Les modèles mondiaux de biodiversité pourraient manquer les changements écologiques locaux, selon une étude

Les modèles mondiaux de biodiversité peuvent aider à décrire les grandes tendances de la pression humaine sur la nature, mais ils peuvent ne pas être fiables lorsqu’ils sont utilisés pour prédire ce qui se passe sur un site particulier. C’est la conclusion d’une étude publiée le 10 novembre dans . L’équipe de recherche a testé plusieurs approches modèles largement utilisées par rapport aux observations de biodiversité provenant de milliers de sites et a découvert un écart entre l’explication des effets généraux et la réalisation de prévisions locales précises.

Ce résultat ne constitue pas un rejet des modèles globaux. Il s’agit d’un avertissement sur la manière dont leurs résultats sont utilisés. Une carte avec des détails spatiaux fins peut paraître précise même lorsque les preuves sous-jacentes sont trop inégales pour étayer des prédictions fiables dans chaque emplacement. Pour les décisions de conservation, la distinction entre un signal global et une estimation locale fiable peut déterminer si une politique vise le bon endroit.

Ce que les chercheurs ont testé

Les indicateurs de biodiversité tentent de résumer la manière dont les activités humaines affectent les espèces et les écosystèmes. Les gouvernements, les entreprises et les groupes de conservation les utilisent pour suivre les changements, comparer les lieux et explorer les futurs possibles. L’étude a testé si les structures modèles utilisées dans les évaluations mondiales pouvaient prédire les résultats locaux en matière de biodiversité, notamment le nombre d’espèces et les différences dans la composition des communautés.

Les auteurs se sont appuyés sur la base de données PREDICTS, combinant les informations de 24 861 sites dans 445 études pour leur analyse principale. L’ensemble de données plus large couvre de nombreux pays et groupes taxonomiques, mais n’est pas uniformément réparti. Certaines régions et espèces sont bien mieux étudiées que d’autres. L’article en libre accès rapporte que l’approche conventionnelle à effets mixtes avait de faibles performances prédictives locales, tandis que les modèles prenant explicitement en compte des groupements écologiques tels que le biome et le taxon ont amélioré certains résultats mais sont restés modestes.

Un indicateur de la différence : lors de la validation croisée standard, la corrélation de rang du modèle d’étude et de localisation pour l’abondance locale était de 0,14, avec une variation expliquée proche de zéro. Les modèles organisés autour de biomes et de groupes taxonomiques ont donné de meilleurs résultats, mais leur précision était encore limitée. Ces valeurs décrivent les données de test de l’étude et la configuration du modèle ; ils ne devraient pas devenir une note universelle pour chaque modèle de biodiversité.

Une vision large et une précision locale sont des tâches différentes

Un modèle peut révéler que le changement d’affectation des terres a tendance à affecter la biodiversité sans prédire avec précision l’ampleur de cet effet sur chaque site individuel. L’étude attire l’attention sur la différence entre l’inférence sur l’ampleur de l’effet et la prédiction locale. La première demande quelle tendance générale apparaît dans les études. La seconde demande ce qui se passe probablement dans une forêt, une prairie ou un paysage agricole spécifique.

Il est facile de ne pas remarquer cette distinction car les cartes mondiales peuvent afficher des estimations à haute résolution. Une carte peut diviser le monde en petites cellules de grille, mais la résolution de l’affichage ne garantit pas que les données soutiennent des conclusions également précises dans chaque cellule. Lorsque les observations sont rares ou que les écosystèmes diffèrent des données d’entraînement du modèle, les estimations locales peuvent devenir incertaines.

L’article constate également une mauvaise transférabilité lorsque les modèles sont étendus à des contextes non représentés dans les données. C’est ce qu’on appelle parfois l’extrapolation : appliquer un modèle au-delà de l’éventail des lieux ou des conditions utilisés pour le construire. Un modèle formé principalement sur des régions ou des taxons particuliers peut ne pas bien prédire dans un biome différent ou pour des organismes sous-représentés dans l’échantillon.

Pourquoi les lacunes dans les données affectent les décisions de conservation

Les auteurs identifient des biais géographiques et taxonomiques dans les enregistrements disponibles. La base de données PREDICTS comprend des observations de 101 pays sur une période allant de 1984 à 2018, mais la couverture des données n’est pas équilibrée. Les insectes, autres arthropodes, plantes vasculaires et vertébrés sont plus souvent représentés que les champignons et certains invertébrés. Ces lacunes sont importantes car la planification de la conservation dépend de la connaissance des espèces et des lieux qui changent.

Les pays pauvres en données peuvent avoir moins de capacité à produire des indicateurs locaux, même lorsque les décisions en matière d’utilisation des terres évoluent rapidement. L’étude suggère que des ensembles de données nationales plus solides peuvent soutenir des indicateurs plus fidèles, mais cela nécessite un investissement soutenu dans les enquêtes de terrain, un suivi cohérent et des pratiques de données ouvertes. Collecter davantage d’informations ne signifie pas abandonner les comparaisons mondiales ; cela rend ces comparaisons plus ancrées dans l’écologie locale.

Pour les gouvernements et les entreprises, la leçon pratique est d’éviter de traiter un modèle global comme une inspection de site. Un modèle peut signaler les endroits où la pression peut être élevée, mais un projet de développement ou de conservation proposé peut nécessiter des enquêtes directes et une expertise locale avant que des décisions ne soient prises. Les résultats doivent être rapportés avec incertitude et avec une explication de la quantité de preuves locales qui les soutiennent.

