Les auteurs sont reconnaissant au projet ECOS-Sud Chili n° C07H03 intitulé « La forêt de la cordillère côtière continentale dans le sud du Chili : Dynamiques contemporaines et modélisations prospectives ».

Introduction

1« La transformation des terres englobe une grande variété d’activités qui varient considérablement dans leur intensité et leurs conséquences » (Vitousek, 1997). Le développement remarquable de la sylviculture intensive à travers le monde depuis les années 1960 (Bull, 2006) constitue même une des manifestations les plus répandues du changement global (Arroyo et al., 2000).

3Malgré la reconnaissance de la durabilité des activités sylvicoles chiliennes par l’ocde en 2005 (Arana Silva, 2009), la communauté scientifique s’accorde sur les limites environnementales et socio-économiques engendrées par de telles pratiques. Aux problèmes de pauvreté, d’exode rural et d’expulsion de la minorité ethnique mapuche (Lara, 1985 ; Leyton Vasquez, 2009), s’ajoutent la perte de biodiversité (Sheldon, 1989 in Winjum, 1997 ; Donoso, Otero, 2005), la perturbation des cycles hydrologiques et l’acidification des sols (Cannell, 1999). En outre, la substitution des forêts natives par des monocultures a été reconnue comme l’une des principales menaces observées dans cette zone (Lara, 1996 ; Cavelier, Tecklin, 2005 ; Donoso, Otero, 2005 ; Echeverria et al., 2006 ; Altamirano, Lara, 2010). L’enjeu est effectivement de taille car la majorité de cette exploitation forestière se situe au sein même de l’Écorégion des Forêts Tempérées Humides Valdivienne qui fait partie des 238 Écorégions identifiées par le wwf au niveau mondial. Elle fait l’objet d’une des plus fortes priorités de conservation et de restauration dans le monde et compte parmi les 25 hotspots pour la conservation de la biodiversité (Myers, 2000).

Aire d’étude et données mobilisées

Aire d’étude

6D’après le dernier recensement de la population (ine, 2002) sa population était de 8 831 habitants, avec une forte part de ruraux (7 929 habitants soit 90 %) et une majorité ethnique mapuche-huilliche (60 % de la population totale). Sur les 62 communautés indigènes recensées en 2000 (Barrué-Pastor, 2004) 44 se situaient sur la précordillère côtière. La commune connaît un taux de pauvreté très élevé. Selon l’Encuesta de caracterización socioeconómica nacional (casen) publiée par le Ministerio de Planificación, le taux de pauvres (indigents et non indigents) s’élevait à 32,4 % de la population communale en 2000, 42,1 % en 2003, pour atteindre les 14,3 % en 2006, alors qu’à l’échelle du pays ce taux était respectivement de 20,2 %, 18,7 % et 13,7 % (bcn, 2008).

Données

7Pour analyser les dynamiques d’utilisation et d’occupation du sol sur un gradient temporel satisfaisant (22 ans), nous avons acquis trois images satellites landsat : 1986 (tm), 1999 (tm) et 2008 (tm) (path 233, row 88). Chaque image, dont la résolution du pixel est de 30 m x 30 m, a été corrigée géométriquement et topographiquement. Une classification supervisée par maximum de vraisemblance a été réalisée en s’appuyant sur des relevés de terrains (300 points GPS) combinés à des photographies aériennes et des images satellites Google Earth, ainsi que sur les données digitalisées (actualisée en 2006) issues du Cadastre de la corporación nacional forestal (conaf et al., 1999). L’imagerie satellitale landsat représente un outil puissant pour le suivi des dynamiques environnementales (Wulder et al., 2008). La technique par maximum de vraisemblance a été largement employée pour le suivi des changements d’occupation des sols (Schulz et al., 2010 ; Wyman, Stein, 2010) et l’étude de la fragmentation forestière (Echeverria et al., 2006 ; 2008). La précision globale de chaque classification a été de 84,3 % pour 1986, 91,2 % pour 1999 et de 87,5 % pour 2008.

8D’autres données digitalisées ont enfin été obtenues : (i) une carte des pentes, générée grâce à un Modèle Numérique de Terrain lui-même créé par des courbes de niveaux (pas de 50 m) ainsi qu’une carte du réseau hydrographique et du réseau routier (2003) acquises auprès de l’Instituto Geográfico Militar (igm) en 2008 et (ii) une carte d’altitude (conaf, 2006).

9La typologie de base comportait quinze classes afin d’appréhender les types d’occupation du sol avec une grande précision. Les confusions radiométriques (coupe rase et jeune plantation d’eucalyptus par exemple) couplées à la redondance de certaines classes nous ont amenés à les agréger en un nombre plus restreint. Six catégories d’occupation du sol ont ainsi été identifiées pour chaque image : (i) plantations (pins et eucalyptus adultes), (ii) forêt native adulte (fn), (iii) renoval et matorral -r&m- (forêt secondaire et fourré), (iv) prairie (pâturage, prairie de fauche dense et terre agricole), (v) sol nu (coupe rase, plantation jeune, prairie sèche, alerzales), et (vi) corps d’eau. Dans un dernier temps, afin de simplifier le processus de simulation prospective et de mettre en exergue la dynamique des plantations industrielles, la légende a été réduite à quatre types d’occupation du sol : (i) plantations, (ii) forêt native, (iii) autre (r&m, prairie et sol nu), et (iv) corps d’eau (figure 2).

