l’intégration des savoirs locaux en écologie

L’intégration des savoirs

locaux en écologie

Colloque annuel de la

Chaire AFD

Par Annie Claude Bélisle

1er décembre 2016, Rouyn-Noranda

Les savoirs écologiques locaux (SEL)

1- Qu’est-ce que c’est?

2- Pourquoi les considérer en

recherche?

3- Comment les intégrer en écologie

et en modélisation?

2

Plan

Les savoirs écologiques locaux (SEL)

1- Qu’est-ce que c’est?

2- Pourquoi les intégrer en recherche?

3- Comment les intégrer en écologie

et en modélisation?

3

Plan

Les savoirs écologiques

locaux (SEL)

Propres à un lieu

Détenus par un groupe

spécifique de personnes

Concernent les organismes

vivants et les relations avec

leur environnement.

SET Traditionnels

SEA Autochtones

Olsson et Folke (2001)

Berkes et Folke (2002)

Davis et Wagner (2003)

4

Les savoirs écologiques

locaux (SEL)

Typologie

Type 1

Sur l’environnement

•Observations

•Inférences

Type 2

Sur l’utilisation

Type 3

Sur les valeurs qui lui sont

accordées

Type 4

Rela

tifs

au s

yst

èm

e d

e

connais

sances

Type 3

•Relatifs aux valeurs

•Ce qu’il devrait...

5

Usher (2000)

Recherche et SEL

http://www.nnsl.com/

Agroécosystèmes

Écosystèmes

arctiques Pêche et stocks

de poissons

6

Berkes (2012)

Sillitoe (1998)

Inlglis(1993)

Usher (2000)

http://www.nnsl.com/

7

Local- traditional- indigenous-

ecological knowledge

Web of Knowledge (1995-2014)

Les savoirs écologiques locaux (SEL)

1- Qu’est-ce que c’est?

2- Pourquoi les intégrer en

recherche?

3- Comment les intégrer en écologie

et en modélisation?

8

Plan

Fonctions

Substantives (Données)

Normatives (légitimité)

Instrumentales (développement)

Urgence

Peu coûteux

Profondeur

temporelle

Gestion locale

des ressources

Autonomisation

Blackstock, Kelly et Horsey (2007)

Contexte

interculturel

Mode de création

des connaissances

9

Les savoirs écologiques locaux (SEL)

1- Qu’est-ce que c’est?

2- Pourquoi les intégrer en recherche?

3- Comment les intégrer en écologie

et en modélisation?

10

Plan

Comment ?

La manière

ENJEU 1 Niveau d’intégration

ENJEU 2 Valeur scientifique

Les moyens

ENJEU 3 Élicitation

ENJEU 4 Modèles

11

La manière

ENJEU 1 Niveau d’intégration

ENJEU 2 Valeur scientifique

Les moyens

ENJEU 3 Élicitation

ENJEU 4 Modèles

12

Comment ?

Définir les objectifs /

hypothèses

Élaborer le modèle conceptuel

Fournir les données

Élaborer des scénarios

Analyse des résultats

Révision par les pairs

Enjeu 1 niveau

d’intégration À quelles étapes

intégrer les SEL ?

Ça dépend

1- des objectifs

2- Du type de SEL

13

Kruger et al 2012

Définir les objectifs /

hypothèses

Élaborer le modèle conceptuel

Fournir les données

Élaborer des scénarios

Analyse des résultats

Révision par les pairs

À quelles étapes

intégrer les SEL ?

Ça dépend

1- des objectifs

2- Du type de SEL

Substantives (Données)

Urgence

Peu coûteux

Profondeur

temporelle

14

Enjeu 1 niveau

d’intégration

Définir les objectifs /

hypothèses

Élaborer le modèle conceptuel

Fournir les données

Élaborer des scénarios

Analyse des résultats

Révision par les pairs

À quelles étapes

intégrer les SEL ?

