Pour protéger efficacement la biodiversité à l’ère des changements climatiques, les écologistes doivent d’abord savoir où se trouvent les espèces animales et végétales, puis être en mesure de prédire quels habitats leur seront accessibles à l’avenir.
Pour les aider dans ces tâches, les scientifiques utilisent des modèles de répartition des espèces qui désignent leurs habitats à partir de données d’observation et de scénarios climatiques.
Le problème, c’est que ces modèles sont souvent très limités.
La plupart du temps, ils ont souvent du mal à prendre en compte l’incertitude: si l’espèce n’est pas suffisamment bien décrite, si les conditions climatiques pertinentes sont mal comprises ou si le modèle n’est tout simplement pas assez précis, les résultats ont tendance à être inexacts.
Ainsi, lorsque les modèles sont employés pour orienter les politiques publiques ou évaluer l'efficacité de la prise de décision, il devient crucial de signaler quand leurs prévisions pourraient être erronées.
C'est le problème méthodologique abordé par Timothée Poisot, professeur au Département de sciences biologiques de l'Université de Montréal, dans une étude dont les résultats ont été publiés dans la revue Advances in Ecological Research. Il adapte une méthode bien établie en apprentissage automatique qui n’a pas encore été utilisée dans la recherche sur la biodiversité – la prédiction conforme – pour proposer une nouvelle approche permettant de cartographier l’incertitude des scénarios de biodiversité.
Comment? En recourant à des données issues d'observations d'une espèce plutôt inhabituelle (et fantaisiste): le Bigfoot, cette créature mythique, grande et velue, qui habiterait les forêts d'Amérique du Nord, en particulier le nord-ouest du Pacifique.
«Lorsqu'on élabore une nouvelle méthode, on se sert souvent de données simulées et cela m'agace toujours, car les simulations sont trop “propres”, a expliqué le professeur. Mais la communauté qui croit en l’existence du Bigfoot dispose d’une base de données regroupant tous les types d’observation, et c’est un ensemble de données qui convient parfaitement à cet exercice. Ainsi, en démontrant comment la méthode fonctionne sur des données réalistes, nous prenons un peu de recul par rapport à la biologie elle-même.»