10Avec plus de 96 000 ha en 2008, la forêt native couvre la quasi-totalité de la Cordillère de la Côte et est fragmentée sur le Piémont. Depuis 1986 sa superficie a diminué de 13 %. Les plantations industrielles se situent exclusivement sur le Piémont, et aux abords du fleuve Bueno et du Lac Rupanco au nord et nord-est de la commune. Bien qu’elles aient occupé la plus faible superficie en 1986 avec 387 ha, les plantations ont connu la plus forte augmentation entre 1986 et 2008 : plus de 2 455 % (9 888 ha). La catégorie « autre » se répartit sur l’ensemble de la commune, majoritairement sur le Piémont et de façon plus éparse sur la Cordillère. Sa superficie passa de 42 907 ha en 1986 à plus de 47 000 ha 22 ans plus tard, soit une évolution de + 9,5 %.

Méthode

L’intérêt de la prospective

11Afin de répondre aux enjeux du développement soutenable, la nécessité d’entrevoir les changements futurs grâce à l’approche prospective devient incontournable (Hubert-Moy, 2006 ; Houet et al., 2008). La prospective en France remonte à Gaston Berger par la création en 1957 du Centre International de prospective et du World Futures Studies Federation par Bertrand de Jouvenel dans les années 1960. La diffusion de cette « philosophie et attitude » (Condorbes, Durance, 2004) dans le secteur public français se fera par la Délégation interministérielle à l’Aménagement du Territoire et à l’Attractivité Régionale (datar) par l’intermédiaire de Pierre Massé en publiant les “3 scénarios de l’inacceptable”. L’histoire de la prospective et sa démarche méthodologique étant abondamment traitée, nous orientons le lecteur sur quelques références clés (Godet, 1986 ; De Jouvenel, 1999 ; Houet, 2006 ; Voiron-Canicio, 2006). Ces auteurs s’accordent sur le fait que cette démarche ne vise pas à prédire un futur. La prospective propose cependant des ouvertures, des pistes sur l’image de ce demain. Il est question de construire, grâce à l’analyse du passé et des dynamiques actuelles, un socle d’hypothèses pertinentes considérées par Fabrice Hatem comme « un regard sur l’avenir destiné à éclairer l’action présente » (1993, p. 18). Ainsi, l’analyse du passé et du présent n’est pas la seule condition à l’explication du futur, dans la mesure où le futur est imprimé dans le présent (Godet, 1986) par l’anticipation qu’exerce un individu sur son environnement. La démarche participative représentée par la volonté des acteurs sociaux devient la clé de la prospective (Medina Vásquez, Ortegón, 2006).

L’intérêt de l’approche spatiale

12À l’instar de la nature autonome des études spatialement explicites et des approches socio-économiques pour appréhender les relations société/environnement (Veldkamp, Verburg, 2004), l’approche spatiale et la prospective possèdent encore de faibles connexions. L’intérêt de la modélisation spatiale réside dans sa capacité à révéler les principales structures spatiales et leur dynamique, et de favoriser la compréhension et l’explication de leurs causes et conséquences (Verburg et al., 2004). A. Veldkamp et E. F. Lambin (2001) insistent sur l’importance de la modélisation spatialement explicite en tant que technique pour la projection de voies alternatives vers le futur, alors que M. Paegelow et al. (2004) voient dans la modélisation prospective des données géographiques un défi majeur pour la recherche en géomatique.

13Contrairement aux nombreuses études menées au sein du Projet Millénium (Glenn et al., 2010), qui mettent en exergue la représentation mentale des scenarii dans une perspective humaine et sociale, la spatialisation de ces scénarii est fondamentale dans toute démarche prospective en géographie (Géoprospective) (Voiron-Canicio, 2006 ; Houet, 2006). Elle répond à ce que J. Medina Vásquez et E. Ortegón (2006) appellent la « construction sociale des futurs » qui se caractérise par (i) la détection des changements qui fait émerger une image du futur, (ii) la détermination de ce qui peut ou pas changer (vision), pour aboutir à l’identification des choses qui doivent changer (le projet).

14Le recours à une approche spatiale contribue ainsi à une meilleure compréhension des changements d’utilisation et d’occupation des sols permettant a posteriori (i) d’identifier des espaces à enjeux pour la gestion et la conservation de la biodiversité ainsi que de (ii) localiser des conflits socio-spatiaux (Costanza, Voinov, 2004 ; Houet et al., 2008 ; Morán-Ordóñez et al., 2011).

Une typologie des modèles lucc

15La modélisation des changements d’occupation et d’utilisation des sols ne se limite pas à une seule catégorie de modèle, ni à un seul domaine de recherche. Nous présenterons ici les modèles communément employés.

