identifié lors des prélèvements suivants. Si un substrat rose est prélevé, celui-ci est

exclu du prélèvement, remis à sa place et remplacé par un substrat « normal ».



Nous souhaitions compléter ces mesures hebdomadaires de production et de stock de

biomasse par une mesure de détachement afin de réaliser un bilan de matière. Un filet en

nylon de 50 µm de maille, monté sur un cadre métallique adapté à la section du canal, est

disposé verticalement à la sortie du canal. L’installation permanente de ce filet étant

impossible, l’estimation de la dérive est faite pendant 1 heure toutes les semaines. Notons que

cet empêchement technique ne nous permet pas d’assurer qu’aucune des cellules émigrant du

biofilm ne soit recyclée, ce qui était également le but d’une installation permanente de filet à

l’aval de la veine de croissance des biofilms. Six filets sont successivement positionnés et

remplacés toutes les 10 min pour collecter la matière. Le temps nécessaire à une filtration

complète de l’eau du canal étant inférieur à 7 minutes, on peut supposer que les 10 premières

minutes sont suffisantes pour filtrer toute l’eau du canal. La mesure de dérive est faite sur les

5 autres passages en considérant que ce qui est collecté s’est réellement détaché depuis le

début de la mesure.

2.1.3 – Analyses

Chlorophylle a

La biomasse chlorophyllienne a est mesurée au spectrophotomètre à partir des équations

trichromatiques (Jeffrey et al. 1997) après extraction à l’acétone 90 % (4 h, à l’obscurité et à

température ambiante) du culot homogénéisé (Ultra Turrax modèle T2S, Janke et Klunkel) et

désagrégé (Sonde à Ultra Son, 1 min).

Métabolisme

La production et la respiration du biofilm épilithique sont mesurées dans les 2 heures qui

suivent le prélèvement en utilisant une méthode respirométrique basée sur les changements

temporels (rapides) de concentration en oxygène en chambres d’incubation (McIntire &

Phinney 1965). Les mesures sont effectuées dans deux chambres d’Altuglass transparent de

18 cm de longueur et de largeur et de 5 cm de hauteur, d’un volume de 1,3 L (incluant le

volume de la pompe, de la cellule de mesure, des tuyaux et des substrats) refermées par un

couvercle d’Altuglass transparent étanche (Figure 2.7.). Les deux chambres sont remplies

d’eau filtrée (0,22 µm) et 3 substrats sont déposés dans chacune des chambres à l’obscurité et

à 4°C jusqu’à l’essai proprement dit, systématiquement intervenu après 1h30 à 1h45 de

stockage afin de s’assurer que cette phase de stabulation à l’obscurité serait comparable pour

tous les biofilms testés. Les chambres sont ensuite transférées dans une enceinte thermostatée



éclairée par une lampe à sodium haute pression (Phyto Claude 400 W) et où la température est

ajustée à la température mesurée le même jour dans le canal à 1°C près. Les chambres sont

positionnées par rapport à la lampe de manière à recevoir une intensité lumineuse moyenne de

150 µE m-2 s-1 similaire à l’intensité lumineuse moyenne du canal. Une pompe assure la

recirculation de l’eau (620 mL min-1) dans la chambre pour homogénéiser l’eau pendant

l’incubation. Ce débit de recirculation ne permet pas de recréer les conditions

hydrodynamiques du canal.

Figure 2.7. Schéma du dispositif de mesure de la production et de la respiration (schéma modifié de J. Meillon) et photographie de la chambre d’incubation des substrats.

L’oxygène dissous est mesuré toutes les minutes pendant 2 h à l’aide d’oxymètres (WTW

Oxi340i) connectés à un enregistreur de données. La production brute (GPP, Gross Primary

Production) est égale à la pente maximale de l’évolution de la concentration en oxygène

dissous au cours du temps mesurée pendant une période de 30 min de lumière. Les chambres

sont ensuite placées à l’obscurité pendant 90 min : la respiration (R) du biofilm (autotrophe +

hétérotrophe) est égale à la pente maximale de l’évolution temporelle de la concentration en

oxygène pendant cette période d’obscurité. Ces mesures ont été réalisées par M. Sellali dans

le cadre de son stage de DESUPS (2005-2006) au sein de l’ UMR 5177, LEH.

La production nette journalière (NPP en d-1) est obtenue en ajoutant GPP multipliée

par le nombre d’heures de jour (16 h) et R multipliée par le nombre d’heures de nuit (8 h). La

production brute spécifique ou productivité brute (h-1), la respiration spécifique (h-1) et la

productivité journalière spécifique (h-1) sont calculées en divisant GPP, R, NPP par la

biomasse chlorophyllienne, après conversion de toutes les grandeurs en carbone. La biomasse

Cellule de mesure

Boîte étancheVolume = 1350 mLTps renouvellement = 2 min

Tuyau

Pompe600 mL min-1

Substrat

Oxymètre

18 cm

Cellule de mesure


Tuyau

Pompe600 mL min-1

Substrat

Oxymètre

18 cm

Cellule de mesure


Tuyau

Pompe600 mL min-1

Substrat

Oxymètre

Cellule de mesure


Tuyau

Pompe600 mL min-1

Substrat

Oxymètre

18 cm



chlorophyllienne est convertie en carbone en utilisant le facteurs de conversion de 30 mg C

(mg Chl a)-1, valeur couramment utilisée dans les environnements riches en nutriments

(Cardinale et al. 2002). Les concentrations en oxygène sont converties en carbone en

multipliant par le rapport des masses molaires du C sur l’O2 (0,375) et en considérant des

quotients photosynthétique et respiratoire de 1 (Mulholland 1997). Enfin le rapport P/R

(GPP/R) est calculé et utilisé comme paramètre intégrateur de l’état physiologique du biofilm

(Fisher & Likens 1973).

MSSC et MS

Les substrats utilisés pour les mesures de production et de respiration sont retirés des

chambres, séchés à l’étuve (80°C, 12 h) puis pesés (P1). La biomasse sèche de chaque substrat

est récupérée par grattage à l’aide d’un cutter et pesée avant (P3) et après (P4) calcination

(500°C, 12 h) ; la fraction de MSSC de l’échantillon (%) est égale à 100)(

3

43 ×−P

PP . Les

substrats sont ensuite lavés, séchés puis pesés (P2). La MS de l’échantillon (en g m-2) est égale

à S

PP )( 21 − avec S, la surface d’un substrat (0,065 m2). La MSSC de l’échantillon (en g m-2)

est alors obtenue en multipliant la MS par le pourcentage de MSSC.

L’index autotrophique (IA) et le contenu chlorophyllien (CC en %) sont calculés en guise

d’évaluation de la part relative des algues dans le biofilm.

)m(gachl)m(gMIA 2

2

−

−

=SSC et 100

)m(gM)m(ga C 2

2

×=−

−

SSCchlC .

La matière collectée dans chaque filet est mise en suspension dans 0,5 L d’eau puis

homogénéisée (Polytron, Kinematica). Un aliquote de 50 mL est analysé en terme de MS et

MSSC. Les valeurs de MSSC issues de chaque filet sont ajoutées puis converties en

concentration (mg L-1) en tenant compte du débit de 14,5 L s-1. Cette concentration en dérive

est divisée par la MSSC fixée mesurée la même semaine de manière à fournir une estimation

d’un « potentiel » de détachement.

Composition algale

La biomasse d’un substrat est décrochée à l’aide d’une brosse à dents et mise en suspension

dans 30 mL d’eau filtrée (0,22 µm). L’échantillon est fixé à la glutaraldéhyde (concentration

finale 1%) et stocké au froid et à l’obscurité. L’échantillon est examiné qualitativement entre



lame et lamelle au microscope à un grossissement compris entre 600 et 1000. Comme

l’indique APHA (1992), 400 cellules ont été analysées donnant une marge d’erreur sur le

comptage estimée à 4002 = 10%. Les taxa sont généralement identifiés à l’espèce et parfois

au genre. Neuf échantillons parmi les 15 ont été sélectionnés pour estimer la composition

algale moyenne et son évolution temporelle.

Composition bactérienne

L’extraction d’ADN métagénomique a été réalisée à partir d’un kit commercial, Ultra clean

soil DNA isolation kit, (MO BIO, USA), sur 45 culots (triplicats de 15 échantillons) de

biofilms stockés à -80°C. La quantification de l’ADN extrait, l’amplification par PCR

(Polymerase Chain Reaction) d’une partie du marqueur taxonomique retenu (gène codant

pour l’ARNr 16S), la quantification de l’amplifiat et son analyse en gel de gradient dénaturant

(DGGE) ont été réalisées selon Lyautey et al. (2005b). Trois gels comportant un triplicat des

15 échantillons ont été réalisés. Chaque gel est coloré pendant 30 minutes avec du SYBR

Green (Sigma), puis photographié à l’aide d’une caméra CDD et du logiciel Biocapt (Vilber

Lourmat) et analysé avec le logiciel Bio 1D (Vilber Lourmat). Les PCR et DGGE ont été

réalisées par Y. Nicaise (AJT, Université Paul Sabatier, UMR 5245 EcoLab).

Selon Lyautey et al. (2005b), la méthode appliquée à des assemblages complexes comportant

des micro-organismes photosynthétiques eucaryotes révèle une partie de ces organismes

(ADN plastidial) ainsi que les cyanobactéries. La diversité ainsi obtenue correspond à la

diversité bactérienne au sens phylogénétique du terme « Bactérie ».

Analyses de l’eau

Les concentrations en ammonium, nitrite, nitrate, phosphate, phosphore total, silice et

chlorophylle a dans l’eau sont quantifiées en utilisant les méthodes colorimétriques manuelles

ou à la chaîne (APHA 1992). Le carbone organique dissous est mesuré à l’aide de l’analyseur

de carbone (Shimadzu TOC5000, Kyoto, Japon). La matière en suspension est mesurée par

pesée d’un filtre séché à l’étuve (105°C, 4 h) après filtration sur 0,45 µm.



2.2 – Expérimentation en milieu naturel

2.2.1 – Echantillonnage et conditionnement

L’échantillonnage est effectué dans le site de l’Aouach, site amont de la série

temporelle 2001-02, entre février 2005 et mars 2006 à une fréquence hebdomadaire.

L’échantillonnage est réalisé selon un protocole légèrement différent de celui pratiqué en

2001-02 (cf. partie 1.1.2) : 1es galets sont prélevés au hasard dans une zone d’environ 5 m2

située à 45 m d’un point fixe de la berge. Pour rendre possible le prélèvement y compris hors

période d’étiage, une seconde zone, elle située à 33 m du point fixe est échantillonnée lorsque

la première zone définie est inaccessible. Ces distances permettent généralement de prélever à

une profondeur moyenne (comprise entre 0,28 et 0,72 m). Les quelques points de

prélèvements pour lesquels la hauteur d’eau est inférieure à 0,3 m (zone de berge) sont exclus

de l’analyse (4 points sur 44). Malgré quelques différences de mise en place, le protocole

adopté permet d’échantillonner le même faciès qu’en 2001-02 : la zone du banc de galet d’une

profondeur de 0,5 m environ (cf. partie 1.1.2).

Dix-neuf (ou 8) galets (selon que l’échantillonnage est complet ou partiel) sont

prélevés au total. Seize (ou 8) d’entre eux sont stockés au froid (4°C) dans un sac plastique

jusqu’au traitement au laboratoire dans un délai inférieur à 2 h. Les 3 (ou 0) galets restants

sont grattés sur place avec un cutter et stockés au froid (4°C) dans un même flacon recouvert

de papier aluminium avant d’être transféré au congélateur -80°C au laboratoire. Un

prélèvement d’1,5 L d’eau est stocké au froid (4°C) pour les analyses chimiques au

laboratoire. La température, la conductivité, le pH et la concentration en oxygène dissous sont

mesurés in situ en utilisant respectivement un conductimètre WTW LF 95, un pH-mètre

WTW pH320 et un oxymètre WTW OXI 320. La hauteur d’eau et la vitesse du courant au

fond sont mesurées dans la zone de prélèvement à l’aide d’un courantomètre (Flow-Mate

model 2000, Marsh-McBirney Inc., USA).

Au laboratoire le biofilm est décroché à l’aide d’une brosse à dents et mis en

suspension dans un volume donné d’eau filtrée sur 0,22 µm :

• 4 galets constituent 4 échantillons réplicats pour les mesures des MS et MSSC.



• 4 galets constituent 4 échantillons réplicats pour la mesure des contenus en

chlorophylle a et pigmentaires après centrifugation (20 min à 2300 g, Sigma-202) de 4 fois 50

mL de suspension et stockage des culots à -80°C.

• 1 galet est destiné à la composition taxonomique algale après fixation de 30 mL de

suspension à la glutaraldéhyde (concentration finale de 1%) et stockage à 4°C.

• 4 galets constituent 4 échantillons réplicats pour la composition et l’abondance de la

méiofaune, après ajout de 20 µL de formaldéhyde (4%) et 20 µL de rose de bengale et

stockage à température ambiante.

• 3 galets constituent 3 échantillons réplicats pour la mesure de l’activité allélopathique

après stockage de 3 fois 50 mL de suspension à -80°C. Le biofilm de chaque galet est mis en

suspension dans 100 mL d’eau filtrée, homogénéisé puis aliquoté en 2 fois 50 mL. Les

aliquotes sont stockés à -80°C.

• Enfin, ponctuellement (prélèvements des 1, 13 et 26 juillet), 3 galets supplémentaires

sont prélevés pour identifier et analyser les macroinvertébrés. Le biofilm est raclé au couteau

et stocké dans du formaldéhyde à 4% jusqu’à identification.

Le périmètre de chaque galet est reporté sur un papier calque, la surface correspondante

découpée et déterminée par pesée.

Notons que le protocole d’analyse de la biomasse (en MS et MSSC et en chlorophylle

a) diffère de celui adopté en 2001-2002. En 2001-2002, la quantification des deux

descripteurs (MS et MSSC d’une part et chlorophylle a d’autre part) était réalisée à partir

d’une suspension provenant d’un même galet, aliquoté pour chaque analyse. Il était donc

possible de faire correspondre à chaque mesure de MSSC (ou MS), la mesure de chlorophylle

a correspondante. Ici, chaque galet est utilisé pour quantifier un seul descripteur, la MSSC (et

MS) ou la chlorophylle a. L’analyse, effectuée sur une quantité de biomasse plus importante,

est donc probablement plus représentative de la biomasse réelle du galet, surtout lors de

points de faible biomasse. En revanche, ce protocole est plus lourd car il double le nombre de

galets à prélever et à traiter lors de chaque prélèvement. Dans le cadre d’un échantillonnage à

long terme, il est préférable de réduire le nombre de galets à prélever pour ne pas trop

diminuer la quantité de galets dans la zone d’échantillonnage et ne pas trop la perturber.

Ce suivi résulte d’une collaboration engagée avec d’autres chercheurs du laboratoire.

Seuls les protocoles des analyses exploitées dans ce travail sont détaillés ci-après. A ce jour,

les résultats relatifs à l’activité allélopathique, la méiofaune et la composition pigmentaire

sont en cours de traitement.



2.2.2 – Analyses des échantillons

Certains des paramètres mesurés sont les mêmes que ceux mesurés durant

l’expérimentation en canal de laboratoire (cf. partie 2.1.3). Pour ceux-ci, seuls les principes

sont rappelés ainsi que les adaptations de protocole qui ont été nécessaires pour tenir compte

des contraintes propres à chaque type d’échantillon (galets naturels vs substrats artificiels).

MSSC et MS

La biomasse est détachée du substrat à la brosse à dents, mise en suspension dans 50 mL

d’eau filtrée (0,22 µm) et centrifugée (20 min à 2300 g, Sigma-202). Les MS et MSSC sont

obtenues après séchage (105°C, 10 h) et calcination (500°C, 8 h) du culot.

Chlorophylle a

Les culots ont été lyophilisés puis pesés avant d’être fractionnés en deux sous culots. Les sous

culots sont de nouveau pesés, le premier est extrait à l’acétone 90% (4 h, à température

ambiante et dans l’obscurité) après homogénéisation (homogénéiseur de tissus) et broyage

(sonde à ultrasons, 1 min) puis centrifugé (20 min à 12000 g et 4°C).

Dénombrements algaux

Les espèces algales sont identifiées et comptées au microscope selon Utermöhl (1958). Il

s’agit d’une analyse quantitative permettant d’obtenir des densités algales, contrairement à la

détermination qualitative effectuée pour les échantillons du canal.

Invertébrés

Les organismes sont identifiés à la loupe binoculaire (G x100) en utilisant la clé de

détermination de Tachet et al. (2000) et avec l’aide de A. Compin (AI CNRS, UMR 5177

LEH).

Analyses de l’eau

Les concentrations en ammonium, nitrite, nitrate, phosphate, phosphore total, silice et

chlorophylle a dans l’eau sont quantifiées en utilisant les méthodes colorimétriques manuelles

ou à la chaîne (APHA 1992). Le carbone organique dissous est mesuré à l’aide de l’analyseur



de carbone (Shimadzu TOC5000, Kyoto, Japon). La matière en suspension est mesurée par

pesée d’un filtre séché à l’étuve (105°C, 4 h) après filtration sur 0,45 µm.

Débits

Les mesures physico-chimiques effectuées sur le terrain sont complétées par les mesures de

débit moyen journalier obtenues auprès de la DIREN Midi-Pyrénées. Comme dans la partie

1.1.2 de ce même chapitre, le débit à l’Aouach est obtenu en soustrayant le débit de la station

d’Auterive au débit de la station de Portet-sur-Garonne.

Rayonnement solaire

Les données de rayonnement journalier (J cm-2) sont obtenues auprès de Météo France dans le

site de Lherm.

Chapitre 3. Importance de l’hydrodynamique


Chapitre 3

Importance des perturbations hydrodynamiques dans la

dynamique spatio-temporelle du biofilm épilithique : vers

un modèle de prédiction

«La simplicité est la sophistication suprême.» Léonard de Vinci



Résumé de « Identification of a minimal adequate model to describe the biomass dynamics of

river epilithon » par Boulêtreau S, Izagirre O, Garabétian F, Sauvage S, Elosegi A and

Sánchez-Pérez J-M (2007) River Research and Application, Copyright © 2007 John Viley &

Sons Ltd.

1 – Contexte et objectifs

Depuis quelques décennies, les milieux naturels et notamment les cours d’eau

subissent de fortes pressions anthropiques qui ont affecté leur intégrité. On s’accorde à penser

que pour ralentir, stopper voire inverser cette tendance à la dégradation de l’état de santé des

milieux, il devient nécessaire de pouvoir définir leur état écologique et de pouvoir mesurer à

travers tel ou tel descripteur les effets des principales causes de dégradation et les efforts de

réhabilitation. Ce constat s’applique à de nombreux écosystèmes aquatiques un peu partout

dans le monde (Dodds 2003) et a constitué la trame générale de fond ayant présidé à la mise

en place, en Europe et pour les mieux aquatiques, de la directive cadre européenne

2000/60/CE.

Des efforts techniques et financiers pour multiplier les dispositifs de suivi des milieux

aquatiques (stations de jaugeage, de mesure de la qualité physico-chimique de l’eau, etc.) sont

tout particulièrement consentis par les gestionnaires et les exploitants de la ressource en eau

depuis l’adoption de la nouvelle législation imposée par la directive cadre européenne.

Jusqu’à présent le suivi de la qualité des cours d’eau s’est surtout concentré sur l’utilisation

d’indicateurs structurels comme la concentration en nutriments. Mais l’introduction dans la

directive d’une préoccupation nouvelle, le bon état écologique, a montré le besoin

d’indicateurs complémentaires, les indicateurs fonctionnels comme le métabolisme des cours

d’eau par exemple. La dynamique de l’épilithon peut également être considérée comme un

indicateur fonctionnel au sens de Matthews et al. (1982) puisqu’elle intègre les conditions

locales ayant prévalu au développement de l’épilithon, découle d’une grande fonction

écosystémique, la production primaire, et reflète la biodiversité qui y est associée,

microalgues et cyanobactéries. Un modèle capable de prédire la dynamique de biomasse

épilithique et de tester différents scénarios écologiques pourrait s’avérer particulièrement utile

en matière d’aide à la décision environnementale. Cependant l’élaboration de modèles à



vocation prédictive exige de nombreuses données pour alimenter ces modèles (variables de

forçage) et pour les ajuster (variables d’état). Les suivis de routine sont une source de données

hydrologiques et physico-chimiques conséquente, collectées à une fréquence souvent élevée

(au minimum quotidienne) donc facilement exploitables comme variables de forçage. La

recherche d’un modèle opérationnel exige aussi d’acquérir des observations (mesure de

biomasse épilithique) issues de situations suffisamment contrastées pour s’affranchir au

mieux de conditions exceptionnelles. L’acquisition de telles données sur plusieurs années et

plusieurs sites est particulièrement contraignante et délicate, difficile à mettre en œuvre dans

le cadre d’une thèse.

Les travaux d’Izagirre & Elosegi (2005) s’appuient sur un tel jeu de

données comprenant des chroniques de biomasse épilithique collectée dans 5 sites de

l’Agüera, cours d’eau du Pays Basque espagnol, pendant 3 années. Cet écosystème ayant fait

l’objet de 14 années d’investigations synthétisées dans les travaux d’Elosegi et al. (2002),

nous bénéficions donc d’une large connaissance de ses caractéristiques hydrogéologiques,

hydrologiques, physico-chimiques et biotiques axées sur la structuration des communautés

benthiques (invertébrés et épilithon) et le fonctionnement du cours d’eau (métabolisme et

décomposition des litières). Plus spécifiquement la dynamique de la biomasse épilithique

avait déjà fait l’objet de deux publications, dans lesquelles d’importantes variations spatiales,

principalement attribuées à la disponibilité en lumière (couverture végétale), aux nutriments et

au substrat (Elosegi & Pozo 1998 ; Izagirre & Elosegi 2005) et associées à des perturbations

anthropiques avaient été démontrées. Par ailleurs, l’Agüera est caractérisé par une forte

variabilité interannuelle du régime hydrologique, liée aux importantes précipitations associées

au climat océanique et à la morphologie des cours d’eau basques particulièrement pentus. Ce

jeu de données qui inclut 13 chroniques annuelles de biomasse (trois années de suivi mensuel

dans 3 ou 5 sites selon les années) s’avérait particulièrement pertinent pour la mise en œuvre

d’un modèle mathématique. Même si la fréquence de mesures de biomasse restait trop faible

pour appréhender des processus fins, elle était adaptée pour reproduire des tendances.

Dans ce contexte, notre objectif est d’identifier un modèle (i) capable de reproduire la

dynamique de biomasse épilithique dans des conditions hydrologiques et physico-chimiques

spatio-temporellement contrastées et (ii) compatible avec les données. Le principal verrou

porte donc sur la recherche d’un niveau de complexité du modèle suffisamment réduit pour ne

prendre en compte que les processus dominants mais suffisamment complexe pour répondre à



l’objectif. La démarche consiste à appliquer un critère de sélection de modèle, l’AICc (the

second order derivative of the Akaike Information Criterion), à une série de modèles emboîtés

(nested models) issue du modèle développé par Uehlinger et al. (1996) sélectionné pour ce

travail. Les modèles emboîtés sont une famille de modèles constituée d’un modèle

« complet » (full model) et de modèles correspondant tous à des cas particuliers de ce modèle

où l’on a rendu nul un ou plusieurs paramètres. Sept, 6 ou 5 sous modèles sont générés selon

les cas, en fonction des données disponibles.

L’approche mise en oeuvre présuppose que les observations sont parfaites et les

mécanismes simulés purement déterministes. Deux chroniques parmi les 13, caractérisées par

une forte stochasticité et une forte variabilité de mesure, et ne présentant aucune tendance

nette et une très mauvaise adéquation avec le modèle, ont été écartées de l’étude. Les

chroniques étudiées sont identifiées par l’année et le site de prélèvement : par exemple la

situation collectée en 1990 dans le site 2 est nommée 90-2 et ainsi de suite pour les autres

situations. L’ajustement entre simulations et observations est optimisé automatiquement pour

chaque situation et chaque modèle, sans contrainte sur les paramètres dans un premier temps.

Les combinaisons obtenues présentant parfois une paramétrisation irréaliste, une synthèse

bibliographique est réalisée, à partir d’expérimentations et de simulations issues de la

littérature pour des espèces benthiques et principalement planctoniques, pour fixer une

gamme de valeur à chaque paramètre.

2 – Principaux résultats et discussion

Les principaux résultats montrent que dans 7 situations sur 11 le meilleur sous modèle

(i.e. celui dont la valeur de l’AICc est la plus faible) correspond au modèle à 3 paramètres

(µmax,0, kinv,B et cdet) (Tableau 3.1.). Les situations 01-4 et 01-5 retiennent comme meilleur

sous modèle le modèle à un paramètre (le paramètre de croissance µmax,0). Dans la situation

01-2, la méthode de sélection de modèle ne parvient pas à choisir entre le modèle à 2 (µmax,0 et

cdet) ou 3 (µmax,0, kinv,B et cdet) paramètres mais, dans les deux cas, les processus retenus sont la

croissance et la perte proportionnelle au débit. La situation 01-9 est décrite par le sous modèle

à 2 paramètres (µmax,0 et kcat). Finalement 9 situations sur 11 sont en accord avec une

formulation du modèle qui considère la dynamique temporelle de biomasse comme l’équilibre

entre une fonction de croissance et un terme de perte proportionnel au débit, en accord avec le



modèle retenu par Uehlinger et al. (1996) pour le River Necker et nos propres conclusions

d’une autre partie (cf. chapitre 4 et Boulêtreau et al. 2006)). Les situations qui s’écartent de

cette conclusion sont toutes issues de l’année 2001.

Tableau 3.1. Tableau récapitulatif des résultats de la sélection du « meilleur » modèle dans les 13 situations testées (1ère colonne). Les situations 90-9 et 92-7 n’ont pas été testées. La présence d’une croix dans une colonne indique que le processus de la colonne est activé. Exemples : le meilleur modèle de la situation 90-2 est constitué d’un terme de croissance, limité par l’épaisseur et d’un terme de détachement hydrodynamique continu ; le meilleur modèle de la situation 01-9 est constitué d’un terme de croissance et d’un terme de détachement hydrodynamique catastrophique (activé lorsque le débit Q est supérieur au débit critique Qcr). * avec kflood = kcat si Q > Qcr kflood = 0 si Q ≤ Qcr

L’objectif de la recherche d’un modèle simple, fidèle au rasoir d’Occam ou principe

de simplicité, est atteint avec ces premiers résultats. Si la structure du modèle est adaptée à la

majorité des situations testées, l’ajustement ne converge cependant pas vers une combinaison

unique de paramètres qui soit applicable quelle que soit la situation. Une régression multiple

sur les valeurs ajustées des 3 paramètres du sous modèle retenu (µmax,0, kinv,B et cdet) est

réalisée en fonction d’autres facteurs environnementaux non considérés par le modèle (la

couverture végétale, l’instabilité du substrat représentée par son pourcentage de sable, la

conductivité, l’azote total, le phosphore total et la silice) en vue d’expliquer les différences de

comportement du modèle d’une situation à l’autre et de réduire ainsi le degré de liberté. Les

résultats de cette régression indiquent une corrélation négative significative entre le paramètre

de croissance µmax,0 et le pourcentage de couverture végétale en accord avec les conclusions

situation croissance limitation limitation limitation limitation détachement hydro détachement hydro/ épaisseur / lumière / phosphore / température

90-2 x x x90-4 x x x90-5 x x x90-7 x x x90-992-5 x x x92-792-9 x x x01-2 x x01-4 x01-5 x01-7 x x x01-9 x x

*0flood0det

)0Tβ(T

PIBinv,max,0 )BQ(Bk)BQ(Bce

kPP

kII

Bk11Bµ

dtdB

−−−−+++

= −



d’Izagirre & Elosegi (2005). Ce résultat pourrait suggérer que la couverture végétale est une

variable plus pertinente que l’intensité lumineuse pour décrire la limitation de l’accrétion de

biomasse par la lumière dans l’Agüera. En revanche, aucune autre relation, que ce soit entre le

paramètre de détachement cdet et l’instabilité du substrat ou entre le taux de croissance et la

concentration en nutriments, n’est détectée.

Les différences de performances du modèle retenu nous amènent à considérer deux

niveaux de performance que l’on pourrait associer aux différents patrons de dynamique

temporelle décrits par Biggs (1996) :

• Le premier cas correspond à des perturbations hydrologiques fréquentes. Il est

représenté par les situations de l’année 2001. Aucun patron n’est clairement identifiable, en

partie masqué par l’hétérogénéité de la biomasse. La modélisation reste limitée probablement

parce qu’aucun principe unificateur ne peut être utilisé pour expliquer de façon simple la

dynamique d’une biomasse qui croit dans des conditions variées et variables.

• Le second cas correspond à un patron de biomasse cyclique associé à une importante

saisonnalité du régime hydrologique où se succèdent des périodes de hautes eaux et de

stabilité. Ce cas est représenté par les situations des années 1990 et 1992. Le modèle simple

qui décrit l’alternance d’une croissance photosynthétique et d’une perte dépendante du débit

s’applique correctement.

Biggs (1996) décrit enfin un troisième patron de biomasse marqué par la succession de

cycles d’accrétion/détachement caractéristiques notamment de rivières où les perturbations

hydrologiques sont saisonnières ou peu fréquentes. Il évoque alors la contribution d’autres

facteurs de contrôle des communautés comme les successions, le broutage ou encore le

détachement autogène (autogenic sloughing). Ce cas n’est visiblement pas observé dans les

situations étudiées y compris pendant la longue période de stabilité observée en 1990 où

l’épilithon continue à se développer.

Enfin ces résultats introduisent la question de la « transférabilité » (transferability) du

modèle sélectionné. Un modèle est transférable si, à l’échelle de temps et d’espace

appropriée, il s’applique à différentes conditions sans recourir à un changement de sa

structure ou de sa paramétrisation (Snowling & Kramer 2001). Le modèle retenu est donc

assez correctement transférable dans sa structure puisqu’il s’adapte d’une situation à l’autre et

même d’une rivière à l’autre (Uehlinger et al. 1996). Il ne l’est cependant pas en terme de



paramétrisation et cela constitue une limite inhérente à l’objectif de simplicité maximale

imposée par les données. Rendre le modèle plus transférable nécessiterait bien évidemment

des données plus fréquentes mais supposerait peut être même de revoir la construction du

modèle. Par exemple le fait que le taux de croissance fluctue d’une année à l’autre ou même

d’un site à l’autre au sein d’une même rivière s’explique en partie par le fait qu’il ne s’agit

probablement pas des mêmes communautés algales. Cette hypothèse implique non seulement

un suivi supplémentaire de la composition taxonomique mais sans doute aussi, plus

fondamentalement, de ne plus considérer une variable d’état (la biomasse) mais d’en identifier

plusieurs, représentant (par exemple) différents taxa.

3 – Conclusion

Dans la plupart des séries temporelles testées, pourtant environnementalement

contrastées, la dynamique de la biomasse épilithique répond à une alternance entre une

croissance et un détachement hydrodynamique. Deux variables de forçage structurent cette

dynamique : l’épaisseur du biofilm (que le modèle assimile de manière simplifiée à la

biomasse) et le débit moyen journalier.

La recherche du modèle peut être vue comme une application du principe du rasoir

d’Occam, encore appelé principe de parcimonie (de simplicité ou d’économie). Ce principe

peut s’énoncer de la manière suivante : l’explication qui nécessite le moins d’hypothèses

possibles est vraisemblablement plus correcte. Les mesures d’information du type AIC sont

des avatars modernes du rasoir, directement appliquées du théorème de Bayes où l’hypothèse

la plus simple reçoit la probabilité la plus forte. Néanmoins ce principe n’est pas un substitut

de logique et de méthode scientifique : entre deux hypothèses mauvaises, son application

retiendra toujours une mauvaise hypothèse. C’est ce qu’Albert Einstein illustra par cette

citation « On devrait tout rendre aussi simple que possible, mais pas plus. » Si le rasoir

d’Occam est une méthodologie efficace pour obtenir une bonne théorie prédictive, il ne

garantie aucunement la justesse d’un modèle explicatif.

4 – Publication

Se reporter à la page suivante.

RIVER RESEARCH AND APPLICATIONS

River. Res. Applic. (2007)

Published online in Wiley InterScience

IDENTIFICATION OF A MINIMAL ADEQUATE MODEL TO DESCRIBETHE BIOMASS DYNAMICS OF RIVER EPILITHON

STEPHANIE BOULETREAU,a* OIHANA IZAGIRRE,b FREDERIC GARABETIAN,a

SABINE SAUVAGE,a ARTURO ELOSEGIb and JOSE-MIGUEL SANCHEZ-PEREZa

a Laboratoire d’ecologie fonctionnelle (EcoLab UMR 5245 CNRS-UPS-INPT), Universite Paul Sabatier,

118 route de Narbonne, 31062 Toulouse cedex 09, Franceb Department of Plant Biology and Ecology, Faculty of Science and Technology, University of the Basque Country,

PO Box 644, 48080 Bilbao, Spain

(www.interscience.wiley.com) DOI: 10.1002/rra.1046

ABSTRACT

The present study sought to identify a minimal adequate model to describe the biomass dynamics of river epilithon, a functionalindicator of river health. Identification of minimal adequate models is particularly necessary in river management, given thereduced number of variables authorities are willing to measure routinely. A model previously developed for epilithon dynamicsin a pre-alpine river was applied to epilithon biomasses recorded in contrasting hydrological, trophic and light conditions atvarious sites in the Aguera stream (Spain) over 3 years (11 case studies). A model selection tool, the Akaike InformationCriterion (AIC), was used to determine the optimal combination of parameters. In nine of 11 case studies, the best modeldescribed epilithon biomass dynamics as the equilibrium between phototrophic growth and discharge-dependent loss andignored light, temperature and nutrient influences. The best adequate minimal model i.e. the model that is the best trade-offbetween goodness-of-fit and model simplicity performed best, in years in which clearly contrasting short low and high waterperiods occurred. During years with less marked hydrodynamics, many other abiotic or biotic processes influenced epilithonbiomass dynamics. In these cases, weaker goodness-of-fit had to be accepted to avoid excessively increasing model complexity.Copyright # 2007 John Wiley & Sons, Ltd.

key words: model selection; model complexity; Akaike Information Criterion; periphyton; epilithic biofilms; stream

Received 10 January 2007; Revised 1 June 2007; Accepted 15 June 2007

INTRODUCTION

Since Streeter and Phelps (1925) started modelling river water quality, ecological models have been increasingly

used by environmental managers, especially from the beginning of the 1970s (Brown and Barnwell, 1987; Even

et al., 1998; Reichert, 2001; Reichert et al., 2001). One fundamental goal of ecological modelling is to predict how

the structure and function of communities respond to change, not only because streams and rivers are naturally

variable, but also because they are vulnerable to anthropogenic disturbances (Power et al., 1988). Awareness of the

importance of a healthy environment has grown steadily during recent decades among environmental management

authorities, leading to new, more ecologically sound policies such as the European Water Framework Directive

(2000/60/EC). Following this new legislation, river health monitoring has been substantially intensified (gauging

stations, water quality sampling), thus providing an important source of hydrological, physical and chemical data

for modelling. Choice of an appropriate set of variables in ecological models could therefore reduce the effort and

cost of data collection for improving fundamental knowledge and decision-making. In this context, it is important

to keep the models as simple as possible without losing predictive power, as complexity hinders the use of models

while not always improving their output.

River health monitoring has concentrated on the use of structural measurements such as the concentrations of

relevant chemicals (nutrients and/or pesticides), invertebrate community composition and algal biomass. Epilithon

has proven to be a reliable indicator of eutrophication (Paul et al., 1991; Rolland et al., 1997; Dodds et al., 1998),

*Correspondence to: Stephanie Bouletreau, Laboratoire d’ecologie fonctionnelle (EcoLab UMR 5245 CNRS-UPS-INPT), Universite PaulSabatier, 118 route de Narbonne, 31062 Toulouse cedex 09, France. E-mail: [email protected]

Copyright # 2007 John Wiley & Sons, Ltd.

S. BOULETREAU ET AL.

and the dynamics of epilithic biomass can also be considered a functional indicator of river health (sensu Matthews

et al., 1982) integrating local prevailing conditions with algal development.

A number of models have been designed to simulate the development of river epilithon. Some simple early

models (e.g. McIntire, 1973; Horner et al., 1983; Momo, 1995; Uehlinger et al., 1996; Saravia et al., 1998) related

peak epilithic biomass to environmental variables such as nutrient and light availability, whereas other more

complex models (e.g. Asaeda and Hong Son, 2000; Asaeda and Hong Son, 2001; Flipo et al., 2004) focused on

different component species of epilithon. Uehlinger et al. (1996) presented a model modified from McIntire (1973),

in which they explained the temporal variations in epilithic biomass in a flood-prone pre-alpine river in terms of

photosynthetic accrual and discharge-dependent loss. Its development was based on an experimental dataset for

which sampling strategy (high frequency and long duration) provided a guarantee of better model strength. The

model was later adapted by Bouletreau et al. (2006) to the large Garonne River by adding a term related to

autogenic sloughing. In any case, the level of complexity of epilithon models still used is highly variable and an

issue worthy of more research.

In this paper we address the optimal level of complexity for models of epilithic biomass, taking into account the

trade-off between model complexity and goodness-of-fit, by means of the Akaike Information Criterion (AIC)

(Akaike, 1969; Rawlings et al., 1998), a model selection tool. Our starting hypothesis was that a simple model

could satisfactorily describe epilithon biomass dynamics in a large range of environmental conditions whilst

providing reliable parameters.

METHODS

We assessed the biological realism of a hierarchical family of sub-models based on Uehlinger et al. (1996, Equation

1) according to the possibility of testing the assumptions (that form part of each sub-model) and to the biological

interpretability of the parameters. A twofold approach was adopted in which: (i) competing sub-models with

different combinations of predictor variables were compared and ranked to determine the best sub-model

formulation and (ii) when a minimal adequate model was found to describe epilithon dynamics in the Aguera

stream, the parameters estimated were interpreted.

Model presentation

The hierarchical family of sub-models presented and tested here are derived from the differential equation below

(Equation 1). The complete equation of the model (all processes tested) was

dB

dt¼ mmax;0B

1

1þkinv;BBebðT�T0Þ I

I þ kI

½P�½P�þkP

� cdetQðB � B0Þ � kfloodQðB � B0Þ (1)

with

kflood ¼ kcat if Q > Qcr

kflood ¼ 0 if Q � Qcr

where t is the time (day), B represents the epilithon biomass, T is the water temperature (8C), T0 is the reference

temperature (8C), I is the daily-integrated light intensity (E m�2), Q is the mean daily discharge (m3 s�1) and Qcr is

the critical discharge for the onset of bed load transport (m3 s�1). Uehlinger et al. (1996) developed this equation for

a Swiss pre-alpine gravel bed river (river Necker) characterized by frequent unpredictable disturbances. In that

river, the simplest model acceptably fitting the data employed a biomass-dependent growth rate (mmax,0 and kinv,B), a

detachment rate directly proportional to discharge and biomass (cdet) and a catastrophic loss rate during bed moving

spates (kcat). As the kcat value of 100 day�1 set by Uehlinger et al. (1996) is too high for the Aguera, we evaluated

kcat influence on epilithon dynamics by calibration. Nutrient limitation was implemented in accordance with

Izagirre and Elosegi (2005) and described by a Monod-type rate reduction factor. Only the reduction of phosphorus

[P], the most limiting nutrient, was considered as in Bouletreau et al. (2006).

