La validation spatiale révèle une faible performance prédictive des modèles de cartographie écologique à grande échelle

La cartographie de la biomasse forestière aérienne est essentielle pour évaluer l'équilibre mondial du carbone. Cependant, les cartes à grande échelle actuelles présentent de fortes disparités, malgré de bonnes statistiques de validation de leurs modèles sous-jacents. Ici, nous attribuons cette contradiction à un défaut des méthodes de validation, qui ignorent l'autocorrélation spatiale (SAC) dans les données, conduisant à une évaluation trop optimiste du pouvoir prédictif du modèle. Pour illustrer ce problème, nous reproduisons l'approche des études de cartographie à grande échelle en utilisant un vaste ensemble de données d'inventaire forestier de 11,8 millions d'arbres en Afrique centrale pour entraîner et valider un modèle de forêt aléatoire basé sur des variables multispectrales et environnementales. Une méthode de validation non spatiale standard suggère que le modèle prédit plus de la moitié de la variation de la biomasse forestière, tandis que les méthodes de validation spatiale prenant en compte la SAC révèlent un pouvoir prédictif quasi nul. Cette étude souligne comment une pratique courante dans les études de cartographie de big data montre un pouvoir prédictif apparemment élevé, même lorsque les prédicteurs ont de mauvaises relations avec la variable écologique d'intérêt, conduisant ainsi à des cartes et des interprétations erronées.