57
3. Valoriser les processus écologiques et hydrobiogéochimiques
étudiés. Ces approches dites « mécanistico-statistiques » sont en plein essor du fait des
avancées en statistiques computationnelles (optimisation de problèmes complexes, statistiques bayésiennes, Approximate Bayesian Computation, pattern-oriented modelling).
Approches de modélisation, de simulation et d’extraction
de connaissance
Une difficulté majeure est de trouver un compromis acceptable entre une modélisation
trop complexe non gérable et une modélisation trop simpliste ne représentant pas ou
mal les interactions aux échelles des paysages. La modélisation en environnement hétérogène s’oriente, d’une part, vers la modélisation intégrée ou ensembliste (couplage de
modèles) pour étudier des systèmes complexes et des interactions entre processus, et,
d’autre part, vers la méta-modélisation, c’est-à-dire la conception de modèles édictant des
règles apprises des simulations faites sur des runs de modèles plus complexes pour mieux
adapter la modélisation aux besoins des acteurs. Une autre stratégie est de combiner les
deux approches, comme celle choisie dans la plateforme Maelia
49 qui agrège des connaissances imparfaites, ou comme celle d’études ciblées pour approfondir les connaissances.
Dans ces dernières, les liens entre les éléments de connaissances ainsi acquis demeurent
in fine difficiles à établir. L’approche expérimentale avec manipulation de paysage et suivi
à long terme ou les dispositifs de type réseau de paysages contrastés sont intéressants,
car ils répondent aux besoins de calibration et de validation des modèles. La simulation de
scénarios permet parfois de repérer des configurations spatiales et/ou temporelles pour
une fonction ou pour un ensemble de fonctions visées. Cette approche par simulation
permet d’accéder à de nombreuses variables agrégées à différentes échelles de temps et
d’espace, utiles aux usagers pour comprendre, analyser, décider. L’exploration des données de simulation demande de nouveaux développements en méthodes informatiques
de type fouille de données et apprentissage (Bouadi et al., 2017), mais aussi des avancées dans le domaine de la visualisation et de la requête de données spatio-temporelles.
●
Références bibliographiques
Allan E., Manning P., Alt F., Binkenstein J., Blaser S., Blüthgen N., Böhm S., Grassein F., Hölzel N.,
Klaus V.H., Kleinebecker T., Morris E.K., Oelmann Y., Prati D., Renner S.C., Rillig M.C., Schaefer M.,
Schloter M., Schmitt B., Schöning I., Schrumpf M., Solly E., Sorkau E., Steckel J., Steffen-Dewenter I.,
Stempfhuber B., Tschapka M., Weiner C.N., Weisser W.W., Werner M., Westphal C., Wilcke W.,
Fischer M., 2015. Land use intensification alters ecosystem multifunctionality via loss of biodiversity and changes to functional composition. Ecol. Lett., 18, 834-843.
Bateman I.J., Harwood A.R., Abson D.J., Andrews B., Crowe A., Dugdale S., Fezzi C., Foden J., Hadley D.,
Haines-Young R., Hulme M., Kontoleon A., Munday P., Pascual U., Paterson J., Perino G., Sen A.,
Siriwardena G., Termansen M., 2014. Economic analysis for the UK national ecosystem assessment: synthesis and scenario valuation of changes in ecosystem services. Environ. Resour. Econom., 57, 273-297.
49. Multi-Agents for Environmental Norms Impact Assessment.
3. Valoriser les processus écologiques et hydrobiogéochimiques
étudiés. Ces approches dites « mécanistico-statistiques » sont en plein essor du fait des
avancées en statistiques computationnelles (optimisation de problèmes complexes, statistiques bayésiennes, Approximate Bayesian Computation, pattern-oriented modelling).
Approches de modélisation, de simulation et d’extraction
de connaissance
Une difficulté majeure est de trouver un compromis acceptable entre une modélisation
trop complexe non gérable et une modélisation trop simpliste ne représentant pas ou
mal les interactions aux échelles des paysages. La modélisation en environnement hétérogène s’oriente, d’une part, vers la modélisation intégrée ou ensembliste (couplage de
modèles) pour étudier des systèmes complexes et des interactions entre processus, et,
d’autre part, vers la méta-modélisation, c’est-à-dire la conception de modèles édictant des
règles apprises des simulations faites sur des runs de modèles plus complexes pour mieux
adapter la modélisation aux besoins des acteurs. Une autre stratégie est de combiner les
deux approches, comme celle choisie dans la plateforme Maelia
49 qui agrège des connaissances imparfaites, ou comme celle d’études ciblées pour approfondir les connaissances.
Dans ces dernières, les liens entre les éléments de connaissances ainsi acquis demeurent
in fine difficiles à établir. L’approche expérimentale avec manipulation de paysage et suivi
à long terme ou les dispositifs de type réseau de paysages contrastés sont intéressants,
car ils répondent aux besoins de calibration et de validation des modèles. La simulation de
scénarios permet parfois de repérer des configurations spatiales et/ou temporelles pour
une fonction ou pour un ensemble de fonctions visées. Cette approche par simulation
permet d’accéder à de nombreuses variables agrégées à différentes échelles de temps et
d’espace, utiles aux usagers pour comprendre, analyser, décider. L’exploration des données de simulation demande de nouveaux développements en méthodes informatiques
de type fouille de données et apprentissage (Bouadi et al., 2017), mais aussi des avancées dans le domaine de la visualisation et de la requête de données spatio-temporelles.
●
Références bibliographiques
Allan E., Manning P., Alt F., Binkenstein J., Blaser S., Blüthgen N., Böhm S., Grassein F., Hölzel N.,
Klaus V.H., Kleinebecker T., Morris E.K., Oelmann Y., Prati D., Renner S.C., Rillig M.C., Schaefer M.,
Schloter M., Schmitt B., Schöning I., Schrumpf M., Solly E., Sorkau E., Steckel J., Steffen-Dewenter I.,
Stempfhuber B., Tschapka M., Weiner C.N., Weisser W.W., Werner M., Westphal C., Wilcke W.,
Fischer M., 2015. Land use intensification alters ecosystem multifunctionality via loss of biodiversity and changes to functional composition. Ecol. Lett., 18, 834-843.
Bateman I.J., Harwood A.R., Abson D.J., Andrews B., Crowe A., Dugdale S., Fezzi C., Foden J., Hadley D.,
Haines-Young R., Hulme M., Kontoleon A., Munday P., Pascual U., Paterson J., Perino G., Sen A.,
Siriwardena G., Termansen M., 2014. Economic analysis for the UK national ecosystem assessment: synthesis and scenario valuation of changes in ecosystem services. Environ. Resour. Econom., 57, 273-297.
49. Multi-Agents for Environmental Norms Impact Assessment.