16Tout d’abord les modèles stochastiques. Il s’agit de modèles probabilistes à évènements discrets, c’est-à-dire qui n’évoluent pas de façon continue au cours du temps, mais avec des pas temporels discrets (Coquillard, Hill, 1997). Les chaînes de Markov font partie des méthodes les plus communément employées afin de prédire des changements entre plusieurs états de catégories (Pontius, Malanson, 2005). Elles ont été largement utilisées afin d’étudier les dynamiques de végétation (Coquillard, Hill, 1997 ; Paegelow et al., 2004 ; Paegelow, Camacho Olmedo, 2005 ; Camacho Olmedo et al., 2007). Selon Heiko Baltzer (2000, p. 151) ces modèles ont la capacité de regrouper des informations très complexes permettant d’analyser des écosystèmes, même si leurs processus sous-jacents ne sont pas totalement compris.

17Les automates cellulaires (ac) sont une autre forme de modèles stochastiques qui discrétisent un espace continu en une série de cellules. La littérature scientifique faisant usage des automates cellulaires est abondante, en témoigne la compilation réalisée par H. Balzter et al. (1998). L’apport des ac dans l’analyse des processus écologiques réside dans la considération des interrelations spatiales entre les communautés végétales et les effets de voisinage qui les caractérisent.

18Parmi les modèles à base d’intelligence artificielle, les modèles multi-agents (ou Systèmes Multi-Agents – sma) (Bonnefoy et al., 2001 ; Parker et al., 2003 ; Daudé, 2005 ; Ferber, 2006) permettent d’appréhender et de représenter des systèmes complexes et dynamiques en modélisant directement les individus, leurs comportements et leurs interactions. Les sma sont très largement employés par l’équipe du cirad à Montpellier, notamment dans le cadre de la modélisation d’accompagnement (Collectif ComMod, 2005).

19Les réseaux neuronaux artificiels (anns) font leur première apparition en tant que méthode permettant de modéliser des systèmes écologiques complexes dans l’étude de Colasanti (1991). Il existe plusieurs types de réseaux neuronaux (Lek, Guégan, 1999). Notre attention se porte sur le perceptron multi-couche (ou multi-layer feed-forward - mlp) car c’est l’une des architectures les plus employées pour l’étude des dynamiques d’occupations et d’utilisations du sol (Lek, Guégan, 1999 ; Mas et al. 2004 ; Paegelow et al., 2004). À l’image des modèles stochastiques, le mlp permet d’examiner et de modéliser des relations complexes entre plusieurs variables. Sa capacité à appréhender des relations non-linéaires en fait un outil puissant pour l’analyse des processus écologiques. En termes de logiciel de modélisation utilisant le mlp, Land Change Modeler (Eastman, 2006 ; Oñate-Valdivieso, Bosque Sendra, 2010) et DINAMICA EGO (Soares-Filho et al., 2009) sont les plus utilisés.

20Les modèles empiriques-statistiques spatialement explicites sont largement employés pour prédire les dynamiques de la végétation notamment dans le domaine des LUCC (Perry, Millington, 2008). Le modèle CLUE (Conversion of Land Use and its Effects) a été développé pour prédire et visualiser les dynamiques d’occupation du sol en se basant sur les relations empiriquement quantifiés entre ces dynamiques et leurs facteurs explicatifs (biophysiques et humains) (Veldkamp, Fresco, 1996 ; Verburg et al., 2002). À la différence de CA-Markov, Land Change Modeler et DINAMICA EGO qui utilisent les chaînes de Markov pour estimer les quantités de changement, le modélisateur doit intégrer les quantités (en pixels) de changements pour chaque année de simulation (Mas et al., sous presse).

Deux modèles : ca-Markov et Land Change Modeler (lcm)

21Afin de modéliser la dynamique des plantations industrielles et de simuler (dans le cadre d’un scénario tendanciel d’évolution) l’occupation du sol à l’horizon de 2017, il convient au préalable de valider le modèle sur des données connues. L’image de 2008 = t2 étant la plus récente, elle fera l’objet d’une première simulation-test, calibrée par deux dates antérieures (t0 = 1986 et t1 = 1999) (chaîne de Markov d’ordre 2). Les images de 1986 et 1999 servent de base pour extrapoler les quantités de la future occupation du sol. Il s’agit d’une extrapolation linéaire car la simulation se base sur deux points dans le temps afin de calibrer le modèle. La comparaison entre les simulations et l’observation 2008 permettra, d’une part, de quantifier les erreurs des deux modèles, et, d’autre part, de localiser ces erreurs à l’échelle de la commune. Les deux modèles présentés sont implémentés sous le logiciel de géostatistique idrisi 15.0 (Eastman, 2006).

Ca-Markov

22La ca-Markov est une procédure de prédiction lucc combinant chaînes de Markov (quantité), évaluation multicritère (emc) (localisation) et filtrage, une procédure qualifiée par les éditeurs du logiciel d’automate cellulaire (ac) (Eastman, 2006).

23Les chaînes markoviennes analysent deux images d’occupation du sol à des dates différentes et produisent deux matrices de transition (probabilité et surface concernée en pixels pour la persistance et la transition), et un ensemble d’images de probabilité conditionnelle (Eastman, 2006). Elles permettent « de calculer un état futur à partir de l’état présent connu, en se basant sur l’observation des évolutions passées et leur probabilité » (Antoni, 2006, p. 6). Les limites de l’analyse markovienne caractérisées par la non-allocation spatiale de ces transitions, peuvent être corrigées en ayant recours à une évaluation multicritère (Paegelow, Camacho Olmedo, 2005).