Ça dépend

1- des objectifs

2- Du type de SEL

Instrumentales (développement)

Gestion locale

des ressources

Autonomisation

15

Enjeu 1 niveau

d’intégration

Science participative Lynam et al 2010

16

Objectif: Améliorer la qualité de l’eau

Méthode : Modèle alimenté par données

empiriques

Parties-

prenantes Chercheurs

• Objectifs

• Modèle conceptuel

• Interprétation

• Recpmmandations

• Collecte de données

• Programmation

• Test des hypothèse

Équipe de recherche : Participative

La manière

ENJEU 1 Niveau d’intégration

ENJEU 2 Valeur scientifique

Les moyens

ENJEU 3 Élicitation

ENJEU 4 Modèles

17

Comment ?

Enjeu 2 Valeur scientifique

Données expérimentales

• Systématiques

• Échantilonnage reproductible

• Validation

Modèle écologique

Information “scientifique” • Incertitude

• Portée spatiale et temporelle

• Limites identifiées et discutées

scénarios

SEL (utilisation)

• de l’environnement •Théories

•Concepts

•Statistiques

SEL (relations)

•Inférences

•conceptions

SEL (données)

• Observations

• Inférences

Valider?

Déterminer la portée

et le sens

18

L’importance de l’interdisciplinarité

19

Enjeu 2 La valeur scientifique

20

Liedloff et al (2013)

L’importance de l’interdisciplinarité

21

La manière

ENJEU 1 Niveau d’intégration

ENJEU 2 Valeur scientifique

Les moyens

ENJEU 3 Élicitation

ENJEU 4 Modèles

22

Comment ?

Enjeu 3 Élicitation

Le processus utilisé pour recueillir les avis d'experts,

ou les SEL, et en mesurer l'incertitude. (Choy, O'Leary et Mengersen, 2009).

A. Outils de collecte

B. Choix des répondants

C. Nombre de répondants

D. Compilation

E. Incertitudes et biais

Design

Kuhnert et al (2010)

Davis et Wagner 2003

Ayyub (2001)

Spetzler et Stael von Holstein (1975)

23

Problème fréquent:

Informations absentes!!!

Enjeu 3 Élicitation

Le processus utilisé pour recueillir les avis d'experts,

ou les SEL, et en mesurer l'incertitude. (Choy, O'Leary et Mengersen, 2009).

A. Outils de collecte (13)

B. Choix des répondants (10)

C. Nombre de répondants (9)

D. Compilation (6)

E. Incertitudes et biais (5)

Design

Kuhnert et al (2010)

Davis et Wagner 2003

Ayyub (2001)

Spetzler et Stael von Holstein (1975)

24

Sur 16 études recensées:

2 rapportaient toutes ces

informations

La manière

ENJEU 1 Niveau d’intégration

ENJEU 2 Valeur scientifique

Les moyens

ENJEU 3 Élicitation

ENJEU 4 Modèles

Revue de la littérature

25

Comment ?

Enjeu 4 Modèles

Modèles flous basés sur des règles (MFBR)

Réseaux bayésiens

3 critères

2- Traitement de données qualitatives

3- Utiles pour la recherche en écologie

1- Plateforme d’intégration des SEL

Avis d’experts ++ développés

26

Enjeu 4 Modèles A) MFBR

http://www.ferdinandpiette.com/

?

27

Mackinson (2000)

Yager et Filev (1994)

SI couleur = bleu

ALORS fruit = bleuet

SI couleur = jaune

ALORS fruit = banane

SI couleur =0,8 jaune ET 0,2 bleu

ALORS fruit = banane

Enjeu 4 Modèles B) Réseaux bayésiens

Variable fixe

Incertitude: 95%

des chances que

la valeur estimée

soit à l’intérieur

de IC

Variable aléatoire

Incertitude: distribution

de probabilité

Fréquentiste Probabiliste

28

Aguilera et al (2011)

Albert et al (2011)

Boreux et al (2010)

Enjeu 4 Modèles B) Réseaux bayésiens

Variable fixe

Incertitude: 95%

des chances que

la valeur estimée

soit à l’intérieur

de IC

Variable aléatoire

Incertitude: distribution

de probabilité

Fréquentiste Probabiliste

P(A): Prior (compréhension intitiale)

29

Aguilera et al (2011)

Kuhnert et al (2010)

Boreux et al (2010)

4 problèmes 4 solutions

Analyse et conclusion

30

1. Cohérence entre objectifs et

niveau d’intégration

Outils de la science

participative

2.Valeur scientifique Démarche interdisciplinaire

(étude du syst. de connaissances)

3. Rigueur du design

d’élicitation Méthodologie precise,

détaillée et rigoureuse

4. Choix du modèle Outils développés pour

considerer les avis d’experts

Quelques projets en cours

31

Les savoirs locaux

32

vs scientifiques

Merci

33

Références Aguilera, PA, A Fernández, R Fernández, R Rumí et A Salmerón. 2011. «Bayesian networks in environmental modelling».

