Une modélisation précise de la productivité primaire brute (GPP) et de l’évapotranspiration (ET) dans les écosystèmes terrestres est essentielle pour comprendre et prédire les cycles mondiaux du carbone et de l’eau. Cependant, les modèles actuels sont confrontés à des incertitudes et à des limites considérables lors de l’estimation de ces deux composantes essentielles.
Les scientifiques de l'Institut d'écologie appliquée de l'Académie chinoise des sciences ont réalisé de nouveaux progrès en améliorant la précision des simulations GPP et ET.
Les résultats, publiés dans Développement de modèles géoscientifiques et Journal d'hydrométéorologiedevraient fournir un soutien méthodologique pour évaluer les flux de carbone et d’eau dans divers écosystèmes à l’échelle régionale.
Dans leur étude sur les GPP, l'équipe de recherche sur le climat écologique dirigée par le Dr Wu Jiabing a développé le modèle FLAML (Fast Lightweight Automated Machine Learning)-efficacité d'utilisation de la lumière (LUE) basé sur l'approche d'efficacité d'utilisation de la lumière (LUE). Les modèles LUE estiment la productivité des plantes en reliant la lumière absorbée à la production photosynthétique, un processus clé pour la fixation du carbone.
En intégrant des données météorologiques, des observations de tour de flux à l'aide de la méthode de covariance de Foucault (une technique qui mesure les échanges de dioxyde de carbone, de vapeur d'eau et d'énergie entre les écosystèmes et l'atmosphère) et des indices dérivés de satellites, les chercheurs ont appliqué FLAML, un cadre léger d'apprentissage automatique automatisé, pour optimiser le modèle.
Les résultats ont montré que FLAML-LUE fonctionnait exceptionnellement bien dans la prévision de la dynamique des GPP, avec une précision particulièrement élevée dans les forêts mixtes et de conifères.
Bien que ses performances aient été quelque peu inférieures dans les arbustes alpins et les prairies typiques, il a néanmoins surpassé les produits largement utilisés tels que le spectroradiomètre imageur à résolution moyenne (MODIS) et le PML.
Le modèle a démontré de légères baisses de précision dans des conditions extrêmes de déficit de température et de pression de vapeur élevées, mais des performances améliorées ont été observées pour les terres cultivées et les forêts de feuillus sempervirentes dans des conditions de sécheresse.
L’étude met en évidence le potentiel de l’apprentissage automatique automatisé pour faire progresser la modélisation écologique.
Dans une étude parallèle sur ET, l'équipe dirigée par le Dr Fei Wenli et le Dr Shen Lidu a évalué le modèle de surface terrestre Noah-MP dans de multiples configurations de paramétrage par rapport à plusieurs produits ET dans huit types de couverture terrestre dans la zone continentale des États-Unis. L'ET, qui représente le processus combiné d'évaporation des terres et de transpiration des plantes, est un élément central du cycle hydrologique.
Ils ont constaté que le modèle Noah-MP, dans ses multiples configurations de paramétrage, avait tendance à surestimer l'ET dans la plupart des types de couverture terrestre, en particulier dans les forêts à feuilles persistantes, les prairies, les terres cultivées et les terres stériles.
De plus, au cours d’une année, le modèle a capturé avec précision le pic saisonnier d’ET en été, mais a systématiquement surestimé son intensité. En comparant la variabilité interannuelle, les performances du modèle étaient meilleures dans les régions arides et semi-arides que dans les forêts humides et les terres cultivées.
Les chercheurs ont identifié les processus physiques dominants à l’origine de l’ET. Pour les forêts et les prairies, la conductance stomatique (la régulation de la perte d'eau à travers les pores des feuilles des plantes) était le facteur clé, tandis que dans les arbustes, les savanes, les terres cultivées et les zones de sol nu, les processus de ruissellement jouaient un rôle plus important.
Ces résultats soulignent l’importance d’ajuster la manière dont les modèles sont optimisés pour différents types de couverture terrestre afin d’améliorer la simulation ET.
Ensemble, les deux études marquent une étape importante dans l’amélioration de la modélisation des écosystèmes terrestres des cycles du carbone et de l’eau, offrant de nouvelles informations méthodologiques pouvant soutenir de meilleures évaluations du climat et des écosystèmes.
