Cartographier les services écosystémiques : quelles données, quels modèles, quelles incertitudes ? Exemple autour du bassin de vie de Grenoble
Notice bibliographique
Résumé
L’évolution des cadres institutionnels et politiques autour de la question des Services Ecosystémiques (SE), notamment avec la nouvelle loi Biodiversité en 2016 en France, amène à une obligation de leur prise en compte dans la gestion territoriale. Cela nécessite l’utilisation d’informations spatialement explicites, et par conséquent le développement de modèles permettant de cartographier les SE. La plupart des modèles se basent sur ou utilisent comme proxy des cartes d’Occupation ou d’Utilisation des Sols (OS/US). À partir d’une base de données spatialisée extrêmement précise, nous avons appliqué ou adapté des modèles permettant de cartographier 15 SE. Les résultats montrent que selon l’implication de la base de données d’OS/US en entrée dans les modèles, le type de modèle choisi (proxy vs. processus) et les processus modélisés, les patrons spatiaux résultants sont plus ou moins dépendants de la carte d’OS/US d’entrée. L’analyse critique des limites et incertitudes inhérentes à la constitution des cartes d’OS/US (en général et la notre en particulier), ainsi que l’utilisation de ces cartes à des fins de modélisation de SE a montré : 1- les apports notamment dans les milieux agricoles d’une description précise des dynamiques interannuelles de l’OS/US pour la quantification de SE d’approvisionnement ; 2- l’implication de limites typologiques d’OS/US pour la quantification de SE, notamment dans notre travail pour les milieux forestiers et semi-naturels. L’usage de la télédétection apparait alors comme une piste sérieuse d’amélioration à la fois typologique pour mieux caractériser l’OS/US et également à utiliser comme donnée d’entrée indépendante dans les modèles de SE.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».