24L’objectif de l’évaluation multicritère est de construire des cartes d’aptitude ou de probabilité en intégrant un ensemble de critères mesurables et cartographiables. Ces cartes pouvant ainsi servir à l’élaboration de choix stratégiques d’intervention. Le modélisateur contrôle le processus de modélisation en identifiant et en caractérisant les facteurs explicatifs grâce à une approche experte. Dans le cadre de l’évaluation multicritère on distingue deux types de critères : (i) les facteurs et (ii) les contraintes. Un facteur est un critère qui renforce ou réduit la pertinence d’une variable particulière pour l’activité étudiée. Il indique le degré d’aptitude de chaque unité de l’espace, et est mesuré sur une échelle continue allant de 0 à 255. Les variables ayant des entités différentes, cette échelle d’indice permet ainsi de standardiser l’ensemble des facteurs, les rendant comparables. La phase de standardisation se fait par une fonction d’appartenance de logique floue. Une contrainte limite, quant à elle, l’espace en considération dans la mesure où elle masque les zones inaptes aux objectifs fixés. C’est une variable booléenne, les zones exclues de l’analyse seront codées 0, et celles prises en compte seront codées 1. S’en suit une phase de pondération des facteurs basées sur la technique de comparaison par paires (pairwise comparaison) dans le contexte de processus décisionnel appelé analytical hierarchy process (ahp). Ainsi, les facteurs sont comparés deux par deux dans une matrice de comparaison dite de Saaty (Saaty, 1977) et ce en fonction de leur importance relative par rapport à l’objectif fixé. Enfin, une deuxième série de poids (poids d’ordre) est appliquée aux facteurs dans le but de contrôler leur niveau de compensation ainsi que le niveau de risque dans la détermination des aptitudes.

25Les cartes d’aptitudes issues de l’emc sont combinées aux cartes de probabilités de transition dérivant du calcul des chaînes de Markov. À cela s’ajoute l’application d’un filtre de contigüité (5x5) qui a pour but d’éliminer les occurrences isolées et de renforcer les zones d’agglomérations afin d’éviter l’effet « pixélisé » (pepper and salt). Le traitement tient compte des quantités markoviennes, ce qui explique un fonctionnement en boucle.

Land Change Modeler

26Ce modèle a été développé afin d’étudier les lucc, de projeter leur dynamique dans le futur et d’en évaluer l’impact sur la biodiversité (Eastman, 2006). Une première estimation des changements (pertes, gains, changements nets, constance) est réalisée par la création de graphiques et de cartes de changements. Cette phase d’analyse permet la mise en place de sous-modèles de transition potentielle entre plusieurs catégories d’occupation du sol tout en tenant compte des variables statiques ou dynamiques. Les variables qui sont intégrées à chaque sous-modèle sont préalablement évaluées avec le coefficient V de Cramer afin de connaître leur pouvoir explicatif. Pour modéliser les changements d’occupation et d’utilisation des sols, lcm utilise soit la technique des réseaux neuronaux artificiels multicouches (Multi-Layer Perceptron ou mlp), soit une régression logistique. Nous avons privilégié le réseau neuronal car il est plus performant que le modèle de régression multiple, notamment dans les systèmes complexes et non-linéaires (Karul, Soyupak, 2006), mais peut conduire à « un sur-ajustement de la relation probabilité de changement / variables explicatives et du poids respectifs des variables aux caractéristiques de la période de calibrage » (Mas et al., sous presse, p. 13). Par ailleurs le mlp est vivement recommandé par les éditeurs (Eastman, 2009).

28La procédure d’allocation spatiale des changements d’utilisation et d’occupation du sol se fait par affectation multi-objectif (mola), qui se couple à l’estimation de la quantité de changement effectuée par des chaînes de Markov. Le mola prend en compte la totalité des conversions afin de lister les catégories LUC perdant en surface et celles en gagnant sur les premières. Le résultat est une carte de transition potentielle pour chaque transition (Eastman, 2009).

Détermination des facteurs explicatifs

29Le nombre de variables explicatives qui seront intégrées aux modèles est contraint par leur disponibilité, leur spatialisation ainsi que par leur influence sur la localisation et les changements des types d’occupation du sol. Nous sommes conscients que le nombre de facteurs présentés et intégrés est restreint comparativement à la palette des variables potentiellement explicatives. La légitimité de ces données pour calibrer le modèle doit être discutée. En effet certaines d’entre-elles sont postérieures à 1999, ce qui fausse le calibrage et ainsi l’extrapolation des dynamiques d’occupations du sol. Les données sur le réseau routier datent de 2003 et devraient donc être exclues, de même que les zones urbaines qui datent de 2006. Cependant, et après vérification auprès d’experts, les axes de communications sont restés relativement stables entre 1999 et 2003. Seuls quelques chemins ont été construits. Enfin, nous considérons que les zones urbaines sont restées stables en 7 ans et que leur expansion dans une commune rurale est minime. Les variables utilisées dans les deux modèles sont identiques hormis les deux contraintes utilisées lors de l’évaluation multicritère.