The state variable B was expressed in grams of ash-free dry matter per surface unit (g AFDM m�2). We opted to

assess biomass dynamics using AFDM, which describes the entire biomass of the assemblage, rather than the

Copyright # 2007 John Wiley & Sons, Ltd. River. Res. Applic. (2007)

DOI: 10.1002/rra

A MINIMAL ADEQUATE MODEL FOR RIVER EPILITHON BIOMASS

chlorophyll a, which only relates to the algal part of the mat and can be subject to change because of

photoadaptation. The reference temperature T0 was set to 208C. The initial biomass value corresponded to the

biomass measured at every site at the start of every experimental year. B0 was set to 0, a parameter considered

unnecessary in this case after check. As a result, these parameters were omitted from the calibration.

The differential equation was solved numerically by coding the fourth-order Runge–Kutta in FORTRAN90.

Additional graphics subroutines permitted the main programme to simultaneously display the results. Preliminary

tests had demonstrated that a time step fixed at 3 h is a good prerequisite condition to reduce errors caused by

numerical integration. Values for discharge, temperature, light and phosphate at each time step were obtained by

linear interpolation of observation data.

The simplest sub-model was the linear model with one parameter (mmax,0) and improvements (parameter addition)

were performed step by step. Simulations from every sub-model employing 1–7 parameters were then compared.

Model selection

To adjust the model, we calibrated parameter values that best fitted observed biomass dynamics at each site. The

iterative Marquardt–Levenberg algorithm (Press et al., 1988) was used to minimize the residual sum of squares

(RSS) between modelled and observed biomass for each sub-model at each site. The Akaike information criterion

(AIC) was employed to compare sub-models by quantifying the trade-off between goodness-of-fit (RSS) and model

complexity (number of parameters). The second-order derivative AICc (Equation 2), which contains a bias

correction term for small sample size, was used because the number of free parameters p exceeded approximately n/

40 (where n is the sample size):

AICc ¼ �2lnðLðup=yÞ þ 2p þ 2pð p þ 1Þ

ðn � p � 1Þ (2)

where Lðup=yÞ represents the likelihood of the model parameters given the data y. We computed the AICc using the

following equation (Equation 3):

AICc ¼ nlnRSS

nþ 2p þ 2p

ð p � 1Þðn � p � 1Þ (3)

The AIC penalizes the addition of parameters according to the principles of simplicity and parsimony and thus

selects a model that fits well but has a minimal number of parameters. Second derived measures Di (Equation 4) and

Akaike weight vi (Equation 5) as calculated below were also used to calculate the probability, given the data, of

each sub-model being the best of all those considered (all R models):

Di ¼ AICci � AICcmin (4)

where AICci is the AICc value for model i and AICmin is the AICc value of the best sub-model; and

vi ¼expð�Di=2Þ

PR

r¼1

expð�Dr=2Þ(5)

Evidence ratios were calculated to determine the extent to which the best model ( j) was better than another (i) by

applying vj

�v

i. As a rule of thumb, a Di< 2 (or an evidence ratio < 2.7) suggests substantial evidence for the

model, values between 3 and 7 indicate that the model has considerably less support, whereas a Di> 10 indicates

that the model is very unlikely (Burnham and Anderson, 2002).

Our model approach assumes that the observations are perfect and simulated mechanisms purely deterministic.

These assumptions can lead to bias in parameter estimation and hypothesis testing, as some data series are likely to

include an important stochastic component. Therefore, we only considered data with strong dynamics (sustained or

damped oscillations) and allowing reasonable fits, and deleted from our analyses 1992–93 data from site 7 and

1990–91 data from site 9, which showed a particular pattern likely to be due to development of Sphaerotilus sp.

(unpublished data).


DOI: 10.1002/rra


Because factors affecting epilithon growth are site- and time-dependent, tests of the adequacy of model structure

were site- and time-specific (Rodriguez, 1987). Simulations were first performed without constraining parameter

values, but in some cases parameter values that minimized the function were biologically unrealistic. Sub-models

were then ranked and compared with simulations with constrained parameters. Realistic constraints on mmax,0, kP, kI

and b were derived for each of the major model parameters, based on field, laboratory and modelling studies

reported in the literature for phytoplanktonic (mainly) and benthic algae. Table I summarizes the parameter values

found in the literature and the constraints we imposed for calibration step. We imposed no constraint on kinv,B and

cdet values, as these parameter values naturally converged towards values calibrated in Uehlinger et al. (1996).

However, the kcat value of 100 days�1 proposed by Uehlinger et al. (1996) was too high to be applied in our work.

Table I. Values of the parameters: mmax,0 (A); kP (B); kI (C) and b (D) obtained from the literature. The constraining range ofparameters used in simulations is given at the end of each sub-section

Description References Values

A. Maximum growth rate (days�1) reported for freshwater/marine phytoplanktonic/benthic algae.Phytoplankton/lake Arhonditsis and Brett (2005 and references therein) 1.2; 1.8; 2.2Phytoplankton/lake Hamilton and Schladow (1997 and references therein) 1.3–3.9Phytoplankton/lake Reynolds (1984 and references therein) 0.21–2.01 (7.97�)Phytoplankton Sterner and Grover (1998) 0.82Phytoplankton/sea Eppley (1972) 2.1Phytoplankton/lake Bouterfas et al. (2002) 1.; 1.64; 1.73Phytoplankton/sea Banse (1982) 0.14–0.7Periphyton Cladophora glomerata/lake Auer and Canale (1982) 0.714; 0.6Periphyton/river Borchardt (1996) 0.8; 2; 2.6–2.7;

0.12–0.47Periphyton/river This study 0.1–2.7

B. Half-saturation constant for phosphorus uptake (mg P L�1) reported for freshwaterphytoplanktonic/benthic algae.

Phytoplankton/lake Arhonditsis and Brett (2005 and references therein) 6; 10; 18Phytoplankton/lake Hamilton and Schladow (1997 and references therein) 1.4–30Phytoplankton/lake Schladow and Hamilton (1997) 1.0–25Phytoplankton/lake Omlin et al. (2001) 1.9Phytoplankton/lake Chen et al. (2002, and reference therein) 0.05; 0.2Phytoplankton/lake Sterner and Grover (1998) 10.1Phytoplankton/marine & freshwater species Lehman et al. (1975) 7.5; 8.7; 9; 12; 15;

16.5; 60–75; 240Periphyton/river Bothwell (1985) 0.5; 0.8; 1.2;

1.6; 2.3; 7.2Periphyton/river Borchardt (1996) 0.3–3; 5–23;

7.5–42; 15–122; 45Periphyton/river This study 0.05–240

C. Light half-saturation constant (mE m�2 s�1) reported for marine phytoplankton.Phytoplankton Klausmeier and Litchman (2001) 50Phytoplankton Huisman et al. (1999) 36Chlorophyte Bates (1976) 5.5–21Coccolithus huxleyi Parsons et al. (1961) 7Ditylum brighwellii Parsons et al. (1961) 29Sargassum sp. Carpenter and Cox (1974) 46Skeletonema costatum Bates (1976) 1.0–21Periphyton/river This study 1.0–50

D. Temperature coefficient (8C�1) reported for freshwater phytoplanktonPhytoplankton/lake Arhonditsis and Brett (2005

and references therein)0.069

Phytoplankton/lake Omlin et al. (2001) 0.046Periphyton/river This study 0.01–0.1

�This measurement was performed in particular temperature conditions (408C).


DOI: 10.1002/rra


Model interpretation

To explain model behaviour and to reduce the freedom as much as possible, we interpreted parameter values of

the best sub-model selected in the first modelling step and used step-wise regression analysis (Statview software) to

explore the influence of environmental factors on these. Only variables with p< 0.05 were kept in the equation. The

explicative factors were mean velocity, percentage of sand, conductivity, total nitrogen, total phosphorus, silicate

and canopy cover.

Experimental data set

We used data on epilithon biomass (g AFDM m�2) in the Aguera stream (Northern Spain) published by Elosegi

and Pozo (1998) and Izagirre and Elosegi (2005). The Aguera is a flood-prone, steep, 30-km long stream draining a

145 km2 basin with humid maritime climate. The number of floods, and the duration of flood-free periods in

particular, can change markedly from year to year (Elosegi et al., 2002; Elosegi et al., 2006). Physico-chemical

characteristics of the water are quite contrasting, reflecting the geology and land-use of different parts of the basin

(Table II). At the headwaters (site 2) conductivity and nutrient contents are low, but they increase sharply when the

stream runs through the villages of Villaverde (site 4) and Trucıos (site 5), decrease again further downstream (site

7) and increase below the town of Guriezo (site 9). Izagirre and Elosegi (2005) showed that at open sites flow is the

main temporal controller, whereas at closed sites the effects of light availability prevail, thus giving more similar

seasonal patterns from year to year.

Epilithon sampling was performed monthly during three 12-month periods (January 1990–January 1991;

October 1992–November 1993; October 2001–November 2002) at five sites (2, 4, 5, 7 and 9). Study cases were

named according to measurement period and site (e.g. case 90–2 was collected in 1990 from site 2). Ten stones were

collected at random in a 100 m2-area in a given riffle at each study site. Study sites are between 2–7 km apart, so we

can therefore reasonably assume that differences in stream bottom facies and biomass levels observed from site to

site ensure the relevance of considering them as distinct study cases. In contrast, in the river Necker studies, the

measured biomasses used for comparison with simulated biomasses were sampled in a reach of 2 km length to

ensure good predictability of the succession sequences of epilithon at a local scale, as epilithon distribution is very

patchy and underdeterministic (Uehlinger et al., 1996).

Additional data used for modelling included daily discharge and solar radiation and periodic data on water

chemistry. Discharge was measured daily by the Spanish Northern Hydrological Confederation at site 9 and

recalculated for the other sites from empirical regressions. Following Elosegi and Pozo (1998), we considered a

discharge of 30 m3 s�1 at site 9 as the critical threshold for flood-induced epilithic sloughing. Solar radiation

(J cm�2) was measured by the Spanish Meteorological Institute at San Sebastian, and in some periods of missing

data it was calculated from duration of sunshine in Bilbao, by means of the Angstrom formula, which relates solar

radiation to extraterrestrial radiation and relative sunshine duration (Food and Agricultural Organization of United

States: http://www.fao.org/). Every (measured or calculated) daily radiation value was first converted to PAR

(J cm�2) according to Steemann-Nielsen (1975) and then converted to photon flux density expressed as E m�2. To

calculate the radiation effectively reaching the stream, we corrected the above data for canopy cover. Canopy cover

was measured using 10 vertical photographs taken at each sampling site with a wide-angle lens in winter and

summer foliage. Photographs were scanned, their contrast increased to produce black (covered) and white

(uncovered sky) images, and analysed with NIH 1.55 software (Izagirre and Elosegi, 2005). Water chemistry was

measured approximately every 15 days during 1990–91 and 2001–02, but not during 1992–93. Phosphate was

measured by the stannous chloride method (APHA, 1992) on a Shimadzu UV-1603 spectrophotometer.

RESULTS

Results of AIC statistics for each sub-model at every study site are listed in Table III. The set of candidate

sub-models (R) varied between years: in 2001 R was 7; in 1990 R was 6 because discharge was always lower than

critical and subsequently kcat was never activated; and in 1992 R was 5, as phosphate and temperature data were not

available and thus kP and b were not activated. One single sub-model was clearly the best of all: in 7 of 11 study


DOI: 10.1002/rra

Tab

leII

.G

eogra

phic

al,physi

cal

and

chem

ical

char

acte

rist

ics

of

the

study

site

s(m

ean�

SD

).W

hen

dif

fere

nt

figure

sap

pea

rse

par

ated

by

a/

sign,th

efi

rst

corr

esponds

toth

eper

iod

1990–91,

the

seco

nd

to2001–02

Sit

eS

ite

2S

ite

4S

ite

5S

ite

7S

ite

9

Ord

er2

33

33

Wat

erte

mper

ature

(8C

)11.1

(�4.1

)/12.5

(�4.6

)11.3

(�4.7

)/13.4

(�4.3

)12.7

(�4.0

)/13.8

(�4.3

)13.3

(�3.9

)/14.2

(�3.5

)13.3

(�3.7

)/15.0

(�4.3

)pH

7.7

(�0.4

)/7.4

(�0.2

)7.9

(�0.5

)/7.5

(�0.3

)8.4

(�0.7

)/7.8

(�0.3

)8.6

(�0.5

)/7.8

(�0.2

)7.8

(�0.4

)/7.5

(�0.2

)C

onduct

ivit

y(m

Scm

�1)

172(�

48)/

148(�

42)

243(�

86)/

203(�

74)

308(�

69)/

248(�

59)

262(�

31)/

234(�

34)

234(�

50)/

216(�

37)

Tota

lN

(mg

NL�

1)

646(�

314)/

493(�

284)

940(�

374)/

747(�

361)

950(�

207)/

1161(�

323)

722(�

322)/

914(�

282)

783(�

302)/

839(�

306)

Tota

lP

(mg

PL�

1)

6(�

10)/

8.5

(�11)

128(�

134)/

69(�

64)

111(�

62)/

105(�

99)

20(�

12)/

20(�

23)

103(�

85)/

38(�

31)

Sil

icat

e(m

gS

iL�

1)

2504(�

898)/

3590(�

477)

2021(�

858)/

2749(�

615)

1793(�

734)/

2572(�

691)

963(�

773)/

2006(�

623)

1275(�

623)/

2036(�

582)

Nit

rate

(mg

NL�

1)

590(�

302)/

443(�

281)

806(�

312)/

618(�

365)

830(�

231)/

1013(�

312)

696(�

327)/

848(�

282)

708(�

259)/

774(�

310)

Nit

rite

(mg

NL�

1)

2(�

1.5

)/17(�

12)

31(�

26)/

24(�

14)

32(�

26)/

34(�

18)

5(�

2)/

26(�

14)

35(�

25)/

20(�

9)

Am

oniu

m(m

gN

L�

1)

54(�

80)/

33(�

16)

104(�

112)/

105(�

77)

88(�

56)/

114(�

89)

21(�

17)/

39(�

9)

90(�

82)/

46(�

9)

Vel

oci

ty(m

s�1)

0.7

7(�

0.1

9)/

0.7

5(�

0.3

1)

0.2

1(�

0.2

6)/

0.5

9(�

0.3

0)

0.9

4(�

0.2

1)/

0.9

7(�

0.4

0)

0.8

2(�

0.1

9)/

0.8

1(�

0.3

3)

0.8

3(�

0.3

3)/

0.8

1(�

0.3

9)

San

d(%

)5.0

/25

23/0

2.0

/14

4.7

/05.8

/0C

anopy

cover

(%)

87/6

53.0

/72

8.0

/37

31/3

277/7

3


DOI: 10.1002/rra


Tab

leII

I.A

kai

ke

info

rmat

ion

stat

isti

csfo

rdif

fere

nt

sub-m

odel

s

Act

ivat

edpro

cess

esn

pR

SS

AIC

cD

AIC

cex

p(-D

AIC

c/2)

vi

vj/v

i

Stu

dy

case

:90–2

Max

.gro

wth

Hydro

det

ach

13

2521.2

53.1

91.36

0.5

10.1

52.0

Max.

gro

wth

Hyd

rodet

ach

Thic

knes

s13

3359.6

51.83

0.00

1.0

00.3

01.0

Max

.gro

wth

Hydro

det

ach

T8C

13

3521.2

56.6

54.8

30.0

90.0

311.2

Max

.gro

wth

Hydro

det

ach

Lig

ht

13

3379.0

52.5

10.68

0.7

10.2

11.4

Max

.gro

wth

Hydro

det

ach

Nutr

ient

13

3419.9

53.8

42.0

20.3

60.1

12.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

13

4339.3

55.4

13.5

80.1

70.0

56.0

Max

.gro

wth

Hydro

det

ach

Thic

knes

sL

ight

13

4349.3

55.7

83.9

60.1

40.0

47.2

Max

.gro

wth

Hydro

det

ach

Thic

knes

sN

utr

ient

13

4359.6

56.1

64.3

30.1

10.0

38.7

Max

.gro

wth

Hydro

det

ach

T8C

Lig

ht

13

4376.9

56.7

74.9

40.0

80.0

311.8

Max

.gro

wth

Hydro

det

ach

T8C

Nutr

ient

13

4392.0

57.2

85.4

60.0

70.0

215.3

Max

.gro

wth

Hydro

det

ach

Lig

ht

Nutr

ient

13

4376.9

56.7

74.9

40.0

80.0

311.8

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

Lig

ht

13

5339.3

60.9

89.1

50.0

10.0

097.1

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

Nutr

ient

13

5339.3

60.9

89.1

50.0

10.0

097.1

Max

.gro

wth

Hydro

det

ach

Thic

knes

sL

ight

Nutr

ient

13

5349.3

61.3

59.5

30.0

10.0

0117.2

Stu

dy

case

:90–4

Max.

gro

wth

Hyd

rodet

ach

Thic

knes

s13

3495.0

55.98

0.00

1.0

00.7

31.0

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

13

4495.0

60.3

14.3

30.1

10.0

88.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sL

ight

13

4495.0

60.3

14.3

30.1

10.0

88.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sN

utr

ient

13

4495.0

60.3

14.3

30.1

10.0

88.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

Lig

ht

13

5495.0

65.8

99.9

00.0

10.0

1141.5

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

Nutr

ient

13

5495.0

65.8

99.9

00.0

10.0

1141.5

Max

.gro

wth

Hydro

det

ach

Thic

knes

sL

ight

Nutr

ient

13

5495.0

65.8

99.9

00.0

10.0

1141.5

Stu

dy

case

:90–5

Max.

gro

wth

Hyd

rodet

ach

Thic

knes

s13

312203.7

97.65

0.00

1.0

00.7

31.0

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

13

412203.7

101.9

84.3

30.1

10.0

88.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sL

ight

13

412203.7

101.9

84.3

30.1

10.0

88.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sN

utr

ient

13

412203.6

101.9

84.3

30.1

10.0

88.7

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

Lig

ht

13

512203.6

107.5

59.9

00.0

10.0

1141.5

Max

.gro

wth

Hydro

det

ach

Thic

knes

sT8C

Nutr

ient

13

512203.6

107.5

59.9

00.0

10.0

1141.5

Max

.gro

wth

Hydro

det

ach

Thic

knes

sL

ight

Nutr

ient

13

512203.6

107.5

59.9

00.0

10.0

1141.5

Stu

dy

case

:90–7

Max

.gro

wth

13

18928.0

87.2

84.3

30.1

10.0

68.7

Max

.gro

wth

Thic

knes

s13

28928.0

90.1

27.1

60.0

30.0

135.9

Max

.gro

wth

T8C

13

28928.0

90.1

27.1

60.0

30.0

135.9

Max

.gro

wth

Lig

ht

13

28928.0

90.1

27.1

60.0

30.0

135.9

Max

.gro

wth

Nutr

ient

13

28928.0

90.1

27.1

60.0

30.0

135.9

Max

.gro

wth

Hydro

det

ach

13

27111.2

87.1

64.2

00.1

20.0

68.2

Max.

gro

wth

Thic

knes

sH

ydro

det

ach

13

33941.5

82.95

0.00

1.0

00.5

21.0

Copyright # 2007 John Wiley & Sons, Ltd. River. Res. Applic. (2007

DOI: 10.1002/rra


(Conti

nues

)

)

Tab

leII

I.(C

onti

nued

)

Act

ivat

edpro

cess

esn

pR

SS

AIC

cD

AIC

cex

p(-D

AIC

c/2)

vi

vj/v

i

Max

.gro

wth

T8C

Hydro

det

ach

13

37111.2

90.6

27.6

70.0

20.0

146.3

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

35695.5

87.7

44.7

90.0

90.0

510.9

Max

.gro

wth

Nutr

ient

Hydro

det

ach

13

36176.7

88.7

95.8

40.0

50.0

318.5

Max

.gro

wth

Thic

knes

sT8C

Hydro

det

ach

13

43941.5

87.2

94.3

30.1

10.0

68.7

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

43941.5

87.2

94.3

30.1

10.0

68.7

Max

.gro

wth

Thic

knes

sN

utr

ient

Hydro

det

ach

13

43941.5

87.2

94.3

30.1

10.0

68.7

Max

.gro

wth

T8C

Lig

ht

Hydro

det

ach

13

45961.3

92.6

79.7

10.0

10.0

0128.5

Max

.gro

wth

T8C

Nutr

ient

Hydro

det

ach

13

45537.2

91.7

18.7

50.0

10.0

179.5

Max

.gro

wth

Lig

ht

Nutr

ient

Hydro

det

ach

13

45156.7

90.7

87.8

30.0

20.0

150.1

Max

.gro

wth

Thic

knes

sT8C

Lig

ht

Hydro

det

ach

13

53941.5

92.8

69.9

00.0

10.0

0141.5

Max

.gro

wth

Thic

knes

sT8C

Nutr

ient

Hydro

det

ach

13

53941.5

92.8

69.9

00.0

10.0

0141.5

Max

.gro

wth

Thic

knes

sL

ight

Nutr

ient

Hydro

det

ach

13

53941.5

92.8

69.9

00.0

10.0

0141.5

Stu

dy

case

:92–5

Max

.gro

wth

Thic

knes

s13

22303.1

72.5

05.8

70.0

50.0

318.8

Max

.gro

wth

Lig

ht

13

22444.5

73.2

86.6

50.0

40.0

227.8

Max.

gro

wth

Thic

knes

sH

ydro

det

ach

13

31122.9

66.63

0.00

1.0

00.6

41.0

Max

.gro

wth

Thic

knes

sL

ight

13

32303.1

75.9

79.3

40.0

10.0

1106.6

Max

.gro

wth

Thic

knes

sC

ata

det

ach

13

32303.1

75.9

79.3

40.0

10.0

1106.6

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

41122.9

70.9

64.3

30.1

10.0

78.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

4973.8

69.1

12.4

80.2

90.1

83.5

Max

.gro

wth

Thic

knes

sL

ight

Cat

adet

ach

13

41304.2

72.9

16.2

80.0

40.0

323.1

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

5973.8

74.6

88.0

50.0

20.0

156.1

Stu

dy

case

:92–9

Max

.gro

wth

13

12649.3

71.4

99.6

30.0

10.0

0123.6

Max

.gro

wth

Thic

knes

s13

21188.2

63.9

02.0

50.3

60.2

02.8

Max

.gro

wth

Lig

ht

13

21515.2

67.0

65.2

10.0

70.0

413.5

Max.

gro

wth

Thic

knes

sH

ydro

det

ach

13

3777.6

61.85

0.00

1.0

00.5

51.0

Max

.gro

wth

Thic

knes

sL

ight

13

31188.2

67.3

65.5

10.0

60.0

315.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

13

31188.2

67.3

65.5

10.0

60.0

315.7

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

31515.2

70.5

28.6

70.0

10.0

176.4

Max

.gro

wth

Lig

ht

Cat

adet

ach

13

31515.2

70.5

28.6

70.0

10.0

176.4

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

4777.6

66.1

94.3

30.1

10.0

68.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

4800.3

66.5

64.7

10.0

90.0

510.5

Max

.gro

wth

Thic

knes

sL

ight

Cat

adet

ach

13

41188.2

71.7

09.8

50.0

10.0

0137.4

Max

.gro

wth

Thic

knes

sL

ight

Cat

adet

ach

Hydro

det

ach

13

5777.6

71.7

69.9

00.0

10.0

0141.5

Stu

dy

case

:01–2

Max.

gro

wth

Hyd

rodet

ach

13

2209.1

41.31

0.00

1.0

00.2

51.0

Max

.gro

wth

Cat

adet

ach

13

2323.4

46.9

85.6

70.0

60.0

117.0

Max

.gro

wth

Thic

knes

sH

ydro

det

ach

13

3160.5

41.3

40.03

0.9

90.2

41.0

(Conti

nues

)

Copyright # 2007 John Wiley & Sons, Ltd. River. Res. Applic. (2007

DOI: 10.1002/rra


)

Tab

leII

I.(C

onti

nued

)

Act

ivat

edpro

cess

esn

pR

SS

AIC

cD

AIC

cex

p(-D

AIC

c/2)

vi

vj/v

i

Max

.gro

wth

Thic

knes

sC

ata

det

ach

13

3323.4

50.4

59.1

30.0

10.0

096.3

Max

.gro

wth

T8C

Hydro

det

ach

13

3208.5

44.7

43.4

30.1

80.0

45.5

Max

.gro

wth

T8C

Cat

adet

ach

13

3323.4

50.4

59.1

30.0

10.0

096.3

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

3199.4

44.1

62.8

50.2

40.0

64.2

Max

.gro

wth

Lig

ht

Cat

adet

ach

13

3323.4

50.4

59.1

30.0

10.0

096.3

Max

.gro

wth

Nutr

ient

Hydro

det

ach

13

3209.1

44.7

83.4

70.1

80.0

45.7

Max

.gro

wth

Nutr

ient

Cat

adet

ach

13

3323.4

50.4

59.1

30.0

10.0

096.3

Max

.gro

wth

Cat

adet

ach

Hydro

det

ach

13

3209.1

44.7

83.4

70.1

80.0

45.7

Max

.gro

wth

Thic

knes

sT8C

Hydro

det

ach

13

4160.5

45.6

74.3

60.1

10.0

38.9

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

4158.9

45.5

54.2

30.1

20.0

38.3

Max

.gro

wth

Thic

knes

sN

utr

ient

Hydro

det

ach

13

4160.5

45.6

74.3

60.1

10.0

38.9

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

4127.6

42.6

91.3

80.5

00.1

22.0

Max

.gro

wth

T8C

Lig

ht

Hydro

det

ach

13

4209.1

49.1

17.8

00.0

20.0

149.4

Max

.gro

wth

T8C

Nutr

ient

Hydro

det

ach

13

4209.1

49.1

17.8

00.0

20.0

149.4

Max

.gro

wth

T8C

Hydro

det

ach

Cat

adet

ach

13

4209.1

49.1

17.8

00.0

20.0

149.4

Max

.gro

wth

Lig

ht

Nutr

ient

Hydro

det

ach

13

4209.1

49.1

17.8

00.0

20.0

149.4

Max

.gro

wth

Lig

ht

Hydro

det

ach

Cat

adet

ach

13

4209.1

49.1

17.8

00.0

20.0

149.4

Max

.gro

wth

Thic

knes

sH

ydro

det

ach

Cat

adet

ach

13

4209.1

49.1

17.8

00.0

20.0

149.4

Max

.gro

wth

Thic

knes

sC

ata

det

ach

T8C

13

5127.6

48.2

66.9

50.0

30.0

132.3

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Lig

ht

13

5127.6

48.2

66.9

50.0

30.0

132.3

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Nutr

ient

13

5127.6

48.2

66.9

50.0

30.0

132.3

Max

.gro

wth

Thic

knes

sT8C

Lig

ht

13

5127.6

48.2

66.9

50.0

30.0

132.3

Max

.gro

wth

Thic

knes

sT8c

Nutr

ient

13

5127.6

48.2

66.9

50.0

30.0

132.3

Max

.gro

wth

Thic

knes

sL

ight

Nutr

ient

13

5127.6

48.2

66.9

50.0

30.0

132.3

Max

.gro

wth

T8C

Lig

ht

Nutr

ient

13

5127.6

48.2

66.9

50.0

30.0

132.3

Stu

dy

case

:01–4

Max.

gro

wth

13

1874.9

57.08

0.00

1.0

00.1

41.0

Max

.gro

wth

Thic

knes

s13

2858.2

59.6

72.5

90.2

70.0

43.6

Max

.gro

wth

T8C

13

2874.9

59.9

22.8

40.2

40.0

34.1

Max

.gro

wth

Lig

ht

13

2874.9

59.9

22.8

40.2

40.0

34.1

Max

.gro

wth

Nutr

ient

13

2857.4

59.6

62.5

70.2

80.0

43.6

Max

.gro

wth

Hydro

det

ach

13

2732.7

57.6

10.5

30.7

70.1

11.3

Max

.gro

wth

Cat

adet

ach

13

2866.7

59.8

02.7

10.2

60.0

43.9

Max

.gro

wth

Thic

knes

sH

ydro

det

ach

13

3732.8

61.0

84.0

00.1

40.0

27.4

Max

.gro

wth

Thic

knes

sC

ata

det

ach

13

3614.4

58.7

91.7

10.4

30.0

62.3

Max

.gro

wth

Thic

knes

sT8C

13

3874.9

63.3

96.3

00.0

40.0

123.4

Max

.gro

wth

Thic

knes

sL

ight

13

3874.9

63.3

96.3

00.0

40.0

123.4

Max

.gro

wth

Thic

knes

sN

utr

ient

13

3857.4

63.1

26.0

40.0

50.0

120.5

Max

.gro

wth

T8C

Hydro

det

ach

13

3732.7

61.0

84.0

00.1

40.0

27.4

(Conti

nues

)

Tab

leII

I.(C

onti

nued

)


DOI: 10.1002/rra


Tab

leII

I.(C

onti

nued

)

Act

ivat

edpro

cess

esn

pR

SS

AIC

cD

AIC

cex

p(-D

AIC

c/2)

vi

vj/v

i

Max

.gro

wth

T8C

Lig

ht

13

3874.9

63.3

96.3

00.0

40.0

123.4

Max

.gro

wth

T8C

Nutr

ient

13

3857.4

63.1

26.0

40.0

50.0

120.5

Max

.gro

wth

T8C

Cat

adet

ach

13

3642.8

59.3

82.2

90.3

20.0

43.1

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

3732.7

61.0

84.0

00.1

40.0

27.4

Max

.gro

wth

Lig

ht

Nutr

ient

13

3857.4

63.1

26.0

40.0

50.0

120.5

Max

.gro

wth

Lig

ht

Cat

adet

ach

13

3668.9

59.9

02.8

10.2

40.0

34.1

Max

.gro

wth

Nutr

ient

Hydro

det

ach

13

3732.7

61.0

84.0

00.1

40.0

27.4

Max

.gro

wth

Nutr

ient

Cat

adet

ach

13

3644.7

59.4

22.3

30.3

10.0

43.2

Max

.gro

wth

Cat

adet

ach

Hydro

det

ach

13

3638.8

59.3

02.2

10.3

30.0

53.0

Max

.gro

wth

Thic

knes

sT8C

Cat

adet

ach

13

4607.8

58.6

51.5

70.4

60.0

62.2

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

4732.7

65.4

18.3

30.0

20.0

064.4

Max

.gro

wth

Thic

knes

sL

ight

Cat

adet

ach

13

4607.8

58.6

51.5

70.4

60.0

62.2

Max

.gro

wth

Thic

knes

sN

utr

ient

Hydro

det

ach

13

4732.7

65.4

18.3

30.0

20.0

064.4

Max

.gro

wth

Thic

knes

sN

utr

ient

Cat

adet

ach

13

4607.8

58.6

51.5

70.4

60.0

62.2

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

4614.4

63.1

26.0

40.0

50.0

120.5

Max

.gro

wth

T8C

Lig

ht

Hydro

det

ach

13

4732.7

65.4

18.3

30.0

20.0

064.4

Max

.gro

wth

T8C

Lig

ht

Cat

adet

ach

13

4642.8

63.7

16.6

30.0

40.0

127.5

Max

.gro

wth

T8C

Nutr

ient

Hydro

det

ach

13

4732.7

65.4

18.3

30.0

20.0

064.4

Max

.gro

wth

T8C

Nutr

ient

Cat

adet

ach

13

4642.8

63.7

16.6

30.0

40.0

127.5

Max

.gro

wth

T8C

Hydro

det

ach

Cat

adet

ach

13

4638.8

63.6

36.5

50.0

40.0

126.4

Max

.gro

wth

Lig

ht

Nutr

ient

Hydro

det

ach

13

4732.7

65.4

18.3

30.0

20.0

064.4

Max

.gro

wth

Lig

ht

Nutr

ient

Cat

adet

ach

13

4642.8

63.7

16.6

30.0

40.0

127.5

Max

.gro

wth

Lig

ht

Hydro

det

ach

Cat

adet

ach

13

4638.8

63.6

36.5

50.0

40.0

126.4

Max

.gro

wth

Nutr

ient

Hydro

det

ach

Cat

adet

ach

13

4638.8

63.6

36.5

50.0

40.0

126.4

Stu

dy

case

:01-5

Max.

gro

wth

13

12762.0

72.03

0.00

1.0

00.2

91.0

Max

.gro

wth

Thic

knes

s13

22762.0

74.8

62.8

40.2

40.0

74.1

Max

.gro

wth

T8C

13

22762.0

74.8

62.8

40.2

40.0

74.1

Max

.gro

wth

Lig

ht

13

22762.0

74.8

62.8

40.2

40.0

74.1

Max

.gro

wth

Nutr

ient

13

22762.0

74.8

62.8

40.2

40.0

74.1

Max

.gro

wth

Hydro

det

ach

13

22762.0

74.8

62.8

40.2

40.0

74.1

Max

.gro

wth

Cat

adet

ach

13

22762.0

74.8

62.8

40.2

40.0

74.1

Max

.gro

wth

Thic

knes

sH

ydro

det

ach

13

32279.5

75.8

33.8

10.1

50.0

46.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Thic

knes

sT8C

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Thic

knes

sL

ight

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Thic

knes

sN

utr

ient

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

T8C

Hydro

det

ach

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

T8C

Lig

ht

13

32762.0

78.3

36.3

00.0

40.0

123.4

(Conti

nues

)


DOI: 10.1002/rra


Tab

leII

I.(C

onti

nued

)

Act

ivat

edpro

cess

esn

pR

SS

AIC

cD

AIC

cex

p(-D

AIC

c/2)

vi

vj/v

i

Max

.gro

wth

T8C

Nutr

ient

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

T8C

Cat

adet

ach

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

32491.7

76.9

94.9

60.0

80.0

212.0

Max

.gro

wth

Lig

ht

Nutr

ient

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Lig

ht

Cat

adet

ach

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Nutr

ient

Hydro

det

ach

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Nutr

ient

Cat

adet

ach

13

32762.0

78.3

36.3

00.0

40.0

123.4

Max

.gro

wth

Cat

adet

ach

Hydro

det

ach

13

32279.1

75.8

33.8

00.1

50.0

46.7

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

42215.3

79.8

07.7

70.0

20.0

148.6

Max

.gro

wth

Thic

knes

sN

utr

ient

Hydro

det

ach

13

42279.1

80.1

78.1

40.0

20.0

158.6

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

42279.1

80.1

78.1

40.0

20.0

158.5

Stu

dy

case

:01-7

Max

.gro

wth

Hydro

det

ach

13

22249.6

72.2

07.4

80.0

20.0

242.0

Max

.gro

wth

Cat

adet

ach

13

22255.5

72.2

37.5

10.0

20.0

142.7

Max.

gro

wth

Thic

knes

sH

ydro

det

ach

13

3969.5

64.72

0.00

1.0

00.6

31.0

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

31746.2

72.3

77.6

50.0

20.0

145.8

Max

.gro

wth

Nutr

ient

Hydro

det

ach

13

32056.0

74.4

99.7

70.0

10.0

0132.4

Max

.gro

wth

Thic

knes

sL

ight

Hydro

det

ach

13

4931.7

68.5

43.8

20.1

50.0

96.7

Max

.gro

wth

Thic

knes

sN

utr

ient

Hydro

det

ach

13

4969.5

69.0

54.3

30.1

10.0

78.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

4916.2

68.3

23.6

00.1

70.1

06.0

Max

.gro

wth

Thic

knes

sC

ata

det

ach

T-C

Hydro

det

ach

13

5916.2

73.8

99.1

70.0

10.0

198.0

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Lig

ht

Hydro

det

ach

13

5885.9

73.4

58.7

30.0

10.0

178.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Nutr

ient

Hydro

det

ach

13

5916.2

73.8

99.1

70.0

10.0

198.0

Max

.gro

wth

Thic

knes

sT-C

Lig

ht

Hydro

det

ach

13

5885.9

73.4

58.7

30.0

10.0

178.7

Max

.gro

wth

Thic

knes

sT-C

Nutr

ient

Hydro

det

ach

13

5885.9

73.4

58.7

30.0

10.0

178.7

Max

.gro

wth

Thic

knes

sL

ight

Nutr

ient

Hydro

det

ach

13

5885.9

73.4

58.7

30.0

10.0

178.7

Stu

dy

case

:01-9

Max

.gro

wth

13

11587.5

64.8

32.9

80.2

30.0

74.4

Max

.gro

wth

Thic

knes

s13

21509.0

67.0

05.1

50.0

80.0

213.1

Max

.gro

wth

T-C

13

21587.5

67.6

65.8

10.0

50.0

218.3

Max

.gro

wth

Lig

ht

13

21587.5

67.6

65.8

10.0

50.0

218.3

Max

.gro

wth

Nutr

ient

13

21537.1

67.2

55.3

90.0

70.0

214.8

Max

.gro

wth

Hydro

det

ach

13

21303.6

65.1

03.2

50.2

00.0

65.1

Max.

gro

wth

Cata

det

ach

13

21015.2

61.85

0.00

1.0

00.3

21.0

Max

.gro

wth

Thic

knes

sH

ydro

det

ach

13

31303.6

68.5

76.7

20.0

30.0

128.7

Max

.gro

wth

Thic

knes

sC

ata

det

ach

13

3910.7

63.9

12.0

50.3

60.1

12.8

Max

.gro

wth

Thic

knes

sT8C

13

31509.0

70.4

78.6

20.0

10.0

074.4

Max

.gro

wth

Thic

knes

sL

ight

13

31509.0

70.4

78.6

20.0

10.0

074.4

Max

.gro

wth

Thic

knes

sN

utr

ient

13

31509.0

70.4

78.6

20.0

10.0

074.4

(Conti

nues

)

Tab

leII

I.(C

onti

nued

)


DOI: 10.1002/rra


Tab

leII

I.(C

onti

nued

)

Act

ivat

edpro

cess

esn

pR

SS

AIC

cD

AIC

cex

p(-D

AIC

c/2)

vi

vj/v

i

Max

.gro

wth

T8C

Cat

adet

ach

13

31015.2

65.3

23.4

70.1

80.0

65.7

Max

.gro

wth

Lig

ht

Hydro

det

ach

13

31303.6

68.5

76.7

20.0

30.0

128.7

Max

.gro

wth

Lig

ht

Cat

adet

ach

13

31015.2

65.3

23.4

70.1

80.0

65.7

Max

.gro

wth

Nutr

ient

Hydro

det

ach

13

31303.6

68.5

76.7

20.0

30.0

128.7

Max

.gro

wth

Nutr

ient

Cat

adet

ach

13

31015.2

65.3

23.4

70.1

80.0

65.7

Max

.gro

wth

Cat

adet

ach

Hydro

det

ach

13

31015.2

65.3

23.4

70.1

80.0

65.7

Max

.gro

wth

Thic

knes

sT8C

Cat

adet

ach

13

4910.7

68.2

46.3

90.0

40.0

124.4

Max

.gro

wth

Thic

knes

sL

ight

Cat

adet

ach

13

4910.7

68.2

46.3

90.0

40.0

124.4

Max

.gro

wth

Thic

knes

sN

utr

ient

Cat

adet

ach

13

4910.7

68.2

46.3

90.0

40.0

124.4

Max

.gro

wth

Thic

knes

sC

ata

det

ach

Hydro

det

ach

13

4910.7

68.2

46.3

90.0

40.0

124.4

Max

.gro

wth

T8C

Lig

ht

Cat

adet

ach

13

41015.2

69.6

57.8

00.0

20.0

149.4

Max

.gro

wth

T8C

Nutr

ient

Cat

adet

ach

13

41015.2

69.6

57.8

00.0

20.0

149.4

Max

.gro

wth

T8C

Hydro

det

ach

Cat

adet

ach

13

41015.2

69.6

57.8

00.0

20.0

149.4

Max

.gro

wth

Lig

ht

Nutr

ient

Cat

adet

ach

13

41015.2

69.6

57.8

00.0

20.0

149.4

Max

.gro

wth

Lig

ht

Hydro

det

ach

Cat

adet

ach

13

41015.2

69.6

57.8

00.0

20.0

149.4

Max

.gro

wth

Nutr

ient

Hydro

det

ach

Cat

adet

ach

13

41015.2

69.6

57.8

00.0

20.0

149.4

The

firs

tco

lum

nin

dic

ates

acti

vat

edpro

cess

es(a

nd

thus

acti

vat

edpar

amet

ers)

:m

ax.gro

wth

form

max,0

acti

vat

ion;

Hydro

det

ach

for

c detac

tivat

ion;

Cat

adet

ach

for

k catac

tivat

ion;

Thic

knes

sfo

rk i

nv,B

acti

vat

ion;

Lig

ht

for

k Iac

tivat

ion;

tem

per

ature

forb

acti

vat

ion

and

Nutr

ient

for

k Pac

tivat

ion.

nis

the

num

ber

of

obse

rved

dat

a.p

isth

enum

ber

of

par

amet

erof

each

-sub-m

odel

.R

SS

corr

esponds

toth

ere

sidual

sum

of

squar

esbet

wee

nobse

rved

and

sim

ula

ted

dat

aof

each

sub-m

odel

.AIC

cis

the

Akai

ke

info

rmat

ion

crit

erio

nad

just

edfo

rsm

allsa

mple

size

s.D

AIC

cin

dic

ates

the

amountof

support

for

the

sub-m

odel

rela

tive

toth

eto

p-r

ankin

gone.

