City-specific or generalisable resistances? An urban animal connectivity model performs better when parameterised from two cities
En analysant les mouvements des merles à Munich et à Angers, cette étude démontre que, bien que les valeurs absolues de résistance de l'habitat varient d'une ville à l'autre, la combinaison de données provenant de multiples environnements urbains améliore considérablement la précision prédictive et la transférabilité des modèles de connectivité pour identifier l'importance relative des barrières.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Imaginez une ville non pas seulement comme un lieu pour les humains, mais comme un immense labyrinthe animé pour les animaux. Pour un oiseau, un écureuil ou un hérisson, passer d'un parc à un autre n'est pas seulement une question de vol ou de marche ; c'est un jeu de navigation à enjeux élevés, rempli d'obstacles. Certaines choses, comme un carré d'herbe tranquille ou un arbre haut, sont comme des autoroutes dégagées — faciles à traverser et pleines de collations. D'autres, comme un gratte-ciel massif ou une autoroute rugissante, sont comme des murs géants ou des douves profondes qui rendent le voyage dangereux ou impossible. Les scientifiques appellent ces obstacles la « résistance ». Pour aider les animaux à survivre dans nos jungles de béton, les urbanistes utilisent des modèles informatiques pour cartographier les meilleurs chemins, espérant ainsi relier les espaces verts afin que les animaux puissent trouver de la nourriture, des partenaires et des lieux sûrs pour nicher. Mais voici la partie délicate : ces modèles ont besoin d'un livre de règles. Ils doivent savoir exactement à quel point il est « difficile » pour un animal spécifique de traverser un type de bâtiment ou une rue particulière.
La grande question qui taraudait les scientifiques était de savoir si ce livre de règles est universel ou s'il est écrit spécifiquement pour chaque ville. Est-ce qu'un « bâtiment de taille moyenne » est aussi effrayant pour un oiseau à Munich que l'est à Angers ? Ou est-ce que l'ambiance locale, la configuration et l'histoire d'une ville changent la façon dont un animal perçoit le monde ? Si nous ne pouvons pas faire confiance à un livre de règles écrit pour une ville pour fonctionner dans une autre, nous risquons de construire les mauvais ponts ou de manquer les chemins les plus importants. Cette incertitude rend difficile la protection de la faune à grande échelle, car nous ne pouvons pas simplement copier et coller nos plans de conservation d'un endroit à l'autre sans vérifier s'ils s'adaptent réellement.
Cette étude a décidé de tester cette idée en jouant au détective avec le merle noir, un oiseau qui s'est adapté avec succès à la vie dans les villes à travers l'Europe. Les chercheurs, travaillant avec des données provenant de deux villes européennes très différentes — Munich, en Allemagne, et Angers, en France — se sont posé une question simple mais profonde : pouvons-nous prendre les « règles de résistance » apprises dans une ville et les utiliser dans une autre, ou devons-nous repartir de zéro à chaque fois ? Ils se sont également demandé si le mélange des données des deux villes créerait un « super-livre de règles » qui serait meilleur que chacun d'eux pris isolément.
Pour le découvrir, ils ont traité les villes comme deux niveaux de jeu vidéo différents. D'abord, ils ont observé où les merles se déplaçaient et volaient réellement dans les deux villes, Munich et Angers. Ils ont observé ce que les oiseaux évitaient et ce qu'ils recherchaient. Ils ont découvert que la « liste de courses » des oiseaux pour un bon habitat était assez constante : ils aimaient les zones présentant un mélange d'arbres, d'arbustes et d'herbe, peu importe la ville. Que ce soit à Munich ou à Angers, les oiseaux voulaient les mêmes ingrédients pour leur salade, donc les « exigences de l'habitat » étaient faciles à transférer.
Cependant, l'histoire devient plus intéressante lorsqu'ils ont examiné les obstacles. Ils ont découvert que si l'ordre des obstacles était le même dans les deux villes (les hauts bâtiments étaient toujours les plus effrayants, suivis par les bâtiments moyens, puis les rues), l'intensité réelle de la peur était différente. À Munich, un bâtiment de faible hauteur semblait être une barrière plus importante qu'une rue, mais à Angers, la rue était tout aussi effrayante que le bâtiment bas. C'est comme dire que dans une ville, un mur de 3 mètres est un arrêt total, tandis que dans une autre, c'est juste un inconvénient mineur. Les chiffres absolus ne correspondaient pas parfaitement, ce qui signifie que vous ne pouvez pas simplement copier-coller les valeurs de résistance exactes d'une ville à l'autre et espérer que cela fonctionne parfaitement.
Mais voici le rebondissement : lorsqu'ils ont combiné les données des deux villes pour créer un modèle unique et partagé, celui-ci a été en fait meilleur que l'utilisation des seules données de Munich pour prédire les mouvements à Munich. C'est comme si, en écoutant deux groupes différents d'oiseaux, ils avaient mieux compris le « feeling » général de la vie urbaine pour les merles qu'en écoutant un seul groupe. Le modèle combiné était capable de prédire les déplacements des oiseaux à Munich légèrement mieux que le modèle construit uniquement sur les données de Munich. Cela suggère que, bien que chaque ville ait ses propres particularités, il existe des schémas sous-jacents qui ne se révèlent que lorsqu'on regarde l'ensemble du tableau.
Alors, quel est le verdict ? L'article suggère que nous ne pouvons pas copier-coller aveuglément les chiffres de résistance exacts d'une ville à une autre et attendre la perfection. Le « facteur de peur » spécifique d'une rue ou d'un bâtiment change selon le contexte local. Cependant, nous pouvons transférer le classement général de ce qui est effrayant et de ce qui est sûr. Plus important encore, l'étude suggère que si nous voulons construire les cartes les plus précises pour l'avenir, nous ne devrions pas étudier une seule ville de manière isolée. En regroupant les données de plusieurs villes, nous pourrions peut-être créer un guide plus intelligent et plus fiable pour aider les animaux à naviguer dans nos mondes urbains en constante évolution. Ce n'est pas une solution miracle qui résout tout instantanément, mais c'est une suggestion forte que le travail d'équipe entre les villes pourrait mener à de meilleurs plans de conservation pour nos voisins à plumes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.