32Nous avons procédé à une analyse de la distribution des changements (1986-1999) et des types d’occupation du sol pour 1986 et 1999 en fonction de chaque variable. Chacune des variables (sauf os) a été mise en relation avec la carte des changements 1986-1999 afin d’étudier l’intensité de leur liaison grâce au coefficient de corrélation linéaire de Pearson, et ainsi estimer leur pouvoir explicatif. Les valeurs comprises entre -1 et 1 nous donnent des informations sur l’existence d’une relation linéaire entre la variable et les changements observés. Les coefficients de corrélation proches de 0 n’ont pas été systématiquement exclus dans la mesure où des relations non linéaires peuvent exister.

33Les variables sous lcm sont de deux types : dynamiques et statiques. Les variables statiques traduisent l’aptitude pour chaque transition prise en considération et restent stables au cours du temps. Les variables dynamiques (proximité aux routes, proximité aux types d’occupation du sol déjà existants, infrastructures, etc.) sont recalculées à chaque pas durant le processus de prédiction. Le coefficient V de Cramer calcule la corrélation entre des variables et varie entre 0 et 1. Plus la corrélation est forte et plus le coefficient se rapprochera de 1 et vice versa. Selon J. R. Eastman (2004), la variable sera considérée comme acceptable si son coefficient est égal ou supérieur à 0.4, mais devra être rejetée si le coefficient est inférieur à 0.15. Malgré tout, il faut garder à l’esprit qu’une forte corrélation ne tient pas compte de la complexité des relations entre les variables.

Validation des modèles

35Pour juger la précision de la prédiction globale des changements à travers l’ensemble du paysage, ils avancent une méthode permettant de mesurer les erreurs (en % du paysage) en raison de la quantité et de l’allocation en se basant sur les résultats de la budgétisation susmentionnée (tableau 1).

Tableau 1 : Mesure des erreurs et des exactitudes

Oc : changement observé en pourcentage du paysage

Pc : changement prédit

Q : erreur en raison de la quantité des changements prédits Q = |pc – oc| = |(f+h) – (m+h)| = |f-m|

A : erreur en raison de l’allocation des changements prédits A = (f+m) – q = 2 x min (f,m)

T : erreur totale T = f+m = q + a

36L’erreur due à la quantité de changement prédite mesure le pourcentage d’imperfection de la correspondance entre la quantité de changement observée et prédite. L’erreur due à l’allocation mesure le degré d’approximation de la correspondance dans l’allocation spatiale des changements, compte tenu de la spécification de la quantité des changements dans les cartes de changements observés et prédits.

37Afin de pouvoir appliquer cette méthode, la carte des changements observés entre 1999 et 2008 et celle des changements prédits doivent être croisées. Pour y parvenir, la fonction crosstab a été utilisée générant un tableau de contingence. Cette technique sera mobilisée dans un dernier temps afin de comparer et d’estimer la qualité des deux modèles, en se focalisant sur la prédiction des plantations issue de ca-Markov et celle de lcm. La carte met en exergue quatre états : (i) les zones non prédites comme plantations, (ii) les zones prédites comme plantations par les deux modèles, (iii) les plantations exclusivement prédites par ca-Markov et (iv) les plantations uniquement prédites par lcm.

Résultats

38La matrice de Markov entre 1999 et 2008 (tableau 2) indique la probabilité en pourcentage qu’a chaque catégorie en 1999 de changer ou non pour une autre catégorie en 2008. On remarque une stabilité globale particulièrement marquée pour les plantations et l’eau. Les transitions s’opèrent de la catégorie « autre » vers fn et les plantations, et de fn vers la catégorie « autre » et plantations. Le tableau suppose qu’il y a une plus forte probabilité pour la fn de devenir « autre » que d’être convertie en monoculture (9 % contre 1 %). Cette dynamique suggère deux logiques de substitution. La première que l’on peut qualifier d’indirecte où la forêt est dégradée puis convertie en terre agricole ou simplement laissée à l’abandon, pour à terme faire l’objet d’une plantation. La deuxième qui est une substitution directe traduit un remplacement immédiat par du pin ou de l’eucalyptus. Les zones classées comme « autre » sont parfois recolonisées par de la forêt native (14 %) et seulement 4 % par des plantations.

Tableau 2 : Probabilité de transition (en %) entre les types d’occupation du sol

1999	2008
	Plantation	Forêt native	Autre	Eau
Plantation	1.00	0.00	0.00	0.00
Forêt native	0.01	0.90	0.09	0.00
Autre	0.04	0.14	0.82	0.00
Eau	0.00	0.00	0.00	1.00

Relations entre les changements observés et les variables explicatives

40Les zones ayant transité de « autre » vers des plantations industrielles ont manifestement été influencées par la proximité aux parcelles de pins ou d’eucalyptus. Cette situation peut s’expliquer par la volonté des entreprises forestières d’accroître et de concentrer leur patrimoine forestier. La substitution des forêts natives par des monocultures est liée quant à elle à la proximité aux « autres » types d’occupation du sol en 1986. Cette dernière a un effet de polarisation dans la mesure où les plantations gagnées sur les forêts natives peuvent s’étendre plus facilement sur de nouveaux espaces dépourvus de végétation native.