Akai

ke

wei

ght(v

i)is

anoth

erin

dex

of

the

stre

ngth

of

evid

ence

for

each

sub-m

odel

.Itis

the

rati

obet

wee

nD

AIC

cof

the

targ

etsu

b-m

odel

rela

tive

toal

lth

eoth

ersu

b-m

odel

san

dca

nbe

inte

rpre

ted

asth

epro

bab

ilit

yof

the

sub-m

odel

bei

ng

corr

ect

giv

enth

edat

a.v

j/v

iis

the

evid

ence

rati

osh

ow

ing

the

exte

nt

tow

hic

hth

e‘b

est’

sub-m

odel

isbet

ter

than

the

model

inques

tion.A

Di<

2(o

ran

evid

ence

rati

o<

2.7

)su

gges

tssu

bst

anti

alev

iden

cefo

rth

esu

b-m

odel

.E

ver

yca

sew

her

eD

i>

10,i

ndic

atin

gth

atth

em

odel

isver

yunli

kel

y,w

asdel

eted

from

this

table

.V

alues

corr

espondin

gto

the

min

imal

AIC

,to

aD

i<

2an

dto

anev

iden

cera

tio<

2.7

are

inbold

.T

he

sele

cted

‘bes

t’su

b-m

odel

isit

alic

ized

.


DOI: 10.1002/rra


Figure 1. Biomass of epilithon at different sites along the Aguera stream. Lines correspond to values simulated with the best model (minimalAIC), dots to observed biomass (� SE). Models selected for sites 5 and 7, period 2001–02 not shown as too simple (exponential increase) to be

relevant


cases, the ‘best’ sub-model (with the smallest AICc value) was the 3-parameter model (mmax,0, kinv,B and cdet). The

‘best’ sub-model in case 01–9 included mmax,0 and kcat. In case 01–2, the Akaike weight and the evidence

ratio indicated that three sub-models (2 and 3 parameters) performed similarly. These included mmax,0, cdet

and also kinv,B. In cases 01–4 and 01–5, the simplest sub-model (mmax,0) had the minimal AICc. Thus, 9 of

11 selected sub-models described epilithon biomass dynamics as the equilibrium between growth and

discharge-dependent loss terms. However, including parameters such as b, kI or kP did not result in significant

improvements on AICc values in any of the cases studied. Nevertheless, RSS decreased by inclusion of b in 90–2;

by inclusion of kinv,B and kcat in 01–4; by inclusion of kinv,B and kcat and kI in 01–5; by inclusion of kI and kcat in 01–7

and by inclusion of kinv,B in 01–9. The fits produced with the best and most convenient sub-model are illustrated in

Figure 1. Simulations combining the net growth term limited by biomass thickness and discharge correctly

reproduced the global pattern described by epilithon dynamics in 1990 and 1992. On the other hand, this model

fitted worse in 2001.

Step-wise regressions were performed on log-transformed data from six situations (90–2, 90–4, 90–5, 90–7,

01–2 and 01–7) corresponding to the best sub-model (mmax,0, kinv,B and cdet). The cases 92–5 and 92–9 were

excluded from the analyses because no physico-chemical data were available in 1992. Results showed that mmax,0

was negatively correlated with the percentage of canopy cover, while the other variables, particularly nutrients,

were excluded from the regression (Table IV), suggesting that epilithon maximal growth rate is controlled by

canopy cover (R2¼ 0.86, p¼ 0.007). No significant correlation was found between kinv,B or cdet and the

environmental variables tested.

DISCUSSION

The dataset presented in Elosegi and Pozo (1998) and Izagirre and Elosegi (2005) was a good candidate to check the

biological realism of the model developed by Uehlinger et al. (1996) under contrasting conditions. The monthly


DOI: 10.1002/rra

Table IV. Results of step-wise multiple regression analysis between environmental factors (mean velocity, sand %, watertemperature, conductivity, total nitrogen, total phosphorus, silicate and canopy cover %) and parameters of the best sub-models(mmax,0, kinv,B and cdet) of study cases 90–2, 90–4, 90–5, 90–7, 01–2 and 01–7

Dependent variable Independent variable Coefficient Standard error t-value Significativity level

mmax,0 Constant 0.69 0.09 7.54 0.001Canopy cover �0.31 0.062 �5.02 0.007

kinv,B Constant 0.27 0.09 2.89 0.03cdet Constant 0.08 0.02 3.44 0.02


sampling frequency is compatible with the application of models with few parameters allowing only major trends to

be observed and thus emphasizing the role of major environmental factors. The dataset included three 12-month

data series of epilithon biomass sampled at five sites along the channel of the Aguera stream, selected for the

broadest range of environmental conditions. As flood frequency and intensity are known to radically change from

year to year, contrasting hydrological contexts were observed. The sampling year 1990 was characterized by low

discharge (lower than 30 m3 s�1) and a 6-month flood-free period lasting from May to October, which allowed for

an important development of epilithon biomass that peaked at 300 g AFDM m�2. In sampling periods 1992–93 and

2001–02 more frequent floods and higher discharge were recorded, especially in 1992, and peak biomass reached

only 50 g AFDM m�2. Analysis of this dataset concluded hydrology to be the major controlling factor, except at

canopy covered sites where light availability overrides the effect of floods (Izagirre and Elosegi, 2005).

Ecological modelling strives to identify models that capture the essence of a system, explaining observations and

perhaps ultimately permitting prediction. Simple models contain fewer nuisance variables and have greater

generality (Ginzburg and Jensen, 2004). For that reason our aim was to identify a simple model that was in general

agreement with observed data. We used model fitting to investigate the most appropriate and simplest model form

to describe epilithon dynamics. Models with simplicity, parsimony and minimum adequacy based on Occam’s

Razor have recently been promoted in theoretical and applied ecology (Burnham and Anderson, 2001; Johnson and

Omland, 2004). With this objective, model selection was performed by applying a global optimization algorithm to

fit mechanistic non-linear models to time-series data, and AIC to check agreement between modelled and observed

data. AIC and related criteria (e.g. the Bayesian information criterion) provide an alternative to traditional analyses

for evaluating variable or parameter combinations, especially in studies with few hypotheses and a small sample

size. AIC and its related measures were first applied almost exclusively in the context of model selection in

capture-recapture analyses (Lebreton et al., 1992; Anderson et al., 1994) but in the past decade have been

recognized as a valuable tool in more general situations (Johnson and Omland, 2004). AIC is a likelihood-based

measure of model fit that accounts for the number of parameters estimated in a model (Akaike, 1973). It has two

components: negative log-likelihood, which measures lack of model fit to the observed data, and a bias correction

error, which increases as a function of the number of model parameters. Models with a large number of parameters

are penalized more heavily than those with a small number of parameters. Therefore, the model with the lowest AIC

has the best relative fit. If only poor models are considered, the AIC will select the best of the poor models,

highlighting the importance of determining the set of suitable candidate models with respect to the current

knowledge of the modelled processes.

According to AIC results, 7 simulations of 11 in the present study showed that modelling proved to give a correct

fit by means of three parameters (mmax,0, kinv,B and cdet). Epilithon biomass dynamics in the Aguera stream (this

dataset) can be simply simulated by accounting for the same processes as in the river Necker (Uehlinger et al.

dataset). Epilithon biomass dynamics can roughly be considered to be the result of equilibrium between

phototrophic growth and discharge-dependent loss.

The implementation of the density-limited growth parameter (kinv,B) into biomass growth appeared to be

significant in describing epilithon biomass accrual. Light (corrected by accounting for the canopy cover at each

site), temperature and phosphorus limitation processes did not significantly improve the goodness-of-fit and were

much less important than the above-mentioned processes. Although variations in both nutrient conditions and solar

radiation (due to differences in canopy cover) have been used to explain spatial biomass dynamics in the Aguera


DOI: 10.1002/rra


stream (Izagirre and Elosegi, 2005), their contribution to epilithon development was not underlined by our models:

whatever the conditions (site and year), light availability was not a predominant factor explaining temporal biomass

dynamics. In streams with unpredictable flow patterns, light has been reported not to be a significant predictor of

biomass (Fisher and Grimm, 1988; Biggs and Close, 1989). Nevertheless, results of step-wise regression in the

present investigation suggested a linear dependence of maximum biomass growth rate on canopy cover, in

accordance with conclusions from Izagirre and Elosegi (2005). These paradoxical results raise the question of

representation of the growth light limitation term in the equation. Light was assumed to be an ‘interactive-essential’

resource with the limiting nutrient, following Tilman (1982) and Huisman et al. (1999). It means that both nutrient

availability and light limitation affect the primary producers to some extent. Despite its simplicity, the light

limitation term integrating daily irradiance changes was ultimately not adapted to represent spatial light variability

from one site to another. Canopy cover can be considered to be a more adapted variable than the global daily

radiation to represent light limitation of epilithon in the Aguera stream.

Our study confirmed that the dynamics of epilithon biomass in the Aguera stream are mainly driven by

hydrodynamics, as previously stated in reports on streams and rivers (Biggs and Close, 1989; Biggs and Thomsen,

1995; Bouletreau et al., 2006). Biomass detachment mainly requires a sufficient critical shear stress (linked to

discharge) to dislodge material from the epilithon mat (Biggs and Close, 1989). Regarding the value of the

detachment parameter, we did not observe a correlation between cdet (a descriptor of substrate sensitivity to floods)

and the percentage of sand on the river bottom. Assemblages colonizing fine substrata would probably be scoured

more easily by flooding (Cattaneo et al., 1997). Moreover, under low current conditions biofilms tend to grow as

loose assemblages, which are easily scoured by changes in river flow regime (Peterson, 1996). Hence, this result

suggests that cdet cannot simply be seen as an estimate of the biofilm resistance to shear stress. In 1990, several

floods strong enough to slough epilithon off the substrate were recorded and inter-flood periods were sufficiently

long and stable to allow for large biomass accumulation, mainly due to filamentous algae. In 2001–02, the simple

model including biomass-dependent growth rate detachment losses directly proportional to discharge and biomass

was the minimal adequate model, but in some cases its fit was not particularly good. Poor fit between observed and

modelled data can arise from both process and observational errors. Regarding observational errors, the time-series

was small (13 points) and showed rather large measurement errors with coefficients of variation up to 50%,

reflecting a very patchy distribution of epilithon. Regarding process errors, the temporal pattern described by

epilithon in 2001 was much less conspicuous than the clear cycles of biomass accumulation and loss in 1990.

Unpredictable hydrodynamic changes were not the only substantial factor in biomass loss in 2001, suggesting that

the model could be partly insufficient for explaining parameters and predicting biomass dynamics. For example, the

long low-water period that the Garonne River experienced in 2001 required inclusion of an additional autogenic

biomass loss factor in the model (Bouletreau et al., 2006). A similar 6-month flood-free period was observed in the

Aguera stream in 1990, but epilithon biofilm development persisted, attaining very high biomasses without

autogenic sloughing. The latter finding could be attributed to the mat structure being dominated by cyanobacteria,

as many species of these bacteria can grow heterotrophically, fix atmospheric nitrogen and engage in anoxic

photosynthesis. It can thus be hypothesized that cyanobacteria-dominated epilithon displays a higher resistance to

scouring, forming cohesive mats as observed in the Llobregat River (Sabater et al., 2003).

Temporal dynamics of epilithon can be quite contrasting. Biomass can be well described by alternating accrual

(one simple growth function) and one flow-related loss, especially when large floods combine with short and stable

inter-flood periods. If the inter-flood period is sufficiently stable and long, one or several factors such as seasonal

changes in communities, autogenic sloughing, grazing or internal nutrient loading can interact and produce

complex trajectories of epilithic biomass. On the other hand, when floods are too frequent, epilithic patchiness can

mask temporal differences and no clear pattern can be discerned. Nevertheless our results suggest that the model

formulation developed by Uehlinger et al. (1996) would be a satisfactory minimal adequate model to describe the

biomass dynamics of river epilithon in contrasting conditions.

To improve model performance one should increase model transferability, i.e. its ability to be applied in different

conditions at the relevant spatial and temporal scales without requiring changes in model structure or

parameterizations (Snowling and Kramer, 2001). In the present study the model was indeed transferred both

spatially and temporally, as we used the model formulation developed by Uehlinger et al. (1996) in the river Necker

to estimate the epilithic biomass dynamics in the Aguera stream. The model thus transferred worked pretty well,


DOI: 10.1002/rra


especially in hydrological conditions that combine contrasting short low with high water periods, but a

re-calibration of parameters was unavoidable to retain accuracy. Transferability is known to be challenging in

ecological models (Leftwich et al., 1997; Guay et al., 2003). Transferability could perhaps improve making the

model more complex, taking into account additional processes to increase flexibility and more sensitivity.

Designing a model that would be transferable is likely to be an open question for modelling the biomass dynamics

of river epilithon. Nevertheless, this would require an adapted dataset with high number and frequency of observed

data.

ACKNOWLEDGEMENTS

Stephanie Bouletreau was supported by FEDER (Fonds Europeens de Developpement Regional) and a grant for

foreign exchange (ATUPS) from the University Paul Sabatier. Oihana Izagirre did part of this work thanks to a

pre-doctoral grant by the Basque Government. This work was supported by the research projects PIGV 8924

(Basque Government), 9/UPV00118.310-14476/2002 (University of the Basque Country), DGICYT PB459/92,

MCYT BOS2003-04466 (Spanish Government) and by the GIS-ECOBAG (Groupement d’Interet Scientifi-

que-Ecologie et Economie du Bassin Adour Garonne). Discharge data were kindly provided by the Spanish

Northern Hydrographical Confederation and solar radiation data by the Spanish Meteorological Institute.

REFERENCES

Akaike H. 1969. Fitting autoregressive models for prediction. Annals of the Institute of Statistical Mathematics 21: 243–247.

Akaike H. 1973. Information theory and an extension of the maximum likelihood principle. In 2nd International Symposium on Information

Theory, Petrov BN, Csaki F (eds). Akademia Kiado: Budapest; 267–281.

Anderson DR, Burnham KP, White GC. 1994. AIC model selection in overdispersed capture-recapture data. Ecology 75: 1780–1793.

American Public Health Association (APHA). 1992. Standard methods for the Examination of Water and Wastewater, 18th edn. APHA:

Washington, DC.

Arhonditsis GB, Brett MT. 2005. Eutrophication model for Lake Washington (USA) Part I. Model description and sensitivity analysis.

Ecological Modelling 187: 140–178.

Asaeda T, Hong Son D. 2000. Spatial structure and populations of a periphyton community: a model and verification. Ecological Modelling 133:

195–207.

Asaeda T, Hong Son D. 2001. A model of the development of a periphyton community resource and flow dynamics. Ecological Modelling 137:

61–75.

Auer MT, Canale RP. 1982. Ecological studies and mathematical modelling of Cladophora in Lake Huron: 3. The dependence of growth rates

on internal phosphorus pool size. Journal of Great Lakes Research 8: 93–99.

Banse K. 1982. Cell volumes maximal growth rates of unicellular algae and ciliates, and the role of ciliates in the marine pelagial. Limnology and

Oceanography 27: 1059–1071.

Bates SS. 1976. Effects of light and ammonium on nitrate uptake by two species of estuarine phytoplankton. Limnology and Oceanography

21(2): 212–218.

Biggs BJF, Close ME. 1989. Periphyton biomass dynamics in gravel bed rivers: the relative effects of flows and nutrients. Freshwater Biology

22: 209–231.

Biggs BJF, Thomsen HA. 1995. Disturbance in stream periphyton by perturbations in shear stress: time to structural failure and difference in

community resistance. Journal of Phycology 31: 233–241.

Borchardt MA. 1996. Nutrients. In Algal Ecology: Freshwater Benthic Ecosystems, Stevenson RJ, Bothwell ML, Lowe RL (eds). Academic

Press: San Diego; 183–227.

Bothwell ML. 1985. Phosphorus limitation of lotic periphyton growth rates: an intersite comparison using continuous-flow troughs (Thompson

River system, British Columbia). Limnology and Oceanography 30: 527–542.

Bouletreau S, Garabetian F, Sauvage S, Sanchez-Perez JM. 2006. Assessing the importance of a self-generated detachment process in river

biofilm models. Freshwater Biology 51: 901–912.

Bouterfas R, Mouhssine B, Dauta A. 2002. Light and temperature effects on the growth rate of three freshwater algae isolated from a eutrophic

lake. Hydrobiologia 489: 207–217.

Brown LC, Barnwell TO. 1987. The enhanced stream water quality models QUAL2E and QUAL2E-UNCAS: Documentation and user manual.

Report EPA/600/3-87/007, U.S. EPA, Athens, GA.

Burnham KP, Anderson DR. 2001. Kullback–Leibler information as a basis for strong inference in ecological studies. Wildlife Research 28:

111–119.


DOI: 10.1002/rra


Burnham KP, Anderson DR. 2002. Model Selection and Multimodal Inference: A Practical Information Theoretic Approach. Springer-Verlag:

New York.

Carpenter EJ, Cox JL. 1974. Production of pelagic Sargassum and a blue-green epiphyte in the western Sargasso Sea. Limnology and

Oceanography 19: 429–436.

Cattaneo A, Kerimian T, Roberge M, Marty J. 1997. Periphyton distribution and abundance on substrata of different size along a gradient of

stream trophy. Hydrobiologia 354: 101–110.

Chen C, Ji R, Schwab DJ, Beletsky D, Fahnenstiel GL, Jiang M, Johengen TH, Vanderploeg H, Eadie B, Budds JW, Bundy MH, Gardner W,

Cotner J, Lavrentyev PJ. 2002. A model study of the coupled biological and physical dynamics in Lake Michigan. Ecological Modelling 152:

145–168.

Dodds WK, Jones JR, Welch EB. 1998. Suggested classification of stream trophic state: distributions of temperate stream types by chlorophyll,

total nitrogen. Water Research 32: 1455–1462.

Elosegi A, Pozo J. 1998. Epilithic biomass and metabolism in a north Iberian stream. Aquatic Sciences 60: 1–16.

Elosegi A, Basaguren A, Pozo J. 2002. Ecology of the Aguera: a review of fourteen years of research on a Basque stream. Munibe 53: 15–38.

Elosegi A, Basaguren A, Pozo J. 2006. A functional approach of the ecology of Atlantic Basque streams. Limnetica 25(1–2): 123–134.

Eppley RW. 1972. Temperature and phytoplankton growth in the sea. Fishery Bulletin 70: 1063–1085.

Even S, Poulin M, Garnier J, Billen G, Servais P, Chesterikoff A, Coste M. 1998. River ecosystem modelling: application of the PROSE model

to the Seine river (France). Hydrobiologia 373–374: 27–45.

Fisher SG, Grimm NB. 1988. Disturbance as a determinant of structure in a Sonoran Desert stream ecosystem. Verhanlungen der Internationale

Vereinigung fur Theoretische und Angewandt Limnologie 23: 1183–1189.

Flipo N, Even S, Poulin M, Tusseau-Vuillemin M-H, Ameziane T, Dauta A. 2004. Biogeochemical modelling at the river scale: plankton and

periphyton dynamics. Grand Morin case study, France. Ecological Modelling 176: 333–347.

Ginzburg LR, Jensen CXJ. 2004. Rules of thumb for judging ecological theories. Trends in Ecology and Evolution 29: 121–126.

Guay JC, Boisclair D, Leclerc M, Lapointe M. 2003. Assessment of the transferability of biological habitat models for Atlantic Salmon Parr

(Salmo salar). Canadian Journal of Fisheries and Aquatic Sciences 60(11): 1398–1408.

Hamilton DP, Schladow SG. 1997. Prediction of water quality in lakes and reservoirs. Part I – Model. Ecological Modelling 96: 91–110.

Horner RR, Welch EB, Veenstra RB. 1983. Development of nuisance periphytic algae in laboratory streams in relation to enrichment and

velocity. In Periphyton of Freshwater Ecosystems, Wetzel RG (ed.). Dr. W Junk Publishers: The Hague; 121–134.

Huisman J, Jonker RR, Zonneveld C, Weissing FJ. 1999. Competition for light between phytoplankton species: experimental tests of

mechanistic theory. Ecology 80: 211–222.

Izagirre O, Elosegi A. 2005. Environmental control of seasonal and inter-annual variations of periphytic biomass in a North Iberian stream.

Annales de Limnologie - International Journal of Limnology 41: 35–46.

Johnson JB, Omland KS. 2004. Model selection in ecology and evolution. Trends in Ecology and Evolution 19: 101–108.

Klausmeier CA, Litchman E. 2001. Algal games: the vertical distribution of phytoplankton in poorly mixed water columns. Limnology and

Oceanography 45(8): 1998–2007.

Lebreton J-D, Burnham KP, Clobert J, Anderson DR. 1992. Modeling survival and testing biological hypothesis using marked animals: a

unified approach with case studies. Ecological Monographs 62: 67–118.

Leftwich KN, Angermeier PL, Dolloff CA. 1997. Factors influencing behaviour and transferability of habitat models for a benthic stream fish.

Transactions of the American Fisheries Society 126: 725–734.

Lehman JT, Botkin DB, Likens GE. 1975. The assumptions and rationales of a computer model of phytoplankton population dynamics.

Limnology and Oceanography 20(3): 343–364.

Matthews RA, Buikema AL, Cairns J, Rodgers JH. 1982. Biological monitoring Part IIA–Receiving system functional methods, relationships

and indices. Water Research 16: 129–139.

McIntire CD. 1973. Periphyton dynamics in laboratory streams: a simulation model and its implications. Ecological Monographs 34: 399–420.

Momo FR. 1995. A new model for periphyton growth in running waters. Hydrobiologia 299: 215–218.

Omlin M, Brun R, Reichert P. 2001. Biogeochemical model of Lake Zurich: sensitivity, identifiability and uncertainty analysis. Ecological

Modelling 141: 105–123.

Parsons T, Stephens K, Strickland JDH. 1961. On the chemical composition of eleven species of marine phytoplankters. Journal of the Fisheries

Research Board of Canada 18: 1001–1016.

Paul BJ, Duthie HC, Taylor WD. 1991. Nutrient cycling by biofilms in running waters of different nutrient status. Journal of the North American

Benthological Society 10: 31–41.

Peterson CG. 1996. Response of benthic algal communities to natural physical disturbance. In Algal Ecology: Freshwater Benthic Ecosystems,

Stevenson RJ, Bothwell ML, Lowe RL (eds). Academic Press: San Diego; 375–403.

Power ME, Stout RJ, Cushing CE, Harper PP, Hauer FR, Matthews WJ, Moyle PB, Statzner B, Wais De Bagden IR. 1988. Biotic and abiotic

controls in river and stream communities. Journal of the North American Benthological Society 7: 456–479.

Press W, Flannery B, Teukolsky S, Vetterling W. 1988. Numerical Recipes. Cambridge University Press: Cambridge.

Rawlings JO, Pantula SG, Dickey DA. 1998. Applied Regression Analysis. A Research Tool. Springer: New York.

Reichert P. 2001. River Water Quality Model no. 1 (RWQM1): case study II. Oxygen and nitrogen conversion processes in the River Glatt

(Switzerland). Water Science and Technology 43: 51–60.

Reichert P, Borchardt D, Henze M, Rauch M, Shanahan P, Somlyody L, Vanrolleghem P. 2001. River Water Quality Model no. 1 (RWQM1):

II. Biochemical process equations. Water Science and Technology 43: 11–30.

Reynolds CS. 1984. The Ecology of Freshwater Phytoplankton. Cambridge University Press: Cambridge.


DOI: 10.1002/rra


Rodriguez MA. 1987. Estimating periphyton growth parameters using simple models. Limnology and Oceanography 32: 458–464.

Rolland T, Fayolle S, Cazaubon A, Pagnetti S. 1997. Methodological approach to distribution of epilithic and drifting algae communities in a

French subalpine river: inferences on water quality assessment. Aquatic Sciences 59: 57–73.

Sabater S, Vilalta E, Gaudes A, Guasch H, Munoz I, Romani AM. 2003. Ecological implications of mass growth of benthic cyanobacteria in

rivers. Aquatic Microbial Ecology 32: 175–184.

Saravia LA, Momo F, Boffi Lissin LD. 1998. Modelling periphyton dynamics in running water. Ecological Modelling 114: 35–47.

Schladow SG, Hamilton DP. 1997. Prediction of water quality in lakes and reservoirs: part II–model calibration, sensitivity analysis and

application. Ecological Modelling 96: 111–123.

Snowling SD, Kramer JR. 2001. Evaluating modelling uncertainty for model selection. Ecological Modelling 138: 17–30.

Steemann-Nielsen E. 1975. Marine Photosynthesis with Special Emphasis on Ecological Aspects. Elsevier Scientific Publishing: Amsterdam.

Sterner RW, Grover JM. 1998. Algal growth in warm temperate reservoirs: kinetic examination of nitrogen, temperature, light, and other

nutrients. Water Research 32(12): 3359–3548.

Streeter HW, Phelps EB. 1925. Study of the pollution and natural purification of the Ohio River. Bulletin N0. 146, US Public Health Service:

Washington, DC.

Tilman D. 1982. Resource Competition and Community Structure. Princeton University Press: Princeton.

Uehlinger U, Burher H, Reichert P. 1996. Periphyton dynamics in a flood-prone pre-alpine river: evaluation of significant processes by

modelling. Freshwater Biology 36: 249–263.


DOI: 10.1002/rra

Chapitre 4. Importance du détachement autogène


Chapitre 4

Importance du détachement autogène dans la dynamique

spatio-temporelle du biofilm épilithique : le modèle comme

outil de recherche



Résumé de « Assessing the importance of a self-generated detachment process in river biofilm

models » par Boulêtreau S, Garabétian F, Sauvage S and Sánchez-Pérez J-M (2006)

Freshwater Biology 51: 901-912. Copyright© 2006 Blackwell Publishing Ltd.


Le chapitre précédent confirme par la modélisation l’importance du facteur

hydrodynamique dans la structuration temporelle de la biomasse épilithique en milieu naturel

(Biggs & Close 1989 ; Biggs & Thomsen 1995). La confrontation du modèle à différentes

situations hydrologiques montre cependant que la sensibilité du modèle varie selon la nature

des perturbations. En particulier, les longues périodes de stabilité hydrologique sont

impossibles à reproduire en appliquant un modèle simple tel que celui développé par

Uehlinger et al. (1996), notamment parce que l’absence de perturbation est propice à la

contribution d’autres facteurs allogènes ou autogènes que l’hydrodynamique. En absence de

perturbation, la maturation du biofilm se manifeste par des changements progressifs de

populations au sein de l’assemblage (Fisher 1990). Les pertes de biomasse associées aux

effets du détachement autogène ou du broutage augmentent avec le temps écoulé depuis la

dernière perturbation (Leff et al. 1994 ; Biggs 1996 ; Lawrence et al. 2002 ; Battin et al.

2003a). Le détachement autogène est lié à une diminution de la résistance des algues

benthiques, elle-même favorisée par l’augmentation de l’âge et la biomasse de la communauté

(Peterson et al. 1990). De même le broutage prédomine après une longue période sans

perturbation car la recolonisation par les invertébrés est souvent lente par rapport à la

croissance de l’épilithon (Biggs & Close 1989). Enfin dans le cas particulier des tapis

phototrophes de rivière, une période de maturation prolongée permet le développement massif

de méiofaune qui accentue par bioturbation le détachement du tapis (Schmid-Araya & Schmid

2000 ; Sabater et al. 2003). La compréhension et la modélisation de tels processus exigent de

suivre l’évolution de la biomasse sur le long terme en conditions non perturbées. Or si les

conditions de non perturbation sont bien remplies dans des systèmes maîtrisés où règnent des

conditions hydrauliques quasi stationnaires, ce n’est pas le cas en rivière. C’est une des

raisons pour laquelle un phénomène comme le détachement autogène, pourtant déjà évoqué

par Biggs (1996) comme étant un facteur susceptible de contrôler la biomasse en rivière, n’a,

à notre connaissance, pas été décrit. La compréhension de ces processus nécessite aussi de

disposer de données complémentaires pour pourvoir formuler des hypothèses : par exemple la



prise en compte d’une perte de biomasse liée au broutage dans une équation différentielle

nécessiterait d’identifier la ou les espèce(s) d’invertébrés en cause, d’estimer leur biomasse,

de déterminer leur cycle de vie et d’estimer leur taux d’ingestion.

Dans le cadre de l’action 4.1.1. « Niveaux trophiques et Impact des rejets » du

programme du groupement ECOBAG, Programme Partenarial « Agence de l’Eau Adour-

Garonne » (2000 – 2004) qui visait à établir les bases d’une analyse du statut trophique d’une

rivière à biomasse fixée comme la Garonne, deux sites de la Garonne (Aouach et Gagnac) ont

fait l’objet d’un échantillonnage hebdomadaire (ou bimensuel) de juin 2001 à février 2002

pendant une période d’étiage particulièrement longue (7 mois consécutifs). L’échantillonnage

a concerné les descripteurs structurels classiques du biofilm (biomasse épilithique en MSSC,

MS, chlorophylle a) et les variables environnementales (lumière, température, débit et

variables chimiques de la colonne d’eau), autant de données indispensables à l’ajustement et

l’alimentation d’un modèle comme celui mis en œuvre dans le chapitre précédent. Par ailleurs

cette étude s’est concentrée plus spécifiquement sur les changements temporels de la structure

des communautés bactériennes, analysée par typage moléculaire (PCR – DGGE) des gènes

codant pour l’ARNr 16S (thèse Lyautey 2005). L’analyse indique que l’évolution temporelle

de la biomasse épilithique correspond à la succession de deux cycles d’accrétion/détachement

(de juin à octobre puis d’octobre à décembre) atteignant une biomasse maximale d’environ 25

g de MSSC par m2. Les analyses portant sur la structure des communautés bactériennes

indiquent une structuration temporelle des communautés assimilable à une succession en

accord avec un modèle de succession en biofilm développé auparavant (Lyautey et al. 2005a).

Nous avons donc souhaité utiliser ce jeu de données afin de tester par modélisation

l’hypothèse selon laquelle l’introduction d’une perte associée à un détachement autogène

pourrait expliquer la dynamique du biofilm épilithique observée entre juin 2001 et février

2002 dans la Garonne. La fréquence d’échantillonnage (hebdomadaire ou bimensuelle) et les

données complémentaires sont favorables à la complexification d’un modèle existant, le

modèle d’Uehlinger et al. (1996). La démarche consiste à (i) vérifier si d’autres facteurs

allogènes comme le débit, la température, la lumière et les nutriments peuvent avoir contrôlé

la biomasse pendant cette période de temps, en utilisant la formulation des processus du

modèle d’Uehlinger et al. (1996) présenté dans le chapitre précédent puis (ii), à développer le

modèle pour qu’il prenne en compte une perte par détachement autogène. Les processus à

tester sont activés les uns après les autres dans chaque site (détachement hydrodynamique,

limitation de la croissance par la lumière et la température, limitation de la croissance par le



phosphore et détachement autogène). La recherche de la combinaison optimale des

paramètres de chaque simulation est basée sur la minimisation du χ2.

Selon l’hypothèse à tester, le détachement autogène est défini comme une perte de

biomasse soudaine et conséquente générée par la diminution de la résistance du biofilm aux

forces de cisaillement. Cette diminution de résistance se produit lorsque le biofilm s’épaissit

et perd sa cohésion interne. La sénescence des couches d’algues inférieures, leur dégradation

hétérotrophe ainsi que la production de bulles de gaz issues de la respiration sont à l’origine

de cette perte de cohésion. Le biofilm se détache en plaques, laissant le support nu ; certains

auteurs parlent de « mue autogène » (Figure 4.1.). L’hypothèse formulée mathématiquement

simplifie ce détachement comme la conséquence de l’activité de dégradation bactérienne.

Figure 4.1. Illustration d’un galet érodé par le détachement autogène.

2 – Principaux résultats et discussion

La formulation (1) du modèle retenue par Uehlinger et al. (1996) pour expliquer

l’évolution de la biomasse épilithique dans le River Necker (cours d’eau préalpin suisse)

décrit assez correctement l’évolution de la biomasse dans les deux sites de la Garonne

(Aouach et Gagnac). La comparaison des simulations avec et sans prise en compte du

détachement hydrodynamique montre une nette diminution du χ2 (de 268 à 88 pour l’Aouach

et de 386 à 137 pour Gagnac) i.e. une nette amélioration de l’ajustement lorsque le

détachement hydrodynamique est considéré dans l’équation. Ce premier résultat confirme le

5 cm5 cm



rôle substantiel de l’hydrodynamique sur la dynamique temporelle du biofilm épilithique dans

la Garonne (par ex. Fisher & Grimm 1988 ; Biggs & Close 1989). La formulation du modèle

est transférable de l’hydrosystème River Necker à l’hydrosystème Garonne malgré

d’importantes disparités entre les deux systèmes : avec un débit moyen de 200 m3 s-1, contre

4,6 m3 s-1 dans le River Necker, et une largeur de 80 m, contre 25 m dans le River Necker, la

Garonne est soumise à une fréquence de perturbation hydrologique (2 évènements par mois)

largement moindre que celle du cours d’eau suisse (2 évènements par semaine). En revanche

ces simulations confirment que la perte de biomasse du premier pic de croissance n’est pas

expliquée par l’influence de l’hydrodynamique telle qu’elle est décrite par le modèle.

L’activation des termes de limitation de la croissance par la température (paramètre β) et la

lumière (paramètre kI) n’apporte aucune amélioration supplémentaire à l’ajustement. Au

contraire lorsqu’on impose au modèle (1) ajusté des valeurs de β et kI particulièrement

élevées, pour donner arbitrairement plus d’importance à ces deux derniers processus, la

tendance simulée s’éloigne encore davantage du patron de biomasse observé. La composition

taxonomique mesurée au cours des pics de biomasse ne montre pas de changement en réponse

à la diminution de température : 3 espèces sur les 5 représentent 80% de la biomasse algale

totale sont communes au deux pics (Diatoma vulgaris Bory, Melosira varians Agardh et

Amphora ovalis Kütz). De la même manière l’introduction d’un terme de limitation par le

phosphore (paramètre kP) ne génère pas de diminution du χ2. L’attribution d’une valeur élevée

au paramètre kP génère une diminution du taux de croissance plus soutenue à l’Aouach qu’à

Gagnac, due aux concentrations en nutriments plus réduites à l’Aouach en amont de

l’agglomération toulousaine qu’en aval à Gagnac (Teissier et al. 2002 ; Lyautey et al. 2003).

En revanche l’introduction du terme de détachement autogène génère une diminution du χ2 de

88 à 56 et de 137 à 102 dans les sites de l’Aouach et de Gagnac respectivement. Cette

amélioration est observée seulement lorsque le modèle initial intègre déjà le terme de perte

hydrodynamique.

Ce travail illustre l’utilisation de la formulation mathématique pour générer une

hypothèse écologique. Si la modélisation d’une biomasse phototrophe semble suffisante en

règle générale, cette situation où la perturbation hydrologique est absente semble montrer la

nécessité de considérer le compartiment hétérotrophe du biofilm épilithique dans l’écriture

des modèles. De même si la communauté algale semble peu sensible à l’évolution saisonnière

de la température, la sensibilité de l’activité hétérotrophe vis-à-vis de la température pourrait

favoriser une évolution autogène du biofilm. Du point de vue du fonctionnement de l’agrégat,

l’approche numérique, couplée aux résultats expérimentaux de Lyautey et al. (2005a) et de



Teissier et al. (2007) semble confirmer que la dynamique de biomasse épilithique obéit à une

double fonctionnalité :

• une fonction de croissance associée à l’activité phototrophe des microalgues et

relativement peu sensible à la température,

• une fonction de perte de biomasse (minéralisation, auto-détachement) initiée par

l’activité bactérienne hétérotrophe basée sur le recyclage d’une partie des ressources

accumulées dans l’agrégat au cours de la croissance et fortement dépendante de la

température et de l’absence de perturbation.

Du point de vue de l’écosystème, l’approche numérique semble démontrer qu’ :

• en conditions hydrodynamiques perturbées et même à faible température, la

dynamique de la biomasse peut être assimilée à un équilibre entre une croissance

phototrophe limitée par l’épaisseur du biofilm et une perte directement proportionnelle

au débit instantané et à la biomasse fixée,

• en conditions de (longue) stabilité hydrodynamique et à température élevée (i.e. étiage

estival des zones tempérées), la dynamique de la biomasse peut être assimilée à un

équilibre entre une croissance phototrophe limitée par l’épaisseur du biofilm et une

perte proportionnelle à l’activité hétérotrophe et l’épaisseur du biofilm.

3 – Conclusion

Ce travail constitue, à notre connaissance, la première indication du processus de

détachement autogène en rivière dans un modèle. Si l’expérimentation numérique basée sur

les connaissances acquises expérimentalement dans des travaux antérieurs tend à préciser le

processus de détachement autogène, celle-ci ne constitue cependant pas une preuve. Elle

permet de générer une nouvelle hypothèse selon laquelle le détachement autogène se produit

en absence de perturbation lorsque les conditions de température sont favorables et se

manifeste par le changement fonctionnel de l’assemblage de l’autotrophie vers

l’hétérotrophie, hypothèse que nous allons préciser à partir d’expérimentations dans le

chapitre 5.

