Ce que nous ne simulons pas, et pourquoi

Outils non implémentés (refus assumés)

Faute de données ou de méthode défendable, ces analyses ne sont pas proposées. Les implémenter quand même reviendrait à produire des résultats faussement rigoureux.

• Prédiction de présence d’espèces non observées

  Sans modèle de niche bioclimatique calibré (température, précipitations, altitude — données CHELSA / WorldClim non ingérées dans Ontologia), prédire la présence d'une espèce qui n'a pas été observée dans une commune relève de la spéculation. Ce serait du Species Distribution Modeling (MaxEnt, Random Forest), un projet de recherche à part entière qui demande validation empirique sur communes témoins.

• Effet d’une espèce invasive future ou non documentée

  Les conséquences d'une invasion ne se déduisent pas des seules interactions documentées d'une espèce : il faut un modèle de dynamique de population, de compétition de niche, de dispersion. Aucune de ces composantes n'est dans nos données.

• Réintroduction réussie

  Une réintroduction nécessite des modèles de viabilité de population (PVA), de capacité de charge du milieu, de connectivité avec d'autres populations. Ontologia documente la structure d'interactions, pas la démographie.

• Adaptation au changement climatique

  Les réponses des espèces au climat futur impliquent évolution, plasticité phénotypique, déplacement d'aire de répartition. Aucun modèle évolutif ni climatique n'est intégré.

• Effet d’un pesticide ou d’une pollution chimique

  Les données de toxicité par espèce, les interactions avec le métabolisme, les seuils écotoxicologiques ne sont pas dans Ontologia. Ce serait croiser avec des bases comme PPDB, ECOTOX EPA — non ingéré.

• Reconnexion de corridors écologiques

  Sans données spatiales fines (Trame verte et bleue régionale, modèles de moindre coût de déplacement, occupation du sol haute résolution), on ne peut pas évaluer la qualité d'un corridor.

Biais et limites communs à tous les scénarios

Ces biais sont hérités des données sources. Ils se manifestent dans tous les outils mais à des degrés variables selon la sensibilité de chaque méthode.

• Biais de publication GloBI (pharma / agro)

  Les interactions documentées sont biaisées vers : parasitism / pathogen sur mammifères (recherche zoonoses), herbivory sur insectes phytophages (entomologie agronomique). Mutualisms et interactions sol-microbiote sont sous-cités. Conséquence : les arêtes parasitism / herbivory sont sur-représentées dans tous les scénarios. Détails : /methodologie §10.1.

• Biais d’inventaire géographique

  Paris a 6 600 espèces recensées parce qu'inventorié massivement. Une commune rurale peut en avoir 1 500 réelles mais 500 documentées. Tous les scénarios sont donc sur-réactifs sur les hotspots urbains et sous-réactifs sur le rural sous-prospecté.

• Pas de dimension temporelle (saisonnalité, années)

  Les variations saisonnières (migration, floraison, cycle de vie) et les tendances inter-annuelles ne sont pas modélisées. Une espèce migratrice présente 3 mois compte autant qu'une espèce résidente.

• Pas de spatialisation fine (commune entière)

  L'unité spatiale est la commune. Une grande commune (Paris) intègre des milieux très divers (Seine, parcs, friches) que le scénario ne distingue pas. Pour un sous-territoire (un quartier), les résultats sont approximatifs.

• Force d’interaction approximative (occurrence_count)

  L'épaisseur des arêtes reflète le nombre de fois qu'une interaction a été RAPPORTÉE dans la littérature. Une étude pharma rapportant 1000 tiques sur 1 renard pèse autant que 1000 observations citoyennes opportunistes — sans correction possible faute de metadata study-level GloBI.

• Backbone disparity filter (élagage 65-75 % des arêtes)

  Les scénarios travaillent sur le SQUELETTE structurellement signifiant (Serrano et al. 2009, α=0.2), pas sur l'exhaustif. Les interactions élaguées existent dans la base mais ne sont pas considérées dans les calculs — choix méthodologique pour gagner en lisibilité au prix d'une perte d'exhaustivité.

Comment lire un résultat

1. Chaque scénario a une méthode formelle documentée sous le résultat (formule, sources DB, citations).
2. Les scénarios à incertitude (cascade, robustesse) affichent des intervalles de confiance à 95 % issus de Monte-Carlo. Lire les bornes, pas seulement la valeur centrale.
3. Les arêtes affichées dans les graphes sont le squelette structurel (Serrano 2009, α=0.2), pas l'intégralité documentée. Voir méthodologie §9.3.
4. En cas d'usage scientifique, citez Ontologia avec date, scénario, paramètres, et liez la page de méthodologie complète.