Apprentissage automatique pour les services écosystémiques

Les développements récents en apprentissage automatique ont élargi les capacités de modélisation basée sur les données (MBD), permettant à l'intelligence artificielle d'inférer le comportement d'un système en calculant et en exploitant les corrélations entre les variables observées qui le composent. Les algorithmes d'apprentissage automatique peuvent faciliter l'utilisation de données volumineuses de plus en plus disponibles et aider à l'application de modèles de services écosystémiques à différentes échelles, en analysant et en prédisant les flux de ces services vers des bénéficiaires désagrégés. Nous utilisons les logiciels Weka et ARIES pour produire deux exemples de MBD : l'utilisation de bois de chauffage en Afrique du Sud et la valeur de la biodiversité en Sicile, respectivement. Notre exemple sud-africain démontre que la MBD (précision de 64 à 91 %) peut identifier les zones où l'utilisation de bois de chauffage se situe dans le premier quartile avec une précision comparable aux techniques de modélisation conventionnelles (54 à 77 % de précision). L'exemple sicilien souligne comment la MBD peut être rendue plus accessible aux décideurs, qui montrent à la fois une capacité et une volonté de s'engager avec des informations sur l'incertitude. Les estimations d'incertitude, produites dans le cadre du processus de MBD, permettent aux décideurs de déterminer quel niveau d'incertitude leur est acceptable et d'utiliser leur propre expertise pour prendre des décisions potentiellement contentieuses. Nous concluons que la MBD a un rôle clair à jouer dans la modélisation des services écosystémiques, aidant à produire des modèles interdisciplinaires et des solutions holistiques à des problèmes socio-écologiques complexes.