Message fourni par Yannek Käber et Maximilian Pichler
Nous nous sommes rencontrés à YOMOS, un atelier destiné aux chercheurs en début de carrière et aux jeunes modélisateurs en écologie soutenu par la Société allemande pour l’écologie, et nous sommes arrivés à la modélisation par des angles opposés. Yannek construit des modèles forestiers dynamiques, qui sont des modèles mécanistes intégrant des décennies de raisonnement écologique sur la façon dont les arbres poussent, rivalisent et meurent. Max construit des modèles d’apprentissage automatique pour l’écologie qui sont flexibles, gourmands en données et corrélatifs, et donc pour la plupart indifférents à ce à quoi la théorie dit qu’un processus « devrait » ressembler. Les deux traditions sont généralement traitées comme des concurrentes, l’une mettant l’accent sur l’interprétabilité et les connaissances héritées, tandis que l’autre donne la priorité au pouvoir prédictif et laisse les données parler d’elles-mêmes. Nous voulions trouver un moyen de combiner le meilleur des deux mondes en construisant un modèle forestier mécaniste là où le mécanisme compte et empirique partout ailleurs. Le résultat de cette idée est FINN (Forest Informed Neural Networks).
Lorsque vous commencez à travailler avec des modèles forestiers dynamiques, la première chose dont vous héritez est la pensée de quelqu’un d’autre. Les modèles forestiers dynamiques font l’objet de nombreux projets de recherche et sont utilisés et développés par des scientifiques chevronnés, des chercheurs postdoctoraux et des étudiants au doctorat, et les connaissances qu’ils contiennent offrent un excellent point de départ aux jeunes chercheurs pour saisir la complexité de la dynamique des écosystèmes forestiers dans leur ensemble. Mais ces modèles portent aussi l’héritage de leurs créateurs et développeurs. Cet héritage est un chemin très fréquenté : il permet aux jeunes chercheurs d’absorber les idées et la pensée des écologistes qui ont construit ces modèles, mais il est si confortable de continuer à marcher qu’il prédéfinit tranquillement une gamme de structures de modèles pour lesquelles des formulations alternatives peuvent rester à découvrir. C’est la voie que nous voulions emprunter.
En 2023, notre idée initiale était de développer un modèle modulaire simple qui ne fait que se complexifier lorsque les données le justifient. C’est important car la complexité a un coût : plus un modèle contient d’interconnexions et d’éléments dynamiques, plus sa complexité augmente et plus il devient difficile de comprendre et de valider pleinement la somme de ses parties. Combiner différentes parties dans un modèle est tout sauf simple, et nous manquons d’une approche systématique pour déduire des formulations de processus complexes dans des modèles dynamiques. Après quelques premières tentatives avec les modèles basés sur Lotka-Volterra et Beverton-Holt, nous avons conclu qu’une structure générique de modèle de trouée forestière était nécessaire pour (a) capturer les processus au niveau du processus démographique de régénération, de croissance et de mortalité ; (b) fournir une représentation de base de la concurrence ; et (c) offrir un lien direct avec les modèles forestiers existants dans la lignée de JABOWA.
Alors que nous avons passé beaucoup de temps à trouver une structure raisonnable pour la version mécaniste (basée sur des processus) de FINN, notre objectif réel était de rationaliser ce processus précis en permettant de remplacer chaque processus par un réseau neuronal profond : un module empirique flexible qui s’adapte à la structure globale du modèle en récupérant la meilleure forme fonctionnelle prédictive.
La parcelle de 50 ha de l’île Barro Colorado a constitué un excellent terrain d’essai pour notre modèle. Ici, nous pourrions vérifier de manière itérative si FINN reproduit la dynamique forestière de base. Parallèlement, les résultats de Rüger et al. (2020) nous ont donné un aperçu de la manière dont un modèle empirique simple peut simuler des trajectoires de succession raisonnables, et donc un objectif à viser.
Nos résultats montrent que l’approche fonctionne. Remplacer le processus de croissance dans FINN par un réseau neuronal profond nous permet de récupérer la meilleure forme fonctionnelle prédictive tout en obtenant un modèle forestier hybride entièrement calibré de bout en bout, hybride dans le sens de conserver un échafaudage mécaniste tout en déduisant le reste du modèle à partir de seules données empiriques. Après avoir exploré ces idées sur un site spécifique d’une forêt tropicale, nous sommes maintenant impatients de tester comment FINN peut absorber les modèles de dynamique forestière à des échelles spatiales plus grandes et dans des conditions environnementales plus variables.
Notre approche fournit l’interface permettant de débloquer l’inférence dans le cadre des contraintes mécanistes d’un modèle forestier dynamique à partir de données d’observation multimodales. Construit sur un modèle classique de trouée forestière, FINN conserve les éléments les plus génériques de la modélisation forestière dynamique tout en offrant de nouvelles opportunités pour s’écarter du chemin parcouru par les modélisateurs forestiers depuis plus de 50 ans, depuis le développement de JABOWA. Dans un avenir proche, nous proposerons un package R, des didacticiels et, espérons-le, de nouvelles informations sur le vaste continuum entre la modélisation forestière empirique et basée sur les processus.
Lire l’article complet ici.