71
5. Modéliser
les interactions du vivant,
en lien avec les milieux et le
contexte socio-économique
La modélisation en agroécologie est un défi, d’une part parce que l’agroécologie est
naissante en France et en évolution dans le monde, et donc que les connaissances et les
corpus de données pour l’ancrer sont en émergence, d’autre part parce qu’elle implique
par nature la modélisation de systèmes complexes dans un environnement incertain.
Les systèmes représentés sont des systèmes dynamiques, et les interactions entre les
organismes vivants y sont nombreuses et variées. Pour autant, cette modélisation est
attendue pour orienter et accompagner la transition des systèmes agricoles. Si la prévision par la modélisation est encore difficile, celle-ci peut aider à comprendre la dynamique
des agroécosystèmes, à orienter des pistes d’action, à identifier des points d’attention
et des impasses, à établir des systèmes d’avertissement pour anticiper et aider au pilotage des agroécosystèmes, à estimer les ordres de grandeur des risques et des gains
induits par la transition agroécologique.
L’agroécologie a pour ambition d’exploiter des processus biologiques riches et variés à
des fins de production agricole et de durabilité. Les travaux de modélisation conçus en
appui à cette ambition ont pour objectif de représenter et de prédire ces processus biologiques et leurs interactions dans les agroécosystèmes, éventuellement couplés à des
dynamiques des milieux, ou à des dynamiques sociales ou économiques. Ces modèles
contribuent à représenter, partiellement ou totalement, la cascade des connaissances
sur les systèmes et pratiques agricoles, les paysages ruraux, la biodiversité, les fonctions
et services écosystémiques des agroécosystèmes.
À ces modèles représentant explicitement la biodiversité (process driven) s’adjoignent
des approches statistiques fondées sur les données (data driven) qui établissent des
relations entre les composantes de la biodiversité et leurs fonctions.
D’autres modèles, qui n’avaient initialement pas été conçus pour l’agroécologie, constituent
aussi des ressources par exemple quand les méthodes mises en œuvre ont une vocation
générique utile pour l’agroécologie, ou quand les interactions entre organismes ne sont
pas encore explicitées, mais pourraient l’être, ou commencent à l’être, sous la forme de
fonctions empiriques. C’est le cas de l’activité des microorganismes du sol et de leur rôle
dans la disponibilité en nutriments et dans les cycles biogéochimiques : ils commencent
à être pris explicitement en compte, en s’appuyant sur de grands groupes fonctionnels.
5. Modéliser
les interactions du vivant,
en lien avec les milieux et le
contexte socio-économique
La modélisation en agroécologie est un défi, d’une part parce que l’agroécologie est
naissante en France et en évolution dans le monde, et donc que les connaissances et les
corpus de données pour l’ancrer sont en émergence, d’autre part parce qu’elle implique
par nature la modélisation de systèmes complexes dans un environnement incertain.
Les systèmes représentés sont des systèmes dynamiques, et les interactions entre les
organismes vivants y sont nombreuses et variées. Pour autant, cette modélisation est
attendue pour orienter et accompagner la transition des systèmes agricoles. Si la prévision par la modélisation est encore difficile, celle-ci peut aider à comprendre la dynamique
des agroécosystèmes, à orienter des pistes d’action, à identifier des points d’attention
et des impasses, à établir des systèmes d’avertissement pour anticiper et aider au pilotage des agroécosystèmes, à estimer les ordres de grandeur des risques et des gains
induits par la transition agroécologique.
L’agroécologie a pour ambition d’exploiter des processus biologiques riches et variés à
des fins de production agricole et de durabilité. Les travaux de modélisation conçus en
appui à cette ambition ont pour objectif de représenter et de prédire ces processus biologiques et leurs interactions dans les agroécosystèmes, éventuellement couplés à des
dynamiques des milieux, ou à des dynamiques sociales ou économiques. Ces modèles
contribuent à représenter, partiellement ou totalement, la cascade des connaissances
sur les systèmes et pratiques agricoles, les paysages ruraux, la biodiversité, les fonctions
et services écosystémiques des agroécosystèmes.
À ces modèles représentant explicitement la biodiversité (process driven) s’adjoignent
des approches statistiques fondées sur les données (data driven) qui établissent des
relations entre les composantes de la biodiversité et leurs fonctions.
D’autres modèles, qui n’avaient initialement pas été conçus pour l’agroécologie, constituent
aussi des ressources par exemple quand les méthodes mises en œuvre ont une vocation
générique utile pour l’agroécologie, ou quand les interactions entre organismes ne sont
pas encore explicitées, mais pourraient l’être, ou commencent à l’être, sous la forme de
fonctions empiriques. C’est le cas de l’activité des microorganismes du sol et de leur rôle
dans la disponibilité en nutriments et dans les cycles biogéochimiques : ils commencent
à être pris explicitement en compte, en s’appuyant sur de grands groupes fonctionnels.