Tableau 3 : Relation entre les transitions observées (1986-1999) et les variables spatiales. Les valeurs retenues sont en gras. Rappel : dac = distance aux axes de communication, dzu = distance aux zones urbaines, alt = altitude, pte = pente, den = distance aux entités de même nature

		dac	dzu	alt	pte	den Plantation86	den Forêt native 86	den Autre 86
Trans. ForNat-Autre	Coef. Pearson	-0.61	0.11	-0.58	-0.69	0.10	-0.26	-0.41
	V de Cramer	0.09	0.04	0.10	0.07	0.05	0.19	0.37
Trans. ForNat-Plt	Coef. Pearson	-0.66	0.11	-0.63	-0.72	-0.14	-0.26	-0.42
	V de Cramer	0.05	0.06	0.09	0.04	0.17	0.06	0.13
Trans. Autre-Plt	Coef. Pearson	-0.58	0.11	-0.65	-0.60	-0.86	-0.71	-0.15
	V de Cramer	0.09	0.06	0.11	0.10	0.17	0.21	0.20
Trans. Autre-ForNat	Coef. Pearson	-0.58	0.12	-0.67	-0.65	-0.06	-0.49	-0.15
	V de Cramer	0.15	0.07	0.16	0.11	0.19	0.41	0.37

Comparaison visuelle et validation des modèles

41La figure 4 montre, pour 2008, l’occupation du sol observée et simulée. On remarque que la distribution des LUC a été correctement simulée, avec les forêts natives sur la Cordillère de la Côte (à l’ouest), les plantations sur la précordillère (à l’est) et la catégorie « autre » répartie sur l’ensemble de la commune. Ca-Markov et lcm sous-estiment l’expansion des monocultures, principalement dans le sud-est de la zone d’étude. L’analyse des concordances et des discordances entre les deux modèles et la carte de référence sera abordée en fin d’article.

42Si l’approche visuelle apporte des premières pistes de réflexion, son caractère subjectif nous oblige à évaluer et valider statistiquement nos modèles.

Ca-Markov - Validation

43La validation du modèle se déroule en deux étapes, en comparant d’abord l’analyse des changements prédits et observés entre 1999 et 2008, puis en se focalisant sur la catégorie des plantations.

4486 % de la persistance observée (sur un total de 90 %) entre 1999 et 2008 a été correctement prédite (N) (tableau 4 et figure 5). La prédominance de la forêt native et sa stabilité à l’échelle communale comparativement aux autres types d’occupation explique en partie ce résultat. Les erreurs en raison d’une constance observée mais prédite comme changée sont de 4 % (F), alors que les misses qui traduisent le processus inverse atteignent les 8 %. Enfin les changements observés ayant été correctement prédits par le modèle sont de 2 % (H). Le total des changements observés (OC = M + H) est de 10 % alors que les changements totaux prédits (PC = F + H) ont été sous-estimés avec 6 %. La précision de la prédiction globale des changements à travers l’ensemble du paysage est la suivante :

Erreur de quantité (Q) = |F – M| = 4 % Erreur d’allocation (A) = (F + M) - Q = 12 % Erreur totale (Q + A) = 16 %

Tableau 4 : Matrice de contingence entre les changements observés et les changements prédits (ca-Markov)

%		Changements observés 99-08
		0	1	Total
Changements prédits 99-08	0	0.86	0.08	0.94
	1	0.04	0.02	0.06
	Total	0.90	0.10	1.00

45Les taux d’exactitude et d’erreur renseignent tous les LUC confondus, mais ne donnent pas de précision pour chacune d’elles. Pour obtenir ces résultats, et à l’instar de la figure 5, un tableau de contingence à trois entrées a été calculé, avec en ligne la carte de 2008, en colonne la carte de 1999 et en troisième entrée la simulation de 2008. La validation des changements par type d’occupation du sol montre que le modèle prédit 40 % de changement (pc) pour les plantations alors que les changements réels (oc) pour cette catégorie n’ont été que de 18 %. Les erreurs dues à la quantité sont de 22 % alors que celles dues à la distribution sont nulles.

46La confrontation simulée – observée (tableau 5) exprime la concordance et la discordance spatiale des plantations. La valeur 1 représente les plantations alors que le 0 caractérise un autre type d’occupation du sol (forêt native ou « autre »). En excluant la part des autres LUC, on remarque que 57 % des plantations ont été correctement prédites par le modèle, et que par conséquent ce dernier a omis près de 43 % d’entre-elles (4207,32 ha).

47Les figures 6 et 7 traduisent cartographiquement et graphiquement le pourcentage d’exactitude et d’erreur pour les plantations. Le segment supérieur (figure 7) exprime un taux d’exactitude (N) lié à un type d’occupation du sol (autre que plantation) observé et simulé en 2008. Le résultat extrêmement élevé (91 %) s’explique par la faible part qu’occupent les plantations à l’échelle de la commune comparativement aux autres types d’occupation du sol. Le segment suivant correspond à une première erreur due à l’observation de plantations en 2008 n’ayant pas été simulées (F =3 %). Le même résultat est obtenu a contrario pour les plantations simulées mais observées comme autre (M =3 %). Enfin, 4 % du paysage a été simulé et observé comme étant des plantations (H).

