Short-term predictive skill does not imply identification of long-term tree-growth trajectories in an Amazonian high-várzea forest
Bien que les modèles de croissance de Richards et de Lundqvist–Korf démontrent une capacité de prédiction à court terme précise pour les diamètres des arbres dans les forêts de haute várzea amazoniennes, ils ne parviennent pas à identifier de manière fiable les trajectoires de croissance à long terme ni à étayer les projections sur la durée de vie ou les inférences relatives aux cycles de coupe en raison d'une sensibilité croissante aux paramètres du modèle au-delà de l'horizon des données observées.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans les vastes forêts humides de l'Amazonie, où les arbres croissent selon un rythme dicté par la montée et la descente des rivières, les forestiers sont confrontés à un dilemme difficile : comment gérer ces forêts sans les détruire. Pour prendre ces décisions, ils doivent savoir à quelle vitesse les arbres poussent et quelle taille ils atteindront finalement. Ces informations aident à déterminer quand il est sûr de récolter le bois et quand laisser la forêt se régénérer. Cependant, mesurer la croissance d'un arbre tropical est délicat car ces arbres vivent des siècles, bien plus longtemps que n'importe quel chercheur humain ne peut les observer. Les scientifiques s'appuient souvent sur des parcelles permanentes, où ils mesurent les mêmes arbres tous les quelques années, pour estimer la croissance. Le défi est qu'une période d'observation courte peut montrer qu'un arbre croît de manière régulière, mais cela ne garantit pas que le modèle utilisé pour prédire cette croissance restera précis des décennies plus tard. Si un modèle se trompe sur la trajectoire à long terme, cela pourrait conduire à des plans de récolte trop agressifs ou trop conservateurs, nuisant potentiellement à la capacité de régénération de la forêt.
Une équipe de chercheurs s'est donné pour mission de tester précisément ce problème dans une forêt de haute-várzea, un type de plaine inondable amazonienne qui reçoit des sédiments riches en nutriments de la part des rivières. Ils ont travaillé avec un ensemble massif de données collectées sur six grandes parcelles d'un hectare sur près d'une décennie. L'équipe a suivi des milliers d'arbres survivants, mesurant la largeur de leur tronc au début et à la fin de plusieurs intervalles de temps allant de moins d'un an à près de quatre ans. Ils ont utilisé deux approches mathématiques différentes, connues sous le nom de modèles de croissance indépendants de l'âge, qui prédisent la taille future d'un arbre en fonction de sa taille actuelle et du temps écoulé, plutôt qu'en fonction de son âge inconnu. Ces modèles sont populaires car ils ne nécessitent pas de connaître l'âge d'un arbre, ce qui est souvent impossible à déterminer sur le terrain. Les chercheurs voulaient voir si ces modèles pouvaient prédire avec précision la taille des arbres au cours des prochaines années, et plus important encore, si cette précision à court terme signifiait qu'ils pouvaient également prédire de manière fiable toute l'histoire de vie des arbres.
L'étude a révélé que, pour le court terme, les modèles fonctionnaient très bien. Lorsque les chercheurs ont testé les modèles en cachant les données d'une parcelle entière à la fois et en demandant aux modèles de prédire la situation des arbres dans cette parcelle cachée, les prédictions étaient nettement meilleures que si l'on supposait simplement que les arbres ne pousseraient pas du tout. Les modèles ont réduit l'erreur moyenne de prédiction de la taille finale de l'arbre d'environ 24 % pour l'ensemble de la communauté forestière et d'environ 27 % pour un groupe spécifique d'espèces à haute valeur commerciale. Ce succès s'est maintenu même lorsque les chercheurs ont testé les modèles par rapport à des périodes futures qui n'avaient pas été vues lors de la phase d'apprentissage. Les deux approches mathématiques testées ont fonctionné de manière presque identique, suggérant que, pour l'objectif de prédire la croissance des prochaines années, la forme spécifique de l'équation importe moins que le fait qu'elle capture le schéma de base de la croissance.
Cependant, l'étude a livré un avertissement crucial lorsqu'elle a regardé au-delà de ces quelques années. Bien que les modèles aient été excellents pour prédire ce qui se passerait lors du prochain inventaire, ils ont échoué à identifier la véritable trajectoire à long terme des arbres. Les chercheurs ont découvert que les modèles ne pouvaient pas déterminer la taille maximale qu'un arbre atteindrait éventuellement, une valeur connue sous le nom d'asymptote. Parce que les données ne couvraient que quelques années de la vie d'un arbre, les modèles étaient mathématiquement incapables de décider si un arbre cesserait de croître à une certaine taille ou continuerait à croître beaucoup plus. Lorsque les chercheurs ont utilisé ces modèles pour projeter la croissance sur des décennies, les résultats ont commencé à diverger radicalement. Un arbre partant d'une taille spécifique pouvait être prédit comme atteignant une certaine hauteur sous un ensemble d'hypothèses, mais une hauteur complètement différente sous un autre ensemble, même si les deux ensembles d'hypothèses s'adaptaient parfaitement aux données à court terme.
Les chercheurs ont conclu que la capacité prédictive à court terme n'implique pas l'identification à long terme. Ce n'est pas parce qu'un modèle peut prévoir avec précision la taille d'un arbre dans trois ans qu'il a compris la courbe de croissance de la vie de l'arbre. L'incertitude qui est invisible sur un intervalle court s'accumule et devient massive avec le temps. Pour les espèces répertoriées commercialement, la différence de taille projetée après 90 ans pouvait être aussi grande que 32 centimètres, un écart trop important pour être ignoré dans la gestion forestière. L'étude stipule explicitement que ces projections à long terme ne doivent pas être traitées comme des prévisions ou utilisées pour fixer les cycles de coupe pour la récolte du bois. Au lieu de cela, ce sont des scénarios conditionnels qui montrent à quel point les résultats sont sensibles aux parties inconnues du modèle. La véritable leçon est que les gestionnaires forestiers ne peuvent pas simplement prendre un modèle qui fonctionne pour les prochaines années et supposer qu'il fonctionnera pour les prochaines décennies. Pour prendre des décisions concernant l'avenir de la forêt, ils ont besoin d'informations qui couvrent des périodes beaucoup plus longues, telles que des données issues des cernes de croissance des arbres ou d'un suivi à long terme, plutôt que de s'appuyer uniquement sur des mesures à court terme.
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.