4 – Publication


Assessing the importance of a self-generated detachmentprocess in river biofilm models

STEPHANIE BOULETREAU, FREDERIC GARABETIAN, SABINE SAUVAGE AND JOSE-MIGUEL

SANCHEZ-PEREZ

Laboratoire d’Ecologie des Hydrosystemes, UMR 5177 CNRS-Universite Paul Sabatier, Toulouse, France

SUMMARY

1. Epilithic biofilm biomass was measured for 14 months in two sites, located up- and

downstream of the city of Toulouse in the Garonne River (south-west France). Periodical

sampling provided a biomass data set to compare with simulations from the model of

Uehlinger, Burher and Reichert (1996: Freshwater Biology, 36, 249–263.), in order to evaluate

the impact of hydraulic disturbance.

2. Despite differences in application conditions (e.g. river size, discharge, frequency of

disturbance), the base equation satisfactorily predicted biomass between low and high

water periods of the year, suggesting that the flood disturbance regime may be considered

a universal mechanism controlling periphyton biomass.

3. However modelling gave no agreement with biomass dynamics during the 7-month

long low water period that the river experienced. The influence of other biomass-

regulating factors (temperature, light and soluble reactive phosphorus) on temporal

biomass dynamics was weak.

4. Implementing a supplementary mechanism corresponding to a temperature-dependent

self-generated loss because of heterotrophic processes allowed us to accurately reproduce

the observed pattern: a succession of two peaks. This case study suggests that during

typical summer low water periods (flow stability and favourable temperature) river

biofilm modelling requires self-generated detachment to be considered.

Keywords: autogenic sloughing, biomass dynamics, detachment, epilithic biofilm, river model

Introduction

As a zone of transient storage, epilithic biofilms

influence biogeochemical processes in shallow

streams (Battin et al., 2003), especially nitrogen cycling

(Teissier et al., 2002). Nutrient concentrations and flow

disturbance are considered the major external driving

variables influencing periphyton colonisation, growth,

immigration and removal processes (Biggs & Close,

1989; Lohman, Jones & Perkins, 1992; Chetelat et al.,

1999). A modelling approach has been extensively

employed as a convenient tool to identify the factors

that primarily control temporal variability in epilithic

biomass and several models are available for head-

water streams (Horner, Welch & Veenstra, 1983;

Uehlinger et al., 1996; Saravia, Momo & Boffi Lissin,

1998; Asaeda & Hong Son, 2000). Modelling detach-

ment processes in natural river biofilm assemblages

mainly focuses on the response of the periphyton

community as a function of hydraulic forces (dis-

charge, velocity of water flow and roughness of the

substrata). Non-flow mediated detachment sources

are assumed to be constant or are simply included in a

net growth term because their minor impact cannot be

detected in studies where flow-mediated detachment

dominates over decay processes. In less unpredictable

flow regimes involving other kinds of microbial

biofilms (e.g. in biofilm airlift suspension reactors)

other detachment mechanisms (erosion, abrasion and

Correspondence: Stephanie Bouletreau, Laboratoire d’Ecologie

des Hydrosystemes, UMR 5177 CNRS-Universite Paul Sabatier,

29 rue Jeanne Marvig, F-31055 Toulouse, France.

E-mail: [email protected]

Freshwater Biology (2006) 51, 901–912 doi:10.1111/j.1365-2427.2006.01541.x

� 2006 The Authors, Journal compilation � 2006 Blackwell Publishing Ltd 901

sloughing) have been more precisely investigated

using experimentation or modelling (Morgenroth &

Wilderer, 2000; Telgmann, Horn & Morgenroth, 2004).

In rivers with extended periods of low flow, the

dynamics of epilithic biomass are expected also to

depend on self-generated detachment. This hypoth-

esis was tested with an adapted version of a

dynamic periphyton model previously proposed by

Uehlinger et al. (1996). Simulated biomasses were

compared with a biomass data set collected in a large

French river (Garonne River). We particularly

focused on epilithic biomass dynamics during an

unusually long low water period; by implementing a

new equation we checked for the impact of autogenic

sloughing in the absence of hydraulic disturbances.

The possible influence of other allogenic factors

(temperature, light and nutrient availability) was

first investigated to test for their respective influence

on simulated biomasses.

Methods

Study site

The Garonne River (south-west France) is a large river

(eighth order, 600 km long) with pebble banks cov-

ered by epilithic biofilm even in channels up to the

seventh order. Study sites were located 36 km

upstream (upstream site, sixth order) and 12 km

downstream (downstream site, seventh order) of

Toulouse, an urban centre with 965 000 inhabitants.

The mean daily discharge at Toulouse is 200 m3 s)1

(minimum 30 m3 s)1 to maximum 3500 m3 s)1). Dur-

ing the low water period (from July to October), the

mean discharge is about 50 m3 s)1 and the river is

characterised by a shallow (<1.5 m) and wide bed

(100 m) with a mean water velocity on the riverbed of

0.5 m s)1. Low turbidity (<30 NTU) favours the

development of epilithic biomass. According to Eulin

& Le Cohu (1998), epilithic algal communities are

dominated by typical diatoms of a moderately

mineralised river of a limestone region, most species

being rheophile and alkaliphile.

Sampling procedure and biomass measurement

Sampling was performed from July 2001 to December

2001 at weekly intervals and then monthly until

November 2002. The sampling strategy was designed

to ensure that sample collection was as repeatable and

as regular as possible. Note that collection of pebbles

on the riverbed was only possible when discharge

was lower than 200 m3 s)1. For each study site, a

reference point was chosen in a riffle. At this reference

point, sampling was performed on each date at three

distinct depths of the cross section: 30, 50 and 70 cm.

Three pebbles (mean diameter: 12 cm) from each

depth were collected and depth samples were pooled

for biomass analysis. Within 6 h of collection, biofilm

was removed from the upper surface with a tooth-

brush and suspended in filtered water (0.2 lm). The

scrubbed surface of the pebbles was traced on tracing

paper and its area (m2) calculated from the mass of the

tracings. Biomass records of the three depths were

then averaged to provide a mean ± SE biomass data

for each date at each site. According to the results of a

previous study the recorded biomass is not represen-

tative of the biomass occurring at all points of the

cross section (e.g. the tidal zone close to the banks and

at maximum depth) but satisfactorily describes the

low depth region of the cross section where epilithic

biofilm typically develops (Ameziane et al., 2002). In

the Garonne River such biomass records may thus be

representative of the epilithon dynamics of this kind

of river bottom facies.

Dry mass (DM) was obtained by weighting the dry

pellet (80 �C, overnight) after centrifugation (2300 g,

20 min) of a 50 mL aliquot of biofilm suspension. The

dry pellet was combusted (500 �C, overnight) and

weighed to determine ash-free dry mass (AFDM). A

second aliquot (10 mL) of the bio-film suspension was

centrifuged (12 000 g, 20 min, 4 �C). The chlorophyll a

content was measured spectrophotometrically using

trichromatic equations (Jeffrey, Mantoura & Wright,

1997) after extraction with acetone 90% (4 h, dark-

ness, room temperature) of the suspended (tissue

homogeniser) and ground (ultrasonic disintegrator)

pellet.

Environmental variables

Mean daily discharges were supplied by three

gauging stations of the French water management

authorities (DIREN Midi-Pyrenees). The gauging

station at Portet-sur-Garonne provided daily dis-

charge records for the upstream site after subtraction

of the Ariege tributary mean daily discharge recor-

ded at the gauging station at Auterive. The station of

902 S. Bouletreau et al.

� 2006 The Authors, Journal compilation � 2006 Blackwell Publishing Ltd, Freshwater Biology, 51, 901–912

Verdun-sur-Garonne provided discharge records for

the downstream site. The French meteorological

society (Meteo France) provided global daily radi-

ation at Lherm (20 km on south-west from

Toulouse). Each global daily radiation (J cm)2) was

first converted to daily integrated photosynthetically

(400–700 nm) active radiation I (J cm)2) according to

Steemann-Nielsen (1975). To compare with Uehlinger

et al. (1996), I was converted as a photon flux density

expressed as E m)2 (equivalent to mol m)2). Mean

daily water temperatures were calculated from

hourly temperatures supplied by DIREN Midi-

Pyrenees. Water soluble reactive phosphorus (SRP),

ammonium, nitrite and nitrate concentrations were

quantified by standard colorimetric methods [Ameri-

can Public Health Association (APHA), 1992] from

filtered water samples collected at each biomass

sampling campaign.

Modelling approach

Initial model. We used the structure of the differential

equation developed by Uehlinger et al. (1996) for a

Swiss prealpine gravel bed river characterised by

unpredictable and frequent disturbances. Two terms

compose the differential equation of epilithic biomass

B (g AFDM m)2) in accordance with the benthic algal

theoretical curve proposed by Biggs (1996): an accrual

term and a loss term.

dB

dt¼ lmaxB

1

1 þ kinv;BB

I

kI þ IebðT�T0Þ � cdetQðB � B0Þ

ð1Þ

The accrual term is mainly based on a net biomass

growth term (lmax) limited by biomass thickness

(kinv,B). The biofilm thickness is considered as a

variable of growth limitation; in a biofilm mat of

increasing thickness, the surface layers are supported

by better light (and nutrient conditions) than deeper

layers. A detachment term directly proportional to the

mean daily discharge Q and to biomass B composed

the loss term (cdet).

Two other growth limitation terms I/(kI + I) and

eb(T)T0) account for the influence of seasonal variations

in light (kI) and temperature (b and T0) on the growth

rate. The reference temperature T0 was set to 20 �C.

We decided to remove from (1) the catastrophic loss

term proposed by Uehlinger et al. (1996) and activated

when discharge is higher than a critical discharge. Its

impact on epilithic biomass was short term and did

not give significant changes.

Model development: SRP impact. Water SRP concentra-

tions (kP) were included in the equation to complete

the set of external factors.

dB

dt¼ lmaxB

1

1 þ kinv;BB

[SRP]

kP þ [SRP]� cdetQðB � B0Þ

ð2Þ

The growth rate nutrient limitation term is the

classic Monod function widely used to represent SRP

limitation of algal growth in freshwater systems. The

Monod function assumes that the growth rate of

periphyton increases rapidly with P at low concen-

trations of SRP and becomes insignificant at high P

concentrations.

Model development: self-generated detachment. Self-gene-

rated detachment is a sizeable and rather sudden

loss of biofilm standing stock that can arise because

of a decrease of attached biomass resistance to

floating and drifting. This occurs when the biofilm

becomes thicker and less cohesive. Senescence of

the deeper algal layers, their heterotrophic degrada-

tion and consequent respiratory gas bubble produc-

tion is the typical autogenic sequence that results

in sloughing of a mature biofilm. Various matur-

ation-related processes such as enhanced meiofauna

activity may also contribute to self detachment,

which may thus be schematically viewed as a shift

from photoautotrophic accrual to heterotrophic

losses.

Self-generated detachment was assumed to be

mainly triggered by the bacterial degradation of the

biofilm mat, which is in turn strongly controlled by

temperature. A self-generated detachment term (cauto)

is a conceptual formulation indicating that favourable

temperature conditions may activate bacteria

involved in the degradation process and hence

emphasise sloughing.

This term was formulated using the same form as

the discharge-dependant term of Uehlinger et al.

(1996): lost epilithic biomass is an increasing function

of biomass of biofilm standing stock, thus propor-

tional to (B)B0). Loss is thus expressed as a function of

the active bacterial density Bb (cells m)2).

Importance of a self-generated detachment process in river biofilm models 903


dB

dt¼lmaxB

1

1þkinv;BB�cdetQðB�B0Þ�cautoBbðB�B0Þ

ð3Þ

The active bacterial density Bb was simultaneously

described by a simple differential equation composed

by a growth and a loss term.

dBb

dt¼ ½lBbebBbðT�T0BbÞ�c0detB�Bb ð4Þ

Active bacterial density accrual was approximated

by a temperature limited growth rate; temperature

limitation was expressed by the Arrhenius or van’t

Hoff equation [bBb and T0Bb, the reference (optimal)

temperature). The loss term (c0det) was expressed as a

detachment term considering that biofilm detachment

(discharge-dependant and/or self-generated) simul-

taneously causes bacterial matter losses. Epilithic

biomass B was thus chosen as an integrative variable

explaining bacterial detachment. Other kinds of loss

(death, lysis) were included in lBb. The list of

parameters symbols, units and names was detailed

in Table 1.

Model resolution, calibration and settings. Equations

were resolved using the Runge-Kutta method (fourth

order). Preliminary tests had demonstrated the

accuracy of a time step fixed at 3 h. Values of

discharge, temperature, light and SRP at each time

step were obtained by linear interpolation of obser-

vational data.

Model simulations and parameter estimation in the

eqns (1) and (2) were based on the minimisation of

chi-square in each site. The initial value of epilithic

biomass B was fixed at 4 g AFDM m)2 in accordance

with average initial measured biomasses in both sites.

The initial Bb value was fixed in accordance with

previous studies showing that epilithic bacterial

densities represented on average 3 · 1010 cells (g

AFDM))1 (Lyautey et al., 2003, 2005a). The initial Bb

value was thus equal to 1 · 1011 cells m)2 in accor-

dance with the retained initial B value.

Results

Environmental variables and biomass dynamics

Active radiation I exhibited a typical seasonal cycle

between an irradiance of 63 E m)2 in summer to

2 E m)2 in winter (Fig. 1a). Water temperature des-

cribed a parallel pattern, varying between 27 �C in

August and 0.5 �C in December (Fig. 1b). During the

modelling period (July 2001 to November 2002), the

Garonne River exhibited stable hydrology with a

mean flow of 60 m3 s)1 (minimum 35 to maximum

225) from July 2001 to January 2002 followed by a

disturbed hydrological period with a mean flow of

182 m3 s)1 (maximum 1183 m3 s)1 to minimum

45 m3 s)1) from February to November 2002 (Fig. 1c).

Our study period began on 19 July 2001 after

6 months of high water that initialised the growth

biofilm. SRP concentrations were quite stable with an

average of 9 lg L)1 in the upstream site (Fig. 1d). In

the downstream site, SRP concentrations were more

variable around an average of 100 lg L)1. Mean (±SE)

N/P ratios were 29 (±4.8) and 14 (±0.6) for the

upstream and downstream sites respectively.

Epilithic biomass was estimated using three area-

specific masses, namely DM, AFDM and chlorophyll a

per square meter (Fig. 2). Irrespective of the method

used to estimate biomass, epilithic biomass exhibited

the same pattern at both sites: two successive peaks of

biomass, occurring in summer (from July 2001 to

November 2002) and in winter (from November to

March 2002). In summer, biomass reached a maximum

of 156 and 151 g DM m)2 (in upstream and down-

stream sites, respectively), 24 and 25 g AFDM m)2, 146

and 115 mg chlorophyll a m)2. In winter, biomass

reached a maximum of 217 and 157 g DM m)2 (in

upstream and downstream sites, respectively), 30 and

Table 1 Model parameters

Symbols Units Names

First equation

lmax d)1 maximum specific growth rate

kinv,B g AFDM)1 m2 inverse half-saturation constant

kl E m)2 light half-saturation coefficient

b �C)1 coefficient of temperature

T0 �C reference temperature (20 �C)

kp mg)1 L phosphorus half-saturation constant

cdet s m)3 d)1 detachment coefficient

B0 g AFDM m)2 minimal biomass

cauto cells)1 m2 self-generated detachment coefficient

Second equation

lBb d)1 maximum specific growth rate

bBb �C)1 coefficient of temperature

T0Bb �C reference temperature (20 �C)

c0det d)1 bacterial detachment coefficient



29 g AFDM m)2, 282 and 195 mg chlorophyll a m)2.

DM and AFDM (r2 ¼ 0.80, n ¼ 66, P < 0.001) and

chlorophyll a and AFDM (r2 ¼ 0.61, n ¼ 59, P < 0.001)

were significantly correlated in the two sites. The

weaker correlation found between chlorophyll a and

AFDM could be related to chlorophyll a cell content,

which increases with decreasing light intensity in

winter (data not shown). Pigment chromatic adapta-

tion (to low light particularly) may alter the ratio

between these chemical indicators.

Initial model

The first simulation combining the net growth term

limited by biomass thickness and discharge (Fig. 3a,b)

provided satisfactory levels of epilithic biomass as

indicated by the chi-square drop when discharge

detachment was activated (Table 2; fits U2 and D2).

As measured by chi-square value, model calibration

seemed to provide a better fit in the upstream site. In

both sites, however, modelling reproduced global

differences in biomass values in relation to mean flow.

Conversely, during the 7-month low water period,

simulations did not reproduce intermediary biomass

losses and showed poor agreement with measured

data in both sites, especially between September 2001

and January 2002 when measured epilithic biomass

was decreasing.

Light and temperature limitation terms did not

improve simulations, particularly during the first low

water period (Fig. 3c,d; Table 2; fits U3, D3, U4 and

D4). Conversely, because of the substantial reduction

in I (from 26 to 5 E m)2; Fig. 1a) and temperature

(from 25 to 1 �C; Fig. 1b) from November 2001 to

January 2002, the biomass simulated with overstated

temperature and light parameters decreased while the

measured biomass values continued to increase.

SRP impact

The introduction of an SRP limitation term did not

substantially improve the fit with observed data

(Table 2; fits U5 and D5). The influence of SRP

limitation on epilithic biofilm accrual rate differed

between the sites (Fig. 3e,f), as expected given diffe-

rences in their SRP levels. The term was negligible in

July 01 November 01 March 02 July 02 November 02

Ligh

t (E

m–2

)

0

10

20

30

40

50

60

70(a)

(c)

(b)

(d)

July 01 November 01 March 02 July 02 November 02

July 01 November 01 March 02 July 02 November 02July 01 November 01 March 02 July 02 November 02

Tem

pera

ture

(°C

)

0

5

10

15

20

25

30

SR

P c

once

ntra

tions

(µ

g l–1

)

0

50

100

150

200

250 Upstream siteDownstream site

Mea

n da

ily d

isch

arge

(m

3 s–1

)

0

200

400

600

800

1000

1200

1400Upstream siteDownstream site

Fig. 1 Seasonal changes in (a) light, (b) temperature, (c) mean daily water discharge and (d) SRP concentration from July 2001 to

November 2002 in the upstream and downstream sites.



determining the accrual rate in the downstream site

but was responsible for a substantial reduction in the

upstream site.

Self-generated detachment

The addition of a self-generated sloughing term

allowed the model to reproduce the decrease of

epilithic biomass in September 2001 at both

sites (Fig. 3g,h). This resulted in substantial change

of chi-square values in the upstream and downstream

sites (Table 2; fits U8 and D8). A loss was generated

from July 2001 to January 2002, increasing to more

than 1 g AFDM m)2 in the upstream site and to 0.5 g

AFDM m)2 in the downstream site (Fig. 4a,b). Note

that the implementation of the self-generated detach-

ment term only improved the initial model conside-

ring as long as it was considered to be a supplement to

a flow-mediated loss (Table 2; fits U9 and D9).

Deactivation of bacterial detachment (c0det ¼ 0) or

Chlorophyll a

0

100

200

300

400

0

10

20

30

40

50

AFDM

0

50

100

150

200

250

300

DM

0

10

20

30

40

50

AFDM

July November March July November July November March July November

July November March July NovemberJuly November March July November

July November March July November July November March July November

g m

–2g

m–2

mg

m–2

0

50

100

150

200

250

300

DM

Upstream site Downstream site

0

100

200

300

400

Chlorophyll a

(a)

(c)

(e)

(b)

(d)

(f)

Fig. 2 Biofilm dynamics (mean ± SE) expressed as (a,b) dry mass DM, (c,d) ash-free dry mass AFDM and (e,f) chlorophyll a from July

2001 to November 2002 in the upstream and downstream sites.



Upstream site Downstream site

AF

DM

(g

m–2

) A

FD

M (

g m

–2)

AF

DM

(g

m–2

) A

FD

M (

g m

–2)

July November March July November0

10

20

30

40

July November March July November 0

10

20

30

40

50

July November March July November 0

10

20

30

40


10

20

30

40

50


10

20

30

40

November March July July November0

10

20

30

40

50

(a)

(c)

(e)

(g)

(b)

(d)

(f)

(h)

0

10

20

30

40


10

20

30

40

50

July November March July November

Initial model

Initial model + kI = 1; = 0.1

Initial model

Initial model

Initial model + kP = 0.01

Initial model

Final model:self-generated detachment impact

Fig. 3 Model simulations: biofilm ash-free dry mass (g AFDM m)2). Comparisons between measured (mean ± SE) and simulated

biomasses (lines) from July 2001 to November 2002 in the upstream site and the downstream site. (a, b) Initial models. Represented

simulation corresponds to the fits U2 and D2 in Table 2; (c, d) Light and temperature impact on initial models; (e, f) SRP impact on

initial models; (g, h) Final models: self-generated detachment. Represented simulations correspond to the fits U2, D2, U8 and D8 in

Table 2.



temperature limitation (bBb ¼ 0) gave poorer agree-

ment with measured data (Fig. 4c,d), indicating that

the employed parameters were appropriate. A Bb loss

term (represented by c0det) was necessary to balance Bb

growth (deactivation of c0det). Comparisons between

the final simulation and the deactivated bBb simula-

tion indicate that temperature sensitivity may explain

the first biomass peak.

Discussion

Initial model

The model developed by Uehlinger et al. (1996) was

based on the hypothesis that disturbances produced

by spates are the major mechanism controlling

periphyton biomass in streams, initiating new cycles

of accrual, metabolic and structural succession (Biggs

& Thomsen, 1995). This convenient model has been

retained in our study because the variables were easy

to measure, parameters are explicit and calibration

and validation have been performed with a long-term

measured data set. However, we preferred to assess

biomass dynamics using AFDM, which describes the

entire biomass of the biofilm assemblage, rather than

chlorophyll a, which only relates to the algal part of

the mat and can be subject to changes because of

photoadaptation.

Some differences in conditions can be listed

between the present study and that of Uehlinger et al.

(1996): mean annual discharge (200 versus 4.6 m3 s)1),

river width (80 versus 25 m) and disturbance fre-

quency (one flow event per 2 months versus one flow

event per 2 weeks). Despite these differences, the

equation combining growth, nutrient limitation and a

light diffusion term, together with loss related to a

discharge effect, simulated satisfactory levels of bio-

mass during annual low and high water periods. The

mean seasonal epilithic biomass in the Garonne River

is thus likely to be controlled by hydrological distur-

bance intensity in accordance with previous studies

showing that more than 60% of the variance in

periphyton biomass in streams can be explained by

spates (Biggs & Close, 1989; Uehlinger et al., 1996). By

activating light and temperature limitation terms in

our model we found that neither active radiation nor

Table 2 Result of parameter fits (minimisation chi-square) of the model simulations. The fits are ordered with different active

processes. Bold and narrow text respectively corresponds to simulations in the upstream (U) and the downstream (D) sites. Each

number marks the value of the parameter. Empty cells mark the parameters set to zero and not included in the fit.

Fit

Accrual

SRP limited

kP

Loss

v2-value

Biofilm

thickness

limited Light

limited

k1

Temperature

limited

b

Discharge-dependant Self-generated

lmax kinv,B cdet B0 cauto lBb c0det bBb

U1 6.64 10.5 268.1

D1 13.12 25.4 386.3

U2 7.84 3.8 0.0016 0.00001 88.1

D2 25.28 10.9 0.0016 0.00001 136.7

U3 7.28 3.5 0.001 0.0016 0.00001 88.1

D3 25.28 10.9 0.001 0.0016 0.00001 136.7

U4 7.28 3.5 0.00001 0.0016 0.00001 88.1

D4 25.28 10.9 0.00001 0.0016 0.00001 136.7

U5 7.36 3.5 0.0001 0.0016 0.00001 88.1

D5 26.16 11.0 0.002 0.0016 0.00001 136.1

U6 20.00 9.6 0.0016 0.00001 3·10)15 0.0008 87.6

D6 57.6 23.9 0.0016 0.00001 4·10)15 0.040 135.6

U7 20.80 9.0 0.0016 0.00001 9·10)15 0.80 0.056 75.1

D7 72.8 22.9 0.0016 0.00001 3·10)14 0.768 0.0552 119.9

U8 5.52 1.0 0.0032 0.00001 5·10)17 0.176 0.0216 0.60 55.6

D8 61.6 13.9 0.0024 0.00001 5·10)16 0.688 0.384 0.23 102.1

U9 26.16 13.6 2·10)15 0.080 0.000008 0.53 122.0

D9 44.32 15.0 2·10)15 0.080 0.000008 0.57 151.4



water temperature improved the simulation of bio-

mass dynamics at the observed seasonal scale. Despite

a seasonal decrease of water temperature and light,

comparable biomass values were reached in both

epilithon peaks (about 30 g AFDM m)2), suggesting

that within this range of variation neither light nor

temperature had a substantial effect. Moreover, three

out of the five algal species accounting for nearly

80% of algal biomass were common to both peaks

(J. Brabet & L. Ten Hage, unpublished data): Diatoma

vulgaris Bory, Melosira varians Agardh and Amphora

ovalis Kutz, indicating that a few taxa, quite well

adapted to temperature seasonal changes, may have

sustained epilithic biomass development.

SRP impact

Nutrient availability is an important factor influencing

periphyton development in streams, particularly dur-

ing periods without spates (Biggs, 1995). Taking into

account the recorded biomass, the sampled sections of

the Garonne River can be considered to be ‘enriched’

according to Biggs (1996), or ‘eutrophic’ according to

Dodds, Jones & Welch (1998). It thus seems that no

nutrient deprivation occurred in the biofilms, as

compared with the river sampled by Uehlinger et al.

(1996). The N/P ratios in each site indicate that SRP

would be the less available element in this system. As

expected, implementing a SRP limitation term during

these periods did not improve the simulation of

biomass temporal variations but accurately simulated

differences in epilithic biomass accrual rates between

sites. The impact of urban discharges on epilithic

community structure or activity had previously been

evidenced in the Garonne River (Teissier et al., 2002;

Lyautey et al., 2003). Differences in epilithic biomass

accrual rates between sites might thus be due to

changes in nutrient loads.

Upstream site Downstream siteA

FD

M (

g m

–2)

AF

DM

(g

m–2

)


1

2

3

4

5(a)

(c)

(b)

(d)


1

2

3

4

5 Discharge-dependant detachment

Self-generated detachment

0

10

20

30

40

50


10

20

30

40

50

July November March July November

Final simulation

Bb = 0c’det = 0

Fig. 4 (a, b) Temporal dynamics of losses because of self-generated detachment (bold line) and discharge-dependant detachment (thin

line) from July 2001 to November 2002 in the upstream and downstream sites. (c, d) Response of epilithic biomass to deactivation of

temperature (bBb ¼ 0) and loss (c0det ¼ 0) parameters from July 2001 to November 2002 in the upstream and downstream sites.



Self-generated detachment impact

Uehlinger et al. (1996) included in the net growth rate

lmax other implicit loss factors (decay, loss by grazing

and discharge-independent detachment). Nevertheless

floods were so frequent and intense that biomass

growth curves were periodically truncated by spates

and that impact of other loss terms were negligible.

Algal communities in streams exhibiting frequent

floods tend to have the characteristics of immature or

pioneer communities (Odum, 1969; Biggs, Stevenson &

Lowe, 1998) as the maturation of the epilithic biomass

and thus community succession, is truncated. In such

cases, colonisation and rapid growth are the distinctive

characters of the communities and accrual is the

dominant process. Modelling net phototrophic growth

is then satisfactory to simulate epilithic biomass

dynamics. This may explain why the direct application

of Uehlinger’s model simulated adequate levels of

biomass during one hydrological cycle in any given

hydrosystem. According to the theoretical benthic algal

growth curve proposed by Biggs (1996), when no

hydrological disturbance occurs, an accrual phase

because of immigration/colonisation is followed by

losses through a combination of death, emigration,

sloughing and removal by grazing. Epilithic biomass

removal by autogenic sloughing and grazing typically

occurs with increasing time since the last disturbance

(Leff et al., 1994; Biggs, 1996; Lawrence et al., 2002;

Battin et al., 2003). Decreasing of the resistance of

benthic algae with community age and biomass may

favour autogenic sloughing (Peterson, Hoagland &

Stevenson, 1990). Grazing may also be a relevant

constraint after a long period without spates since the

recovery of invertebrates is usually slow compared

with periphyton growth (Biggs & Close, 1989).

In our study sites, an analysis of the epilithic

community structure in relation to abiotic factors has

been performed by Lyautey et al. (2005b). This

showed that recorded biomass dynamics (July 2001

to March 2002) may not have simply represented a

single production event interrupted by disturbance,

but rather a sequence of two production events with

accrual and loss phases. Typical life history and diet

parameters of benthic invertebrates (e.g. Benke, 1979;

Basaguren, Riano & Pozo, 2002) suggest that the

studied period (July to December) should be charac-

terised by high numbers of small individuals which

have lower energetic demands. Ingestion by inverte-

brates should thus have been low and rather constant.

Subsequent losses because of grazing were unlikely to

occur during the loss phase. We assumed therefore

that epilithic biomass underwent autogenic evolution.

Indeed hydrological stability, seasonal variations of

light and temperature and biofilm accrual were the

main variables that might have driven bacterial

community succession. As hydrological, chemical

and biological data supported the hypothesis of an

autogenic evolution of epilithic biomass within each

production event, autogenic sloughing was consi-

dered to be a function of resource stress of underlying

layers, because of bacterial activity indicated by the

intensification of the heterotrophic decay processes in

the course of biofilm maturation. Our model, inclu-

ding a new detachment term, provided a good

simulation of epilithic biomass during the low water

period, supporting the hypothesis that the dynamics

of mature epilithic biomass are not only driven by

photoautotrophic growth but also by a heterotrophic

loss process.

As already mentioned, temperature is unlikely to

have affected the extent of biomass accrual. Changes

in temperature could nevertheless explain differences

between the first and the second production events; in

particular, the limitation of bacterial activity by low

temperature might have led to the stability of the

second peak of biomass. The time taken to reach the

first epilithic biomass peak (TPB as defined by Biggs,

1996) is indeed about half as long (60 days) as for the

second peak (120 days). We suppose that summer

temperatures might favour bacterial activity, although

winter temperatures could moderate such activity. A

close association between temperature and microbial

growth in biofilms has also been demonstrated in

drinking water distribution systems (Lund & Orme-

rod, 1995; Ndiongue, Huck & Slawson, 2005). More-

over, previous studies in marine waters have

mentioned a stronger temperature dependence of

microbial respiration as compared with photosyn-

thesis (Pomeroy & Deibel, 1986; Hancke & Glud,

2004). In our model, a temperature limitation term for

bacterial activity generated a temperature-dependant

loss. As a consequence (Fig. 4), such a loss might have

controlled the biomass dynamics in the first peak

while in the second peak no self-generated loss was

likely to occur. In low temperature conditions only

hydrodynamics would have controlled biomass loss,

as modelled by Uehlinger et al. (1996).



Our study confirmed that dynamics of the epilithic

biomass is mainly driven by hydrodynamics, which

plays a substantial role in biomass loss through a

discharge-dependant detachment. Regarding the bio-

logical processes, our study outlined that epilithic

biomass resulted from a phototrophic growth, which

was quite insensitive to temperature and a heterotro-

phic bacteria mediated loss, which was strongly

dependant on temperature. In disturbed streams or in

low temperature conditions, the hypothesis that epi-

lithic biomass results from the equilibrium between a

phototrophic growth and a discharge dependant

detachment is reliable as the bacteria-mediated hetero-

trophic loss is negligible while hydrodynamics control

prevails. Conversely during extended periods of flow

stability and favourable temperature, i.e. in typical

summer low water period, the self-generated detach-

ment because of heterotrophic processes should be

considered to accurately model epilithic biomass.

Acknowledgments

The work was supported by GIS-ECOBAG (Groupe-

ment d’Interet Scientifique-Ecologie et Economie du

Bassin Adour Garonne). We wish to thanks J. Brabet

and L. Ten Hage for algal data. We are grateful to

S. Teissier and E. Lyautey for their valuable comments.

We also thank anonymous reviewers for their critical

comments.

References

American Public Health Association (APHA) (1992)

Standard Methods for the Examination of Water and

Wastewater, 18th edn. APHA, Washington, DC.

Ameziane T., Garabetian F., Dalger D., Sauvage S., Dauta

A. & Capblancq J. (2002) Epilithic biomass in a large

gravel-bed river (the Garonne, France): a manifestation

of eutrophication? River Research and Applications, 18,

343–354.

Asaeda T. & Hong Son D. (2000) Spatial structure and

populations of a periphyton community: a model and

verification. Ecological Modelling, 133, 195–207.

Basaguren A., Riano P. & Pozo J. (2002) Life history

patterns and dietary changes of several caddisfly

(Trichoptera) species in a northern Spain stream.

Archiv fur Hydrobiologie, 155, 23–41.

Battin T.J., Kaplan L.A., Newbold J.D. & Hansen C.M.E.

(2003) Contributions of microbial biofilms to ecosystem

processes in stream ecosystems. Nature, 426, 439–442.

Benke A.C. (1979) A modification of the Hynes method

for estimating secondary production with particular

signification for multivoltine population. Limnology and

Oceanography, 24, 168–170.

Biggs B.J.F. (1995) The contribution of flood disturbance,

catchment geology and land use to the habitat tem-

plate of periphyton in stream ecosystems. Freshwater

Biology, 33, 419–438.

Biggs B.J.F. (1996) Patterns in benthic algae of streams. In:

Algal Ecology: Freshwater Benthic Ecosystems (Eds R.J.

Stevenson, M.L. Bothwell & R.L. Lowe), pp. 31–56.

Academic Press, San Diego.

Biggs B.J.F. & Close M.E. (1989) Periphyton biomass

dynamics in gravel bed rivers: the relative effects of

flows and nutrients. Freshwater Biology, 22, 209–231.

Biggs B.J.F. & Thomsen H.A. (1995) Disturbance in

stream periphyton by perturbations in shear stress:

time to structural failure and difference in community

resistance. Journal of Phycology, 31, 233–241.

Biggs B.J.F., Stevenson R.J. & Lowe R.L. (1998) A habitat

matrix conceptual model for stream periphyton. Archiv

fur Hydrobiologia, 143, 21–56.

Chetelat J., Pick F.R., Morin A. & Hamilton P.B. (1999)

Periphyton biomass and community composition in

rivers of different nutrient status. Canadian Journal of

Fisheries and Aquatic Sciences, 56, 560–569.

Dodds W.K., Jones J.R. & Welch E.B. (1998) Suggested

classification of stream trophic state: distributions of

temperate stream types by chlorophyll, total nitrogen.

Water Research, 32, 1455–1462.

Eulin A. & Le Cohu R. (1998) Epilithic diatom commu-

nities during the colonization of artificial substrates in

the River Garonne (France). Comparison with the

natural communities. Archiv fur Hydrobiologie, 143,

79–106.

Hancke K. & Glud R.N. (2004) Temperature effects on

respiration and photosynthesis in the three diatom-

dominated benthic communities. Aquatic Microbial

Ecology, 37, 265–281.

Horner R.R., Welch E.B. & Veenstra R.B. (1983) Devel-

opment of nuisance periphytic algae in laboratory

streams in relation to enrichment and velocity. In:

Periphyton of Freshwater Ecosystems (ed. R.G. Wetzel),

pp. 121–164. Junk, The Hague.

Jeffrey S.W., Mantoura R.F.C. & Wright S.W. (1997)

Phytoplankton Pigments in Oceanography. 661 pp. UN-

ESCO, Paris.

Lawrence J.R., Scharf B., Packroff G. & Neu T.R. (2002)

Microscale evaluation of the effects of grazing by

invertebrates with contrasting feeding modes on river

biofilm architecture and composition. Microbial Ecol-

ogy, 43, 199–207.



Leff L.G., Vaun McArthur J., Meyer J.L. & Shimkets L.J.

(1994) Effect of macroinvertebrates on detachment of

bacteria from biofilms in stream microcosms. Journal of

the North American Benthological Society, 13, 74–79.

Lohman K., Jones J.R. & Perkins B.D. (1992) Effects on

nutrient enrichment and flood frequency on periph-

yton biomass in northern Ozark streams. Canadian

Journal of Fisheries and Aquatic Sciences, 49, 1198–1205.

Lund V. & Ormerod K. (1995) The influence of disinfec-

tion processes on biofilm formation in water distribu-

tion systems. Water Research, 29, 1013–1021.

Lyautey E., Teissier S., Charcosset J.Y., Rols J.L. &

Garabetian F. (2003) Bacterial diversity of epilithic

biofilm assemblages of an anthropised river section,

assessed by DGGE analysis of a 16S rDNA fragment.

Aquatic Microbial Ecology, 33, 217–224.

Lyautey E., Lacoste B., Ten-Hage L., Rols J.L. &

Garabetian F. (2005a) Analysis of bacterial diversity

in river biofilms using 16S rDNA PCR-DGGE: meth-

odological settings and fingerprints interpretation.


Lyautey E., Jackson C.R., Cayrou J., Rols J.L. &

Garabetian F. (2005b) Bacterial community succession

in natural river biofilm assemblages. Microbial Ecology,

50, 589–601.

Morgenroth E. & Wilderer P.A. (2000) Influence of

detachment mechanisms on competition in biofilms.


Ndiongue S., Huck P.M. & Slawson R.M. (2005) Effects of

temperature and biodegradable organic matter on

control of biofilms by free chlorine in a model drinking

water distribution system. Water Research, 39, 953–964.

Odum E.P. (1969) The strategy of ecosystem develop-

ment. Science, 164, 262–270.

Peterson C.G., Hoagland K.D. & Stevenson R.J. (1990)

Timing of wave disturbance and the resistance and

recovery of a freshwater epilithic microalgal commu-

nity. Journal of the North American Benthological Society,

9, 54–67.

Pomeroy L.R. & Deibel D. (1986) Temperature regulation

of bacterial activity during the spring bloom in

Newfoundland Coastal Waters. Science, 233, 359–361.

Saravia L.A., Momo F. & Boffi Lissin L.D. (1998)

Modelling periphyton dynamics in running water.

Ecological Modelling, 114, 35–47.

Steemann-Nielsen E. (1975) Marine Photosynthesis with

Special Emphasis on Ecological Aspects. Elsevier Oceano-

graphic Series. 141 pp. Elsevier Scientific Publishing,

Amsterdam.

Teissier S., Garabetian F., Torre M., Dalger D. & Labroue

L. (2002) Impact of an urban centre on the nitrogen

cycle processes of epilithic biofilms during a summer

low-water period. River Research and Applications, 18,

21–30.

Telgmann U., Horn H. & Morgenroth E. (2004) Influence

of growth history on sloughing and erosion from

biofilms. Water Research, 38, 3671–3684.

Uehlinger U., Burher H. & Reichert P. (1996) Periphyton

dynamics in a floodprone prealpine river: evaluation

of significant processes by modelling. Freshwater

Biology, 36, 249–263.

(Manuscript accepted 3 February 2006)



Chapitre 5. Vers une évolution autogène ?