Tableau 5 : Concordance et discordance spatiale des plantations (ca-Markov)

Hectares		plantation 08 observée
		non plantation	plantation	Total
plantation ca-Markov	non plantation	0.91	0.03	0.94
	plantation	0.03	0.04	0.06
	Total	0.94	0.06	1.00

Analyse des résidus (ca-Markov)

48La comparaison entre l’occupation du sol observée et simulée (tableau 6) met en exergue deux informations : (i) la part des concordances spatiales (en gris) et (ii) les résidus qui représentent les types d’occupation du sol simulés qui ne correspondent pas à l’observation. Ces informations sont également décrites par la figure 8 où les concordances sont traduites par des cylindres à rayures.

49Sur les 6,4 % de plantations simulées en 2008, 3,7 % concordent avec l’observation. Les 2,73 % restant (0,99 % de forêt native et 1,74 % de « autre ») correspondent aux résidus (ou M). Ils se localisent, pour la plupart, à proximité des plantations observées (figure 6). A contrario, les autres résidus (F) (2,02 % de « autre » et 0,71 % de forêt native) traduisent des erreurs de simulation où le modèle omet l’apparition de nouvelles plantations.

Tableau 6 : Comparaison entre l’occupation du sol observée et simulée (ca-Markov)

	Plantation	Forêt native	Autre	Eau	Total 2008 simulé
Plantation	3.67	0.99	1.74	0.00	6.40
Forêt native	0.71	59.33	4.52	0.00	64.56
Autre	2.02	2.38	24.38	0.00	28.78
Eau	0.00	0.00	0.00	0.26	0.26
Total 2008 observé	6.40	62.71	30.64	0.26	100

lcm – Validation

5079 % de la constance observée entre 1999 et 2008 a été correctement prédite (n) (tableau 7 et figure 9). L’explication est identique à celle exposée précédemment. Les erreurs en raison d’une constance observée mais prédite comme changée sont de 11 % (f), alors que les misses qui traduisent le processus inverse atteignent les 8 %. Enfin les changements observés ayant été correctement prédits par le modèle sont de 2 % (h). Le total des changements observés (oc = m + h) est de 10 % alors que les changements totaux prédits (pc = f + h) ont été sous-estimés avec 8 %. La précision de la prédiction globale des changements à travers l’ensemble du paysage est la suivante :

51Erreur de quantité (q) = |f – m| = 3 % Erreur d’allocation (a) = (f + m) – q = 16 % Erreur totale (q + a) = 19 %

Tableau 7 : Matrice de contingence entre les changements observés et les changements prédits (lcm)

%		Changements observés 99-08
		0	1	Total
Changements prédits 99-08	0	0.79	0.08	0.87
	1	0.11	0.02	0.13
	Total	0.90	0.10	1.00

53De la confrontation entre les plantations réellement observées et prédites (tableau 8) découle une concordance spatiale de 3 %. En excluant la part des autres LUC, cette concordance atteint les 50 %. En effet, lcm a simulé autant de plantations qu’elle en a omises (4903,02 ha contre 4903,20 ha).

54Les erreurs remarquables dans les figures 10 et 11 correspondent à la part des plantations observées mais n’ayant pas été simulées en tant que telles (f = 3 %), et la part des plantations simulées mais observées comme autres (m = 3 %). Le taux d’exactitude pour les plantations observées et celles prédites atteint également les 3 % (h sur le graphique). Enfin la plus forte concordance (90 %) exprime les autres catégories d’occupation du sol, d’où le taux élevé d’exactitude (n sur le graphique).

Tableau 8 : Concordance et discordance spatiale des plantations (lcm)

Hectares		plantation 08 observée
		non plantation	plantation	Total
plantation lcm	non plantation	0.90	0.03	0.94
	plantation	0.03	0.03	0.06
	Total	0.94	0.06	1.00

Analyse des résidus (lcm)

55Comme pour l’analyse des résidus (ca-Markov), la part des concordances spatiales est surlignée en gris et le reste correspond aux résidus. Sur les 6,4 % de plantations simulées en 2008, 3,2 % concordent avec l’observation (tableau 9). Les 3,2 % restant (0,92 % de forêt native et 2,26 % de « autre ») correspondent aux résidus (ou M). Contrairement à ca-Markov, ils se répartissent de manière diffuse et fragmentée sur le piémont sans aucune relation de proximité avec des plantations existantes, et apparaissent plus homogènes au sud et à l’ouest de la commune (figure 10). A contrario, les autres résidus (F) (1,90 % de « autre » et 1,28 % de forêt native) traduisent des erreurs de simulation où le modèle omet l’apparition de nouvelles plantations.

