Post fourni par Marieke Wesselkamp
Au début de ce projet, nous nous sommes souvent retrouvés à contempler sur l’évolution de divers systèmes environnementaux – certains vastes et mondiaux, d’autres locaux. Il s’agissait, par exemple, de la trajectoire des populations d’éléphants dans le parc national de Kruger d’Afrique australe au cours des prochaines décennies, le changement de composition des espèces végétales sur le toit du garage du voisin au cours des mois, ou l’orbite terrestre autour du soleil, projetée au cours des milliards de prochaines années. Malgré leurs différences d’échelles et de complexité, les réflexions se sont concentrées sur la même question: que pouvons-nous réellement prédire et pendant combien de temps? Que pouvons-nous savoir de l’avenir, en fonction de notre compréhension actuelle? Motivés par ces questions, nous avons commencé à étudier les relations entre l’incertitude et la prédiction dans les systèmes écologiques avec l’outil à accomplir: les simulations du modèle. Et ce chemin nous a amenés à nous inspirer d’un champ réputé pour affronter les limites de la prévisibilité: prévision météorologique opérationnelle.
Pourquoi étudier la limite des prévisions?
L’importance de quantifier la prévisibilité écologique se développe face au changement climatique, où les décisions de gestion reposent de plus en plus sur les prévisions basées sur des modèles (Dietze et al. 2024). Même nos meilleurs modèles de prévision sont intrinsèquement incertains de l’avenir et de plus en plus, plus ils prédisent à l’avenir. Mais alors, combien pouvons-nous compter sur ces déclarations lorsque les décisions doivent être prises sur un horizon temporel pertinent? Les travaux récents en écologie se sont concentrés sur la comparaison de la prévisibilité entre les modèles et les systèmes et ont conclu que l’établissement des meilleures pratiques soutiendrait grandement cette entreprise (Lewis et al. 2021). Ainsi, plutôt que de rester dans la contemplation de quoi et de la mesure où nous pouvons prédire, nous nous sommes tournés vers la quantification de la limite de prévision d’un modèle (Petchey et al. 2015).
Comment fonctionne notre approche et cela fonctionne-t-il?
Dans notre récent article (Wesselkamp et al. 2025), nous introduisons un cadre pour déterminer le limite de prévision et distinguer entre trois de ses types. Ceux-ci sont classés en fonction de deux critères (1) les données de vérification utilisées pour l’évaluation et (2) la référence d’évaluation. Au cœur de ce cadre sont modèles de référenceégalement connu sous le nom de modèles de référence ou nuls (Pappenberger et al. 2015). Ces modèles sont essentiels pour déterminer les compétences de prévision: est-ce mieux ou pire que ce que nous pourrions nous attendre à un prieur? Étant donné un modèle de référence approprié et une fonction de notation, évaluant la compétence de prévision sur plusieurs temps de plomb (Buizza et Leutbecher 2015) estime la limite de prévision. Cela quantifie le prévisibilité relative du système, conditionnel sur le modèle de prévision utilisé.
L’une des études de cas de notre article illustre le concept du limite de prévisions relatives en utilisant un émulateur de surface terrestre du réseau neural qui prévoit la température et l’humidité du sol à diverses profondeurs du sol (Wesselkamp et al. 2025). Nous avons appliqué cette approche pour un endroit dans le sud de la France (préservatif-en-armagnac) au cours de la période de février à avril et avons vérifié les prévisions avec des mesures du réseau international d’humidité du sol (Dorigo et al. 2021). Les résultats offrent un aperçu de la prévisibilité des états du sol soutiennent la théorie établie: la prévisibilité de la température du sol est faible à la surface et augmente avec la profondeur à mesure que sa dépendance à la prévisibilité du forçage diminue. Des estimations imprécises de la limite de prévision – en particulier dans les couches peu profondes – indiquent comment la dynamique à court terme, plutôt que l’horizon de prévision, domine les compétences du modèle à la surface.
Pourquoi est-ce important?
En tant que métrique pour quantifier la prévisibilité, la limite de prévision complète toute prévision écologique. En allant au-delà de la communication des prévisions brutes d’une évolution de l’état du système ou des scores de performances agrégés, la limite de prévision fournit un aperçu plus approfondi de l’endroit où et quand un modèle de prévision est «assez bon». Lorsqu’il est signalé aux côtés des prévisions du modèle et des scores de vérification, la limite de prévision peut soutenir la prise de décision éclairée, en particulier lorsque celles-ci dépendent d’un horizon temporel spécifique et d’un contexte spatial.
Quelle est la prochaine étape?
L’analyse de prévisibilité repose sur la propagation de l’incertitude, qui est entièrement prise en compte dans une prévision, et l’étude de la prévisibilité peut grandement profiter de modèles de substitution différente tels que les émulateurs de surface terrestre qui permettent des analyses basées sur le gradient. Il peut y aller dans de futurs travaux peut aider à détecter les sources de prévisibilité écologique, par exemple en déterminant les composants qui contribuent actuellement le plus à la limite de prévision. Qualitativement, nous pouvons déjà nous accrocher à cela dans notre étude de cas de surface terrestre: alors que les conditions initiales sont souvent le facteur limitant des prévisions métrologiques, la prévisibilité des états du sol semble être principalement motivée par le forçage de l’incertitude (Dietze M. 2017).
Lire l’article complet ici.