l’intégration des savoirs locaux en écologie
Post on 18-Jun-2022
4 Views
Preview:
TRANSCRIPT
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
top related