Chapitre 5

Dynamique de la biomasse épilithique en écoulement

contrôlé : vers une évolution autogène de l’agrégat ?




Dans des situations hydrologiques très contrastées, marquées par une alternance de

périodes de hautes et basses eaux, la dynamique temporelle de la biomasse épilithique peut

être assimilée à un équilibre entre une croissance photosynthétique et un détachement

proportionnel au débit (cf. chapitre 3). Si les périodes de basses eaux sont suffisamment

stables et longues, d’autres facteurs peuvent interagir et complexifier le patron de biomasse.

C’est le cas dans les chroniques de la Garonne à l’Aouach et Gagnac observées en 2001 (cf.

chapitre 4) où la seule croissance d’une biomasse phototrophe soumise à un détachement

dépendant de l’hydrodynamique ne suffit plus à interpréter la dynamique temporelle de la

biomasse. L’introduction d’un compartiment hétérotrophe dans le modèle semble démontrer

que le détachement autogène pourrait être considéré comme la conséquence d’une transition

fonctionnelle du biofilm de l’autotrophie vers l’hétérotrophie. Cette transition se révélerait en

absence de perturbations hydrologiques et lorsque la température est favorable. Ce sont ces

conditions expérimentales, difficiles à observer simultanément in situ, que nous avons

souhaité reproduire artificiellement. Une telle démarche exigeait de permettre au biofilm

épilithique d’évoluer pendant plusieurs semaines voire plusieurs mois sans qu’aucune

perturbation hydrodynamique ne vienne interrompre cette évolution.

L’expérimentation a été réalisée en canal expérimental pour mieux répondre aux

contraintes de maintenir une hydrodynamique constante, de limiter les carences nutritives, de

maintenir un éclairement favorable à la croissance des algues, d’exposer le biofilm à des

températures élevées et de réduire l’hétérogénéité spatiale du développement du biofilm. Le

canal expérimental, déjà utilisé pour les travaux de Godillot et al. (2001) et Fothi (2003) a

donc fait l’objet d’adaptations en ce sens, en concertation avec les chercheurs de l’équipe

OTE (Ondes Turbulence Environnement) de l’IMFT, responsables de ce canal et pour qui,

cette expérimentation était l’occasion d’étudier les interactions entre l’écoulement et la

biomasse en croissance.

Initialement en circuit fermé et alimenté par de l’eau de ville, le canal est maintenant

alimenté en continu par de l’eau provenant de la Garonne à un débit tel que l’eau du canal est

entièrement renouvelée en 4h (circuit semi-ouvert). Un dispositif de filtration a été installé

pour empêcher l’apport de particules et de macroorganismes et donc le broutage. Le débit et



la hauteur d’eau dans le canal ont été fixés à 14,5 L s-1 et 13 cm respectivement de telle

manière à ce que l’habitat/le faciès reproduit dans ce canal soit proche de celui échantillonné

dans la Garonne : d’après la classification de Jowett (1993), le nombre de Froude (Fr) égal à

0,19 est effectivement caractéristique d’une zone de « plat courant » (0,18 < Fr < 0,41)

comme le faciès échantillonné in situ (cf. chapitres 4 et 6). Le canal a été équipé de rampes

lumineuses supplémentaires, associant néons de base et néons horticoles, recouvrant toute la

longueur du canal, pour favoriser une croissance homogène. Il a été entièrement recouvert de

substrats artificiels hémisphériques tous identiques. Enfin celui-ci n’étant pas équipé de

système de chauffage, l’expérimentation a été réalisée entre le 16 janvier et le 16 mai 2006,

période durant laquelle la température de l’eau a augmenté progressivement de 9 à 23 °C

environ. L’évolution du biofilm épilithique a été appréhendée des points de vue structurel et

fonctionnel par une mesure hebdomadaire de sa biomasse (MSSC, MS et chlorophylle a), de

sa composition algale (dénombrements algaux), de sa composition bactérienne (DGGE) et de

son métabolisme (production et respiration) pendant 17 semaines.

Ce chapitre s’organise en deux sous parties : la première fait l’objet d’une publication

qui décrit les évolutions structurelle et fonctionnelle du biofilm épilithique durant ces 17

semaines en l’absence de perturbation hydrodynamique alors que la seconde partie cherche à

expliquer les processus à l’origine du patron de biomasse obtenu et initie un développement

en terme de modélisation.

2 – Evolutions structurelle et fonctionnelle du biofilm

Résumé de « Long term dynamics of epilithic biofilm in controlled flow: structural and

functional changes » par Boulêtreau S, Sellali M, Nicaise Y, Sauvage S, Sánchez -Pérez J-M

et Garabétian F. Article en préparation.

Au cours des 10 premières semaines du suivi, la biomasse décrit un premier pic dont

l’évolution s’apparente à la dynamique théorique décrite par Biggs (1996) avec une phase de

colonisation suivie d’une croissance exponentielle puis d’une stabilisation de la biomasse (cf.

chapitre 1). La biomasse maximale, PB, s’élève alors à 33 g MSSC contre 25 g MSSC m-2 en

moyenne lors des pics de biomasse observés in situ en 2001 ; le temps nécessaire pour

atteindre la biomasse maximale, TPB, de 42 jours en canal est proche des 46 jours calculés sur



les pics de 2001 dans la Garonne et caractéristique, d’après Biggs (1996), d’une croissance

modérée. Le taux de croissance, AR, est deux fois plus élevé dans le canal (1,1 g MSSC m-2 d-

1) qu’en 2001 (0,53 g MSSC m-2 d-1). Le biofilm est plus riche en biomasse algale dans le

canal qu’en milieu naturel, comme en témoigne la valeur de l’index autotrophique moyen de

110 contre celui calculé lors des premiers pics de biomasse observé in situ en 2001-02 (324).

L’importance du compartiment photosynthétique, confirmée par la valeur du P/R moyen de 4,

indique une dominance de l’autotrophie. Deux diminutions du rapport P/R, principalement

attribuées à une baisse de la production (P), se produisent néanmoins ponctuellement pendant

la phase de stabilisation de la biomasse : de 6,5 à 4,3 entre les 7 et 14 mars (après 50 jours de

colonisation) puis de 6 à 1,4 entre les 22 et 28 mars (après 65 jours de colonisation). Ces

dernières coïncident aussi avec des diminutions faibles et ponctuelles de biomasse et

interviennent alors que la concentration en matière en suspension mesurée dans le canal

augmente jusqu’à 16 et 19 NTU les 10 et 14 mars puis jusqu’à 175 NTU le 23 mars.

Une importante diminution de biomasse, durant laquelle le biofilm perd 80 % de sa

chlorophylle a et 60 % de sa MSSC, interrompt le patron de biomasse après 71 jours de

colonisation. Aucune transition vers l’hétérotrophie, qui se manifesterait par une diminution

du rapport P/R, n’est observée à ce moment. Bien au contraire, la diminution de biomasse

coïncide avec les augmentations de la production et de la respiration, une correspondance qui

pourrait suggérer une stimulation du métabolisme associée à la perte de biomasse.

McCormick (1994) constate que la rupture physique du biofilm permet d’augmenter la

disponibilité en nutriments et donc de stimuler la croissance algale. En examinant l’effet d’un

orage sur le biofilm de rivière, Blenkinsopp & Lock (1994) montrent qu’une augmentation

significative de l’activité métabolique est observée immédiatement après l’orage pour le

biofilm le plus « perturbé » structurellement.

Une fois cette perte de biomasse produite, la tendance décrite par la biomasse varie

plus nettement d’un descripteur à l’autre : la biomasse chlorophyllienne reste constante

pendant un mois (entre les 6 et 24 avril, du 80 au 98ème jour de colonisation) autour de 73 mg

m-2 avant d’augmenter en l’espace d’une semaine à 211 mg m-2 et de se stabiliser pendant les

2 semaines suivantes autour de 147 mg m-2 (le 16 mai, après 120 jours de colonisation) ; les

biomasses organique (MSSC) et totale (MS) amorcent, directement la perte de biomasse

terminée, un nouveau pic avoisinant 13 et 42 g m-2 de MSSC et MS respectivement avant de

diminuer légèrement à 17 et 5 g m-2 respectivement. Au mois d’avril (entre les 75 et 105èmes



jours de colonisation), alors que la biomasse chlorophyllienne reste faible, le rapport P/R, en

moyenne égal à 3, est moins élevé que lors de la phase d’accrétion du premier pic, en

particulier en raison de la respiration dont la tendance est à une légère augmentation. Enfin,

entre les 2 et 9 mai (entre le 106ème et le 113ème jour de colonisation), la légère diminution de

la biomasse chlorophyllienne coïncide avec une diminution de la production, comme au cours

du mois de mars. Un autre évènement de turbidité marqué par l’augmentation de la

concentration en MES jusqu’à 34 NTU a lieu du 6 au 9 mai (entre le 110ème et le 113ème jour).

Si l’augmentation de la concentration en MES est probablement à l’origine de pertes

de biomasse algale, celle-ci ne semble pas avoir engendré de modifications significatives ni

de la richesse spécifique ni de la composition algales. Rappelons que les échantillons collectés

n’ont cependant pas tous fait l’objet de comptage et d’identification des algues. Les 9

prélèvements sélectionnés parmi les 15 représentent principalement l’évolution du

compartiment algal au cours du premier pic de biomasse, i.e. jusqu’au 11 avril (jusqu’au 85ème

jour de colonisation). Lors de ce premier pic, la richesse spécifique, très inférieure à celle

mesurée in situ (cf. chapitre 6) oscille entre 12 et 21 taxa. Parmi eux, deux taxa dominent

largement la communauté composée à plus de 97 % par des diatomées : Fragilaria capucina

Desmaziere var vaucheriae (Kütz) Lange-Bertalot représente 28 à 64 % et Cymbella minuta

Hilse ex. Rabenhorst représente 19 à 47 % de l’abondance totale. Trois autres espèces

dépassent au moins ponctuellement 5 % de l’abondance totale : Achanthidium minutissimum

Kütz., Fragilaria crotonensis Kitton et Nitzschia fonticola Grun.. Le seul prélèvement (2 mai,

106ème jour de colonisation), qui représente le second pic de biomasse, indique une richesse

spécifique plus réduite (9 taxa) avec une nette dominance de Fragilaria capucina (85 %) et de

Diatoma erhenbergii Kütz (12 %), les autres taxa auparavant majoritaires n’étant que très

faiblement présents. Si aucune conclusion ne peut être affirmée par l’analyse d’un unique

échantillon, l’observation visuelle de l’évolution des substrats semble confirmer néanmoins

un changement des communautés algales au cours de ce second pic : la biomasse se

développe de façon plus hétérogène et voit l’installation d’algues filamenteuses d’une

longueur moyenne de 35 cm (Figure 5.1.d). Il faut d’ailleurs souligner que la technique de

prélèvement à l’emporte-pièce (cf. chapitre 2), mise au point pour faire correspondre le plus

précisément possible une quantité de biomasse à une surface de substrat connue, n’est plus

aussi adaptée lors de ce second pic. La biomasse y est très probablement sous-estimée et les

conclusions, concernant ce second pic, moins fiables.



L’analyse de l’évolution de la composition des communautés bactériennes est réalisée

en triplicat du 7 février au 16 mai (soit 15 prélèvements). Les 45 échantillons ainsi analysés

sont répartis en trois gels comprenant chacun un triplicat de chaque prélèvement. Pour éviter

de recourir à une normalisation inter gels, chaque gel est analysé séparément et trois

dendrogrammes sont construits. Quel que soit le gel, le dendrogramme discrimine deux

groupes d’échantillons significativement différents qui partagent respectivement 35, 32 et 40

% des bandes détectées. Lyautey et al. (2005b) montrent que l’ARNr 16S plastidial représente

autour de 25% des OTUs dans des biofilms de rivière. Nous venons de montrer que les

communautés algales présentent une composition relativement constante. Cela renforce la

discrimination entre les deux groupes. Les groupes discriminés varient d’un gel à l’autre mais

dans tous les gels, le premier groupe rassemble au minimum les 6 échantillons collectés entre

le 7 février et le 22 mars (entre le 22ème et 65ème jours de colonisation) et le second groupe

comprend au minimum les 4 échantillons du 11 avril au 2 mai (du 85ème au 106ème jour). Les 3

échantillons des dates intermédiaires (du 28 mars au 6 avril) appartiennent, selon les gels, au

groupe 1 (gel 3), au groupe 2 (gel 1) ou au deux groupes (gel 2). Quant aux échantillons des 9

et 16 mai, ils sont soient associés au groupe 1 (gel 1) ou au second groupe (gel 2). Cette

analyse indique une évolution graduelle de la composition bactérienne jusqu’à la fin du mois

de mars, période de transition à partir de laquelle les échantillons se différencient nettement.

La richesse S semble similaire d’un groupe à l’autre, avec une richesse comprise entre 27 et

40 dans le premier groupe et entre 28 et 36 OTUs dans le second groupe du premier gel, entre

26 et 33 dans le premier groupe et 24 et 35 OTUs dans le second groupe du deuxième gel et

entre 29 et 36 dans le premier groupe et 22 et 30 OTUs dans le second groupe de troisième

gel. La richesse varie d’un gel à l’autre, elle est plus réduite dans les gels 2 et 3 (S = 29 et 30)

que dans le gel 1 (S = 35). Ce résultat est très probablement lié à la qualité des photographies

des gels, plus difficiles à analyser pour les gels 2 et 3 que pour le gel 1. Les résultats

concernant le groupement des échantillons sont cependant suffisamment significatifs pour

valider les conclusions.



Figure 5.1. Photographies des substrats colonisés après 4 semaines (a), 10 semaines (b), 12 semaines (c) et 14 semaines (d) de croissance. Le diamètre d’un substrat est de 4 cm.

La dynamique du biofilm épilithique au cours de ce suivi met en évidence les rôles

respectifs des communautés qui le composent. La composition constante des algues tout ou

moins lors du premier pic de biomasse, reflète très vraisemblablement une relative stabilité

des conditions environnementales. L’hypothèse de la perturbation intermédiaire (Connell

1978), selon laquelle, en absence de perturbation, seules les espèces les plus compétitives

dominent (exclusion compétitive), pourrait expliquer la faible diversité algale observée. A

titre illustratif, dans la Garonne, Eulin & Le Cohu (1998) ont répertorié 132 taxa (30 genres)

dans 8 stations réparties sur 200 km de rivière à l’occasion de deux prélèvements (hivernal,

estival). On est donc très loin de la quinzaine de taxa identifiés dans cette expérience. Les

conditions du dispositif expérimental en sont aussi certainement responsables : malgré

l’introduction répétée d’un inoculum volontairement diversifié au cours des trois premières

17/02

(a)

28/03

(b)

10/04

(c)

20/04

(d)

17/02

(a)

17/02

(a)

28/03

(b)

10/04

(c)

20/04

(d)



semaines, le dispositif n’assure pas un renouvellement/apport permanent de propagules (en

provenance de l’amont) permettant de réenrichir en continu le système ; par ailleurs, la

disposition géométrique des substrats dans le canal créé des conditions hydrodynamiques

assez homogènes et donc, un développement du biofilm plus synchronisé et moins riche qu’en

milieu naturel. Le développement du biofilm nous a semblé particulièrement homogène sur

toute la longueur du canal. Malgré un assemblage algal « appauvri », ce sont bien les algues,

architectes et bâtisseurs de l’agrégat, qui imposent par leur activité (production), les tendances

à l’accrétion ou à la diminution de biomasse fixée au cours de ce suivi. Les bactéries, formes

pondéralement minoritaires, maintiennent leur capacité à recycler la production végétale

(respiration) au prix d’une adaptation de la composition des communautés (Jackson et al.

2001). Malgré une apparente diversification des communautés bactériennes, rien n’indique

cependant la réalité d’un détachement autogène.

3 – Vers une identification des processus de détachement de biomasse

Contrairement à l’objectif initial, nous ne sommes pas parvenus à garantir l’absence de

perturbations environnementales durant l’intégralité du suivi : en particulier le dispositif de

filtration s’est avéré insuffisant pour retenir les particules lors des crues de la Garonne. Ces

dernières ont alors généré des augmentations ponctuelles de la turbidité dans le canal qui,

converties en matières en suspension (MES) à partir d’une régression entre turbidité (y) et

MES (x) égale à y = 0,4889 x + 0,5015 (r2 = 0,84 ; n = 14), s’élèvent finalement à 9 et 10 mg

L-1pour les deux premiers pics des 10 et 14 mars, à 86 mg L-1 pour le pic du 23 mars et à 16

mg L-1 pour celui du mois de mai. Les particules en suspension, dont la distribution de taille

comprise entre 0,4 et 100 µm est maximale à 25 µm, sont des particules de limon. Malgré le

dispositif de filtration, cette distribution de taille est bien représentative de la distribution de

taille observée dans la Garonne (Schafer & Blanc 2002). Dans la Garonne, ces évènements de

turbidité correspondent à des épisodes de crues durant lesquelles la fraction organique est

faible (de 2 à 5 % des MES totales) et principalement allochtone (Veyssy et al. 1999).

La turbidité est connue pour modifier les propriétés optiques de l’eau, en dispersant et

absorbant la lumière et empêchant sa transmission. Son effet sur les processus

photosynthétiques, et sur la croissance de l’épilithon a été largement étudié (Kirk 1983 ;

Davies-Colley et al. 1992 ; Hill 1996). En revanche, ses effets sur le détachement de biomasse



sont moins connus. Quelques études pourtant suggèrent que le détachement de biofilm lors

des crues n’est pas seulement le fait de l’augmentation de vitesse (Horner et al. 1990 ;

Uehlinger 1991 ; Francoeur & Biggs 2006). Les particules en suspension pendant les crues

peuvent altérer la composition des communautés algales (Uehlinger 1991 ; Biggs 1996 ;

Jowett & Biggs 1997). Pour Grimm & Fisher (1989), la différence entre la quantité de

chlorophylle a perdue lors des crues entre des radiers de galets et blocs et des plats courants

de sable et graviers est liée à l’abrasion par les sédiments en suspension. Les zones de forte

biomasse peuvent persister après la crue, probablement parce qu’elles sont au-dessus de la

zone d’abrasion par les sédiments (par ex. Uehlinger 1991 ; Francoeur et al. 1998).

Finalement, très peu d’études confirment expérimentalement cette hypothèse et quantifient

l’intensité du détachement provoqué, et ceci principalement parce que les effets de l’érosion

(effet de la phase fluide du débit) et de l’abrasion (effet de la phase solide) sont indissociables

en milieu naturel. Dans cette expérimentation, l’augmentation de la concentration en

particules solides est isolée de l’augmentation de débit. Les conditions environnementales

sont par ailleurs rendues artificiellement optimales pour la croissance du biofilm épilithique.

Les résultats de l’évolution temporelle du biofilm épilithique peuvent être interprétés dans ce

contexte pour expliquer le ou les mécanisme(s) susceptibles d’être à l’origine de la perte de

biomasse.

La matière en dérive a été quantifiée ponctuellement en posant un filet à l’extrémité

aval du canal. La quantité de MSSC par volume d’eau filtrée est divisée par la biomasse fixée

sur les substrats en MSSC au même moment. Ce ratio constitue une estimation grossière du

potentiel de détachement du biofilm dans le canal expérimental. Ce détachement, stable et

exponentiellement de 0,5 à 18 mg MSSC L-1 (g MSSC m-2)-1 pendant les cinq semaines

suivantes avant de diminuer aux environs de 5 mg MSSC L-1 (g MSSC m-2)-1 (Figure 5.2.a).

Cette estimation démontre que la diminution de la biomasse fixée observée est au moins

partiellement attribuée à un détachement. La diminution du contenu chlorophyllien du biofilm

au même moment semble démontrer par ailleurs que ce détachement est principalement

d’origine algale (Figure 5.2.b).

Quelle est l’origine de la perte de biomasse ? Parmi les processus suspectés, l’abrasion

est la principale cause de détachement proposée dans la littérature (Ryan 1991). Elle est

néanmoins peu effective avec des particules d’argile ou de limon, dont la surface spécifique

est très élevée (de l’ordre de 1 m2 g-1). Or l’analyse granulométrique des MES dans le canal



montre qu’il s’agit de particules dont la taille, comprise entre 0,4 et 100 µm, est centrée

autour de 25 µm, taille qui caractérise les limons. Pour Francoeur & Biggs (2006), une telle

distribution granulométrique des MES (80-85% < 63 µm) est beaucoup moins abrasive que

des particules de sable. Ils démontrent expérimentalement que l’abrasion par des particules

sableuses se produit principalement dans les 30 minutes après l’évènement et que la perte de

biomasse est plus complète sur la partie supérieure des substrats hémisphériques. Or dans le

canal, la perte de biomasse ne se produit que près d’une semaine après le principal pic de

turbidité et celle-ci semble concerner principalement, au moins au début, la partie inférieure

des hémisphères (Figure 5.1.c).

Si l’abrasion n’est pas en cause, comment expliquer le détachement ? L’augmentation

de la turbidité a probablement affecté temporairement la production photosynthétique

(Davies-Colley et al. 1992) puisque, lors du principal pic de turbidité (22 mars), les substrats

n’étaient plus visibles par transparence pendant presque une journée. Cet effet ne peut

néanmoins pas être quantifié dans ce travail car les mesures de production ont été réalisées

avec de l’eau claire i.e. dans des conditions de transparence optimales par rapport aux

conditions régnant dans le canal. Des diminutions nettes de la production mesurée sont

pourtant observées, entre les 7 et 14 mars et entre les 22 et 28 mars, périodes qui coïncident

avec les deux évènements de turbidité. L’effet de la turbidité sur la production n’est pas

uniquement la conséquence d’une extinction lumineuse de l’eau. L’augmentation du

pourcentage de cendres (de 72 à 85%) dans le biofilm observée en même temps (Figure 5.2.c)

suggère un dépôt de MES dans le biofilm. En effet même si, d’après la loi de Stokes, la

vitesse de sédimentation des particules de limons est largement inférieure à la vitesse

moyenne du courant dans le canal, les particules peuvent par saltation se déposer même dans

des zones plutôt turbulentes (Graham 1990). Plusieurs auteurs montrent d’ailleurs que les

limons se trouvent piégés au sein de la matrice et des surfaces mucilagineuses des diatomées

(Graham 1990 ; Hoagland et al. 1982). D’ailleurs Jowett & Biggs (1997) et Yamada &

Nakamura (2002) observent que la proportion de sédiments fins piégés par l’épilithon est

corrélée à la biomasse. Or dans la présente étude, la perturbation se produit alors que la

biomasse est relativement élevée donc susceptible de piéger davantage de sédiments (Figure

5.1.b). Ce piégeage de particules fines pourrait être la cause de la diminution de la production,

même si pour Davies-Colley et al. (1992), l’ombrage et donc l’extinction lumineuse générés

par des particules fines déposées est plus faible que celui causé par les particules de la

colonne d’eau.



Figure 5.2. Evolutions temporelles de (a) la dérive moyenne du biofilm exprimée en mg MSSC L-1 (g MSSC m-2)-1, (b) le contenu chlorophyllien et (c) le contenu inorganique (en % de cendres). L’évolution de la biomasse chlorophyllienne (moyenne ± ES) en mg chlorophylle a m-2 est reportée sur chaque graphique sur l’axe des ordonnées de droite (cercles gris).

0

0.005

0.01

0.015

0.02

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

mg

MSS

C L

-1 (g

MSS

C m

-2)-1

0

100

200

300

400

500

600

mg

chla

m-2

0

0.005

0.01

0.015

0.02

0.025

0.03

0.035

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

cont

enu

chlo

roph

ylie

n

0

100

200

300

400

500

600

mg

chla

m-2

40

50

60

70

80

90

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

cont

enu

inor

gani

que

(%)

0

100

200

300

400

500

600

mg

chla

m-2

(a)

(b)

(c)



Cette hypothèse pourrait expliquer une baisse de la production et donc une diminution de

biomasse fixée mais ne permet cependant pas d’expliquer pourquoi un détachement s’est

produit. On peut imaginer de plus que le colmatage par les sédiments soit à l’origine d’une

« asphyxie » du biofilm et/ou à une « intoxication » via des échanges d’ions associés à ces

limons, qui le fragilisent, diminuent sa cohésion et sa résistance aux forces de cisaillement. Si

la fragilisation du biofilm est induite par le dépôt de particules, on peut simplifier le

raisonnement en considérant que le détachement est fonction de la quantité de particules

déposées.

A partir de ces constats, deux hypothèses susceptibles d’expliquer une perte de

biomasse ont été testées par modélisation. La première hypothèse (hyp. n° 1) est celle de

l’altération des performances du biofilm liée au piégeage des limons. Elle assume une perte

proportionnelle à la biomasse fixée et à la quantité de particules piégées. Cette quantité

n’étant pas connue, nous l’avons estimée comme étant proportionnelle à la concentration

cumulée des MES. La seconde hypothèse (hyp. n° 2) est celle de l’abrasion. Nous avons

considéré une perte proportionnelle à la biomasse fixée et à la quantité de particules en

suspension soit la concentration en MES au même moment. Le modèle employé pour tester

ces hypothèses de perte est une adaptation du modèle logistique, déjà appliqué à des données

de biomasse épilithique par Rodriguez (1987) (cf. chapitre 2, partie 1.2), dans lequel la perte

de biomasse telle qu’elle est décrite précédemment est intégrée. Cette formulation de la

croissance est préférée à celle proposée par Uehlinger et al. (1996) parce qu’elle reproduit

plus précisément l’évolution théorique proposée par Biggs (1996) et en particulier la courbe

sigmoïde qui la caractérise. Quant au terme de perte proportionnel au débit démontré comme

indispensable pour expliquer la dynamique de la biomasse en milieu naturel (cf. chapitres 3 et

4), il est négligé car constant dans les conditions de l’expérimentation.

)()())(1()()( tBtSedkK

tBtBrdt

tdBsed ⋅⋅−−⋅⋅=

où t, représente le temps (d), B(t), la biomasse épilithique (en g MSSC ou mg chlorophylle a

m-2) à l’instant t, r, le taux de croissance (d-1) et K, la limite supérieure que la biomasse peut

Croissance logistique

Perte



atteindre (capacité de charge, en g MSSC m-2 ou mg chl a m-2). La variable Sed(t) est

exprimée en mg MES L-1 mais diffère selon qu’il s’agit de l’hypothèse 1 ou 2 (Figure 5.3.).

ksed est le paramètre de perte (L (mg MES)-1 d-1).

Le meilleur ajustement est obtenu selon l’hypothèse de « l’altération physiologique »

qui, contrairement à l’hypothèse d’ « abrasion », permet de simuler la diminution de biomasse

progressive (Figure 5.3.). Cette observation rejoint les arguments évoqués précédemment

plutôt en faveur d’une altération physiologique du biofilm mais ne constitue pas une preuve.

4 – Conclusion et perspectives

La transition fonctionnelle de l’autotrophie vers l’hétérotrophie et le détachement

autogène que nous espérions mettre en évidence dans cette expérimentation n’ont pas été

observés. Néanmoins cette expérience a été l’occasion d’observer sur les plans structurel et

fonctionnel des réponses des communautés bactériennes et algales. En terme de processus,

rien ne permet véritablement de savoir si l’évolution observée s’apparente à une dynamique

temporelle « classique » en absence de perturbation ou si la perte est déclenchée par un flux

de particules d’intensité marquée mais de durée réduite. En effet ni la biomasse fixée ni la

dérive ne subissent d’évolution brutale et aucun des facteurs environnementaux, à l’exception

de la turbidité, ne montrent de changements brutaux. Quant à l’analyse numérique, elle a

permis de tester statistiquement le réalisme d’un mécanisme de détachement à effet brutal et

immédiat et d’un phénomène à effet progressif et différé.



Figure 5.3. Résultats des simulations en chlorophylle a (colonne de gauche) et MSSC (colonne de droite). Les graphiques comparent les évolutions de la biomasse (moyenne ± ES) observée (carrés noirs) et de la biomasse simulée selon l’hypothèse 1 d’« altération physiologique » (ligne noire) ou l’hypothèse 2 d’ « abrasion » (ligne grise). Les tableaux indiquent la signification de la variable de forçage Sed(t) du terme de perte ainsi que les valeurs des paramètres et de l’ajustement de la combinaison optimale.

0

100

200

300

400

500

600

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4

mg

chl a

m-2

biomasse observée

hypothèse de l'abrasion

hypothèse de "l'altérationphysiologique"

0

5

10

15

20

25

30

35

40

16/1 30/1 13/2 27/2 13/3 27/3 10/4

g M

SSC

m-2

biomasse observée

hypothèse de l'abrasion

hypothèse de "l'altérationphysiologique"

n°1 n°2"altération physiologique abrasion

variable forçageSed(t)

paramètresr 0,11 0,11K 789 1081

ksed 0,0008 0,0131

Binit 10 10

ajustement

χ2 1046 2851

hypothèse

∑=

=t

tkkMES

0

)()(tMES=

n°1 n°2"altération physiologique abrasion

variable forçageSed(t)

paramètresr 0,14 0,15K 37 36

ksed 0,0008 1,0

Binit 1 1

ajustement

χ2 1,5 3,9

hypothèse

)(tMES= ∑=

=t

tkkMES

0

)(



5 – Publication (en préparation)




Full title: Long-term dynamics of epilithic biomass in controlled flows: structural

and functional changes

Authors: Stéphanie Boulêtreau1*, Mehdi Sellali1, Yvan Nicaise1, Sabine Sauvage1, José-

Miguel Sánchez -Pérez1, Frédéric Moulin2, Olivier Eiff2 and Frédéric Garabétian1

1Laboratoire d’écologie fonctionnelle (EcoLab UMR 5245 CNRS-UPS-INPT), Université

Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 09, France

2Institut de Mécanique des Fluides de Toulouse (UMR 5502 CNRS-INPT-ENSEEIHT-UPS),

1 Allée du Professeur Camille Soula, 31400 Toulouse, France

*Corresponding author:

Tel: +33 (0)5 61 55 85 49

Fax: +33 (0)5 61 55 60 96

Email: [email protected]



ABSTRACT

River biofilm autogenic evolution was studied in a streamside channel during a 17-week

experiment by maintaining controlled flow conditions. Temporal algal and bacterial

community structure changes in biofilms were respectively evaluated by counting and

identifying cells and using 16S rRNA gene-based polymerase chain reaction-denaturing

gradient gel electrophoresis (DGGE). Temporal algal and bacterial community function

changes were analysed by measuring community production and respiration in chambers

using a respirometer method based on changes in oxygen over time. Over the course of the

experiment, biomass mainly exhibited colonisation and exponential growth phases (7 weeks)

reaching at 33 g ash-free dry mass and 487 mg chlorophyll a per square metre followed by a

slowing down phase (3 weeks) and interrupted by a significant decrease in biomass where

AFDM and chlorophyll a lost 60 and 80% of their biomass. Whereas algal diversity remained

low and constant during the whole pattern, DGGE banding patterns discriminated between

two groups of samples (that shared 36% of the detected bands) corresponding to samples

before and after biomass loss. However community respiration was quite constant whereas

community production evolution was likely to control biomass accrual and loss, following the

same trends as biomass. In spite of bacterial composition changes, P/R remained high during

the experiment, suggesting no occurrence of autogenic detachment.

KEYWORDS

Epilithon; diversity; metabolism; periphyton; experimental flume



INTRODUCTION

Disturbance is a major source of temporal and spatial heterogeneity in the structure and

dynamics of natural communities. Among physical processes of disturbance, flow is the main

agent of natural disturbance in lotic ecosystems (Power and Stewart 1987; Biggs et al. 2005)

since stream (and river) ecosystems in all regions can be affected to some extent by extremely

high or low flows. In addition extreme flooding have been intensified by flood control

procedures combined with human modification and degradation of watersheds and might

intensify in view of the forecasted effects of climate change (intensified precipitation and run-

off).

Hydrodynamics is considered as the main factor controlling spatial patterns in average

epilithic biomass among streams (Biggs 1996), temporal patterns in epilithic biomass (Biggs

and Thomsen 1995) and epilithic algae taxonomic richness (Biggs 2002). Modelling studies

confirmed this conclusion showing that biomass dynamics can roughly be considered to be

the result of equilibrium between phototrophic growth and discharge-dependant loss

(Uehlinger et al. 1996; Boulêtreau et al. 2006; Boulêtreau et al. in press), especially when

contrasting short low and high water periods occur. Nevertheless, if the inter-flood period is

sufficiently stable and long, one or several additional factors can interact and produce

complex trajectories of epilithic biomass. With increasing time since the last hydrodynamic

disturbance, other sources of losses due to autogenic sloughing and/or grazing can become

significant, suggesting a shift from abiotic to biotic control of biomass (Biggs et al. 1996).

Grazing may depress epilithon standing crops if grazer density and consumption rates are

sufficient to counteract rates of epilithon accrual (Steinman 1996), affect epilithon

heterogeneity (Alvarez and Peckasrky 2005), influence epilithon composition and architecture

(Steinman et al. 1987; Lawrence et al. 2002) and change rates of primary production



(Lamberti, 1987). As for autogenic sloughing, its importance was brought up (Biggs 1996)

but rarely examined in the literature. Autogenic sloughing occurs when the biofilm becomes

thicker and less cohesive because of senescence of the deeper algal layers, their heterotrophic

degradation and consequent respiratory gas bubble production. Resource stress of underlying

layers gets biofilm less resistant to floating and drifting, resulting in sloughing of a mature

biofilm. Such architectural changes of the assemblage are accompanied by changes in the

bacterial community structure (Lyautey et al. 2005). Self-generated detachment requires

biofilm maturity, and subsequently may occur during long stable inter-flood period. The

hypothesis of a self-generated detachment (versus hydrodynamics-generated detachment) was

successfully tested by modelling during one extended period of flow stability (Boulêtreau et

al. 2006): indeed the implementation of a loss as a function of temperature-dependant

heterotrophic processes allowed to accurately model epilithic biomass in two sites of the

River Garonne (France). Conclusions of this study suggested that self-generated detachment

may be viewed as a shift from photoautotrophic to heterotrophic processes and may be

favoured by high temperature conditions.

In this study, we describe the changes in algal- and bacterial-assemblage structure and

function that occur as epilithic biofilm develop and mature. As undisturbed flow and high

temperature conditions that facilitate autogenic changes are not automatically guaranteed in

field, biofilm development was followed in a streamside channel during a 17-week

experiment.

MATERIAL AND METHODS

1. Experimental design



The experiment was conducted in an 11-m long by 50-cm wide by 20-cm deep slightly tilting

(slope: 1/1000) indoor flume (Figure 1) situated on the right bank of the River Garonne at

Toulouse, France. The flume bed and walls are respectively made of opaque PVC 20 mm

thick and Plexiglas® 10 mm thick. The experimental flume from Godillot et al. (2001) was

adapted for the present study to be run using a partially re-circulating system opened in the

River Garonne that successfully combines crucial conditions for river biofilm accrual (natural

water with no limiting nutrients and natural physico-chemical changes) and detailed control

and manipulation of hydraulic and ecological variables.

1.1. Hydraulic characteristics

One pump (Selfinox 200/80T, ITT Flygt, France) continuously supplied water from

the river to the outlet reservoir (3300 L) (Figure 1). One second submerged pump (Omega 10-

160-4, Smedegard, Denmark) ran water to the inlet reservoir (1500 L) through a 100-mm

main. The inlet reservoir fed the outlet reservoir by gravity. Pumps were robust enough to

work equally well with both clear and water contaminated with sediment particles or with

biological particles. The transition between the inlet reservoir and the flume was gradually

curved to avoid effects of flume separation, to suppress turbulence generated in the reservoir,

and to ensure a smooth entrance to the flume. Guiding (grid) and stabilizing (convergent)

were placed in the inlet reservoir to ensure a quasi uniform entrance flow. The water

discharge was measured by an electromagnetic flow meter and regulated with a sluice gate

and a by-pass. A moderate value of velocity was selected to limit current effects (external

shear stress) on biofilm while high velocities become inhibitory as the community age and

biofilm thickness increase. In addition moderate velocity values are likely to enhance

colonisation of the substrata and favour establishment of the community (Stevenson and

Peterson 1991). A previous study conducted in the same flume had shown that the correlation



between the Reynolds number and epilithic biomass exhibited an optimal value of Re near to

22000 that corresponds to a velocity of 0.21 m s-1 (Godillot et al. 2001). Therefore, discharge

was set to 14.5 L s-1 i.e. with a moderate mean velocity of 0.22 m s-1. The outlet reservoir was

fed by a water discharge of 800 L h-1 (2.2x10-4 m3 s-1) that allows for a complete turnover of

water in the system every 4 h. A valve was installed to regulate the water depth which was set

to 13.5 cm.

1.2. Environmental conditions

Before its entrance to the inlet reservoir, water from the river was filtered to control

the supply of suspended matter and to limit grazing by avoiding exogenous meio- and

macrofauna entrance. Two centrifugal separators eliminated large particles (whose diameter

was up to 125 µm) and three filters (respectively 90, 20 and 10 µm pore-size) were connected

in series.

Illumination was supplied by six 1.5 m long, sliding and removable racks of 5 neon tubes.

Two models were associated and evenly dispatched in and between racks: 15 neon tubes

“daylight” (Philips TLD 58 W) and 15 fluorescent tubes (Sylvania Gro-Lux 58 W) especially

designed for enhancing photosynthesis as they emit in the visible red. The incident light was

measured as photosynthetically active radiation (PAR) before filling the flume with water

using a LI-190SA quantum sensor and a LI-1000 datalogger (LI-COR Inc. Lincoln,

Nebraska). The PAR recorded a maximal value of 180 µE m-2 s-1 in the middle of each rack

that decreased around 140 µE m-2 s-1 at the ends of the rack. The 6 racks were connected to a

timer that ensured a photoperiod of 16 hours of day and 8 hours of night. According to

Bothwell (1993), the photosynthetic activity is saturated for light intensities between 100 and

400 µE m-2 s-1 (for wavelengths between 400 and 700 nm). The walls have been made opaque

to daylight in order to limit the accrual of epilithic biofilm on them.



Water temperature, conductivity (COND), pH, dissolved oxygen (DO), turbidity (TURB in

NTU) were hourly measured during the experiment using an YSI 6600 probe that was

immersed in the inlet reservoir. Furthermore water was weekly and automatically sampled by

samplers ISCO 3000 in the inlet reservoir (flume water) and before the entrance to the flume

(river water) to assess water analyses. Samplers were programmed to weekly sample 500 mL

per hour during one day from 7:00 to 6:00. The 24 samples were mixed in order to provide

three samples per week as chosen to possibly convey daily changes of the water chemistry:

the first sample was the mean of the first 8 hours of the day (7:00-14:00), the second one was

the mean of the second 8 hours of the day (15:00-22:00) and the third one was the mean of the

8 hours of the night (23:00-6:00).

1.3. Substratum characteristics and layout

The flume bed was completely covered by an artificial cobble substratum, which

mimics natural cobbles. Substrate shape has been shown to provide effective conditions for

colonization and growth of biofilm (Biggs and Thomsen 1995). These substrata consisted of

37 mm-diameter and 20 mm in height sand-ballasted polyurethane resin substrates. Substrate

material was designed for its chemical inertia properties and its resistance to temperature of

110 °C making biomass measurement easier and more reliable. Sand particles give a rough

surface texture of crystalline stones that enhances biofilm adhesion (Nielsen et al. 1984).