Environmental Modelling & Software, vol. 26, no 12, p. 1376-1388.

Albert, Jim. 2009. Bayesian computation with R: Springer Science & Business Media p.

Ayyub, Bilal M. 2001. Elicitation of expert opinions for uncertainty and risks: CRC press p.

Barber, M, et S Jackson. 2015. «‘Knowledge Making’: Issues in Modelling Local and Indigenous Ecological Knowledge». Human ecology, vol. 43, no 1, p. 119-130.

Berkes, Fikret. 2012. Sacred ecology: Routledge p.

Berkes, Fikret, et Carl Folke. 2002. «Back to the future: ecosystem dynamics and local knowledge». Panarchy: Understanding transformations in human and natural systems, p. 121-146.

Biernacki, Patrick, et Dan Waldorf. 1981. «Snowball sampling: Problems and techniques of chain referral sampling». Sociological methods & research, vol. 10, no 2, p. 141-163.

Blackstock, KL, GJ Kelly et BL Horsey. 2007. «Developing and applying a framework to evaluate participatory research for sustainability». Ecological economics, vol. 60, no 4, p. 726-742.

Blaikie, Piers. 2006. «Is small really beautiful? Community-based natural resource management in Malawi and Botswana». World development, vol. 34, no 11, p. 1942-1957.

Blaikie, Piers, Katrina Brown, Michael Stocking, Lisa Tang, Peter Dixon et Paul Sillitoe. 1997. «Knowledge in action: local knowledge as a development resource and barriers to its incorporation in natural resource research and development». Agricultural systems, vol. 55, no 2, p. 217-237.

Boreux, Jean-Jacques, Éric Parent et Jacques Bernier. 2010. Pratique du calcul bayésien. Paris, 333 p.

Callon, Michel. 1999. «The role of lay people in the production and dissemination of scientific knowledge». Science Technology & Society, vol. 4, no 1, p. 81-94.

Davis, Anthony, et Kenneth Ruddle. 2010. «Constructing confidence: rational skepticism and systematic enquiry in local ecological knowledge research». Ecological applications, vol. 20, no 3, p. 880-894.

34

Davis, Anthony, et John R Wagner. 2003. «Who knows? On the importance of identifying “experts” when researching local

ecological knowledge». Human ecology, vol. 31, no 3, p. 463-489.

Ericksen, Polly, et Georgina Cundill. 2005. «Using Multiple Knowledge Systems: Benefits and Challenges». In Ecosystems and

Human Well-Being, Island Press, p. 85-117. Washington, DC: Millenium Ecosystem Assessment.

Garcìa-Quijano, Carlos G. 2007. «Fishers' knowledge of marine species assemblages: bridging between scientific and local

ecological knowledge in Southeastern Puerto Rico». American Anthropologist, vol. 109, no 3, p. 529-536.

Gardner, W Payton, Glenn A Harrington, D Kip Solomon et Peter G Cook. 2011. «Using terrigenic 4He to identify and quantify

regional groundwater discharge to streams». Water Resources Research, vol. 47, no 6.

Gilchrist, Grant, Mark Mallory et Flemming Merkel. 2005. «Can local ecological knowledge contribute to wildlife management?

Case studies of migratory birds». Ecology and Society, vol. 10, no 1, p. 20.

Grant, Sandra, et Fikret Berkes. 2007. «Fisher knowledge as expert system: A case from the longline fishery of Grenada, the

Eastern Caribbean». Fisheries Research, vol. 84, no 2, p. 162-170.

Henriksen, Hans Jørgen, Per Rasmussen, Gyrite Brandt, Dorthe Von Buelow et Finn V Jensen. 2007. «Public participation

modelling using Bayesian networks in management of groundwater contamination». Environmental Modelling & Software,

vol. 22, no 8, p. 1101-1113.

