Modéliser les causes de la déforestation et identifier les zones à risque pour mieux cibler les politiques
Déterminer, d’une part, la pression humaine sur la forêt et localiser, d’autre part, les zones potentiellement impactées, tel est l’objectif d’une nouvelle approche de modélisation de la déforestation en Guyane, détaillée dans un article récent publié par Global Change Biology.
La modélisation de la déforestation s’appuie généralement sur des cartographies très précises des zones soumises à une forte pression des populations. Si certaines approches ont intégré des facteurs explicatifs d’ordre économique, concilier des paramètres de spatialité (micro versus macro) et de temporalité (court terme versus long terme) différentes pose de nombreux problèmes méthodologiques. Le modèle présenté résout ce dilemme en couplant un modèle géospatial de la déforestation, à l’échelle du pixel d’observation (permettant de simuler les zones à risque en matière de déforestation), et des sous-modèles macroéconomiques, visant à expliciter les phénomènes socio-économiques à l’origine de la déforestation.
Diagramme général de fonctionnement du modèle de déforestation en Guyane
Source : Global Change Biology
Ces derniers sont zonés de façon à isoler chaque facteur prépondérant, permettant une approche régionalisée de la pression de déforestation. Trois zones ont ainsi été déterminées, obéissant chacune à des logiques différentes et à un sous-modèle spécifique : la région côtière, au nord, concentrant l’essentiel de la population et des défrichements à des fins agricoles ; la zone aurifère où la déforestation dépend essentiellement de la production d’or ; le domaine forestier permanent (forêts domaniales) où la pression provient de l’exploitation forestière. Cette spécialisation territoriale est rendue nécessaire par les temporalités différentes qui régissent la déforestation induite : de court terme dans le cas de la production d’or, à plus long terme pour les défrichements sous la pression démographique.
Au vu des simulations rétrospectives, ce type de modèle paraît robuste à la fois à un niveau local et à une échelle plus macro-économique. Il offre de nouvelles perspectives pour guider les politiques en faveur de la déforestation, notamment dans le cadre des programmes REDD+. Toutefois, l’application de cette méthode à d’autres territoires dépend fortement de l’accès à des données annuelles spatialisées de déforestation, mais aussi de la capacité à réaliser un zonage socio-économique, pour en identifier au plus près les facteurs.
Muriel Mahé, Centre d’études et de prospective
Source : Global Change Biology