Tableau 9 : Comparaison entre l’occupation du sol observée et simulée (lcm)

	Plantation	Forêt native	Autre	Eau	Total 2008 simulé
Plantation	3.22	0.92	2.26	0.00	6.40
Forêt native	1.28	55.94	7.34	0.00	64.56
Autre	1.90	5.85	21.04	0.00	28.78
Eau	0.00	0.00	0.00	0.26	0.26
Total 2008 observé	6.40	62.71	30.64	0.26	100

Des espaces à enjeux

56La figure 13 exprime la congruence entre plantations observées et simulées par les deux modèles ainsi que chacun des modèles pour 2008. Les deux modèles prédisent les plantations réellement observées de la même manière – 4 504,7 hectares, soit 45,6 %. Pris isolément, ca-Markov génère des résultats plus proche de la réalité que lcm avec 5 672,3 ha (57,4 %) contre 4 976,5 ha (50,4 %) (figure 14). A contrario, les erreurs induites par la simulation de « non plantation » par les deux modèles mais observées comme plantation s’élèvent à 3 735,45 ha (en rose sur la figure 13). Les erreurs communes aux deux modèles se chiffrent à 639,5 ha, alors qu’individuellement ca-Markov compte 4 212,5 ha de surestimation et lcm 4 903,2 ha (en dégradé de bleu). Ces erreurs apportent une dimension non négligeable quant à l’évolution future des monocultures. Bien que ces zones ne soient pas réellement observables elles représentent des aires potentielles pour de nouvelles plantations. Si la plupart d’entre-elles se situent sur la précordillère, on remarque que certaines (lcm) occupent des zones totalement isolées mais prédites malgré tout en tenant compte du panel de variables explicatives.

Discussion et conclusion

57Malgré des quantités proches de la réalité, les modèles présentent, dans l’ensemble, des difficultés à prédire les changements entre 1999 et 2008 ; toutefois ils confirment les tendances d’évolution. En effet, l’analyse des changements, aussi bien à l’échelle du paysage qu’au niveau des plantations prises isolément, met en exergue des résultats intéressants mais qu’il convient de nuancer. Ceci est imputable à la part importante de la constance observée et simulée, 86 % pour ca-Markov et 79 % pour lcm à l’échelle du paysage.

58Néanmoins, la comparaison des plantations observées et simulées en 2008 donnent des résultats acceptables quant à l’allocation spatiale. Si lcm prédit autant de plantations qu’il en omet, ca-Markov affiche des résultats plus proches de l’observé. En excluant les zones observées comme « autre » et simulées comme « autres » qui « écrasent », une fois de plus, les résultats par leur surface, les deux modèles affichent des pourcentages de prédictions correctes équivalents aux pourcentages d’erreurs (sauf pour ca-Markov dont les pourcentages d’exactitude sont supérieurs aux erreurs). L’observation des erreurs (observé comme autre – simulé comme plantation) révèle que celles-ci se localisent à proximité des plantations réellement observées pour ca-Markov, et de façon aléatoire pour lcm. À l’échelle du paysage les erreurs d’allocations spatiales issues de lcm ont été nettement supérieures à celles de ca-Markov.

59L’analyse comparative des deux modèles avec la simulation observée indique que les plantations prédites par ca-Markov ont un taux de concordance plus élevé que celles simulées par lcm. La simulation des catégories d’occupation du sol par une approche supervisée (ca-Markov) permet de générer des cartes plus réalistes. Les cartes d’aptitude générées par le modélisateur optimisent la probabilité des changements contrairement à lcm qui se base sur les probabilités de transitions. Ce dernier fait cependant émerger des zones potentielles de plantations qui ne seraient pas apparues si l’on avait privilégié exclusivement une approche experte. Une critique commune aux deux modèles peut être avancée dans la mesure où l’établissement de nouvelles plantations, de même que les ruptures, n’ont pas été anticipées.

60La limite des modèles se trouve principalement dans la disponibilité des données mobilisées. Malgré tout certains auteurs ont montré que l’ajout de données supplémentaires pouvait être limité par leur nature non quantifiable et leur indisponibilité en format digital (Schneider, Pontius, 2001). La complexité du système forestier dans la commune de San Juan de la Costa ne peut effectivement se résumer à un nombre restreint de facteurs. Aux variables utilisées s’ajoutent des facteurs explicatifs dont la spatialisation est difficile à mettre en œuvre voire impossible. Nos entretiens ont permis d’identifier des facteurs politiques et institutionnels (pauvreté, chômage, conflits, coût de la terre, etc.), des facteurs démographiques (migration, distribution de la population), des facteurs culturels (consommation des ménages) et des facteurs économiques (coût du travail et du capital).

61La question qui se pose alors est de savoir à quel degré de complexité (induit par la quantité de variables incluses dans les modèles) le modélisateur et le modèle se limitent-ils. De même que la prise en compte de la totalité hypothétique des variables explicatives permettrait-elle une précision optimale de la prédiction ? L’importance avérée du régime foncier sur la dynamique des plantations nous amène à accorder une part plus conséquente aux propriétés des entreprises forestières. Des données foncières digitalisées seront intégrées à notre modèle afin d’améliorer l’allocation spatiale des monocultures.

62La validation de ces modèles constitue une première étape à la modélisation prospective des plantations industrielles à l’horizon 2017. Bien que ca-Markov présente des résultats plus concluants que lcm et semble être à même de mieux prendre en compte les tendances d’évolution, ce dernier, de par son caractère non-supervisé (boîte noire), pourrait être plus adapté pour simuler des scénarii contrastés en restant totalement indépendant de la connaissance des experts. L’élaboration d’images issues de scénarii prospectifs tendanciels et contrastés favorisera l’identification de zones à enjeux socio-environnementaux concernant d’une part le milieu de vie des communautés indigènes mapuches et d’autre part la préservation des forêts natives.