En reliant les données sur les occurrences d'espèces aux variables environnementales, les chercheurs peuvent construire des modèles qui non seulement décrivent l'endroit où vit une espèce aujourd'hui, mais aussi prédisent où elle pourrait vivre dans les scénarios climatiques futurs.Cette capacité prédictive est essentielle pour anticiper les changements d'aire de répartition, identifier les refuges et hiérarchiser les mesures de conservation dans un monde en évolution rapide.À mesure que les températures mondiales augmentent et que les habitats se fragmentent, ENM offre une façon systématique et axée sur les données pour visualiser les menaces invisibles auxquelles la biodiversité fait face.

Comprendre la modélisation écologique des niches

La modélisation écologique des niches repose sur le concept fondamental du créneau écologique, qui est l'ensemble des conditions environnementales dans lesquelles une espèce peut maintenir des populations viables. L'ENM utilise des algorithmes statistiques ou d'apprentissage automatique pour établir des liens entre les occurrences connues d'espèces (souvent avec des données d'absence ou de fond) et les couches spatiales de prédicteurs environnementaux tels que la température, les précipitations, l'altitude, le type de sol et la couverture terrestre.

Plusieurs algorithmes de modélisation sont couramment utilisés. MaxEnt (Maximum Entropy Modeling) est l'un des plus populaires, en particulier pour les données de présence seulement. Il fonctionne en comparant les conditions environnementales aux points de présence par rapport à un échantillon aléatoire de points de fond et en trouvant la distribution de probabilité qui maximise l'entropie tout en appariant aux contraintes observées. PAGE (Algorithme génétique pour la production de produits par application de règles), Bioclimat (modèle de style enveloppe), Forêt aléatoireet Modèles linéaires généralisés. Chacun a des forces et des faiblesses en ce qui concerne les besoins en données, la sensibilité à la taille de l'échantillon et la capacité de gérer des interactions complexes.

Les couches environnementales utilisées dans la MEN proviennent généralement de bases de données sur le climat mondial, comme MondialClim ou CHELSALes prédicteurs courants comprennent la température moyenne annuelle, la saisonnalité de la température, les précipitations annuelles, les précipitations du quart le plus chaud et l'isothermalité. Pour les projections futures, ces mêmes variables sont obtenues à partir de modèles climatiques mondiaux (MCG) à échelle réduite correspondant aux scénarios de trajectoire socio-économique partagée (p. ex. SSP2-4.5, SSP5-8.5). La résolution appropriée (souvent 1 km ou 30 arc-secondes) et la garantie que les prédicteurs ne sont pas corrélés (pour éviter la multicolinéarité) sont des étapes critiques de prétraitement.

L'hypothèse clé de la MEN est que l'espèce est en équilibre de nicheEn réalité, les espèces peuvent être absentes de zones appropriées en raison de barrières de dispersion, d'événements historiques ou d'interactions avec d'autres espèces. De plus, le modèle suppose que la niche est conservée au fil du temps, ce qui signifie que les relations environnementales observées aujourd'hui se maintiendront dans l'avenir. niche conservatisme, est sous un examen de plus en plus attentif, en particulier pour les espèces qui peuvent s'adapter rapidement ou déplacer leur créneau réalisé.

Le processus de construction d'une ENM

La construction d'une ENM fiable implique un flux de travail structuré : 1) la compilation et le nettoyage des données, 2) la sélection de variables, 3) l'étalonnage des modèles, 4) l'évaluation et 5) la projection vers de nouvelles périodes ou de nouveaux emplacements.

Sources de données et qualité

Les données sur l'occurrence des espèces peuvent provenir de collections de musées, de relevés sur le terrain, de plateformes de science citoyenne comme iNaturalist et eBird, et de publications. Cependant, ces données souffrent souvent de biais spatiaux – la collecte tend à se concentrer près des routes, des stations de recherche et des zones accessibles.Ce biais d'échantillonnage peut gonfler la performance des modèles dans les zones bien échantillonnées tout en sous-estimer l'adéquation dans les régions éloignées.