Huntington, Henry P. 2000. «Using traditional ecological knowledge in science: methods and applications». Ecological

applications, vol. 10, no 5, p. 1270-1274.

Inglis, Julian. 1993. Traditional ecological knowledge: Concepts and cases: IDRC p.

Jackson, S, M Finn, E Woodward et P Featherston. 2011. Indigenous socio-economic values and river flows: CSIRO Ecosystem

Sciences, Darwin, NT. ISBN p.

Krueger, Tobias, Trevor Page, Klaus Hubacek, Laurence Smith et Kevin Hiscock. 2012. «The role of expert opinion in

environmental modelling». Environmental Modelling & Software, vol. 36, p. 4-18.

Kuhnert, Petra M, Tara G Martin et Shane P Griffiths. 2010. «A guide to eliciting and using expert knowledge in Bayesian

ecological models». Ecology Letters, vol. 13, no 7, p. 900-914.

Liedloff, AC, EL Woodward, GA Harrington et Sue Jackson. 2013. «Integrating indigenous ecological and scientific hydro-

geological knowledge using a Bayesian Network in the context of water resource development». Journal of Hydrology, vol.

499, p. 177-187.

35

36

Lynam, Tim, John Drewry, Will Higham et Carl Mitchell. 2010. «Adaptive modelling for adaptive water quality management in the Great Barrier Reef region, Australia». Environmental Modelling & Software, vol. 25, no 11, p. 1291-1301.

Mackinson, Steven. 2001. «Integrating local and scientific knowledge: an example in fisheries science». Environmental Management, vol. 27, no 4, p. 533-545.

Mackinson, Steven. 2000. «An adaptive fuzzy expert system for predicting structure, dynamics and distribution of herring shoals». Ecological Modelling, vol. 126, no 2, p. 155-178.

Martin, Tara G, Mark A Burgman, Fiona Fidler, Petra M Kuhnert, Samantha Low Choy, Marissa McBride et Kerrie Mengersen. 2012. «Eliciting expert knowledge in conservation science». Conservation biology, vol. 26, no 1, p. 29-38.

Mendoza, Guillermo A, et Ravi Prabhu. 2006. «Participatory modeling and analysis for sustainable forest management: Overview of soft system dynamics models and applications». Forest Policy and Economics, vol. 9, no 2, p. 179-196.

McGregor, Sandra, Violet Lawson, Peter Christophersen, Rod Kennett, James Boyden, Peter Bayliss, Adam Liedloff, Barbie McKaige et Alan N Andersen. 2010. «Indigenous wetland burning: conserving natural and cultural resources in Australia’s World Heritage-listed Kakadu National Park». Human ecology, vol. 38, no 6, p. 721-729.

Miller, Thaddeus R, Timothy D Baird, Caitlin M Littlefield, Gary Kofinas, F Stuart Chapin III et Charles L Redman. 2008. «Epistemological pluralism: reorganizing interdisciplinary research». Ecology and Society, vol. 13, no 2, p. 46.

Müller, Birgit, Anja Linstädter, Karin Frank, Michael Bollig et Christian Wissel. 2007. «Learning from local knowledge: modeling the pastoral-nomadic range management of the Himba, Namibia». Ecological applications, vol. 17, no 7, p. 1857-1875.

Oliver, David M, Rob D Fish, Michael Winter, Chris J Hodgson, A Louise Heathwaite et Dave R Chadwick. 2012. «Valuing local knowledge as a source of expert data: farmer engagement and the design of decision support systems». Environmental Modelling & Software, vol. 36, p. 76-85.

Olsson, Per, et Carl Folke. 2001. «Local ecological knowledge and institutional dynamics for ecosystem management: a study of Lake Racken watershed, Sweden». Ecosystems, vol. 4, no 2, p. 85-104.

Özesmi, Uygar, et Stacy L Özesmi. 2004. «Ecological models based on people’s knowledge: a multi-step fuzzy cognitive mapping approach». Ecological Modelling, vol. 176, no 1, p. 43-64.

knowledge in environmental assessment and management». Arctic, p. 183-193.

Neuman, William Lawrence. 2005. Social research methods: Quantitative and qualitative approaches: Allyn and Bacon Boston p.

