Dans diverses disciplines scientifiques (écologie, environnement), la cartographie de variables à l’échelle globale est devenue une pratique courante pour tenter de répondre aux défis des changements environnementaux. Cette dynamique récente s’explique notamment par la démocratisation de l’accès à des plateformes de données partagées et de calcul en ligne – comme Google Earth Engine – qui, alliés aux progrès des méthodes d’apprentissage machine, permettent désormais aux scientifiques d’analyser de très grands volumes de données. Dans cette étude publiée dans la revue Nature Communications en septembre 2020, des chercheurs d’AMAP alertent sur l’approche méthodologique suivie pour produire ces cartes et suggèrent que leur fiabilité a été largement surestimée. Pour illustrer le problème, les chercheurs ont reproduit cette approche pour le cas d’étude des stocks de carbone forestier en Afrique centrale. L’étude montre qu’en négligeant une propriété fondamentale des mesures biologiques, l’autocorrélation spatiale, l’approche indique que le modèle employé permet de prédire et de cartographier les stocks de carbone forestier, alors qu’en prenant en compte cette propriété le pouvoir prédictif du modèle se révèle quasi nul. Au travers de cette étude, les chercheurs appellent à de meilleures pratiques méthodologiques dans l’évaluation des modèles de cartographie des variables écologiques à l’échelle globale.

Référence : Ploton P., Mortier F., Réjou-Méchain M., Barbier N., Picard N., Rossi V., Dormann C., Cornu G., Viennois G., Bayol N., Lyapustin A., Gourlet-Fleury S., Pélissier R. 2020. Spatial validation reveals poor predictive performance of large-scale ecological mapping models. Nature Communications, 11 (4540) https://doi.org/10.1038/s41467-020-18321-yl