Les variables devraient être pertinentes pour l'espèce. Pour un amphibiens adapté au froid, par exemple, la température minimale du mois le plus froid et les précipitations pendant la saison de reproduction sont plus informatives que la température moyenne annuelle. La corrélation entre les prédicteurs (p. ex., la température moyenne et la température du quart le plus froid) doit être évaluée – généralement par l'intermédiaire des coefficients de corrélation Pearson, avec un seuil de , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

Étalonnage et évaluation du modèle

Une fois les données préparées, le modèle est étalonné à l'aide d'un sous-ensemble d'événements (données de formation) tandis que les autres sont tenus pour évaluation (données d'essai). Secteur sous la courbe caractéristique de fonctionnement du récepteur (CAU)Les valeurs de l'ASC supérieures à 0,7 sont considérées comme utiles, supérieures à 0,8 bonne et supérieures à 0,9 excellente. Cependant, l'ASC peut être trompeuse pour les modèles de présence seulement parce qu'elle traite les points de fond comme des pseudo-absences. Statistiques des compétences réelles (TSS), qui explique la sensibilité et la spécificité, est une alternative. Indice de Boyce continu (IBC), qui évalue la mesure dans laquelle les prédictions du modèle correspondent aux densités de présence observées.

Après validation, le modèle est projeté sur les couches environnementales de la période cible (par exemple 2050 ou 2070) ou sur l'emplacement. Pour éviter l'extrapolation au-delà de l'éventail des environnements d'entraînement – un piège commun – les modélistes devraient appliquer l'analyse de la similitude environnementale (MESS) pour identifier les zones où il existe de nouvelles conditions.

Applications dans la prévision des futures gammes

La capacité d'ENM à prévoir les futures aires de répartition des populations sous le changement climatique est peut-être son application la plus puissante. En alimentant les scénarios climatiques futurs en un modèle étalonné, les chercheurs peuvent cartographier les zones d'expansion, de contraction ou de stabilité de l'aire de répartition.

Étude de cas: Gorille de montagne (Gorilla bringei bringei)

Les gorilles de montagne sont une sous-espèce en voie de disparition grave qui se trouve uniquement dans les forêts de haute altitude des volcans Virunga et du parc national Impenetrable Bwindi en Afrique de l'Est. Comme elles se limitent aux habitats montagnards, elles sont particulièrement sensibles aux changements de température à la hausse. Les études de la MEN utilisant MaxEnt avec des données de la MFC et les projections pour 2050 (RCP 4.5 et RCP 8.5) ont prédit que l'habitat convenable pourrait diminuer de 40 à 70 % d'ici le milieu du siècle, les zones les plus appropriées se déplaçant vers des altitudes plus élevées où la capacité de charge est limitée. Une étude de 2020 sur la conservation biologique a souligné que sans atténuation, les gorilles de montagne pourraient perdre 60 % de leur aire de répartition actuelle d'ici 2080.

Étude de cas: Pika américaine (Ochotona princeps)

Les Pikas sont sensibles au stress thermique, ils peuvent mourir s'ils sont exposés à des températures supérieures à 25°C pendant plusieurs heures. Les projections de la MEN à l'aide de données de température à haute résolution indiquent que les populations de pika seront forcées vers le haut, ce qui pourrait entraîner la perte de sites à faible altitude. Projet californien d'adaptation au climat intègre ces modèles pour guider les translocations et l'enlèvement des barrières.

Gestion des espèces envahissantes

Par exemple, les modèles du moustique tigre asiatique (Aedes albopictus) projettent une expansion future dans des régions tempérées auparavant trop froides pour la survie hivernale. Ces prévisions permettent aux organismes de santé publique de prépositionner la surveillance et les efforts de contrôle. De même, les prévisions du MEN pour les ravageurs agricoles comme le ver de l'armée d'automne (Spodoptera frugiperda) aident les pays à anticiper les fronts d'invasion et à allouer des ressources pour la détection précoce.

Défis et limites

Malgré son utilité, l'ENM comporte des limites importantes qui doivent être communiquées aux décideurs. biais de donnéesEn outre, les espèces peuvent ne pas être présentes dans toutes les zones appropriées en raison de contraintes historiques (par exemple, l'histoire glaciaire) ou d'interactions (par exemple, la compétition ou la prédation).

Conservatisme de niche Les modèles qui supposent une relation statique peuvent sous-estimer la résilience future ou surestimer la vulnérabilité future. Capacité de dispersion Un modèle peut prévoir de vastes zones d'habitat convenable à l'avenir, mais si une espèce ne peut pas y parvenir (en raison de la fragmentation de l'habitat ou de la mobilité limitée), ces zones resteront vides.