Rajaram, T, et Ashutosh Das. 2010. «Modeling of interactions among sustainability components of an agro-ecosystem using local knowledge through cognitive mapping and fuzzy inference system». Expert systems with applications, vol. 37, no 2, p. 1734-1744.

Rajaram, T, et Ashutosh Das. 2008. «A methodology for integrated assessment of rural linkages in a developing nation». Impact Assessment and Project Appraisal, vol. 26, no 2, p. 99-113.

Reid, WV. 2006. «Bridging scales and epistemologies in the Millennium Ecosystem Assesment». Bridging scales and knowledge systems. Concepts and Applications in Ecosystem Assessment. Island Press. Washington.

Sillitoe, Paul. 1998. «The development of indigenous knowledge: a new applied anthropology 1». Current

anthropology, vol. 39, no 2, p. 223-252.

Spetzler, Carl S, et Carl-Axel S Stael von Holstein. 1975. «Exceptional Paper-Probability Encoding in Decision

Analysis». Management Science, vol. 22, no 3, p. 340-358.

Usher, Peter J. 2000. «Traditional ecological Belt, Marjan. 2004. Mediated modeling: a system dynamics approach

to environmental consensus building: Island press p

Van den Neuman, William Lawrence. 2005. Social research methods: Quantitative and qualitative approaches:

Allyn and Bacon Boston p.

Voinov, Alexey, et Francois Bousquet. 2010. «Modelling with stakeholders». Environmental Modelling & Software,

vol. 25, no 11, p. 1268-1281.

Yager, Ronald R, et Dimitar P Filev. 1994. «Essentials of fuzzy modeling and control». New York.

Yamada, Kuniko, Jane Elith, Michael McCarthy et Andre Zerger. 2003. «Eliciting and integrating expert knowledge

for wildlife habitat modelling». Ecological Modelling, vol. 165, no 2, p. 251-264.

37

1992- ONU - Convention sur la

biodiversité

1999 – UNESCO- Déclaration sur

la science et l'utilisation du

savoir scientifique

2005 – ONU - L'évaluation des

écosystèmes pour le millénaire Local- traditional- indigenous-

ecological knowledge

Web of Knowledge (1995-2014)

SEL, recherche et

modélisation

38

Enjeu 1 Modélisation

participative

Lynam et al 2010

39

Mettre en évidence

distinction tâches

discrétionnaires /

empiriques/programmat

ion.

Enjeu 2 Interdisciplinarité

40

Liedloff et al (2013)

Enjeu 2 Interdisciplinarité

41

42

Enjeu 3 Élicitation B) Choix des répondants

Descendant Ascendant

Sélection à partir d’une

population

Permet échantillonnage

aléatoire

Pas dirigé vers les détenteurs

de connaissances

Critères •Expérience

•Fonction

•Connaissances

•Âge

•Fonction

•Représentativité (si parties-

prenantes)

Un échantillon initial réfère

les chercheurs

Chaînes de référence : info

sur le système de

connaissances

Mixte

43

Neuman (2005)

Davis et Wagner (2003)

Biernacki et Waldorf (1981)

Enjeu 3 Élicitation C) Nombre de répondants

Équilibre entre quantité et qualité

Dépend du traitement statistique

0 2 4 6 8 10

nom

bre

d'in

form

atio

ns

nombre de répondants

44

Özesmi et Özesmi (2004)

Enjeu 3 Élicitation D) Biais et incertitude

Biais :

« irrégularités conscientes et inconscientes

entre les réponses d'un sujet et une

description adéquate de ses connaissances

sous-jacentes »

Incertitude :

1er ordre

• Sur une mesure/ estimation d’une

quantité

2e ordre

• Épistémique

• Incertitude sur l’incertitude

Ex de Contrôle

•Recours à plusieurs

experts/triangulation

•Répétition

•Comparaison

communautés

•Neutralité

•Entraînement

/conscientisation

•Validation

•Calibration

45

Ayyub (2001)

Kuhnert et al (2010)

Enjeu 3 Élicitation E) Compilation

Consensus

Fréquence

Pondération

Indicateur d’incertitude

46

Enjeu 4 Modèles

Temperature de l’eau

Qualité

Taille gras

Qualité de l’eau

Taux de récolte

B) Réseaux bayésiens

47

Boreux et al (2010)

P(A

)0 20 40 60 80 100

0.00

0.04

0.08

nombre de gros poissons

P(A

|B)

0 20 40 60 80 100

0.00

0.04

0.08

Enjeu 4 Modèles

Kuhnert et al (2010)

Spetzler et Stael von Holstein (1975)

a Quelles sont les probabilités que vous

attrapiez ce nombre de gros poissons / 100 ?