Substrates were immersed in the water of the river during three weeks and sterilized at the

autoclave (120°C, 20 min) before being positioned in the flume. They were regularly and

periodically adjoined on the bottom without any fixation to be sampled, except at both ends

and in the middle of the flume.

2. Experimental procedure



2.1. Seeding phase

Seeding with biofilm suspension was performed three times (from T0 to T0’), weekly

renewing water just before. During this 3-week period the flume was run using the closed

recirculation. A large pool of biofilms was collected from SW France streams and rivers

varying in nutrient conditions and stored in another flume especially dedicated to provide

biofilm matter during this period. The inoculum was produced by removing biofilm from the

upper surface of 15 pebbles (average size 10 cm2) with a toothbrush and suspending it in

filtered (0.22 µm) water (1 L). The biofilm suspension was homogenized (tissue

homogenizer) to remove macro fauna from the biofilm and to approach grazer-free

conditions.

2.2. Monitoring phase

Biofilm sampling

Epilithic biomass sampling began after the seeding phase (T0’) and was weekly

performed during 14 weeks (i.e. 15 samples) in a 5-m long area of the experimental flume.

The 3 substrates placed near the walls were not sampled to avoid “side effects”. For each

sampling date, 11 substrates were randomly sampled with a punch and kept in sterile small

containers at 4 °C: 4 substrates were dedicated to chlorophyll a biomass and bacterial

composition, 1 substrate to algal composition and 6 substrates were dedicated to production

and respiration measurements and then, to dry matter (DM) and ash-free dry matter (AFDM)

biomasses. Every sampled substrate was replaced with one new pink-coloured substrate. In

case of inadvertent sampling of a pink substrate, this latter was excluded from the analysis

and another substrate was sampled.



Biomass measurement

Substrates (used for metabolism measurement) were removed from the chambers and

used to determine AFDM and DM biomass. Substrates were dried (80 °C, overnight),

weighted (P1) and scrapped. One fraction (around 25 mg) of scrapped dry matter was

weighted before and after combustion (500 °C, overnight) to determine AFDM percent.

Substrates were finally cleaned, dried and weighted (P2) to obtain DM by difference between

P1 and P2.

Biofilm was removed from the upper surface of 4 other substrates with a sterile toothbrush

and suspended in filtered (0.2 µm) water (50 or 100 mL according to biomass level). The

biofilm suspensions (one suspension per substrate) were homogenised (tissue homogenizer).

A 10-mL aliquot of the biofilm suspension was centrifuged (12000 x g, 20 min, 4 °C) for

chlorophyll a determination. Chlorophyll a was measured spectrophotometrically using

trichromatic equations (Jeffrey et al. 1997) after extraction with acetone 90 % (4 h, darkness,

room temperature) of the suspended (tissue homogenizer) and ground (ultrasonic

disintegrator) pellet. Another 10-mL aliquot of the biofilm suspension was centrifuged (12000

x g, 20 min, 4 °C) and was kept at -80°C for bacterial community composition.

The inorganic content (IC) was calculated as the ash percent: [ ] 100×−

−

)m (g AFDM)m (g AFDM -DM

2

2.

The autotrophic index (AI) was calculated to evaluate the relative algal component of the

collected biofilm: )m(gachl)m(gAFDMAI 2

2

−

−= .

Metabolism measurements



Biofilm community metabolism (primary production and respiration) was weekly

measured on the substrate sampling day using a rapid respirometer method based on changes

in oxygen over time (McIntire & Phinney 1965). Measurements were conducted in two

transparent Altuglass chambers (18-cm long x 18-cm wide x 5-cm deep, 1.3 litre total volume

with pipes, measurement cell and substrates) closed with a 2-cm thick transparent Altuglass

lid. Chambers were filled with filtered water (0.2 µm) to exclude the impact of light

extinction (turbidity) and to only explore the effect of fine sediment accumulation on

metabolism. Three substrates (0.0065 m2) collected in the flume were placed in each chamber.

Chambers were then incubated in the climate controlled incubator. They were incubated in a

temperature controlled incubator to hold temperature constant, regulated at the same value as

one measured one hour before in the flume. A lamp (Phyto Claude 400 W) placed above the

chambers was used to achieve the same light conditions as in the flume for all incubations

(150 µE m-2 s-1). Chambers were fitted with an aquarium pump to ensure water recirculation

(600 mL min-1) and homogenisation during incubation. Note that pumping is not intended to

recreate the water velocity that prevails in the flume. Dissolved oxygen within the chamber

was monitored using oxygen probes (WTW Oxi340i) over a 2-h period at 1-minute intervals.

Data were collected on a datalogger. Measurements from the two sets of three substrates were

averaged for the final metabolism results. Gross primary production (GPP) was determined by

measuring dissolved oxygen (DO) change over a 30-min period of daylight (maximal slope).

Following the light incubations, chambers were exposed in the dark and the rate of respiration

of the biofilm (autotrophic respiration + heterotrophic respiration) was determined as the

change in oxygen concentration over a 90-min second incubation period (maximal slope). An

opaque box was used to prevent all light penetration to the chambers. This technique allowed

incubations to be relatively short which is important for minimizing nutrient depletion and



supersaturation of oxygen that can be problematic when using enclosed chambers to measure

metabolism (Bott et al. 1997).

The daily net productivity was calculated by adding GPP multiplied by the number of day

hours (16) to R multiplied by the number of night hours (8) according to the photoperiod.

Biomass-specific GPP (h-1), biomass-specific R (h-1) and biomass-specific net productivity (d-

1) were calculated by dividing respectively GPP, R and the net productivity by the algal

biomass, both converted to carbon (C) units. Chlorophyll a biomasses were converted to algal

carbon biomasses using a factor of 30 (mg C (mg Chl a)-1), suitable value for communities in

nutrient-rich unshaded environments (Cardinale et al. 2002). DO values were converted to C

units assuming photosynthetic and respiration quotients of 1 (Mulholland 1997), by

multiplying by the molar ratio of C to O2 (0.375). The ratio of GPP to respiration (P/R) was

calculated and used as an integrative parameter of the physiological state of the community

(Fisher & Likens 1973).

Algal composition

Biofilm was removed from the upper surface of 1 substrate with a sterile toothbrush

and suspended in filtered (0.2 µm) water (50 mL) for algae composition. The sample was

preserved with glutaraldehyde (1% final concentration) and stored refrigerated in darkness

until examination between slide and cover glass at a magnification of 600 to 1000. Taxa were

identified to the lowest practical taxonomic level, usually to species but often to genus. 9

samples over 15 were selected to estimate the mean algae composition and to observe

potential changes in taxonomic composition.

Bacterial composition



For practical reason, bacterial composition was analysed on triplicates of samples by

selecting at random three out of four samples. DNA analysis was carried out on 45 samples

collected from the experimental flume (15 dates x triplicate).

DNA extraction was carried out on 10-50 mg of biofilm dry mass pellet (obtained by

centrifugation at 16000 g, 20 min, 4°C) using a MO BIO (USA) Kit. Extracted DNA

concentration was quantified by fluorimetry (Fluroskan Ascent II; Labsystems, Helsinki,

Finland) (excitation 485 nm, emission 538 nm) using SYBR Green (Sigma-Aldricht, St.

Louis, MO, USA; dilution 1:10000). Extracted DNA was amplified by PCR using the

universal Bacteria primers 341F-GC and 907R (Muyzer et al., 1997) and 20 ng of template

DNA. The PCR products from 3 distinct reactions each performed with 20 ng were pooled

and loaded in an acrilamide gel containing a 35 to 70% urea and formamide gradient (100%

corresponding to 7M of urea and 40% of deionised formamide).

DGGE (Denaturing Gradient Gel Electrophoresis) was carried out using D-Code Universal

Mutation Detection System (BioRad). The 45 samples were dispatched on 3 gels putting one

triplicate per gel. The electrophoresis was run for 18 h at 100V at 60°C. The gel was stained

for 30 min with SYBR Green (Sigma) and gel image was captured using a CCD camera and

Biocapt software (Vilber Lourmat) and analyzed using Bio 1D software (Vilber Lourmat).

DGGE profiles were compared with regard to the presence or absence of bands using the

Jaccard similarity index (Jaccard 1912) and dendrogram construction according to the

unweighted pair group method with average means (UPGMA) (Michener and Sokal 1957).

Statistical differences between groups determined from the dendrograms were tested using

random permutation test (Monte Carlo test, 10000 permutations) (Kropf et al. 2004).

Water analyses



Water concentrations of ammonium (NH4), nitrite (NO2), nitrate (NO3), phosphate

(PO4), total phosphorus (totP), silicate (Si) and chlorophyll a (Chl a) were quantified by either

manual or continuous-flow methods colorimetric standardized for water analysis (APHA

1992). Dissolved organic carbon (DOC) was measured using a Shimadzu TOC5000 carbon

analyzer (Kyoto, Japan). Suspended matter (SM) was measured by weighting the dried matter

(105 °C, 4 h) collected by filtration onto a 0.45-µm pore-size membrane filter.

RESULTS

Biomass measurement

Irrespective of the biomass descriptor (chl a, AFDM or DM), epilithic biomass

exhibited the same general pattern with a colonisation phase followed by an exponential

growth to 33 g AFDM m-2, 104 g DM m-2 and 487 mg chl a C in March (Figure 2 a, b, c).

Chlorophyll a and AFDM (r2 = 0.64; n = 12; p = 0.0018) and DM and AFDM (r2 = 0.73; n =

12; p = 0.0004) were significantly correlated. Maximal biomasses were not exactly

concomitant respective of the descriptor: the time to reach the peak of biomass (TPB; Biggs

1996) varied from 28 days (from T0’) for DM to 42 and 49 for AFDM and chlorophyll a

respectively. DM reached its maximal value in one week from T0’ and remained maximal

during 6 consecutive weeks whereas AFDM and chlorophyll a were more progressively

reaching their maximal level in 3 and 4 weeks respectively. In 3 following weeks, biomass

exhibited a slowing down/decrease phase around of 356 mg chl a and 24 g AFDM m-2.

The accrual pattern was interrupted by a significant decrease in biomass at the end of March

where biomass has lost 77% of DM, 60% of AFDM and 80% of chl a (Mann-Whitney p <

0.05). Following this decrease, the global trend depended on the descriptor: chlorophyll a

biomass remained low around a mean value of 73 mg m-2 before slightly increased in May,



whereas DM and AFDM seemed to exhibit a peak of biomass reaching 39 and 15 g m-2

respectively.

Mean (± SD) autotrophic index and inorganic content were 100 (± 56) and 69 (± 8.5) % over

the course of the experiment.

Metabolism measurements

The evolution of the Gross Primary Production (GPP) followed a similar trajectory as

biomass dynamics except during one month from the 27th of March (concomitantly with/to

the main biomass loss) to the 25th of April (before the second biomass accrual). Maximal GPP

values coincided with maximal chlorophyll a biomasses, reaching averages of 325 and 315

mgO2 m-2 h-1 on the 7th of March and the 2nd of May respectively. Except during the main

biomass loss, GPP decreases coincided with biomass decreases: GPP decreased by 48% from

the 7th to the 14th of March, by 80% from the 22nd to the 28th of March and by 50% from the

2nd to the 9th of May (Figure 3a). Nevertheless, from the 27th of March to the 25th, GPP

experienced a more different trend as biomass dynamics with a significant increase of

biomass-specific GPP from 0.004 to 0.048 h-1 in one month (Figure 3d).

Respiration (R) values were oscillating between mean absolute values of 25 and 91 mgO2 m-2

h-1 (Figure 3b). No general pattern related to biomass dynamics was observed on respiration

changes except from the 27th of March to the 25th of April where biomass-specific respiration

increased from 0.003 to 0.015 h-1 in one month (Figure 3e).

As could be expected, the biofilm communities were dominated by autotrophic processes with

a mean P/R ratio of 4, very larger than 1 (Figure 3c). Highest ratios (between 5 and 7) were

coincided with maximal biomasses whereas the lowest ratio (1.45) was observed at the end of

the first biomass accrual.



Biomass-specific net productivity had a mean value of 0.23 d-1 during the experiment.

Biomass accruals coincided with general decreases, from 0.28 to 0.04 d-1 from the 7th of

February to the 28th of March, and from 0.66 to 0.17 from the 24th of April to the 9th of May

(Figure 3f). And between theses decreases, biomass-specific net productivity exhibited a rapid

increase from 0.04 to 0.66 d-1 as expected with biomass-specific GPP and R changes during

this same period.

Algal composition

Species richness was relatively low, varying from 9 to 21 identified taxa (Figure 4a).

Algal community was dominated by diatoms that represented 97 to 100% of the total

abundance according samples. Two taxa strongly dominated the algal community: Fragilaria

capucina Desmaziere var vaucheriae (Kütz) Lange-Bertalot represented 28 to 85% and

Cymbella minuta Hilse ex. Rabenhorst represented 2 to 47% of the total community (Figure

4b). Apart from these two species, only 4 species reached abundances higher than 5% at least

once: Achanthidium minutissimum Kütz., Fragilaria crotonensis Kitton, Nitzschia fonticola

Grun., and Diatoma erhenbergii Kütz. punctually represented until 10, 13, 14 and 12 % of the

total community respectively. The last sample was quite different of others: with the lowest

diversity, it was largely dominated by Fragilaria capucina (85%) and by Diatoma

erhenbergii which did not exceed 5 % in other samples. Nevertheless no substantial changes

in algal composition and species richness were observed during the main biomass loss.

Bacterial community composition

Bacterial community composition was studied using DGGE of PCR-amplified 16S

rRNA fragments on 15 sample date on three gels (one triplicate per gel). Irrespective of the

gel, dendrograms based on Jaccard similarity index of DGGE banding patterns discriminated



between two groups of samples that shared respectively 35, 32 and 40% of the detected bands

(Figure 5) and were significantly different (10000 permutations, p < 0.01). Nevertheless

groups slightly varied between gels. In every gel, the first group comprised the 6 samples

collected from the 7th of February to the 22nd of March (corresponding to the first biomass

accrual phase), whereas the second group concerned samples collected from the 11th of April

to the 2nd of May (corresponding to sampled following biomass loss). Intermediate dates of

the 28th of March and 6th of April were either located in the first group (gel 3), either in the

second group (gel 1) or in both groups (gel 2). As for samples of the 9 and 16th of May they

were associated with the first (gel 1) or in the second group (gels 2 and 3). Similar richness

values were observed for each cluster of each gel, with 27-40, 26-33 and 29-36 OTUs being

present per sample in the first group and 28-36, 24-35 and 22-30 OTUs per sample in the

second group. Nevertheless the mean richness was smaller in gels 2 (S = 29) and 3 (S = 30)

than in the gel 1 (S = 35).

Water analyses

Chemical variables such as NO3, NH4, tot P and DOC exhibited similar temporal

variations as natural variations with similar CV values (Table 1a). Differences in CV of nitrite

concentrations between river and flume were attributed to one punctual increase and decrease

from 0.006 to 0.043 and 0.043 to 0.005 mg L-1 on the 18th of April. Changes in Si and PO4

were higher in the flume than in the river but lesser for Chl a. Mean chlorophyll a was more

than twice higher in the experimental flume than in the river suggesting chlorophyll a

production due to epilithic biofilm in the experimental flume. Nevertheless mean NH4, PO4,

Si and totP were 1.8, 2.4, 2.5 and 1.7 times lesser in average in the experimental flume than in

the river, suggesting consumption in the flume by the epilithic biofilm.



Except turbidity records, the physico-chemical environment in the experimental flume

(TEMP, COND, DO and pH) was quite stable over the course of the experiment with

coefficients of variation < 25% (Table 1.b). Temperature was increasing between 9.2 and 22.5

°C (Table 1.b). TURB record averaged 6.7 NTU during the experiment and exhibited two 3

and 2-day peaks reaching 16 and 19 NTU on the 10th and the 14th of March respectively,

followed by one clear 3-day increase on the 23rd of March reaching 175 NTU and one 4-day

increase on the 9th of May reaching 35 NTU (Table 1.b and Figure 6). After the event hourly

TURB records continued being higher than the mean TURB value during two weeks.

Suspended sediments were mainly silt and very fine sand sized-particles as 90% of the total

sediment particles were lesser than 76µm. Most of particles were fine silt-sized particles

(>2µm and <20µm) corresponding to 33% of the total SM, coarse silt-sized particles (>20µm

and <50µm) corresponding to 45% and very fine sand (>50µm and <100µm) corresponding

to 14%. Clay-sized particles (<2µm) and (fine and medium) sand (>100µm and <500µm)

represented less than 3% and around 5% respectively.

DISCUSSION

In the present paper, we thought to describe structural and functional changes of the

algal- and bacterial-assemblage as epilithic biofilm matures in controlled flow conditions. The

pattern of accrual that biomass experienced during the first 10 weeks of the experiment

appeared to be consistent with the benthic algal theoretical curve proposed by Biggs (1996):

one colonisation phase was followed by one exponential growth and by one slowing down

phase. The time taken to reach the peak of biomass TPB of 42 days (in AFDM) was in the

same order as TPB values of biomass peaks that biofilm exhibited in the River Garonne in

2001 when autogenic detachment was identified (46 days in upstream and downstream sites)



(Boulêtreau et al. 2006). Such duration is characteristic of moderate growth rates according to

Biggs (1996). As for maximal biomasses (PB), they were quite similar in AFDM with 33 g in

the present study versus 25 g m-2 in the River Garonne but widely different in chlorophyll a

with 445 mg versus 132 mg m-2 in the River Garonne. The weaker mean autotrophic index

that results (110 in the experimental flume versus 324 in the River Garonne) suggested indeed

that non-polluted conditions with little organic detritus and autotrophy prevailed in the present

study. The evolution of GPP that followed a similar trajectory as biomass dynamics with one

mean P/R value of 4, confirmed that autotrophic energy fixation plays a dominant role in the

metabolism of the experimental flume. With an inorganic content of 69 %, epilithic biofilm is

inorganic-organic periphyton according to the classification proposed by Lakatos (1989),

widely more organic than natural biofilm (IC > 80%).

In one week, biomass experienced an effective shift to dominance of loss over accrual

processes associated to structural and functional changes. P/R experienced punctual decreases

during the slowing down phase, concomitantly with small biomass decreases. A main shift of

P/R towards a lower value and, subsequently, towards heterotrophy was observed just before

the main biomass loss and as the same time as turbidity increase. This shift did not really

persist later excluding autogenic sloughing as the origin of biomass loss. On the contrary,

biomass-specific R, GPP and net productivity were likely to be stimulated by biomass loss.

This kind of effect was reported by McCormick (1994) that have shown that physical

disruption of epilithic biofilms increases availability to water column nutrients and stimulated

algal growth. Similarly Blenkinsopp and Lock (1992) that examined the effect of simulated

storm-flow (with river sediment added) on river biofilm observed that the more severely

impacted biofilm exhibited a significant increase in metabolic activity immediately after

storm flow.



The relative constant algal diversity (that biofilm experienced during the first biomass

peak) could probably reveal stable environmental conditions. Low disturbance conditions

could have favoured the dominance of the most competitive species according to the

intermediate disturbance hypothesis (Connell 1978). In addition experimental design

conditions are probably responsible to the very low algal diversity. For instance, Eulin & Le

Cohu (1998) have identified 132 taxa on 8 stations along the River Garonne from summer and

winter samples, i.e. 8 times more than in the present study. In spite of the introduction of a

large pool of biofilms during the first three weeks, the partially re-circulating system did not

ensure continuous enrichments in new algal propagules. Nevertheless, although algal

community composition was low and constant, its production activity varied controlling

accretion and biomass loss trends during the experiment. These changes could probably be

due to the limited pool of algae that cannot maintain constant its activity. Species functional

redundancy could be inferred if different species are equivalent in their activity (Walker 1992;

Huston 1997). Species may appear to perform the same function (i.e. be redundant) under a

restricted set of conditions (Wellnitz & Poff). Low algal diversity could be linked to the low

spatial heterogeneity of environmental conditions that occurred in the laboratory stream. As

revealed by quite stable respiration measurements, bacterial-assemblage is likely to maintain

its ability to recycle algal production thanks to bacterial-assemblage structure changes. In

spite of bacterial composition changes, nothing showed that autogenic detachment occurred.



LISTED REFERENCES

Alvarez M, Peckarsky BL (2005) How do grazers affect periphyton heterogeneity in streams.

Oecologia 142:576-587

Biggs BJF (1996) Patterns in benthic algae of streams. In: Stevenson RJ, Bothwell ML, Lowe

RL (eds) Algal ecology: freshwater benthic ecosystems. Academic Press, San Diego, pp 31-

56

Biggs BJF, Nikora VI, Snelder TH (2005) Linking scales of flow variability to lotic

ecosystem structure and function. River Research and Applications 21:283-298

Biggs BJF, Smith RA (2002) Taxonomic richness of stream benthic algae: effects of flood

disturbance and nutrients. Limnology and Oceanography 47:1175-1186

Biggs BJF, Thomsen HA (1995) Disturbance in stream periphyton by perturbations in shear

stress: time to structural failure and difference in community resistance. Journal of Phycology

31:233-241

Blenkinsopp SA, Lock MA (1994) The impact of storm-flow on river biofilm architecture.

Journal of Phycology 30:807-818

Bothwell ML, Sherbot D, Roberge AC, Daley RJ (1993) Influence of natural ultraviolet

radiation on lotic periphytic diatom community growth, biomass accrual, and species

composition: short-term versus long-term effects. Journal of Phycology 29:24-35



Bott TL, Brock JT, Baattrup-Pedersen A, Chambers PA, Dodds WK, Himbeault KT,

Lawrence JR, Planas D, Snyder E, Wolfaardt GM (1997) An evaluation of techniques for

measuring periphyton metabolism in chambers. Canadian Journal of Fisheries and Aquatic

Sciences 54:715-725

Boulêtreau S, Garabétian F, Sauvage S, Sánchez-Pérez JM (2006) Assessing the importance

of a self-generated detachment process in river biofilm models. Freshwater Biology 51:901-

912

Boulêtreau S, Izagirre O, Garabétian F, Sauvage S, Elosegi A, Sánchez-Pérez JM (2007)

Identification of a minimal adequate model to describe the biomass dynamics of river

epilithon. River Research and Applications (in press)

Cardinale BJ, Palmer MA, Swan CM, Brooks S, Poff NL (2002) The influence of substrate

heterogeneity on biofilm metabolism in a stream ecosystem. Ecology 83:412-422

Connell JH (1978) Diversity in tropical rain forest and coral reefs. Science 199:1302-1310

Eulin A, Le Cohu R (1998) Epilithic diatom communities during the colonization of artificial

substrates in the River Garonne (France). Comparison with the natural communities. Archiv

für Hydrobiologie 143:79-106

Fisher SG, Likens GE (1973) Energy flow in Bear brook, New Hampshire: an integrative

approach to stream ecosystem metabolism. Ecological Monographs 43:431-439



Godillot R, Caussade B, Améziane T, Capblancq J (2001) Interplay between turbulence and

periphyton in rough open-channel flow. Journal of Hydraulic Research 39:227-239

Huston MA (1997) Hidden treatments in ecological experiments: re-evaluating the ecosystem

function of biodiversity. Oecologia 110:449-160

Jaccard P (1912) The distribution of flora in the alpine zone. New Phytology 11:37-50

Jeffrey SW, Mantoura RFC, Wright SW (1997) Phytoplankton pigments in oceanography,

Paris

Kropf S, Heuer H, Grüning M, Smalla K (2004) Significance test for comparing complex

microbial community fingerprints using pairwise similarity measures. Journal of Microbial

Methods 57:187-195

Lakatos G (1989) Composition of reed periphyton (biotecton) in the Hungarian part of lake

Fertö. Biol. Forschung. für Burg. 71:126-134

Lamberti GA, Ashkenas LR, Gregory SV (1987) Effects of three herbivores on periphyton

communities in laboratory streams. Journal of the North American Benthological Society 6:

92-104



Lawrence JR, Scharf B, Packroff G, Neu TR (2002) Microscale evaluation of the effects of

grazing by invertebrates with contrasting feeding modes on river architecture and

composition. Microbial Ecology 43:199-207

Lyautey E, Jackson CR, Cayrou J, Rols J-L, Garabétian F (2005) Bacterial community

succession in natural river biofilm assemblages. Microbial Ecology 50:589-601

McCormick PV (1994) Evaluating the multiple mechanisms underlying herbivore-algal in

streams. Hydrobiologia 291:47-59

McIntire CD, Phinney HK (1965) Laboratory studies of periphyton production and

community metabolism in lotic environments. Ecological Monographs 35:237-258

Michener CD, Sokal RR (1957) A quantitative approach to a problem in classification.

Evolution 11:130-162

Mulholland PJ (1997) Organic matter dynamics in the West Fork of Walker Branch,

Tennessee, USA. Journal of the North American Benthological Society 16:61-74

Muyzer G, Brinkhoff T, Nubel U, Santegoeds C, Schafer H, Wawer C (1997) Denaturing

gradient gel electrophoresis (DGGE) in microbial ecology. In: Kowalchuk GA, De Bruijn FJ,

Head IM, Akkermans D, Van Elsas JD (eds) Molecular Microbiology Ecology Manual.

Kluwer Academic Publishers, Dordrecht, pp 1-27



Nielsen TS, Funk WH, Gibbons HL, Duffner RM (1984) A comparison of periphyton growth

on artificial and natural susbtrates in the upper Spokane River. Northwest Science 58:243-248

Power ME, Stewart JA (1987) Disturbance and recovery of an algal assemblage following

flooding in an Oklahoma stream. American Midland Naturalist 117:333-345

Steinman AD (1996) Effects of grazers on freshwater benthic algae In: Stevenson RJ,

Bothwell ML, Lowe RL (eds) Algal ecology: freshwater benthic ecosystems. Academic Press,

San Diego, pp 341-373

Steinman AD, McIntire CD, Gregory SV, Lamberti A, Ashkenas L (1987) Effect of herbivore

type and density on taxonomic structure and physiognomy of algal assemblages in laboratory

streams. Journal of the North American Benthological Society 6:175-188

Stevenson RJ, Peterson CG (1991) Emigration and immigration can be important

determinants of benthic diatom assemblages in streams. Freshwater Biology 26:279-294

Uehlinger U, Bürher H, Reichert P (1996) Periphyton dynamics in a floodprone prealpine

river: evaluation of significant processes by modelling. Freshwater Biology 36:249-263

Walker BH (1992) Biodiversity and ecological redundancy. Conservation Biology 6:18-23

Wellnitz T, Poff NL (2001) Functional redundancy in heterogeneous environments:

implications for conservation. Ecology Letters 4:177-179



Figure 1. Schematic diagram of the experimental design.

neon tube neon tube neon tube neon tube neon tube neon tube

flow metre sluice gate pump downstreamtank 3300 L

river tank

filtered riverwater 800 L h-1

probe

probe

samplerISCO 3000

samplerISCO 3000

0,22 m s-1

upstreamtank 1500 L

neon tube neon tube neon tube neon tube neon tube neon tube

flow metre sluice gate pump downstreamtank 3300 L

river tank

filtered riverwater 800 L h-1

probe

probe

samplerISCO 3000

samplerISCO 3000

0,22 m s-1

upstreamtank 1500 L



Figure 2. Temporal changes in epilithic biomass (mean ± SE) expressed in (a) mg of

chlorophyll a, (b) g of ash-free dry matter (AFDM) and (c) g of dry matter (DM) per square

metre over the course of the experiment.

0

20

40

60

80

100

120

140

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

gDM

m-2

0

5

10

15

20

25

30

35

40

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

gAFD

M m

-2

0

100

200

300

400

500

600

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

mg

chla

m-2

(a)

(b)

(c)



Figure 3. Metabolism changes (black square) in (a) gross primary production (GPP in mgO2 m-2 h-1), (b) respiration (R in mgO2 m-2 h-1), (c) P/R (GPP/R), (d) biomass-specific GPP (h-1), (e) biomass-specific R (h-1) and (f) biomass-specific net productivity (d-1). Biomass (mean ± SE) in mg of chlorophyll a per square metre was reported on each graph (grey square).

0

1

2

3

4

5

6

7

8

9

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

P/R

0

100

200

300

400

500

600

Bio

mas

s m

gChl

a m

-2

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

biom

ass-

spec

ific

net p

rodu

ctiv

ity

(d-1

)0

100

200

300

400

500

600

biom

ass

mgC

hla

m-2

-0.016

-0.014

-0.012

-0.01

-0.008

-0.006

-0.004

-0.002

0

biom

ass-

spec

ific

R (h

-1)

0

100

200

300

400

500

600

biom

ass

mgC

hla

m-2

0

0.01

0.02

0.03

0.04

0.05

0.06

biom

ass-

spec

ific

GPP

(h-1

)

0

100

200

300

400

500

600

biom

ass

mgC

hla

m-2

-120

-100

-80

-60

-40

-20

0

R m

gO2 m

-2 h

-1

0

100

200

300

400

500

600

Bio

mas

s m

gChl

a m

-2

0

50

100

150

200

250

300

350

400

450

GPP

mgO

2 m-2

h-1

0

100

200

300

400

500

600

Bio

mas

s m

gChl

a m

-2

(a)

(b)

(c)

(d)

(e)

(f)



Figure 4. (a) Number of algal taxa and (b) cumulative relative abundance of main (> 5%) of

algal taxa. Associated mean biomass in mg of chlorophyll a per square metre was reported on

each graph.

(a)

(b)

0

5

10

15

20

25nu

mbe

r of t

axa

0

100

200

300

400

500

600

mg

chl a

m-2

Species richnessBiofilm chl a

0

10

20

30

40

50

60

70

80

90

100

rela

tive

abun

danc

e (%

)

0

100

200

300

400

500

600

mg

chl a

m-2

Cymbella minuta Fragilaria gr. capucina Fragilaria crotonensis

Diatoma erhenbergii Achnanthidium minutissimum Nitzschia fonticola

Biofilm chl a

16/01 07/02 21/02 07/03 22/03 06/04 18/04 02/05 16/05

(a)

(b)



Figure 5. UPGMA Jaccard distance dendrograms (left column) generated from the DGGE profiles of the bacterial community (right column) present in epilithic biofilm samples collected from the 7th of February to the 16th of May 2006. Richness is given for each sample at the bottom of each band.

12

1434567

1589

10111213

7/0214/02

21/0228/02

7/0314/0322/03

28/036/04

11/0418/0425/04

2/05

9/05

16/05

100 30homology percent

12

1434567

1589

10111213

12

1434567

1589

10111213

7/0214/02

21/0228/02

7/0314/0322/03

28/036/04

11/0418/0425/04

2/05

9/05

16/05

100 30homology percent 7/02

14/0

2

21/0

228

/02

7/03

14/0

322

/03

28/0

36/

0411

/04

18/0

425

/04

2/05

9/05

16/0

5

40 39 39 39 35 37 36 32 27 29 34 36 28 32 36

7/02

14/0

2

21/0

228

/02

7/03

14/0

322

/03

28/0

36/

0411

/04

18/0

425

/04

2/05

9/05

16/0

5

7/02

14/0

2

21/0

228

/02

7/03

14/0

322

/03

28/0

36/

0411

/04

18/0

425

/04

2/05

9/05

16/0

5

40 39 39 39 35 37 36 32 27 29 34 36 28 32 36

7/0214/0221/0228/02

7/0314/0322/0328/03

6/0411/04

18/0425/04

2/059/05

16/05


7/0214/0221/0228/02

7/0314/0322/0328/03

6/0411/04

18/0425/04

2/059/05

16/05


14/0

221

/02

28/0

27/

0314

/03

22/0

328

/03

6/04

11/0

4

18/0

425

/04

02/0

59/

05

16/0

5

28 31 29 26 28 26 32 33 35 29 31 29 29 24 29

7/02

14/0

221

/02

28/0

27/

0314

/03

22/0

328

/03

6/04

11/0

4

18/0

425

/04

02/0

59/

05

16/0

5

28 31 29 26 28 26 32 33 35 29 31 29 29 24 29

7/0214/0221/0228/02

7/0314/0322/0328/03

6/0411/0418/0425/0402/0509/0516/05


14/0

221

/02

28/0

27/

0314

/03

22/0

328

/03

6/04

11/0

418

/04

25/0

42/

059/

0516

/05

29 29 31 34 32 31 33 36 32 27 25 27 25 22 30

7/0214/0221/0228/02

7/0314/0322/0328/03

6/0411/0418/0425/0402/0509/0516/05


7/0214/0221/0228/02

7/0314/0322/0328/03

6/0411/0418/0425/0402/0509/0516/05


7/0214/0221/0228/02

7/0314/0322/0328/03

6/0411/0418/0425/0402/0509/0516/05


14/0

221

/02

28/0

27/

0314

/03

22/0

328

/03

6/04

11/0

418

/04

25/0

42/

059/

0516

/05

29 29 31 34 32 31 33 36 32 27 25 27 25 22 30

7/02

14/0

221

/02

28/0

27/

0314

/03

22/0

328

/03

6/04

11/0

418

/04

25/0

42/

059/

0516

/05

29 29 31 34 32 31 33 36 32 27 25 27 25 22 30



Figure 6. Temporal changes in turbidity (NTU) over the course of the experiment. Associated mean (± SE) biomass in mg of chlorophyll a m-2 was reported on the graph.

0102030405060708090

100

16/1 30/1 13/2 27/2 13/3 27/3 10/4 24/4 8/5

TUR

B (N

TU)

0

100

200

300

400

500

600

mg

chl a

m-2



Table 1. (a) Water chemistry of the flume and the river and (b) physico-chemistry of the flume. Mean, standard deviation (SD, minimum, maximum and coefficient if variation (CV, in %) were calculated for every variable: chlorophyll a (Chl a), nitrate (NO3), nitrite (NO2), ammonium (NH4), phosphate (PO4), total phosphorus (tot P), silicate (Si), temperature (TEMP), conductivity (COND), dissolved oxygen (DO), pH and turbidity (TURB).

variable

unit

condition flume river flume river flume river flume river flume river flume river flume river flume river

mean 4.3 2.1 1.063 1.124 0.009 0.011 0.017 0.031 0.003 0.008 1.496 3.757 0.013 0.022 2.061 2.078

SD 2.4 1.8 0.357 0.343 0.009 0.004 0.008 0.014 0.002 0.004 1.016 1.505 0.007 0.010 0.282 0.484

min 0.2 0.5 0.668 0.769 0.004 0.001 0.002 0.008 0.001 0.003 0.148 1.345 0.007 0.015 1.564 1.543

max 9.1 6.7 1.968 1.985 0.043 0.016 0.036 0.066 0.010 0.013 3.074 5.919 0.029 0.049 2.700 2.950

CV 57 86 34 31 104 37 51 45 71 46 68 40 57 46 14 23

mg L-1mg L-1 mg L-1 mg L-1

chl a NO3 NO2 NH4 PO4 Si tot P DOC

µg L-1 mg L-1 mg L-1 mg L-1

(a)

(b)

variable TEMP COND DO DO pH TURB

unit °C mS cm-1 mg L-1 % - NTU

mean 15.2 0.196 10.6 106 8.6 6.7

SD 3.6 0.023 1.3 10 0.2 13.1

min 9.2 0.189 9.1 101 8.4 3.0

max 22.5 0.199 11.6 105 8.5 8.7

CV 23 12 12 10 2 195

Chapitre 6. Comparaison interannuelle de la dynamique de biomasse


Chapitre 6

Comparaison interannuelle de la dynamique de la

biomasse épilithique en milieu naturel

« You cannot step twice into the same river » Héraclite




Les conclusions d’une première approche visant à rechercher un modèle simple

capable de reproduire la dynamique de biomasse dans des conditions contrastées (cf. chapitre

3) ont démontré le manque de transférabilité du modèle testé soulignant, tout

particulièrement, l’impossibilité de déterminer une paramétrisation optimale pour l’intégralité

des séries temporelles disponibles (11 séries testées). La recherche d’un modèle transférable

pose problème dans la plupart des modèles écologiques (Leftwich et al. 1997 ; Guay et al.

2003). Elle exige de complexifier le modèle en considérant davantage de processus afin

d’augmenter sa flexibilité et sa sensibilité. En multipliant le nombre de processus pris en

compte, cette recherche de transférabilité se traduit enfin par la contrainte de disposer de

nombreuses informations et données expérimentales. Le modèle que nous avons testé dans ce

mémoire, a par ailleurs démontré les limites d’une réduction du nombre de processus

considéré et d’une simplification poussée de l’objet modélisé. Nous avons en effet pu

constater (cf. chapitre 4) qu’une équation simple, ne considérant initialement que la

composante algale du biofilm épilithique, s’avère parfois insuffisante pour expliquer

l’évolution de la biomasse épilithique. Simultanément, l’identification de processus

complémentaires, liés à la prise en compte de la composante hétérotrophe de l’épilithon, et, en

corollaire, la complexification de l’équation exigent de disposer de connaissances, que les

descripteurs globaux de la biomasse épilithique (MS, MSSC et chlorophylle a) n’apportent

pas seuls. Nous avons donc identifié la nécessité, au-delà de mesures de biomasses qui

permettent de calibrer le modèle, d’acquérir des informations complémentaires sur les autres

compartiments constituant le biofilm (bactéries, méiofaune, macrofaune) afin d’expliquer la

dynamique de la biomasse par la dynamique des compartiments qui la composent.

Compte tenu de l’investissement que nécessiterait la réalisation d’un échantillonnage

de l’ensemble des composants du biofilm, nous avons profité d’une campagne initiée depuis

novembre 2004 par E. Buffan-Dubau (LEH, UMR 5177 CNRS – UPS) pour effectuer un

suivi de la biomasse épilithique en collaboration. Cette campagne avait été organisée pour

étudier plus spécifiquement l’évolution temporelle de l’abondance et de la composition de la

méiofaune du biofilm pendant une année ainsi que la mesure de l’activité de broutage par

l’analyse des contenus stomacaux. E. Buffan-Dubau a souhaité par ailleurs utiliser l’HPLC

pour déterminer la composition pigmentaire du biofilm. A l’occasion de cette collaboration et



dans le cadre de ses recherches doctorales au LEH, J. Leflaive s’est intéressée au suivi de

l’activité allélopathique au sein de biofilms naturels. Les dénombrements algaux ont été

effectués par J. Brabet, R. Le Cohu et L. Ten-Hage, la chimie de l’eau par C. Mur et D.

Dalger et des prélèvements destinés à analyser la diversité bactérienne ont été collectés.

L’intérêt de cette expérimentation était double : (i) disposer d’une chronique de

biomasses supplémentaire dans un site d’étude déjà échantillonné (cf. chapitre 2, Figure 2.2.)

donc comparable à la chronique acquise en 2001-02 pour tester la paramétrisation du modèle

identifiée dans le chapitre 4 et (ii) disposer de connaissances complémentaires de la structure

et du fonctionnement du biofilm afin d’identifier de nouvelles hypothèses permettant d’en

modéliser la dynamique temporelle. En accord avec les exigences de la modélisation, nous

avons décidé d’augmenter la fréquence d’échantillonnage du biofilm, initialement

bimensuelle à une fréquence hebdomadaire, pour le suivi de la biomasse (descripteurs

globaux et composition pigmentaire) ainsi que pour le suivi physico-chimique de l’eau

(échantillonnage partiel). Les prélèvements relatifs aux autres analyses (pigments, contenus

stomacaux, activité allélopathique, méiofaune, composition taxonomique algale) ont été

réalisés à une fréquence bimensuelle (échantillonnage complet).

