Couplage de modèles en foresterie : quels sont les pièges ?

Picard Nicolas. 2013. Couplage de modèles en foresterie : quels sont les pièges ?. Cahiers Agricultures, 22 (2) : 104-111.

Titre anglais : Coupling models in forestry: What are the limitations?

Quartile : Q3, Sujet : AGRICULTURE, MULTIDISCIPLINARY / Quartile : Q4, Sujet : AGRONOMY

Liste HCERES des revues (en SHS) : oui

Thème(s) HCERES des revues (en SHS) : Géographie-Aménagement-Urbanisme-Architecture

Résumé : Les modèles prédictifs sont couramment utilisés en foresterie pour optimiser la gestion des forêts. Un modèle peut être vu de manière simpliste comme une boîte noire qui calcule des variables de sortie à partir de variables d'entrée. Il est alors tentant d'assembler différentes boîtes noires pour construire des modèles de plus en plus complexes. En s'appuyant sur une revue bibliographique des modèles en foresterie, cette étude a pour objectif d'identifier les limites du couplage de modèles. Le couplage de modèles peut induire un biais de prédiction, en particulier lorsque les modèles couplés interagissent rétroactivement. Le couplage entraîne également une propagation des erreurs et peut se traduire par une perte de précision des prédictions. Le couplage implique également un équilibrage du niveau de détails pris en compte dans les modèles assemblés. En conclusion, il est préférable, lorsque le niveau de complexité du modèle le permet, d'ajuster conjointement l'ensemble des composantes d'un modèle, plutôt que de le décomposer en sous-modèles ajustés indépendamment les uns des autres.

Résumé (autre langue) : Predictive models are commonly used in forestry to manage forests. A model can be seen as a black box that predicts output variables from input variables. Hence, a simple way to build models for systems of increasing complexity consists in combining black boxes. Based on a bibliographical review of forestry models, this study aims at identifying the limitations of coupling models. Model-coupling can bring a prediction bias, especially when the coupled models have a feedback effect on each other. Coupling also has an incidence on error propagation and can bring the precision of predictions down. Coupling requires that the level of detail in each coupled model be balanced. Finally, when the level of complexity of the model is manageable, fitting the model as a whole is a better option than breaking it down into components that are independently fitted and then coupled.

Mots-clés Agrovoc : foresterie, modèle de simulation, modèle mathématique, méthodologie, dynamique des populations

Mots-clés complémentaires : Forêt naturelle

Classification Agris : K01 - Foresterie - Considérations générales
U10 - Informatique, mathématiques et statistiques
U30 - Méthodes de recherche

Champ stratégique Cirad : Axe 1 (2005-2013) - Intensification écologique

Auteurs et affiliations

• Picard Nicolas, CIRAD-ES-UPR BSef (GAB)

Source : Cirad - Agritrop (https://agritrop.cirad.fr/568849/)

Métriques

[ Page générée et mise en cache le 2024-12-10 ]