0 25 50 75 100

Combien de gros poissons attrappez-vous

lors de:

•vos pires pêches

•une pêche moyenne

•vos meilleures pêches

B) Réseaux bayésiens

48

Les savoirs écologiques

locaux (SEL)

Typologie

Type 1

Sur l’environnement

•Observations

•Inférences

Type 2

Sur l’utilisation

Type 3

Sur les valeurs qui lui sont

accordées

Type 4

Rela

tifs

au s

yst

èm

e d

e

connais

sances

Type 3

•Relatifs aux valeurs

•Ce qu’il devrait...

49

Usher (2000)

Les savoirs locaux

50

vs scientifiques

Qui a gagné ?

51

1. En se positionnant quant aux raisons pour lesquelles on

mobilise les SEL et en assurant un niveau d'intégration qui

soit conséquent.

Comment?

52

Enjeu 1 niveau

d’intégration

Comment?

2. En adoptant une approche interdisciplinaire et en

traitant les aspects écologiques et sociaux, inhérents à la

démarche, avec profondeur et pertinence.

53

Miller et al (2008)

Reid (2006)

Enjeu 2 Valeur scientifique

Comment?

3. En adoptant un design d'élicitation systématique,

rigoureux et transparent.

Enjeu 3 Élicitation

54

Science participative

Outils développés en sciences de la gestion

Parties–prenantes

Chercheur devient accompagnateur

La modélisation implique des

décisions subjectives

55

Voinov et Bousquet (2010)

Van den Belt (2004)

Ethnologie (anthropologie culturelle)

Étude du système de connaissances

Savoir vs anecdote

Observation vs inférence

Comment une observation devient un savoir ?

Comment les savoirs sont-ils distribués?

Transmission d’une génération à l’autre

Dynamisme (expériences individuelles+ interactions

avec d’autres cultures)

56

Davis et Ruddle (2010)

Davis et Wagner (2003)

Usher (2000)

Enjeu 2 Valeur scientifique

Enjeu 4 Modèles A) LBFM

Qualité taille, gras

Taille Gras

petit moyen grand absent présent

Petit:0

Moyen 0,6

Grand : 0,4

57

Enjeu 4 Modèles A) LBFM

Qualité taille, gras

IF taille petit

OR gras absent

THEN mauvaise qualité

IF taille moyen

AND gras présent

THEN bonne qualité

IF taille grand

AND gras présent

THEN bonne qualité

0

0,2

0,4

0,6

0,8

1

1 2 3 4

mauvaise bonne

Indice de qualité

appart

enance

Mauvaise: 0,2

Bonne: 0,8

58

Enjeu 4 Modèles B) Réseaux bayésiens

P(A

)

0 20 40 60 80 100

0.00

0.04

0.08

nombre de gros poissons

P(A

|B)

0 20 40 60 80 100

0.00

0.04

0.08

P(A) probabilité de pêcher x gros poissons

pour une récolte de 100 possions

P(A

)

0 20 40 60 80 100

0.00

0.04

0.08

nombre de gros poissons

P(A

|B)

0 20 40 60 80 100

0.00

0.04

0.08

Données

expérimentales

P(B|A) Mise en commun des avis

d’experts et des données

expériementales

59

Comment?

4. En faisant appel aux outils de modélisation qui

permettent l'intégration d'avis d'experts.

Enjeu 4 Modèles

60

Barber et Jackson (2015)

Krueger et al (2012)

SEL, recherche et

modélisation

http://www.nnsl.com/

Gestion des ressources Blaikie (1997, 2006)

Études d’impacts Ericksen et Cundill (2005)

Recherche fondamentale Callon (1999)

Modélisation Barber et

Jackson (2015)

Simplification /abstraction

Scenarios / projections

Outil de communication

61