Ok

En poursuivant votre navigation sur ce site, vous acceptez l'utilisation de cookies. Ces derniers assurent le bon fonctionnement de nos services. En savoir plus.

07/07/2017

Vers la prochaine génération de modèles représentant les systèmes agricoles

La revue Agricultural Systems consacre un numéro spécial aux nouvelles générations des outils de recherche sur les systèmes agricoles : données, modèles, connaissances. Ce travail s’inscrit dans le cadre d’AgMIP (Agricultural model intercomparison and improvement project), projet financé par la fondation Bill et Melinda Gates (voir à ce sujet un précédent billet sur ce blog).

En introduction et en conclusion, les chercheurs reprennent les principales pistes d’amélioration. Selon eux, les modèles actuels, lancés il y a 30-40 ans, n’exploitent pas encore pleinement les avancées des technologies de l’information et de la communication (TIC). Il serait également nécessaire de passer de modèles développés par la recherche à des fins académiques à des modèles tournés vers les utilisateurs finaux : petites exploitations dans les pays en développement, usages commerciaux comme le conseil, etc. À ce titre, les auteurs discutent du besoin d’outils pour faciliter l’utilisation des résultats issus des simulations, à l’instar d’applications sur les smartphones. Pour la communauté scientifique, ils évoquent le déploiement d’approches collaboratives, via les opportunités offertes par les TIC pour l’accès aux données, l’établissement de protocoles partagés pour leur collecte, ou encore la décomposition de modèles complexes en modules plus aisément mobilisables par de nouveaux travaux de recherche.

Le lecteur trouvera divers articles, dont un sur l'histoire des modèles de systèmes agricoles, plutôt centré sur les phénomènes biophysiques et revenant également sur les couplages récents avec des modèles économiques. L’infographie ci-dessous illustre les principales étapes de cette histoire. Un second article dresse l’état de l’art, et deux autres développent plus en détails les pistes d’amélioration des modèles, en particulier via les TIC. Trois exemples plus concrets sont proposés, dont un sur la modélisation des impacts des nuisibles et des maladies sur les cultures. Les auteurs de cet article soulignent l’obsolescence des données récoltées par le passé sur les pertes en rendement, pour des simulations avec changement climatique. Pour pallier ces difficultés, ils proposent une feuille de route en cinq étapes, afin d'améliorer la calibration et l’évaluation de ces modèles, mais aussi pour prolonger la dynamique de collaboration amorcée par AgMIP.

Chronologie des principaux événements ayant marqué la modélisation des systèmes agricoles

agmip.jpg

Source : Agricultural Systems

Élise Delgoulet, Centre d'études et de prospective

Source : Agricultural Systems

18/04/2017

Modéliser les causes de la déforestation et identifier les zones à risque pour mieux cibler les politiques

Déterminer, d'une part, la pression humaine sur la forêt et localiser, d'autre part, les zones potentiellement impactées, tel est l'objectif d'une nouvelle approche de modélisation de la déforestation en Guyane, détaillée dans un article récent publié par Global Change Biology.

La modélisation de la déforestation s'appuie généralement sur des cartographies très précises des zones soumises à une forte pression des populations. Si certaines approches ont intégré des facteurs explicatifs d'ordre économique, concilier des paramètres de spatialité (micro versus macro) et de temporalité (court terme versus long terme) différentes pose de nombreux problèmes méthodologiques. Le modèle présenté résout ce dilemme en couplant un modèle géospatial de la déforestation, à l'échelle du pixel d'observation (permettant de simuler les zones à risque en matière de déforestation), et des sous-modèles macroéconomiques, visant à expliciter les phénomènes socio-économiques à l'origine de la déforestation.

Diagramme général de fonctionnement du modèle de déforestation en Guyane

guyane.jpg
Source : Global Change Biology

Ces derniers sont zonés de façon à isoler chaque facteur prépondérant, permettant une approche régionalisée de la pression de déforestation. Trois zones ont ainsi été déterminées, obéissant chacune à des logiques différentes et à un sous-modèle spécifique : la région côtière, au nord, concentrant l'essentiel de la population et des défrichements à des fins agricoles ; la zone aurifère où la déforestation dépend essentiellement de la production d'or ; le domaine forestier permanent (forêts domaniales) où la pression provient de l'exploitation forestière. Cette spécialisation territoriale est rendue nécessaire par les temporalités différentes qui régissent la déforestation induite : de court terme dans le cas de la production d'or, à plus long terme pour les défrichements sous la pression démographique.

Au vu des simulations rétrospectives, ce type de modèle paraît robuste à la fois à un niveau local et à une échelle plus macro-économique. Il offre de nouvelles perspectives pour guider les politiques en faveur de la déforestation, notamment dans le cadre des programmes REDD+. Toutefois, l'application de cette méthode à d'autres territoires dépend fortement de l'accès à des données annuelles spatialisées de déforestation, mais aussi de la capacité à réaliser un zonage socio-économique, pour en identifier au plus près les facteurs.

Muriel Mahé, Centre d'études et de prospective

Source : Global Change Biology

16:41 Publié dans Forêts Bois | Lien permanent | Tags : forêt, guyane, modélisation, déforestation |  Imprimer | | | | |  Facebook