Effects of modelling choices on early invasive risk assessments: lessons from the psyllid vectors of Citrus Huanglongbing
Cette étude démontre que les données préparées par des experts, l'inclusion de données provenant de la zone d'invasion et l'utilisation de mesures d'évaluation spécifiques à l'invasion sont essentiels pour améliorer la précision et la pertinence politique des modèles de distribution d'espèces utilisés pour évaluer le risque d'invasion précoce des vecteurs de psylles des agrumes.
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
Lorsqu'une nouvelle espèce arrive dans un lieu où elle n'a jamais vécu auparavant, la première question pour les scientifiques et les agriculteurs est simple mais urgente : où ira-t-elle ensuite ? Pour répondre à cela, les chercheurs utilisent des modèles informatiques qui agissent comme des prévisions météorologiques pour les êtres vivants. Au lieu de prédire la pluie ou le vent, ces modèles prédisent où une plante ou un animal pourrait survivre en fonction de la température, de la pluviométrie et d'autres conditions du terrain. Ce domaine d'étude est appelé la modélisation de la distribution des espèces. Il est devenu un outil vital pour stopper les invasions biologiques, qui sont des espèces non indigènes qui se propagent rapidement et causent des milliards de dollars de dégâts à l'agriculture et aux écosystèmes chaque année. L'objectif est de repérer les zones de danger tôt, afin que les autorités puissent les surveiller de près ou agir avant que l'envahisseur ne s'installe. Cependant, la précision de ces prédictions dépend entièrement de la manière dont les modèles informatiques sont construits. Si les données injectées dans le modèle sont désordonnées ou si la méthode utilisée pour le construire est trop simple, la prévision peut être totalement erronée, laissant des zones dangereuses sans surveillance ou gaspillant des ressources dans des zones sûres.
Une étude récente menée par Pedro Nunes et ses collègues de plusieurs instituts de recherche en France et en Europe a mis ce problème à l'épreuve. Ils se sont concentrés sur deux insectes minuscules, le psylle des agrumes asiatique et le psylle des agrumes africain. Ces insectes ne sont pas seulement des nuisibles ; ils sont les vecteurs d'une bactérie qui cause le Huanglongbing, également connu sous le nom de HLB ou way de l'acidification des agrumes (citrus greening). Cette maladie est dévastatrice pour l'industrie mondiale des agrumes, capable de tuer les arbres et de ruiner des récoltes entières. Comme ces insectes se propagent déjà vers de nouvelles parties du monde, les chercheurs avaient besoin de savoir quelles stratégies de modélisation informatique donneraient la carte la plus fiable de l'endroit où ils pourraient frapper ensuite. Ils ont comparé la méthode des « bonnes pratiques » pour construire ces modèles par rapport à la méthode « rapide et facile » souvent utilisée lorsque le temps et les données manquent.
L'équipe a mis en place une comparaison rigoureuse utilisant deux types de données différents et plusieurs approches de modélisation distinctes. D'un côté, ils ont construit un modèle de référence de haut niveau. Cette version utilisait une liste soigneusement vérifiée des endroits où les insectes avaient été trouvés, compilée par des experts qui ont vérifié chaque enregistrement et ont même inclus des données provenant des nouveaux territoires envahis par les insectes. De l'autre côté, ils ont construit un modèle par défaut utilisant les données les plus basiques disponibles dans les bases de données publiques en ligne, qui contiennent souvent des erreurs et manquent de vérification par des experts. Ils ont également testé des variations, telles que l'utilisation uniquement des données des aires de répartition d'origine des insectes par rapport à l'inclusion de données de là où ils ont déjà envahi, et l'utilisation d'un algorithme informatique unique par rapport à la combinaison des résultats de plusieurs algorithmes différents.