En outre, ENM omet souvent interactions biotiques Un habitat qui convient au climat pour une espèce peut être inapproprié si son prédateur principal ou son pathogène prospère dans les nouvelles conditions. Inclure des variables biotiques (p. ex. la présence de plantes hôtes pour les herbivores) demeure une zone frontalière, mais est encore rare dans les modèles opérationnels.

Remédier aux limitations

Modélisation de l'ensemble est une approche pour réduire l'incertitude d'un algorithme unique. Paquet Biomod2 dans R, permettent aux utilisateurs d'exécuter plusieurs algorithmes et de combiner les résultats en cartes consensuelles, y compris des mesures de variabilité. Modèles dynamiques Les données de la MEN sont utilisées pour la recherche de données sur les populations de l'espèce, qui intègrent la dynamique des populations, la dispersion et les interactions biotiques (p. ex., modèles de niche mécanistes ou modèles hybrides) et qui offrent un plus grand réalisme, mais qui nécessitent beaucoup plus de données.

Une autre pratique croissante est d'utiliser validation spatiale croisée Les techniques de blocage ou de regroupement garantissent que les points d'entraînement et d'essai sont géographiquement séparés, ce qui permet une évaluation plus honnête de la transférabilité vers de nouvelles régions ou de futurs climats.

Orientations futures

L'avenir de l'ENM réside dans l'intégration. télédétection Les données de la végétation, de l'humidité du sol et même du microclimat, qui sont souvent plus pertinentes que les moyennes bioclimatiques grossières, sont maintenant à haute résolution.

Données génomiques En incluant les paramètres démographiques et génétiques (p. ex., diversité génétique, signaux d'adaptation locaux), les scientifiques peuvent identifier non seulement où une espèce peut survivre, mais aussi quelles populations possèdent la variation génétique nécessaire pour s'adapter. Cette idée de l'ENM en génomique est encore naissante mais promet de prioriser la conservation du potentiel évolutionnaire.

Sciences citoyennes les plateformes comblent les lacunes de données, en particulier pour les taxons rares et sous-estimés. iNaturaliste Bien que le contrôle de la qualité soit nécessaire (p. ex. vérification des identifications, prise en compte des biais d'observation), ces ensembles de données démocratisent l'ENM et permettent des études impossibles il y a une décennie.

Le rôle de l'intelligence artificielle

L'apprentissage automatique et l'apprentissage profond repoussent les limites de l'ENM. Les réseaux neuronaux convolutionnels (RCN) peuvent traiter directement l'imagerie satellite brute pour prédire la pertinence de l'habitat sans avoir à choisir de variables bioclimatiques. Transfert de l'apprentissage Les modèles formés sur des espèces bien étudiées peuvent toutefois être appliqués à des espèces pauvres en données. L'interprétation demeure préoccupante : les modèles à boîtes noires peuvent surperformer des modèles plus simples, mais les écologistes ne peuvent pas comprendre pourquoi une région donnée est prévue.

Enfin, logiciel convivial et les plateformes (p. ex. Wallace, MaxEnt, SDMtoolbox) rendent l'ENM accessible aux non-spécialistes, y compris aux gestionnaires de parc et aux planificateurs de la conservation. Fonds mondial d'information sur la biodiversité fournit des données d'occurrence gratuites, tandis que Centre de distribution des données du GIEC Le défi pour le terrain est de s'assurer que ces outils sont utilisés avec la rigueur appropriée, en évitant le piège --black-box--où les utilisateurs génèrent des cartes sans comprendre les incertitudes sous-jacentes.

Conclusion

La modélisation écologique des niches est un outil indispensable pour prédire les futures populations à une époque de changement climatique rapide. Des primates emblématiques comme le gorille de montagne aux moustiques envahissants qui menacent la santé publique, l'ENM fournit un cadre quantitatif pour prévoir où les espèces risquent de persister, de changer ou de disparaître. Pourtant, ses résultats ne sont que aussi bons que les données et les hypothèses qui les nourrissent. La qualité des données, le conservatisme des niches, les contraintes de dispersion et les interactions biotiques influencent la fiabilité du modèle. En reconnaissant ces limitations et en adoptant des approches globales et intégratives, les chercheurs peuvent fournir des projections solides qui informent les actions de conservation du monde réel. L'avenir de l'ENM sera de plus en plus riche en données, multidisciplinaire et accessible aux utilisateurs.