Ce que le journal ne prétend pas

L’étude ne dit pas que les impacts humains sur la biodiversité sont irréels ou que tous les indicateurs mondiaux sont inutiles. Il révèle spécifiquement que les modèles testés peuvent capturer des tendances générales tout en ayant du mal avec des prédictions plus fines. Certaines conceptions de modèles ont donné de meilleurs résultats que d’autres, et leur valeur peut varier en fonction de la question et du contexte écologique.

La recherche dépend également de la qualité et de la couverture des données de terrain existantes. Ses conclusions sur les performances prédictives sont liées à l’ensemble de données, aux indicateurs et aux méthodes de validation utilisées par l’équipe. Les modèles futurs pourraient s’améliorer à mesure que la surveillance s’étend, que les groupements écologiques sont construits avec plus de soin et que les données des régions sous-représentées deviennent disponibles.

Un argument en faveur de l’association d’outils mondiaux et de preuves locales

Les indicateurs mondiaux restent utiles pour suivre les grandes tendances et attirer l’attention sur les domaines qui pourraient nécessiter une étude plus approfondie. Mais les actions de conservation locales nécessitent un niveau de confiance plus fin. L’article préconise de faire correspondre l’échelle d’une affirmation à l’échelle des preuves : utiliser des modèles globaux pour des modèles généraux et collecter des observations locales avant de formuler des affirmations précises sur un site particulier.

Cette approche est peut-être plus lente que de s’appuyer sur une carte soignée, mais elle permet d’éviter les fausses certitudes. Un modèle peut montrer vers quoi les chercheurs devraient ensuite se pencher. Une enquête sur le terrain peut vérifier si la prédiction est vraie. De meilleures données locales peuvent alors améliorer les futurs modèles, créant ainsi un cycle dans lequel les évaluations mondiales et les preuves locales se soutiennent mutuellement.

Le message de l’étude concerne donc l’étalonnage. Les modèles de biodiversité sont des outils précieux, mais leurs limites doivent être visibles. Les décideurs devraient se demander comment le modèle a été validé, si l’emplacement ressemble à la base de données probantes et quelle incertitude subsiste. Lorsque les données locales sont faibles, la réponse honnête peut être qu’une carte à haute résolution ne peut pas encore fournir de prévisions locales fiables.

La conception du modèle peut améliorer les performances mais ne peut pas corriger les preuves manquantes

L’étude a révélé que les modèles dotés d’une structure écologique étaient plus performants qu’une approche courante à effets mixtes dans certains tests. Le regroupement des informations par biome ou catégories taxonomiques peut expliquer le fait que les forêts, les déserts, les prairies et différents groupes d’animaux ne réagissent pas de la même manière à l’utilisation des terres. Il s’agit d’une amélioration utile dans la conception du modèle, mais les auteurs qualifient toujours le transfert vers de nouveaux contextes de faible. Une meilleure structure peut rendre les prédictions plus pertinentes ; elle ne peut pas remplacer les observations provenant de lieux qui n’ont jamais été échantillonnés.

Cette distinction est également importante pour le reporting des entreprises sur la biodiversité. Une entreprise peut utiliser un indicateur global pour décrire son empreinte sur plusieurs sites. Un tel résumé peut aider à prioriser l’attention, mais il ne doit pas être présenté comme une mesure précise du nombre d’espèces perdues dans chaque bien, à moins que des preuves locales ne soutiennent cette affirmation. Un rapport clair doit nommer l’ensemble de données sous-jacent, le modèle, l’échelle et l’incertitude.

Les agences de conservation peuvent utiliser des modèles généraux comme outil de sélection. Si un modèle identifie une région susceptible de subir des pressions élevées, des études sur le terrain peuvent vérifier quelles espèces et quels habitats sont affectés. Les chercheurs peuvent ensuite réintégrer les résultats dans les futures mises à jour du modèle. Il s’agit d’une division judicieuse du travail : des outils à grande échelle mettent en évidence des modèles, tandis que des études locales établissent ce qui se passe dans un lieu particulier.

L’appel du document à une collecte systématique de données est particulièrement pertinent pour les régions où il y a moins d’enquêtes sur la biodiversité. Les partenariats de données doivent soutenir les institutions locales et respecter la manière dont les informations biologiques sont régies. Un échantillonnage plus important peut améliorer la précision du modèle, mais la valeur dépend également de méthodes cohérentes, d’enregistrements accessibles et de la représentation de taxons peu étudiés.

Les tests de données ouvertes et de modèles des auteurs rendent les limites visibles. Pour les praticiens, cette transparence est utile : elle montre quelles revendications sont bien étayées et lesquelles nécessitent une enquête locale avant de guider les décisions de financement, de développement ou de restauration.

Réponses aux questions clés

Les modèles mondiaux de biodiversité sont-ils inutiles ? Non. L’étude soutient leur utilisation pour des modèles généraux, mais trouve des limites dans les prévisions locales précises.

Pourquoi les prédictions locales ont-elles du mal ? Les réponses écologiques varient et les données sur la biodiversité sont inégales selon les lieux et les groupes taxonomiques.

Que doivent faire les planificateurs de la conservation ? Utilisez des modèles pour guider l’attention, puis validez les décisions avec des enquêtes locales et une incertitude clairement exprimée.

Photo of author

L'équipe Pacte Climat

Pacte pour le Climat
Newsletter Pacte pour le Climat