Les résultats ont révélé un écart clair et préoccupant entre ce qui semble bon sur le papier et ce qui fonctionne dans le monde réel. Lorsque les chercheurs ont examiné les scores standards qui mesurent la capacité d'un modèle à correspondre aux données à travers le monde entier, de nombreux modèles plus simples ont performé presque aussi bien que celui, complexe et expert, curaté par des spécialistes. Un modèle construit avec des données rapides et non vérifiées et un algorithme unique affichait souvent des scores élevés lors de ces tests généraux. Cependant, lorsque les chercheurs ont regardé spécififiquement comment les modèles prédisaient la présence des insectes dans les zones où ils avaient déjà envahi, l'histoire changeait complètement. Les modèles simples n'ont pas réussi à identifier une partie significative des zones envahies connues. Pour le psylle des agrumes asiatique, le modèle de base a manqué plus d'un quart des emplacements confirmés où l'insecte était déjà établi. En revanche, le modèle de haut niveau, qui utilisait des données vérifiées par des experts et incluait des enregistrements de la zone envahie, a correctement identifié la quasi-totalité de ces emplacements.
L'étude a également révélé que le choix des données était plus critique que le choix de l'algorithme informatique. L'utilisation uniquement des données des terres natales des insectes, une pratique courante lorsque les données d'invasion sont rares, a conduit à des modèles qui sous-estimaient les zones où les insectes pourraient survivre. Cela suggère que ces insectes se sont adaptés à de nouvelles conditions ou que leur aire de répartition d'origine était limitée par des facteurs qui n'existent pas dans les nouveaux territoires. De plus, les chercheurs ont découvert que les scores standards utilisés pour juger ces modèles étaient trompeurs. Un modèle pouvait avoir un score élevé indiquant qu'il était « bon » tout en échouant à prédire les zones envahies les plus dangereuses. Pour corriger cela, l'équipe a introduit une nouvelle façon de mesurer le succès qui se concentrait spécifiquement sur les opportunités manquées dans la zone envahie. Cette nouvelle métrique, qui compte combien de sites d'invasion connus le modèle n'a pas réussi à prédire, s'est avérée essentielle pour repérer les modèles faibles que les tests standards avaient manqués.
Les cartes générées par les différents modèles montraient des différences spectaculaires dans le monde réel. Bien que tous les modèles soient d'accord sur les lieux où les insectes vivaient dans leurs régions d'origine, ils divergeaient radicalement sur les zones où ils pourraient se propager ensuite. Les modèles de haut niveau identifiaient de vastes zones dans des endroits comme le Portugal et l'Amérique du Sud comme étant propices aux insectes, et de fait, ces insectes y ont été trouvés. Les modèles plus simples, cependant, manquaient souvent ces zones, prédisant que les insectes ne pourraient pas y survivre. Inversement, certains modèles simples prédisaient que les insectes pourraient vivre dans de vastes régions arides d'Afrique où ils n'ont jamais été vus, créant ainsi une fausse alerte. Ces divergences soulignent qu'un modèle qui semble statistiquement parfait peut tout de même fournir une carte dangereusement inexacte pour les décideurs.
Enfin, l'étude démontre que l'effort consacré au nettoyage et à la vérification des données porte ses fruits dans la précision de la prédiction finale. Se fier à des données brutes et non vérifiées provenant d'Internet ou ignorer les enregistrements provenant de là où une espèce a déjà envahi un territoire conduit à des modèles qui échouent à protéger les zones vulnérables. Les chercheurs suggèrent que, pour les évaluations précoces des risques d'invasion, la meilleure approche consiste à utiliser des données curatées par des experts, à inclure tous les enregistrements disponibles tant des zones natives que des zones envahies, et à utiliser une combinaison de différents algorithmes de modélisation pour réduire l'incertitude. Ils soutiennent également que les scientifiques doivent cesser de se fier uniquement aux scores de performance généraux et utiliser plutôt des métriques qui vérifient spécifiquement si le modèle manque des sites d'invasion connus. En adoptant ces normes plus claires, les autorités pourront mieux anticiper l'émergence de la prochaine menace, garantissant que les ressources sont dirigées vers les endroits qui en ont réellement besoin.
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.