Une synthèse aboutie de ces données ne peut être présentée dans ce travail puisque

certains résultats sont actuellement en cours d’acquisition. Néanmoins le suivi de biomasse

per se, complété par l’environnement physico-chimique et la composition algale, constituent

une base de réflexion pour une comparaison interannuelle de la dynamique de biomasse avec

les données de 2001-02.

2 – Résultats et discussion

2.1 – Caractéristiques de la série temporelle de 2004-05-06

Les biomasses maximales sont observées en hiver où elles atteignent 88 g MSSC m-2, 461 g

MS m-2 et 1247 mg chlorophylle a m-2 le 2 mars 2005 puis 139 g MSSC m-2, 1129 g MS m-2

et 666 mg chlorophylle a m-2 fin février - début mars 2006 (Figure 6.1. a, b, c). Le premier

pic de biomasse du 2 mars 2005 est très bref : un mois avant et après, les biomasses avoisinent

respectivement 6 g MSSC et 30 g MS m-2 le 2 février et 31 mg de chlorophylle a m-2 le 5



avril. La perte de biomasse est très probablement associée à un changement du débit, qui

augmente de 73 à 279 m3 s-1 pendant cette période. D’ailleurs les conditions

hydrodynamiques des mois suivants (avril et mai) n’ont pas permis d’échantillonner pendant

cette période (moyenne des QMJ de 233 m3 s-1 ; Figure 6.1. a).



Figure 6.1. Evolutions temporelles de la biomasse épilithique (moyenne ± ES) exprimées en g MSSC m-2 (a, a’), g MS m-2 (b, b’) et mg chl a m-2 (c, c’) des séries temporelles de 2004-05-06 (colonne de gauche) et de 2001-02 (colonne de droite) à l’Aouach (site amont, Garonne). Noter que les échelles des axes des ordonnées sont multipliées par 4 entre 2004-05-06 et 2001-02.

0

20

40

60

80

100

120

140

160

nov.-04 janv.-05 mars-05 mai-05 juil.-05 sept.-05 nov.-05 janv.-06 mars-06 mai-06 juil.-06 sept.-06 nov.-06

g M

SSC

m-2

0

5

10

15

20

25

30

35

40


g M

SSC

m-2

0

200

400

600

800

1000


g M

S m

-2

0

50

100

150

200

250


g M

S m

-2

0

200

400

600

800

1000

1200

1400

1600


mg

chl a

m-2

0

50

100

150

200

250

300

350

400


mg

chl a

m-2

(a) (a’)

(b) (b’)

(c) (c’)



Lorsque les prélèvements sont de nouveau possibles (moyenne des QMJ de 95 m3 s-1 ; Figure

6.2. a), la MSSC atteint 24 g m-2, la MS 102 g m-2 et la chlorophylle a 291 mg m-2 le 9 juin

puis ces dernières déclinent progressivement pour atteindre 6 g MSSC m-2 et 61 g MS m-2 le 6

juillet (chlorophylle a indisponible) et 18 mg chlorophylle a m-2 le 26 juillet.

Figure 6.2. Evolutions temporelles du débit moyen journalier (a, a’), du rayonnement global journalier (b, b’), de la température de l’eau (c, c’), de la concentration en phosphore (d, d’) et de la biomasse épilithique (e, e’) des séries temporelles de 2004-05-06 (colonne de gauche) et de 2001-02 (colonne de droite) à l’Aouach (site amont, Garonne). Noter que les échelles d’une série à l’autre sont identiques, excepté pour la biomasse (e, e’).

juil.-01 sept.-01 nov.-01 janv.-02 mars-02 mai-02 juil.-02 sept.-02




05

101520

25303540

juil.-01 sept.-01 nov.-01 janv.-02 mars-02 mai-02 juil.-02 sept.-02 nov.-02

0

200

400

600

800

1000

1200

nov.-04 janv.-05 mars-05 mai-05 juil.-05 sept.-05 nov.-05 janv.-06 mars-06

QM

J ( m

3 s-1

)

0

500

1000

1500

2000

2500

3000

3500


ray.

glob

al jo

urna

lier (

J cm

-2)

0

5

10

15

20

25


tem

péra

ture

(°C

)

0

0.005

0.01

0.015

0.02

0.025


PO

43- (m

g P

L-1)

0

2040

6080

100

120140

160


biom

asse

(g M

SSC

m-2

)





05

101520

25303540

juil.-01 sept.-01 nov.-01 janv.-02 mars-02 mai-02 juil.-02 sept.-02 nov.-02

0

200

400

600

800

1000

1200


QM

J ( m

3 s-1

)

0

500

1000

1500

2000

2500

3000

3500


ray.

glob

al jo

urna

lier (

J cm

-2)

0

5

10

15

20

25


tem

péra

ture

(°C

)

0

0.005

0.01

0.015

0.02

0.025


PO

43- (m

g P

L-1)

0

2040

6080

100

120140

160


biom

asse

(g M

SSC

m-2

)

(a)

(b)

(c)

(d)

(e)

(a’)

(b’)

(c’)

(d’)

(e’)



Du 9 juin au 26 juillet, une diminution de la biomasse épilithique représente une perte qui

s’élève à 41% en MS, 72% en MSSC et 94% en chlorophylle a. Ce phénomène se produit

dans des contextes hydrodynamique, lumineux et thermique pourtant assez favorables à la

croissance du biofilm : pendant cette période, du 9 juin au 26 juillet 2005, le débit est dans

une phase de diminution de 113 à 35 m3 s-1, la hauteur d’eau moyenne (± ET) de 48 cm (±

12), la vitesse moyenne (± ET) du courant au fond de 0,30 m s-1 (± 0,13), le rayonnement

global journalier moyen (± ET) est plutôt élevé autour de 2397 J cm-2 (± 621) et la

température de l’eau augmente progressivement de 17 à 23,5 °C (Figure 6.2. a, b, c).

Majoritairement algale, la perte de juin-juillet 2005 serait due à l’activité de broutage

des macroinvertébrés particulièrement abondants sur les galets à cette période-ci.

L’observation d’un grand nombre d’individus d’invertébrés lors du traitement des

échantillons prélevés nous a conduit à dénombrer et identifier ces communautés à l’occasion

de 3 prélèvements entre le 1 et le 26 juillet 2005. La densité moyenne d’invertébrés

benthiques y est très élevée puisqu’elle atteint 12059 ind. m-2. Un total de 21 taxa ont été

recensés et classés selon leur comportement alimentaire en 5 groupes fonctionnels :

collecteurs filtreurs, collecteurs assembleurs, brouteurs, prédateurs et déchiqueteurs.

Figure 6.3. Densités totales, des collecteurs filtreurs, des collecteurs assembleurs, des brouteurs, des prédateurs et des déchiqueteurs lors des prélèvements des 1, 13 et 26 juillet 2005.

Les brouteurs constituent le groupe majoritaire, représentant en moyenne 72% de la densité

totale. Ces brouteurs sont principalement représentés (96%) par Psychomyia pusilla (Fabricius

1781), espèce de Trichopterae Psychomyiidae largement répandue en rivière. A titre

0

2000

4000

6000

8000

10000

12000

14000

1-janv. 2-janv. 3-janv.

dens

ité (i

nd. m

-2)

DéchiqueteurPrédateurBrouteurCollecteur assembleurCollecteur filtreur

1 juillet 2005 13 juillet 2005 26 juillet 2005

0

2000

4000

6000

8000

10000

12000

14000

1-janv. 2-janv. 3-janv.

dens

ité (i

nd. m

-2)

DéchiqueteurPrédateurBrouteurCollecteur assembleurCollecteur filtreur

1 juillet 2005 13 juillet 2005 26 juillet 2005



illustratif, les galets échantillonnés (surface de 12 cm2 environ) sont occupés par 110

individus de cette espèce en moyenne. D’après la grande taille des individus observés (5 mm),

les stades larvaires sont plutôt tardifs et l’émergence proche. Or les paramètres de régime

alimentaire et de croissance des invertébrés benthiques (par ex. Benke 1979 ; Basaguren et al.

2002) indiquent que la biomasse individuelle augmente jusqu’aux derniers stades larvaires

alors que le nombre d’individus diminue. Ainsi l’impact le plus important en terme de

pression de prédation sur le biofilm épilithique a lieu lorsque les individus atteignent ces

stades larvaires tardifs. Dans la Garonne, Psychomyia pusilla est observé dans les zones d’eau

courante essentiellement entre juin et août (Compin, communication personnelle). Le cycle de

l’espèce effectué sur des rivières de Grande Bretagne indique que juillet correspond au

maximum du nombre d’individus et à la période d’éclosion (Crichton & Fisher 1978).

Psychomyia pusilla, qui se nourrit de microphytes vivants, est donc probablement la

principale origine de la perte de biomasse observée.

Pendant l’étiage estival 2005 (moyenne des QMJ de 57 m3 s-1), la biomasse

chlorophyllienne décrit la succession de deux pics : un premier, durant lequel elle augmente

de 18 à 87 mg de chl a entre le 26 juillet 2005 et le 17 août 2005 puis diminue de 87 à 32 mg

de chlorophylle a entre le 17 août 2005 et le 7 septembre 2005 et un second, entre le 7

septembre 2005 et le 3 novembre 2005 où elle atteint une biomasse maximale de 131 mg de

chlorophylle a (Figure 6.1. c). L’évolution des MS et MSSC est assez similaire même si les

tendances sont moins nettes : entre le 6 juillet 2005 et le 17 août 2005, les MSSC et MS

augmentent respectivement de 6 à 26 et de 61 à 479 g m-2 puis diminuent (respectivement) à

14 et 137 g m-2 jusqu’au 7 septembre 2005 ; du 7 au 21 septembre 2005, elles augmentent

(respectivement) à 26 et 243 g m-2 et diminuent ensuite à 14 et 132 g m-2 le 3 novembre 2006

(Figure 6.1. a, b). Suite à ces deux pics de biomasse, et entre les 3 et 30 novembre 2005, la

chlorophylle a augmente très fortement jusqu’à 529 mg m-2 avant de décrire une alternance de

diminutions et d’augmentations autour d’un niveau moyen de biomasse élevé (484 mg m-2)

pendant les deux mois suivants (Figure 6.1. c). Les MSSC et MS suivent une évolution plus

progressive, augmentant respectivement de 14 à 139 et de 132 à 779 g m-2 entre le 3 novembre

2005 et le 8 février 2006 et se stabilisant pendant les trois semaines suivantes autour de 118 et

de 681 g m-2 respectivement (Figure 6.1. a, b). Cette longue accrétion de biomasse est

rapidement interrompue entre le 3 et le 9 mars 2006 par une perte équivalente à 83% de sa

MSSC maximale, 77% de sa MS maximale et 75% de sa chlorophylle a maximale (Figure



6.1. a, b, c). L’augmentation soudaine du QMJ de 50 à 133 m3 s-1 entre le 7 et le 8 mars 2006

est très probablement due à l’origine de cette perte (Figure 6.2. b).

Quel que soit le descripteur utilisé, l’évolution temporelle de la biomasse suit

globalement le même patron. Les MS et MSSC (r2 = 0,83 ; p < 0,0001 ; n = 40) ainsi que la

chlorophylle a et la MSSC (r2=0,66 ; p<0,0001; n=31) sont d’ailleurs significativement

corrélées. La corrélation entre chlorophylle a et MSSC est cependant plus faible que la

corrélation entre MSSC et MS. Le contenu chlorophyllien (g chl a / g MSSC x 100) plutôt

faible lors de l’étiage estival de 2005 (moyenne de 0,31%) est généralement plus élevé en

périodes hivernales (moyenne de 0,92%) (Figure 6.4. a). Le fait que le contenu

chlorophyllien intracellulaire soit en moyenne supérieur l’hiver (9,8 10-9 mg chl a (cellule)-1)

à l’été (2,1 10-9 mg chl a (cellule)-1) pourrait suggérer une adaptation saisonnière du contenu

cellulaire en chlorophylle a à de faibles intensités lumineuses ou photoadaptation (Figure 6.4.

b).

Figure 6.4. Evolutions temporelles du contenu chlorophyllien du biofilm en % (a) et du contenu intracellulaire en chlorophylle a en mg chl a (ind.)-1 (b). La biomasse épilithique (en g MSSC m-2) est reportée sur le second axe des ordonnées du graphique (a). Le rayonnement global journalier (en J cm-2) est reporté sur le second axe des ordonnées du graphique (b).

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2


cont

enu

chlo

roph

yllie

n (%

)

0

20

40

60

80

100

120

140

biom

asse

(g M

SSC

m-2

)

0.0E+00

5.0E-09

1.0E-08

1.5E-08

2.0E-08

2.5E-08

3.0E-08

3.5E-08


mg

chl a

(ind

.)-1

0

500

1000

1500

2000

2500

3000

3500ra

y. g

loba

l jou

rnal

ier (

J cm

-2)

00.20.4

0.60.8

11.21.4

1.61.8

2


cont

enu

chlo

roph

yllie

n (%

)

0

20

40

60

80

100

120

140

biom

asse

(g M

SSC

m-2

)

0.0E+00

5.0E-09

1.0E-08

1.5E-08

2.0E-08

2.5E-08

3.0E-08

3.5E-08


mg

chl a

(ind

.)-1

0

500

1000

1500

2000

2500

3000

3500ra

y. g

loba

l jou

rnal

ier (

J cm

-2)

(a)

(b)



En revanche, à la fin de l’accrétion de biomasse, entre le 20 décembre 2005 et le 16 février

2006, le contenu chlorophyllien diminue de 1,16 à 0,46%, une diminution qui pourrait

coïncider avec un enrichissement du biofilm en matière organique non « vivante » favorisé

par la sénescence algale.

2.2 – Comparaison interannuelle des patrons de biomasse

Le modèle simplifié d’Uehlinger et al. (1996) à trois paramètres ayant démontré sa

pertinence dans l’Agüera comme dans la Garonne (cf. chapitres 3 et 4), celui-ci est confronté

à la série temporelle de 2004-05-06 en appliquant les paramètres calibrés sur le même site en

2001-02 (µmax,0 = 1 d-1, kinv,B = 3,8 et cdet = 0,0002 d-1). La paramétrisation retenue pour la

série temporelle de 2001-02 ne décrit pas correctement l’évolution temporelle de la biomasse

en 2005-06 (Figure 6.5.). Celle-ci semble sous-estimer l’effet de l’hydrodynamique sur la

biomasse ainsi que la vitesse d’accrétion.

Figure 6.5. Comparaison entre la biomasse épilithique observée (moyenne ± ES) et la biomasse épilithique simulée obtenue en appliquant la paramétrisation optimale du modèle à trois paramètres confronté à la série temporelle de 2001-02 : µmax,0 = 1 d-1, kinv,B = 3,8 et cdet = 0,0002 d-1.

La valeur du détachement optimisée pour la série temporelle de 2001-02 est beaucoup

trop faible pour reproduire l’effet de l’augmentation du QMJ observée en mars 2006. Cet

évènement montre que l’augmentation soudaine du QMJ de 50 à 133 m3 s-1 en un jour suffit à

interrompre brutalement le pic de biomasse par une perte équivalente à 75% de la biomasse

0

25

50

75

100

125

150


biom

asse

(g M

SSC

m-2

)



initiale. Une augmentation pourtant assez comparable en terme d’amplitude (de 59 à 120 m3

s-1) observée entre les 6 et 7 février 2002, alors que la biomasse est à son niveau maximal, ne

génère pas de perte apparente.

De même, les vitesses d’accrétion observées sont radicalement différentes d’une année

à l’autre : alors que la MSSC croit à raison d’un taux de 0,48 et 0,36 d-1 au cours des deux

pics de biomasse de 2001-02, ce dernier atteint 2,95 d-1 en février 2005. Les MSSC, MS et

chlorophylle a moyennes sont 2,5 fois, 4,5 fois et près de 3 fois supérieures en 2005 qu’en

2001 (Tableau 6.1.). Les MSSC, MS et chlorophylle a maximales sont près de 4,5 fois, 10

fois et 4,5 fois supérieures en 2005 qu’en 2001. Le rapport de la chlorophylle a maximale sur

la chlorophylle a moyenne de 3 en 2001 contre 4,6 en 2005 montre une plus forte variabilité

temporelle de la biomasse épilithique lors de la campagne de 2005. Le pourcentage de cendres

est du même ordre de grandeur en 2005 (86,7 %) que celui de 2001 (81,7%) surtout compte

tenu de la précision limitée du protocole employé. Rappelons aussi que les protocoles

d’analyse diffèrent d’une campagne à l’autre (cf. chapitre 2). Ces valeurs supérieures à 75%

indiquent que le biofilm épilithique de la Garonne est inorganique d’après la classification

proposée par Lakatos (1989).

Tableau 6.1. Caractéristiques structurelles globales du biofilm épilithique lors des séries temporelles de 2004-05-06 et de 2001-02.

Unité 2004-05-06 2001-02

moy g m-2 36,8 14,6

max g m-2 139,4 30,2

moy g m-2 388,0 85,5

max g m-2 2161,0 216,9

moy mg m-2 269,7 95,3

max mg m-2 1246,9 281,8

max/moy - 4,6 3,0

% cendres moy (± ET) % 88,0 (± 4,4) 81,5 (± 8,2)

contenu chlorophyllien moy (± ET) % 0,63 (± 0,13) 0,62 (± 0,30)

index d'autotrophie moy (± ET) - 245,8 (± 179,9) 186,1 (± 104,2)

Critère

MSSC

MS

chlorophylle a



Les contenus chlorophylliens moyens sont similaires entre 2005 (0,63%) et 2001 (0,62%) et

caractéristiques d’un biofilm de système autotrophe d’après Lakatos (1989) car supérieurs à

0,60%. Quelle que soit l’année de prélèvement, les niveaux de chlorophylle a moyens et

maximaux respectivement supérieurs à 70 et 200 mg m-2 caractérisent un milieu eutrophe

selon Dodds et al. (1998).

2.3 – Comparaison interannuelle des conditions environnementales

Une longue période d’étiage estival de 7 mois (entre les 26 juillet 2005 et 7 mars

2006) est observée lors de la campagne 2005-06, même si celle-ci est moins soutenue que

celle de 2001-02 (entre les 19 juillet 2001 et 24 janvier 2002). Pendant ces étiages, le QMJ

moyen est de 57 et 39 m3 s-1 en 2005 et 2001 ; les extrema sont respectivement en 2005 et

2001, 30 et 21 m3 s-1 et 165 et 173 m3 s-1 ; 75% des QMJ sont inférieurs à 63 en 2005 et 54 m3

s-1 en 2001. L’historique des conditions hydrodynamiques pendant les mois précédents

n’explique pas non plus les différences entre les patrons de biomasse : les périodes de hautes

eaux (mars, avril, mai et juin) ayant prévalu avant ces périodes d’étiage soutenu sont assez

comparables en terme d’intensité avec des QMJ moyens de 187 et 172 m3 s-1, des minima de

68 et 71 m3 s-1 et des maxima de 575 et 427 m3 s-1 en 2005 et 2001 respectivement.

La qualité physico-chimique et la composition chimique moyenne de l’eau n’ont

sensiblement pas varié d’une campagne à l’autre (Tableau 6.2.). Les concentrations

moyennes de nutriments (azote, phosphore et silice) sont similaires, toutes légèrement

supérieures en 2001-02 : les concentrations moyennes avoisinent les 0,035 mg N L-1

d’ammonium, 0,014 mg N L-1 de nitrite, 0,7 mg N L-1 de nitrate, 4,2 mg L-1 de silice, 0,009

mg P L-1 de phosphore réactif soluble et 0,023 mg P L-1 de phosphore total.



Tableau 6.2. Caractéristiques environnementales moyennes des prélèvements lors des séries temporelles de 2004-05-06 et de 2001-02. M.E.S. : Matières en Suspension ; C.O.D. : Carbone Organique Dissous ; Vf : vitesse au fond ; Hf : hauteur d’eau et Distance : distance au point fixe.

2.4 – Comparaison taxonomique des assemblages algaux

Le nombre de taxa identifiés varie, selon les prélèvements, de 20 à 54 en 2001 et de 21

à 47 taxa en 2005 (Figure 6.6. b, b’). Une richesse minimale semblerait coïncider avec une

biomasse minimale. La communauté algale des biofilms épilithiques est majoritairement

composée de diatomées qui représentent en moyenne 97% de la biomasse algale lors des deux

campagnes (Figure 6.6. a, a’). La distribution de leurs morphotypes semble obéir à une même

logique : les diatomées unicellulaires libres (respectivement équivalentes à 29 et 30% de la

biomasse algale en moyenne des deux séries temporelles), les diatomées filamenteuses (15 et

19%) et les diatomées coloniales (28 et 35%) dominent lors des pics de biomasse ; en

revanche, les diatomées unicellulaires fixées (24 et 12%) sont surtout présentent lorsque la

biomasse est faible. Quatre espèces de diatomées, toutes correspondant à un morphotype

Variable Unitémoy min max moy min max

Température °C 13,0 3,0 21,8 15,0 6,4 23,5

pH 8,1 7,7 8,6 8,4 6,9 9,7

Conductivité µS cm-1 253 189 302 224 160 313

O2 mg L-1 10,5 6,8 12,0 9,7 7,6 12,6

M.E.S. mg L-1 5,3 0,3 34,3 5,0 1,5 18,2

N-NH4 mg L-1 0,032 0,000 0,090 0,037 0,010 0,080

N-NO2 mg L-1 0,010 0,000 0,030 0,017 0,000 0,060

N-NO3 mg L-1 0,656 0,400 1,380 0,769 0,590 1,060

SiO2 mg L-1 4,2 2,2 6,0 4,2 2,6 5,8

P-PO4 mg L-1 0,008 0,000 0,020 0,009 0,003 0,017

P. Total mg L-1 0,018 0,010 0,050 0,027 0,02 0,05

C.O.D. mg L-1 1,6 1,0 3,3 1,5 0,8 2,5

Vf m s-1 0,21 0,00 0,50 0,34 0,07 1,44

QMJ m3 s-1 96 30 565 92,00 21 1041

Hf cm 47 72 15 47 - -

Distance m 33 ou 45 33 45 47 - -

2001-022004-05-06



différent, dominent le peuplement en représentant toujours environ 80% de la biomasse totale.

Cocconeis placentula Ehr., principale diatomée unicellulaire fixée, représente jusqu’à 84 et

48% de la biomasse en 2001 et 2005 respectivement. Diatoma vulgaris Bory, diatomée

coloniale majoritaire, représente jusqu’à 59 et 45% de la biomasse. Melosira varians Agardh

1827, principale diatomée filamenteuse (et la seule identifiée avec Ellerbeckia arenaria), peut

atteindre jusqu’à 37 et 48% de la biomasse. Enfin Amphora ovalis Kütz., diatomée

unicellulaire libre majoritaire, représente 28 et 51% de la biomasse au maximum. Plus

secondairement la diatomée coloniale Diatoma erhenbergii Kuetzing et les diatomées

unicellulaires libres Navicula tripunctata (O. F. Müll.) Bory et Nitzschia dissipata Grunow

sont observées. En revanche l’espèce Achnanthes biasolettiana Grunow ponctuellement très

abondante entre début juin et début juillet 2005 (61% de la biomasse) n’est pas identifiée en

2001.

Pendant et après la période de broutage par les macroinvertébrés, la reprise de la

croissance semble assurée par les diatomées unicellulaires fixées et notamment par Cocconeis

placentula qui se développe très rapidement entre le 24 juin et le 19 juillet 2005 où elle atteint

son niveau maximal en % de biomasse. Comme les autres diatomées monoraphidées,

Cocconeis est capable de produire des exsudats mucilagineux qui favorisent un ancrage fort

au substrat (Korte & Blinn 1983), une adaptation qui lui permet de dominer les communautés

après les perturbations (Peterson & Stevenson 1990). Son développement est favorisé par la

température, élevée à cette période. Melosira varians est une espèce à vitesse de croissance

plus faible que celle de Cocconeis placentula mais capable d’atteindre de fortes biomasses,

comme c’est le cas fin 2005. Elle n’est présente que lorsque le courant est faible. Son

abondance en février et mars 2006 et sa faible résistance au courant pourraient expliquer la

forte amplitude de la perte de biomasse de mars 2006. Amphora ovalis, espèce adaptée aux

conditions hydrodynamiques fortes, est présente toute l’année mais domine largement au

printemps 2005. Diatoma vulgaris est observée toute l’année en accord avec les travaux de

Eulin (1997) qui la recense comme espèce très commune l’hiver et commune l’été.



Figure 6.6. Evolutions temporelles de l’abondance relative (%) des biovolumes des principaux groupes algaux (a, a’) et du nombre de taxa (b, b’) lors des séries temporelles de 2004-05-06 (colonne de gauche) et de 2001-02 (colonne de droite). R : Rhodophycées ; C : Cyanophycées ; VF : algues vertes filamenteuses ; VNF : algues vertes non filamenteuses ; DF : diatomées filamenteuses ; DC : diatomées coloniales ; DUL : diatomées unicellulaires libres et DUF : diatomées unicellulaires fixées. La biomasse épilithique en g MSSC m-2 est reportée sur les graphiques (a) et (a’)

0

10

20

30

40

50

60

70

80

90

100

juil.-01 août-01 sept.-01 oct.-01 nov.-01 déc.-01 janv.-02 févr.-02 mars-02

biov

olum

e al

gal (

%)

0

5

10

15

20

25

30

35

biom

asse

(g M

SSC

m-2

)

RCVFVNFDFDCDULDUFbiomasse

0

10

20

30

40

50

60

juil.-01 août-01 sept.-01 oct.-01 nov.-01 déc.-01 janv.-02 févr.-02 mars-02

nom

bre

de ta

xa

0

10

20

30

40

50

60


nom

bre

de ta

xa

0

10

20

30

40

50

60

70

80

90

100


biov

olum

e al

gal (

%)

0

20

40

60

80

100

120

biom

asse

(g M

SSC

m-2

)

RCVFVNFDFDCDULDUFbiomasse

(a) (a’)

(b) (b’)



3 – Conclusion et perspectives

Le contenu chlorophyllien et la composition algale des biofilms collectés en 2001-02

et 2004-05-06 semblent indiquer qu’il s’agit, du point de vue de sa biomasse autotrophe, d’un

même « biofilm ». Sa dynamique temporelle décrit une succession de pics de biomasse

fortement structurée par le régime hydrodynamique mais peu sensible aux conditions

lumineuses et thermiques. En revanche, les paramètres qui structurent ces pics (tPB, PB et

AR ; Biggs 1996) sont nettement différents d’une série temporelle à l’autre, et en particulier

lors des étiages. Si ces derniers présentent globalement de fortes similitudes

environnementales, les conditions hydrodynamiques seraient a priori plus défavorables en

2005 qu’en 2001. En effet sur la base du calcul des débits minimaux pendant 180 jours

d’étiage (VCN, loi de Galton, http://www.hydro.eaufrance.fr), l’étiage de 2001-02 (11 août –

6 février) est caractéristique d’une fréquence de retour cinquantennale sèche alors que l’étiage

de 2005-06 (6 juillet – 1 janvier) est caractéristique d’une fréquence de retour quadriennale

sèche. C’est aussi ce que semble confirmer le graphique de la figure 6.7. qui représente la

distribution des années (de janvier à janvier) en fonction de la durée et de l’amplitude de leur

période de basses eaux.

Figure 6.7. Distribution des années en fonction de la valeur du couple durée moyenne/amplitude moyenne des périodes de basses eaux. Le couple est défini à partir des indices hydrologiques décrits par Richter et al. (1998). La durée de la période de basses eaux correspond à la durée moyenne des périodes où le QMJ est inférieur au premier quartile des QMJ des 15 années testées (soit 47 m3 s-1). L’amplitude de la période de basses eaux correspond au minimum de l’amplitude des QMJ de toutes les périodes de 90 jours de l’année considérée.

0

10

20

30

40

50

60

70

80

90

0 5 10 15 20 25

durée moyenne (d)

ampl

itude

moy

enne

(m

3 s-1

) 2002

1990

1993

2001

1996

19981992

20032000

1997

1995

2004

20051994

1991 1999

0

10

20

30

40

50

60

70

80

90

0 5 10 15 20 25

durée moyenne (d)

ampl

itude

moy

enne

(m

3 s-1

) 2002

1990

1993

2001

1996

19981992

20032000

1997

1995

2004

20051994

1991 1999



Or les biomasses maximales et les vitesses d’accrétion sont plus élevées en 2005 qu’en 2001.

Il est légitime de se demander s’il existe un patron typique de développement du biofilm

épilithique dans le site de l’Aouach et si oui, quelle série temporelle parmi les deux étudiées

le représente. Nous ne disposons d’aucune donnée de biomasse antérieure dans ce site pour

répondre à cette interrogation. En revanche le site aval (de Gagnac) a fait l’objet de quelques

prélèvements ponctuels avant 2001 : entre septembre 1997 et juillet 1999, la biomasse

moyenne (± ET) s’élevait à 34 (± 19) g MSSC, 125 (± 67) g MS et 238 (± 86) mg

chlorophylle a m-2 contre 12 (± 8) g MSSC, 58 (± 42) g MS et 75 (± 59) mg chlorophylle a

m-2 entre septembre 2000 et janvier 2003. Même si les nombres de prélèvements sur lesquels

se fondent ces moyennes sont assez disproportionnés (7 prélèvements avant contre 41 après

2000), ces observations pourraient conforter l’idée que l’étiage de 2001 était particulier avec

un niveau de biomasse exceptionnellement bas.

En 2000, soit l’année qui précède la chronique 2001, le régime hydrologique de la

Garonne a connu un épisode de crue cinquantennale en atteignant un QMJ de 3000 m3 s-1 le

11 juin 2000 dans la station de Portet-sur-Garonne (http://www.hydro.eaufrance.fr). A

l’Aouach, le QMJ a augmenté de 295 à 2135 m3 s-1 entre les 10 et 11 juin (Figure 6.8.). Cet

épisode pourrait avoir généré une perturbation telle que le développement du biofilm sur le

long terme en soit modifié. On pourrait effectivement imaginer que, suite à cette crue

exceptionnelle, le remaniement des bancs de galets réinitialise totalement le stock de

biomasse. Un tel épisode de crue a pu conduire à un « nettoyage » tel du système qu’une

partie de l’inoculum, principalement stocké dans les zones de bras morts et de sous

écoulement, ait été totalement transféré vers l’aval. Un(e) « chasse /lessivage» des cellules et

propagules susceptibles de contribuer à la recolonisation des galets, pourrait expliquer que la

dynamique de la biomasse épilithique puisse être affectée à une échelle interannuelle par des

évènements hydrologiques antérieurs. Malheureusement nous ne disposons d’aucune

information nous permettant de confirmer si de telles conditions peuvent conduire à un

appauvrissement du potentiel colonisateur de la rivière.



Figure 6.8. Evolution temporelle du débit moyen journalier QMJ (m3 s-1) entre janvier 1990 et janvier 2006 à l’Aouach.

La description de la série temporelle de biomasse obtenue en 2004-05-06 ouvre

quelques pistes de réflexion pour orienter la compréhension du jeu de données global et la

modélisation du patron de biomasse observé. Se pose notamment la question de la sénescence

algale, hypothèse formulée pour expliquer les tendances inverses décrites par la chlorophylle

a et la MSSC à la fin du patron de biomasse. L’évolution de la chlorophylle a est-elle

confirmée par la composition pigmentaire par HPLC? En particulier l’analyse des pigments

de dégradation démontre-t-elle une sénescence algale?

Alors que les deux pics de croissance présentaient des vitesses d’accrétion similaires lors de

l’étiage de 2001-02, les phases d’accrétion du biofilm de l’étiage de 2005-06 se distinguent

par des vitesses d’accrétion différentes et même, croissantes d’une phase à l’autre. Le modèle

sélectionné dans le chapitre 4 de ce travail ne peut en aucune manière représenter une telle

évolution, dans la mesure où une seule variable d’état (la biomasse) et une seule vitesse de

croissance (µmax,0) sont considérées. Or l’évolution temporelle des morphotypes de diatomées

au cours de l’étiage pourrait s’apparenter à une succession, avec une majorité de diatomées

unicellulaires et libres initialement et une diversification de l’assemblage en fin de cycle. Les

morphotypes étant tous majoritairement représentés par une espèce d’algue en particulier,

quatre variables d’état correspondantes à chacune de ces espèces pourraient être décrites par

un nouveau modèle. Une telle démarche nécessiterait de disposer d’informations relatives à

l’autoécologie de ces espèces en connaissant par exemple leur vitesse de croissance et leurs

exigences vis-à-vis de la lumière, des nutriments ou du courant, etc. Malheureusement ces

0

500

1000

1500

2000

2500

janv.-90 janv.-92 janv.-94 janv.-96 janv.-98 janv.-00 janv.-02 janv.-04 janv.-06

QM

J (m

3 s-1

)



données ne nous ont pas semblé disponibles lors d’un inventaire succinct de la littérature

(interrogation ISI web of knowledge, le 6 juin 2007).

Les prélèvements opportunément improvisés pour identifier les organismes

responsables de la perte de biomasse épilithique par broutage, en juillet 2005, justifient

l’intérêt de suivre l’évolution de la communauté de macroinvertébrés associée au biofilm. Si

plusieurs études ont démontré que le broutage engendrait une diminution de la biomasse

épilithique (Biggs 1996 ; Battin et al. 2003b), cet effet reste difficile à observer in situ,

souvent supplanté par les perturbations hydrodynamiques ou compensé par une accrétion

particulièrement soutenue. Même si la relation de cause à effet n’est pas prouvée dans cette

expérimentation, l’ensemble des observations et analyses tendent à démontrer la réalité de

l’effet du broutage. Le rôle du broutage a été largement étudié sur la diversité et la biomasse

algale (Steinman et al. 1987 ; Feminella & Hawkins 1995 ; Steinman 1996) à partir

d’expériences en microcosme sur une ou quelques espèces ciblées. Mais la complexité des

communautés en milieu naturel ne permet pas de transposer facilement ces connaissances in

situ, une transposition qui requiert d’identifier au préalable les espèces majoritaires. Si la

dominance de l’espèce Psychomyia pusilla, déjà identifiée dans les communautés en 2001-02

et dans la Garonne en général, et à une période faiblement perturbée par l’hydrodynamique,

était confirmée, il serait intéressant de réaliser le cycle biologique de l’espèce dans la

Garonne, de quantifier son taux d’ingestion pour décrire, en première approche, une perte

proportionnelle à ce taux d’ingestion et à l’évolution temporelle de la densité ou de la

biomasse du brouteur. Dans cette logique, des mesures par isotopes stables pourraient

permettre, en complément des approches d’ingestion de pigments, de quantifier des flux de

biofilms.

Conclusion générale





Ce travail a porté sur la contribution de l’outil numérique pour l’identification et la

description des processus de contrôle de la dynamique de la biomasse épilithique en rivière.

Les analyses numériques et expérimentales de ce travail ont apporté des conclusions

tant à l’échelle des processus que plus généralement celle du fonctionnement de l’écosystème.

Lorsque le régime hydrologique se caractérise par une succession de périodes de hautes et

basses eaux, l’assemblage microbien peut être assez simplement appréhendé comme une

biomasse photosynthétique qui croit puis se détache sous l’influence de facteurs allogènes. Au

cours de sa croissance, la biomasse s’autolimite de plus en plus : c’est ce que le terme de

limitation de la diffusion des nutriments et de la lumière retenu dans le modèle signifie. La

biomasse se détache d’autant plus que l’hydrodynamique est forte. Cette conception, déjà

ancienne, qui assimile l’assemblage au « périphyton » s’applique généralement en rivière, où

la plupart des travaux démontraient que l’hydrodynamique constitue le moteur principal de la

dynamique temporelle de la biomasse épilithique.

Notre contribution a davantage concerné les périodes d’étiage qui depuis plusieurs

années sont particulièrement longues dans la Garonne. Une tendance qui, dans le contexte du

changement global, devrait se poursuivre voire s’intensifier puisque les prévisions annoncent

une augmentation de la fréquence des phénomènes climatiques extrêmes. Finalement, une des

questions majeures à laquelle tente de répondre ce travail pourrait être formulée ainsi : « Que

se passe-t-il pour le biofilm épilithique lorsque l’on supprime de son environnement l’effet

perturbateur de l’hydrodynamique ? ». Ce travail montre que, lorsque les périodes de stabilité

hydrologique durent suffisamment longtemps, l’accroissement de biomasse devient alors le

moteur des propriétés structurelles et fonctionnelles de l’assemblage. L’évolution de

l’assemblage est telle que les interactions avec la colonne d’eau sus-jacente diminuent au

profit d’interactions internes entre les autres compartiments de l’assemblage qui peuvent alors

influencer significativement la dynamique de la biomasse. Nous avons identifié la nécessité

de considérer l’assemblage comme une unité fonctionnelle plus vaste, que ce soit du côté des

organismes « constructeurs » de l’agrégat, principalement les algues, que du côté des

organismes qui en régulent la biomasse.

C’est effectivement du côté des organismes régulateurs et dans le prolongement des

travaux de Lyautey et al. (2005a) et de Teissier et al. (2007) que ce travail est sans doute le

plus novateur. Le détachement autogène déjà défini par Biggs (1996) comme un facteur



susceptible de contrôler la biomasse épilithique en rivière n’avait pas été, à notre

connaissance, décrit, ni encore moins modélisé. Il s’agit d’une perte de biomasse liée à une

sénescence du biofilm, celle des couches les plus anciennes qui assurent l’ancrage du biofilm

au support. L’affaiblissement de cet ancrage, la production respiratoire accrue de gaz

augmentant la flottabilité d’un agrégat qui, devenu épais, offre plus de prise aux forces de

cisaillement, sont les causes de cet auto-détachement ou détachement autogène. Cette cascade

de processus a été largement simplifiée par modélisation sous la forme d’une perte

proportionnelle à la biomasse et à une biomasse hétérotrophe « activée » par des températures

élevées. L’activité du compartiment hétérotrophe, représenté notamment par les bactéries qui

sont pondéralement « négligeables » vis-à-vis du compartiment algal, peut être à l’origine

d’importantes pertes de biomasse. L’expérimentation numérique semble confirmer que ce

détachement se produit lorsque la biomasse de l’assemblage est élevée et semble démontrer

que, contrairement à la biomasse algale, visiblement peu affectée par la baisse hivernale de la

température, la biomasse hétérotrophe à l’origine du détachement serait très fortement

sensible à la température. Forte biomasse, stabilité hydrologique et température élevée

doivent donc coïncider pour que se manifeste un détachement autogène. C’est une hypothèse

qui rejoint celle de Hancke & Glud (2004) qui démontrent expérimentalement que, pour des

communautés microphytobenthiques de sédiments marins, l’augmentation de température

stimule plus l’activité hétérotrophe que la production photosynthétique. Parmi l’effet des

organismes régulateurs, le broutage par la macrofaune in situ a été mis en évidence et les

données acquises ouvrent des perspectives intéressantes quant au rôle de la méiofaune dans

l’assemblage, qui reste lui aussi largement méconnu.

En isolant le biofilm épilithique des perturbations hydrodynamiques et en instaurant

des conditions favorables à son développement, nous envisagions d’observer une évolution

autogène. L’assemblage algal s’est avéré particulièrement « pauvre » du point de vue de sa

composition algale et, visuellement, celui-ci ne présentait pas l’aspect d’un biofilm cohésif.

Avec l’augmentation de la concentration en MES, c’est sans doute un argument

supplémentaire qui justifie que nous ne soyons pas parvenu à observer la situation escomptée.

L’architecture du biofilm dépend des espèces présentes, elles-mêmes sélectionnées par les

conditions hydrodynamiques. En effet, le régime du courant dans lequel le biofilm se

développe influence la physionomie des communautés algales et en conséquence leur

résistance. Dans les habitats lotiques où le courant est faible, le développement des algues

n’est pas contraint par la vitesse du courant, l’assemblage qui s’établit est « aéré », à biomasse



élevée et une fraction importante des cellules sont libres ou attachées à un second substrat

(Peterson 1996). Dans les zones de courant plus soutenu, la plupart des cellules libres sont

détachées de l’assemblage sous l’effet du courant, formant un assemblage plus compact dans

sa physionomie et ancré solidement au substrat. C’est par leur organisation cohésive que les

biofilms épilithiques constituent des agrégats d’espèces nécessairement en interaction. Ces

constatations introduisent le problème du réalisme de l’assemblage non seulement en terme

d’espèce mais également en terme d’architecture obtenu en canaux artificiels. Une telle

expérimentation nécessiterait à posteriori non seulement de maîtriser les conditions

environnementales mais aussi de manipuler la « texture » du biofilm en sélectionnant une

hydrodynamique plus adaptée et/ou les espèces algales.

Parmi les questions que pose la mise en œuvre de la modélisation mécaniste en

écologie, celle de la complexité d’un modèle est sans doute la plus fondamentalement

problématique. La majorité des modèles souffre d’une sur paramétrisation que la qualité des

données ne peut que très rarement justifier. Ce constat s’explique notamment par le fait que la

démarche de modélisation préconisée, qui consiste à acquérir les observations en même temps

que d’analyser le système, n’est le plus souvent pas respectée. C’est d’ailleurs le cas de ce

travail. Ce dernier a cependant été mené avec la volonté de rechercher un niveau de

complexité adapté et donc de trouver une correspondance juste entre qualité des observations

et performances du modèle (sensibilité, précision, erreur) (chapitre 1). La nature du jeu de

données dans l’Agüera qui proposait des chroniques de biomasse spatio-temporellement

contrastées mais une description globale de la biomasse épilithique, une fréquence réduite de

prélèvement et une caractérisation « classique » de l’environnement (nutriment, température,

éclairement, débit) se sont avérées incompatibles avec l’application d’un modèle

« complexe ». Cela nous a conduit à rechercher un « minimal adequate model ». Cette

stratégie était d’autant plus légitime que la formulation du modèle retenu fournissait une

description plutôt satisfaisante de la biomasse dans les situations testées (chapitre 3). En

revanche, celle-ci ne permettait de décrire que partiellement la dynamique temporelle de la

biomasse dans la Garonne. Mais la nature des observations (notamment leur fréquence

hebdomadaire) et les connaissances acquises auparavant rendaient la « complexification » du

modèle méthodologiquement possible (chapitre 4). L’acquisition d’observations a été réalisée

dans l’idée d’augmenter la qualité des données disponibles, et ceci à travers l’analyse de

nouveaux compartiments du biofilm (chapitre 6). Néanmoins, pour des raisons pratiques et

techniques, cette acquisition n’est pas toujours réalisable in situ. Dans ce contexte,



l’alternative qui consiste à reproduire le système naturel tout en le simplifiant et le maîtrisant

nous a semblé idoine. Le dispositif expérimental du canal de laboratoire a été conçu afin de

réduire le degré de liberté du modèle. Nous espérions ainsi limiter et contraindre les

paramètres associés aux processus de croissance/détachement du biofilm en sélectionnant

et/ou maîtrisant les conditions environnementales au cours de son développement.

Pratiquement nous cherchions ainsi à (i) supprimer l’influence des facteurs allogènes et

favoriser les processus autogènes de structuration du biofilm en réduisant les sources de

perturbations et augmentant la durée de l’expérience ; (ii) favoriser l’activité hétérotrophe et

le détachement autogène en faisant coïncider artificiellement augmentations de biomasse et de

température et (iii) annuler la recirculation de matière et réduire l’immigration et l’émigration

de cellules en installant des filets en permanence. Enfin, par le biais d’un protocole de

quantification de la biomasse plus précis et l’utilisation de substrats artificiels, qui limitent

l’hétérogénéité du développement, nous souhaitions limiter l’incertitude sur les mesures et

améliorer la fiabilité du jeu de données.

De manière générale, nous nous sommes heurtés au manque de transférabilité du

modèle i.e. à son incapacité à reproduire la dynamique de biomasse d’un contexte

environnemental et/ou d’une année à l’autre sans avoir recours à une nouvelle

paramétrisation. Cela constitue effectivement un des problèmes récurrents des modèles

écologiques car, contrairement aux systèmes physiques, les écosystèmes ne sont pas

réductibles. Alors que la loi de l’attraction universelle, relation linéaire entre force et

accélération, s’applique partout, la croissance des organismes dépend de nombreux facteurs et

ne peut être transférée d’une situation et/ou d’un écosystème à un(e) autre. Les descripteurs de

la dynamique du biofilm épilithique qui seraient pertinents à l’échelle annuelle ne le seraient

pas nécessairement à l’échelle interannuelle (sur le long terme). Par descripteurs, il faut

entendre non seulement les différents composants de l’assemblage mais aussi les mécanismes

de régulation qui confèrent aux organismes (individus) ou aux populations la capacité de

survivre et de se reproduire malgré les changements de conditions extérieures. Les processus,

composants et mécanismes changent constamment pour une meilleure utilisation des

ressources. C’est ce que Brown (1995) souligne lorsqu’il identifie les écosystèmes à des

« complex adaptive systems ». Le remplacement d’espèces lors d’une succession algale

susceptible d’expliquer le patron de biomasse observé dans la Garonne lors de l’étiage de

2005 est un exemple de régulation. Cette régulation pourrait expliquer qu’une vitesse de

croissance unique caractéristique de la biomasse algale globale ne suffise pas à modéliser la



dynamique de biomasse pendant cette période. De plus, tel qu’il est construit, le modèle

intègre seulement les facteurs immédiats de structuration de l’assemblage sans intégrer l’effet

mémoire de la communauté qui module sa réponse en fonction des conditions qu’elle a

subies. Si, à moyen terme, la variable « débit moyen journalier » suffit pour reproduire

l’intensité du détachement hydrodynamique dans la Garonne, il n’en est sans doute pas de

même à long terme où l’historique des conditions hydrodynamiques est sans doute important.

C’est ce que semble dire l’hypothèse relative à la crue de 2000 exprimée dans le dernier

chapitre.

Ce sont, ici énoncées, autant d’explications qui confirment que ce modèle ne peut et ne

doit être utilisé comme outil de prédiction. La finalité d’un modèle prédictif est d’être utilisée

à des fins d’aide à la décision environnementale. L’approche statistique, qui nécessite moins

de données, est probablement plus adaptée pour développer un modèle « universel ». A partir

des données acquises dans la Garonne moyenne, l’impact biogéochimique du biofilm

épilithique a pu être appréhendé en particulier sur les transformations de l’azote. Il a été

calculé qu’un radier (banc de galets) virtuel de 50 km de long et de 100 m de large épurerait

entre 50 et 250 millions de litres, soit seulement 2,5% du flux. Si les performances épuratrices

intrinsèques du biofilm sont démontrées, son impact relatif dans l’écosystème fait de ce

compartiment un compartiment « mineur » de l’écosystème Garonne moyenne. En revanche,

en tant que compartiment caractéristique du fonctionnement des cours d’eau d’ordre

hydrologique intermédiaire, le biofilm épilithique peut faire fonction de sentinelle de la

qualité du milieu. Il a d’ailleurs été établi que la vitesse d’accrétion des biofilms épilithiques,

reflet de la production primaire benthique, permet de rendre compte de façon intégrée du

niveau d’enrichissement de la rivière par les apports anthropiques. A cette échelle,

l’utilisation de la modélisation nous apparaît donc plutôt pertinente dans sa capacité

analytique à identifier et comprendre les processus qui structurent la dynamique de biomasse

que dans sa capacité à la prédire. Or pour mieux appréhender ces processus, la modélisation

doit être capable de reproduire l’architecture de l’agrégat (sa structure tridimensionnelle), sa

diversité et le fonctionnement qui en résulte (métabolisme). Il apparaît en effet au terme de ce

travail que c’est bien autour de ce triptyque diversité – fonctionnement – architecture

qu’émergent les spécificités d’un agrégat de type biofilm. Dans le cadre des assemblages

phototrophes de rivière, il nous semble intéressant et relativement novateur de s’orienter vers

une modélisation qui se centre sur les interactions biotiques (en particulier entre les algues et

les bactéries) qui déterminent la structuration et le fonctionnement de l’assemblage. Cela



suppose de changer d’échelle et de disposer d’observations plus fines. De la rivière à

l’agrégat, à l’échelle du m2, la description globale de l’assemblage, en MSSC ou chlorophylle

a, a démontré ses limites et la nécessité de considérer d’autres compartiments et même

plusieurs espèces, s’agissant du compartiment algal. L’échelle de l'agrégat à la cellule, échelle

à laquelle pourrait s’expliquer la dynamique de ces biofilms, exigerait de nouveaux outils

numériques et expérimentaux. Nous rejoignons en ce sens nos collègues hydrodynamiciens

des fluides qui concluaient à la nécessité de prendre en compte les processus

hydrodynamiques locaux pour retrouver une cohérence entre l’échelle de l’agrégat et celle des

facteurs expliquant sa dynamique.

Références bibliographiques





Akaike H (1973) Information theory and an extension of the maximum likelihood principle.

In: Petrov BN, Csaki F (eds) 2nd International Symposium on Information Theory,

Budapest: Akademia Kiado, pp. 267-281

Allen PM (1988) Evolution: why the whole is greater than the sum of its parts. In: Wolff R,

Soeder G, Drepper S (eds) Ecodynamics. Springer-Verlag, Berlin

Améziane T, Dauta A, Le Cohu R (2003) Origin and transport of phytoplankton in a large

river: The Garonne, France. Archiv für Hydrobiologie 156:385-404

Améziane T, Garabétian F, Dalger D, Sauvage S, Dauta A, Capblancq J (2002) Epilithic

biomass in a large gravel-bed river (the Garonne, France): a manifestation of

eutrophication? River Research and Applications 18:343-354

Asaeda T, Hong Son D (2000) Spatial structure and populations of a periphyton community: a

model and verification. Ecological Modelling 133:195-207

Asaeda T, Hong Son D (2001) A model of the development of a periphyton community

resource and flow dynamics. Ecological Modelling 137:61-75

Basaguren A, Riano P, Pozo J (2002) Life history patterns and dietary changes of several

caddisfly (Trichoptera) species in a northern Spain stream. Archiv für Hydrobiologie

155:23-41

Battin TJ, Kaplan LA, Newbold JD, Cheng X, Hansen C (2003a) Effects of current velocity

on the nascent architecture of stream microbial biofilms. Applied and Environmental

Microbiology 69:5443-5452

Battin TJ, Kaplan LA, Newbold JD, Hansen CME (2003b) Contributions of microbial

biofilms to ecosystem processes in stream ecosystems. Nature 426:439-442

Benke AC (1979) A modification of the Hynes method for estimating secondary production

with particular signification for multivoltine population. Limnology and

Oceanography 24:168-170

Biggs BJF (1988) Artificial substrates exposure times for periphyton biomass estimates in

rivers. New Zealand Journal of Marine and Freshwater Research 22:507-515

Biggs BJF (1995) The contribution of flood disturbance, catchment geology and land use to

the habitat template of periphyton in stream ecosystems. Freshwater Biology 33:419-

438

Biggs BJF (1996) Patterns in benthic algae of streams. In: Stevenson RJ, Bothwell ML, Lowe

RL (eds) Algal ecology: freshwater benthic ecosystems. Academic Press, San Diego,

pp. 31-56



Biggs BJF (2000) Eutrophication of streams and rivers: dissolved nutrient-chlorophyll

relationships for benthic algae. Journal of the North American Benthological Society

19:17-31

Biggs BJF, Close ME (1989) Periphyton biomass dynamics in gravel bed rivers: the relative

effects of flows and nutrients. Freshwater Biology 22:209-231

Biggs BJF, Price GM (1987) A survey of filamentous algal proliferations in New Zealand

rivers. New Zealand Journal of Marine and Freshwater Research 21:175-191

Biggs BJF, Stevenson RJ, Lowe RL (1998) A habitat matrix conceptual model for stream

periphyton. Archiv für Hydrobiologie 143:21-56

Biggs BJF, Thomsen HA (1995) Disturbance in stream periphyton by perturbations in shear

stress: time to structural failure and difference in community resistance. Journal of

Phycology 31:233-241

Blenkinsopp SA, Lock MA (1994) The impact of storm-flow on river biofilm architecture.

Journal of Phycology 30:807-818

Borchardt D (1996) Nutrients. In: Stevenson RJ, Bothwell ML, Lowe RL (eds) Algal ecology:

freshwater benthic ecosystems. Academic Press, San Diego, pp. 183-227

Bothwell ML (1988) Phosphorus limited-growth dynamics of lotic periphytic diatom

communities: areal biomass and cellular growth rate responses. Canadian Journal of

Fisheries and Aquatic Sciences 46:1293-1301

Bothwell ML, Sherbot D, Roberge AC, Daley RJ (1993) Influence of natural ultraviolet

radiation on lotic periphytic diatom community growth, biomass accrual, and species

composition: short-term versus long-term effects. Journal of Phycology 29:24-35

Boulêtreau S, Garabétian F, Sauvage S, Sánchez-Pérez JM (2006) Assessing the importance

of a self-generated detachment process in river biofilm models. Freshwater Biology

51:901-912

Burnham KP, Anderson DR (2002) Model selection and multimodal inference: a practical

information theoretic approach, Springer-Verlag, New-York

Burns A, Ryder DS (2001) Potential for biofilms as biological indicators in Australian

riverine systems. Ecological Management and Restoration 2:53-64

Cardinale BJ, Palmer MA, Swan CM, Brooks S, Poff NL (2002) The influence of substrate

heterogeneity on biofilm metabolism in a stream ecosystem. Ecology 83:412-422

Cole JJ, Likens GE, Strayer DL (1982) Photosynthetically produced dissolved organic

carbon: an important carbon source for planktonic bacteria. Limnology and




Connell JH (1978) Diversity in tropical rain forest and coral reefs. Science 199:1302-1310

Costerton JW, Cheng K-J, Geesey GG, Ladd TI, Nickel JC, Dasgupta M, Marrie TJ (1987)

Bacterial biofilms in nature and disease. Annual Review of Microbiology 41:435-464

Crichton MI, Fisher D (1978) Life histories and distribution of British Trichoptera, excluding

Limnephilidae and Hydroptilidae, based on the Rothamsted Insect Survey. Holarctic

Ecology 1:31-45

Dahm CN, Grimm NB, Marmonier P, Valett HM, Vervier P (1998) Nutrient dynamics at the

interface between surface waters and groundwaters. Freshwater Biology 40:427-451

Davies-Colley RJ, Hickey CW, Quinn JM, Ryan PA (1992) Effects of clay discharges on

streams 1. Optical properties and epilithon. Hydrobiologia 248

DeAngelis DL, Loreau M, Neergaard D, Mulholland PJ, Marzolf ER (1995) Modelling

nutrient-periphyton dynamics in streams: the importance of transient storage zones.

Ecological Modelling 80:149-160

Dodds WK (2003) The role of periphyton in phosphorus retention in shallow freshwater

aquatic systems. Journal of Phycology 39:840-849

Dodds WK (2006) Eutrophication and trophic state in rivers and streams. Limnology and


Dodds WK, Jones JR, Welch EB (1998) Suggested classification of stream trophic state:

distributions of temperate stream types by chlorophyll, total nitrogen. Water Research

32:1455-1462

Dodds WK, Smith RA, Zander B (1997) Developing nutrient targets to control benthic

chlorophyll a levels in streams: a case study of the Clark Fork River. Water Research

31:1738-1750

Downing JA, Watson SB, McCauley E (2001) Predicting cyanobacteria dominance in lakes.

Canadian Journal of Fisheries and Aquatic Sciences 58:1905-1908

Duff JH, Triska FJ, Oremland RS (1984) Denitrification associated with stream periphyton:

chamber estimates from undisrupted communities. Journal of the Environment Quality

13:514-518

Eberl HJ, Picioreanu C, Heijnen JJ, van Loosdrecht MCM (2000) A three-dimensional

numerical study on the correlation of spatial structure, hydrodynamics conditions, and

mass transfer and conversion in biofilms. Chemical Engineering Science 55:6209-

6222

Elosegi A, Basaguren A, Pozo J (2002) Ecology of the Agüera: a review of fourteen years of

research in a basque stream. Munibe 53:15-38



Elosegi A, Pozo J (1992) Physico-chemical characteristics of the Agüera river (Spain) during

an unusual hydrologically period. International Review of Hydrobiology 28:85-96

Elosegi A, Pozo J (1994) Spatial versus temporal variability in the physico-chemical

characteristics of the Agüera stream (North Spain). Acta Oecologica 15:543-559

Elosegi A, Pozo J (1998) Epilithic biomass and metabolism in a north Iberian stream. Aquatic

Sciences 60:1-16

Eulin A (1997) Les communautés de diatomées épilithiques de la Garonne. Thèse, Université

Paul Sabatier, Toulouse, p. 248

Eulin A, Le Cohu R (1998) Epilithic diatom communities during the colonization of artificial

substrates in the River Garonne (France). Comparison with the natural communities.

Archiv für Hydrobiologie 143:79-106

Even S, Poulin M, Garnier J, Billen G, Servais PC, Chesterikoff C, Coste M (1998) River

ecosystem modelling: application of the PROSE model to the Seine river (France).

Hydrobiologia 373-374:27-45

Feminella JW, Hawkins CP (1995) Interactions between stream herbivores and periphyton: a

quantitative analysis of past experiments. Journal of the North American

Benthological Society 14:465-509

Fisher SG (1990) Recovery processes in lotic ecosystems: limits of successional theory.

Environmental Management 14:725-736

Fisher SG, Grimm NB (1988) Disturbance as a determinant of structure in a Sonoran Desert

stream ecosystem. Verhanlungen der Internationale Vereinigung fur Theoretische und

Angewandt Limnologie 23:1183-1189

Fisher SG, Likens GE (1973) Energy flow in Bear brook, New Hampshire: an integrative

approach to stream ecosystem metabolism. Ecological Monographs 43:431-439

Flipo N, Even S, Poulin M, Tusseau-Vuillemin M-H, Améziane T, Dauta A (2004)

Biogeochemical modelling at the river scale: plankton and periphyton dynamics.

Grand Morin case study, France. Ecological Modelling 176:333-347

Fothi A (2003) Effets induits de la turbulence benthique sur les mécanismes de croissance du

périphyton. Thèse, Institut National Polytechnique de Toulouse, p. 141

Francoeur SN, Biggs BJF (2006) Short-term effects of elevated velocity and sediment

abrasion on benthic algal communities. Hydrobiologia 561:59-69

Francoeur SN, Biggs BJF, Lowe RL (1998) Microform bed clusters as refugia for periphyton

in a flood-prone headwater stream. New Zealand Journal of Marine and Freshwater

Research 32:363-374



Geesey GG, Mutch R, Costerton JW, Green RB (1978) Sessile bacteria: an important

component of the microbial population in small mountain streams. Limnology and


Godillot R, Caussade B, Améziane T, Capblancq J (2001) Interplay between turbulence and

periphyton in rough open-channel flow. Journal of Hydraulic Research 39:227-239

Graham AA (1990) Siltation of stone-surface periphyton in rivers by clay-sized particles from

low concentrations in suspension. Hydrobiologia 199

Grimm NB, Fisher SG (1989) Stability of periphyton and macroinvertebrates to disturbance

by flach floods in a desert stream. Journal of the North American Benthological

Society 8:293-307

Guay JC, Boisclar D, Leclerc M, Lapointe M (2003) Assessment of the transferability of

biological habitat models for atlantic salmon parr (Salmo salar). Canadian Journal of

Fisheries and Aquatic Sciences 60:1398-1408

Hancke K, Glud RN (2004) Temperature effects on respiration and photosynthesis in the three

diatom-dominated benthic communities. Aquatic Microbial Ecology 37:265-281

Hilborn R, Mangel M (1997) The ecological detective: confronting models with data,

Princeton University Press, Princeton, New Jersey

Hill W (1996) Effects of light. In: Stevenson RJ, Bothwell ML, Lowe RL (eds) Algal

ecology: freshwater benthic ecosystems. Academic Press, San Diego, pp. 121-148

Hoagland KD, Roemer SC, Rosowski JR (1982) Colonization and community structure of

two periphyton assemblages, with emphasis on the diatoms (Bacillariophyceae).

American Journal of Botany 69:188-213

Horner RR, Welch EB, Seeley MR, Jacoby JM (1990) Responses of periphyton to changes in

current velocity, suspended sediment and phosphorus concentration. Freshwater

Biology 24:215-232

Horner RR, Welch EB, Veenstra RB (1983) Development of nuisance periphytic algae in

laboratory streams in relation to enrichment and velocity. In: Wetzel RG (ed)

Periphyton of freshwater ecosystems. Dr. W. Junk publishers, The Hague, pp. 121-134

Izagirre O, Elosegi A (2005) Environmental control of seasonal and inter-annual variations of

periphytic biomass in a North Iberian stream. International Journal of Limnology

41:35-46

Jackson CR, Churchill PF, Roden E (2001) Successional changes in bacterial assemblage

structure during epilithic biofilm development. Ecology 82:555-566



Jeffrey SW, Mantoura RFC, Wright SW (1997) Phytoplankton pigments in oceanography,

Paris

Jorgensen SE (1983) Application of ecological modelling in environmental management, Part

A, Elsevier Scientific Publishing Company, New York

Jorgensen SE (1999) State-of-the-art of ecological modelling with emphasis on development

of structural dynamic models. Ecological Modelling 120:75-96

Jowett IG (1993) A method for objectively identifying pool, run and riffle habitats from

physical measurements. New Zealand Journal of Marine and Freshwater Research

27:241-248

Jowett IG, Biggs BJF (1997) Flood and velocity affects on periphyton and silt accumulation

in two New Zealand rivers. New Zealand Journal of Marine and Freshwater Research

31:287-300

Kirk JTO (1983) Light an photosynthesis in aquatic ecosystems, Cambridge, UK

Kolkwitz R, Marsson K (1909) Ökologie der tierischen Saprobien. Beiträge zur Lehre von des

biologischen Gewasserbeurteilung Internationale revue der gesamten Hydrobiologie

und Hydrographie 1:126-152

Korte VL, Blinn DW (1983) Diatom colonization on artificial substrate in pool and riffle

zones studied by light and scanning electron microscopy. Journal of Phycology

19:332-341

Lakatos G (1989) Composition of reed periphyton (biotecton) in the Hungarian part of lake

Fertö. Biol. Forschung. für Burg. 71:126-134

Lawrence JR, Scharf B, Packroff G, Neu TR (2002) Microscale evaluation of the effects of

grazing by invertebrates with contrasting feeding modes on river architecture and

composition. Microbial Ecology 43:199-207

Lebreton J-D, Burnham KP, Clobert J, Anderson DR (1992) Modeling survival and testing

biological hypothesis using marked animals: a unified approach with case studies.

Ecological Monographs 62:67-118

Lecointe C, Coste M, Prygiel J (1993) 'OMNIDIA' software for taxonomy, calculation of

diatom indices and inventories management. Hydrobiologia 269/270:509-513

Leff LG, Vaun McArthur J, Meyer JL, Shimkets LJ (1994) Effect of macroinvertebrates on

detachment of bacteria from biofilms in stream microcosms. Journal of the North

American Benthological Society 13:74-79



Leftwich KN, Angermeier PL, Dolloff CA (1997) Factors influencing behaviour and

transferability of habitat models for a benthic stream fish. Transactions of the

American Fisheries Society 126:725-734

Lock MA (1993) Attached microbial communities in rivers. In: Ford TE (ed) Aquatic

microbiology - an ecological approach. Blackwell Scientific Publications, Oxford,

United Kingdom, pp. 113-138

Lock MA, Wallace RR, Costerton JW, Ventullo RM, Charlton SE (1984) River epilithon:

towards a structural-functional model. OIKOS 42:10-22

Lopez de Luzuriaga A (1995) Dinamica y colonization perifiticas en el rio Agüera. MsC

Thesis, University of the Basque Country

Lyautey E (2005) Caractérisation, dynamique et facteurs de contrôle des communautés

bactériennes de biofilms de rivière. Thèse, Université Paul Sabatier, p. 182

Lyautey E, Jackson CR, Cayrou J, Rols J-L, Garabétian F (2005a) Bacterial community

succession in natural river biofilm assemblages. Microbial Ecology 50:589-601

Lyautey E, Lacoste B, Ten-Hage L, Rols JL, Garabétian F (2005b) Analysis of bacterial

diversity in river biofilms using 16S rDNA PCR-DGGE: methodological settings and

fingerprints interpretation. Water Research 39:380-388

Lyautey E, Teissier S, Charcosset JY, Rols JL, Garabétian F (2003) Bacterial diversity of

epilithic biofilm assemblages of an anthropised river section, assessed by DGGE

analysis of a 16S rDNA fragment. Aquatic Microbial Ecology 33:217-224

Matthews RA, Buikema AL, Cairns J, Rodgers JH (1982) Biological monitoring Part IIA -

Receiving system functional methods, relationships and indices. Water Research

16:129-139

McCormick PV (1994) Evaluating the multiple mechanisms underlying herbivore-algal in

streams. Hydrobiologia 291:47-59

McIntire CD (1973) Periphyton dynamics in laboratory streams: a simulation model and its

implications. Ecological Monographs 34:399-420

McIntire CD, Colby JA (1978) A hierarchical model of lotic ecosystems. Ecological

Monographs 48:167-190

McIntire CD, Phinney HK (1965) Laboratory studies of periphyton production and

community metabolism in lotic environments. Ecological Monographs 35:237-258

Minshall GW (1978) Autotrophy in stream ecosystems. BioScience 28:767-771

Momo FR (1995) A new model for periphyton growth in running waters. Hydrobiologia

299:215-218



Motomizu S, Wakimoto T, Toei K (1983) Spectrophotometric determination of phosphate in

river waters with molybdate and malachite green. Analyst 108:361-367

Mulholland PJ (1992) Regulation of nutrient concentrations in temperate forest stream: roles

of upland, riparian, and instream processes. Limnology and Oceanography 37:1512-

1526

Mulholland PJ (1997) Organic matter dynamics in the West Fork of Walker Branch,

Tennessee, USA. Journal of the North American Benthological Society 16:61-74

Mulholland PJ, Steinman AD, Palumbo AV, Elwood JW (1991) Role of nutrient cycling and

herbivory in regulating periphyton communities in laboratory streams. Ecology

72:966-982

Navarro E, Guasch H, Sabater S (2002) Use of microbenthic algal communities in

ecotoxicological tests for the assessment of water quality: the Ter river case study.

Journal of Applied Phycology 14:41-48

Nielsen TS, Funk WH, Gibbons HL, Duffner RM (1984) A comparison of periphyton growth

on artificial and natural susbtrates in the upper Spokane River. Northwest Science

58:243-248

Odum HT (1956) Primary Production in Flowing Waters. Limnology and Oceanography

1:102-107

Olapade OA, Leff LG (2004) Seasonal dynamics of bacterial assemblages in epilithic

biofilms in a northeastern Ohio stream. Journal of the North American Benthological

Society 23:686-700

Patten BC (1997) Synthesis of chaos and sustainability in a nonstationary linear dynamic

model of the American black bear (Ursus americanus Pallas) in the Adirondack

Mountains of New York. Ecological Modelling 100:11-42

Peterson CG (1996) Response of benthic algal communities to natural physical disturbance.

In: Stevenson RJ, Bothwell ML, Lowe RL (eds) Algal Ecology: Freshwater Benthic

Ecosystems. Academic Press, San Diego, pp. 375-403

Peterson CG, Hoagland KD, Stevenson RJ (1990) Timing of wave disturbance and the

resistance and recovery of a freshwater epilithic microalgal community. Journal of the

North American Benthological Society 9:54-67

Peterson CG, Stevenson RJ (1990) Post-spate development of epilithic algal communities in

different current environments. Canadian Journal of Botany 68:2092-2102

Peterson CG, Stevenson RJ (1992) Resistance and resilience of lotic algal communities:

importance of disturbance timing and current. Ecology 73:1445-1461



Picioreanu C, van Loosdrecht MCM, Heijnen JJ (1999) Multidimensional modelling of

biofilm structure. In: Johnson-Green (ed) Microbial Biosystems: New Frontiers

Picioreanu C, van Loosdrecht MCM, Heijnen JJ (2000) Two-Dimensional Model of Biofilm

Detachment Caused by Internal Stress from Liquid Flow. Biotechnology and

Bioengineering 72:205-218

Posada D, Crandall KA (2001) Selecting the best-fit model of nucleotide substitution.

Systematics Biology 50:580-601

Poulickova A, Duchoslav M, Dokulil M (2004) Littoral diatom assemblages as bioindicators

of lake trophic status: a case study from prealpine lakes in Austria. European Journal

of Phycology 39:143-152

Press W, Flannery B, Teukolsky S, Vetterling W (1988) Numerical Recipes, Cambridge

University Press, Cambridge

Rasmussen K, Lewandowski Z (1998) Microelectrode measurements of local mass transport

rates in heterogeneous biofilms. Biotechnology and Bioengineering 59:302-309

Reynolds CS, Descy JP, Padisak J (1994) Are phytoplankton dynamics in rivers so different

from those in shallow lakes? Hydrobiologia 289:1-7

Riber HH, Wetzel RG (1987) Boundary-layer and internal diffusion effects on phosphorus

fluxes in lake periphyton. Limnology and Oceanography 32:1181-1194

Richter BD, Baumgartner JV, Braun DP, Powell J (1998) A spatial assessment of hydrologic

alteration within a river network. Regulated Rivers: Research and Management

14:329-340

Rodriguez MA (1987) Estimating periphyton growth parameters using simple models.

Limnology and Oceanography 32:458-464

Romani AM, Sabater S (2000) Influence of algal biomass on extracellular enzyme activity in

river biofilms. Microbial Ecology 41:16-24

Ryan PA (1991) Environmental effects of sediment on New Zealand streams: a review. New

Zealand Journal of Marine and Freshwater Research 25:207-221

Sabater S, Admiraal W (2005) Periphyton as Biological Indicators in managed Aquatic

Ecosystems. In: AZIM ME et al. (eds) Periphyton: Ecology, Exploitation and

Management, pp. 159-177

Sabater S, Guasch H, Romani A, Munoz I (2002) The effect of biological factors on the

efficiency of river biofilms in improving water quality. Hydrobiologia 469:149-156



Sabater S, Vilalta E, Gaudes A, Guasch H, Muñoz I, Romani AM (2003) Ecological

implications of mass growth of benthic cyanobacteria in rivers. Aquatic Microbial

Ecology 32:175-184

Saravia LA, Momo F, Boffi Lissin LD (1998) Modelling periphyton dynamics in running

water. Ecological Modelling 114:35-47

Schäfer J, Blanc G (2002) Relationship between ore deposits in river catchments and

geochemistry of suspended particulate matter from six rivers in southwest France. The

Science of the Total Environment 298:103-118

Schmid-Araya JM, Schmid PE (2000) Trophic relationships: integrating meiofauna into a

realistic benthic foodweb. Freshwater Biology 44:149-163

Sinsabaugh RL, Repert D, Weiland T, Golladay SW, Linkins AE (1991) Exoenzyme

accumulation in epilithic biofilms. Hydrobiologia 222:29-37

Snowling SD, Kramer JR (2001) Evaluating modelling uncertainty for model selection.

Ecological Modelling 138:17-30

Steemann-Nielsen E (1975) Marine photosynthesis with special emphasis on ecological

aspects, Elsevier Scientific Publishing, Amsterdam

Steinman AD (1996) Effects of grazers on freshwater benthic algae In: Stevenson RJ,

Bothwell ML, Lowe RL (eds) Algal ecology: freshwater benthic ecosystems.

Academic Press, San Diego, pp. 341-373

Steinman AD, McIntire CD, Gregory SV, Lamberti A, Ashkenas L (1987) Effect of herbivore

type and density on taxonomic structure and physiognomy of algal assemblages in

laboratory streams. Journal of the North American Benthological Society 6:175-188

Stevenson RJ (1996) An introduction to algal ecology in freshwater benthic habitats. In:

Stevenson RJ, Bothwell ML, Lowe RL (eds) Algal ecology: freshwater benthic

ecosystems. Academic Press San Diego, pp. 3-30

Stevenson RJ (1997) Scale-dependant determinants and consequences of benthic algal

heterogeneity. Journal of the North American Benthological Society 16:248-262

Stevenson RJ, Peterson CG (1991) Emigration and immigration can be important

determinants of benthic diatom assemblages in streams. Freshwater Biology 26:279-

294

Stoodley P, Cargo R, Rupp CJ, Wilson S, Klapper I (2002) Biofilm material properties as

related to shear-induced deformation and detachment phenomena. Journal of Industrial

Microbiology and Biotechnology 29:361-367



Tachet H, Richoux P, Bournaud M, Usseglio-Polatera P (2000) Guide des invertébrés d'eau

douce : systématique, biologie, écologie, Paris

Teissier S, Garabétian F, Torre M, Dalger D, Labroue L (2002) Impact of an urban centre on

the nitrogen cycle processes of epilithic biofilms during a summer low-water period.

River research and applications 18:21-30

Teissier S, Torre M, Delmas F, Garabétian F (2007) Detailing biogeochemical N budgets in

riverine epilithic biofilms. Journal of the North American Benthological Society

26:178-190

Thomas SA, Newbold JD, Monaghan MT, Minshall GW, Georgian T, Cushing CE (2001)

The influence of particle size on seston deposition in streams. Freshwater Biology

46:1415-1424

Uehlinger U (1991) Spatial and temporal variability of the periphyton biomass in a prealpine

river (Nicker, Switzerland). Archiv für Hydrobiologie 123:219-237

Uehlinger U, Bürher H, Reichert P (1996) Periphyton dynamics in a floodprone prealpine

river: evaluation of significant processes by modelling. Freshwater Biology 36:249-

263

Van Dam H, Mertens A, Sinkeldam J (1994) A coded checklist and ecological indicator

values of freshwater diatoms from the Netherlands. Netherlands Journal of Aquatic

Ecology 28:117-133

Vannote RL, Minshall GW, Cummins KW, Sedell JR, Cushing CE (1980) The river

continuum concept. Canadian Journal of Fisheries and Aquatic Sciences 37:130-137

Veres AJ, Pienitz R, Smol JP (1995) Lake water salinity and periphytic diatom succession in

three subarctic lakes, Yukon territory, Canada. Arctic 48:63-70

Veyssy E, Etcheber H, Lin RG, Buat-Menard P, Maneux E (1999) Seasonal variation of

Particulate Organic Carbon in the lower Garonne River at La Reole (soutwestern

France) Hydrobiologia 391:113-126

Wanner O, Gujer W (1986) A multispecies biofilm model. Biotechnology and Bioengineering

28:314-328

Wanner O, Reichert P (1996) Mathematical modeling mixed-culture biofilms. Biotechnology

and Bioengineering 49:172-184

Wetzel RG (1983) Opening remarks. In: Wetzel RG (ed) Periphyton of freshwater

ecosystems. Dr W. Junk Publishers, Boston



Yamada H, Nakamura F (2002) Effect of fine sediment deposition and channel works on

periphyton biomass in the Makomanai River, Northern Japan. River Research and

Applications 18:481-893

Zucchini W (2000) An introduction to model selection. Journal of Mathematical Psychology

44:41-61

Author: Stéphanie BOULÊTREAU

Title: Determinism of the accretion and detachment functions of phototrophic biofilm in

natural systems: experimental and numerical studies of the factors that control biomass in

rivers.

Abstract

Identifying and describing processes that controlled the dynamics of epilithic biofilms in river

were performed by coupling numerical and experimental tools. This work was based on

various time-series of epilithic biomass: (i) 11 time-series sampled in 5 sites of the Agüera

(Spain) during 3 years of monthly sampling; (ii) 3 time-series sampled in 2 sites of the River

Garonne (France) during 2 years (2001-02 and 2005-06) of weekly sampling and (iii) one

time-series sampled in a laboratory stream during 4 months of weekly sampling. Our

approach consisted in confronting simulations from a simple mechanistic model with

observations from different time-series. The set of observations and conclusions underlined

the need to consider the epilithic biofilm as a functional unit in research models.

Key-words: epilithon; mechanistic model; detachment; autogenic sloughing; periphyton

Auteur : Stéphanie BOULÊTREAU

Titre : Déterminisme des fonctions d’accrétion et de détachement du biofilm phototrophe en

milieu naturel : études expérimentale et numérique des facteurs de contrôle de la biomasse en

rivière.

Directeurs de thèse : Sabine SAUVAGE et José-Miguel SÁNCHEZ-PÉREZ

Lieu et date de soutenance : Laboratoire du CESBIO, salle de conférences – 13 avenue

du Colonel Roche, 31400 Toulouse – le 28 septembre 2007

Résumé

L’identification et la description des processus qui contrôlent la dynamique du biofilm

épilithique en milieu naturel ont été réalisées expérimentalement et à l’aide de l’outil

numérique. Ce travail s’appuie sur diverses séries temporelles de biomasse épilithique : (i) 11

séries collectées dans 5 stations de l’Agüera (Espagne) pendant 3 années d’échantillonnage

mensuel ; (ii) 3 séries collectées dans 2 stations de la Garonne (France) pendant 2 années

(2001-02 et 2005-06) d’échantillonnage hebdomadaire et (iii) 1 série collectée en canal de

laboratoire pendant 4 mois d’échantillonnage hebdomadaire. Notre démarche a reposé sur la

confrontation d’un modèle mécaniste simple avec les observations acquises dans les

différentes séries. L’ensemble de nos conclusions souligne la nécessité de considérer

l’assemblage « biofilm épilithique » comme une unité fonctionnelle au sein des modèles de

recherche.

Mots-clés : épilithon ; modèle mécaniste ; détachement ; autogenic sloughing ; périphyton

Discipline administrative : Hydrobiologie Intitulé et adresse du laboratoire : Laboratoire d’écologie fonctionnelle (EcoLab) – UMR 5245 (UPS-CNRS-INPT) Université Paul Sabatier, bât. 4R3 b2 – 118 route de Narbonne 31062 Toulouse cedex 9 - FRANCE

Documents

Titre : Déterminisme des fonctions d’accrétion et de ...thesesups.ups-tlse.fr/86/1/Bouletreau_Stephanie.pdfUne pensée amicale pour Amaia et Laurent, mes vrais faux amis toulousains