Un jeu de données griddé à long terme de la productivité primaire nette aérienne pour les prairies naturelles mondiales

Pourquoi les prairies comptent dans la vie quotidienne

Les prairies peuvent sembler de simples étendues de vert, mais elles nourrissent discrètement une grande partie du bétail mondial et stockent d’importantes quantités de carbone. Connaître la quantité de matière végétale que ces écosystèmes produisent chaque année au‑dessus du sol est essentiel pour prévoir les approvisionnements alimentaires, les habitats fauniques et le climat. Cet article présente un nouveau jeu de données mondial à long terme qui suit la productivité des prairies naturelles dans le passé et comment elle pourrait évoluer à l’avenir avec le réchauffement climatique.

Mesurer le moteur vert de la planète

Les scientifiques décrivent la croissance des plantes comme la « productivité primaire nette », soit la quantité nette de carbone transformée en nouveau tissu végétal. Pour les humains et les animaux herbivores, la portion aérienne de cette production — feuilles et tiges — est particulièrement importante. Les prairies couvrent environ la moitié des terres émergées hors glaces et contribuent à près d’un tiers de la production végétale terrestre ; de petites variations de leur production peuvent donc se répercuter sur les systèmes alimentaires mondiaux et le cycle du carbone. Pourtant, la plupart des jeux de données globaux confondent ce qui se passe au‑dessus et au‑dessous du sol, ou décrivent uniquement les paysages actuellement perturbés, et non la référence naturelle nécessaire pour évaluer l’impact humain.

Construire une image globale du sol au ciel

Les auteurs ont créé une carte mondiale en grille de la croissance aérienne des prairies naturelles et non perturbées de 1958 jusqu’à 2100. Ils ont d’abord compilé plus de 1 500 mesures de terrain issues de parcelles expérimentales sur presque tous les continents, en se concentrant sur des sites témoins sans pâturage. Ils ont associé ces relevés de sites à une carte antérieure à haute résolution des moyennes à long terme de productivité des prairies, ainsi qu’à des données climatiques détaillées — température, précipitations, ensoleillement et bilan hydrique — tirées de séries historiques et de projections de modèles climatiques modernes. Cela leur a permis d’examiner dans quelle mesure les variations annuelles du temps autour d’une référence locale expliquent la quantité d’herbe effectivement produite chaque année.

Apprendre à une forêt numérique à prédire la croissance de l’herbe

Pour transformer ces mesures éparses en un tableau global continu, l’équipe a utilisé plusieurs méthodes d’apprentissage automatique et a trouvé qu’une approche de « forêt aléatoire » offrait le meilleur compromis entre précision et robustesse. En termes simples, cette méthode construit de nombreux arbres de décision qui suggèrent chacun comment le climat et les conditions locales à long terme se traduisent en croissance végétale ; leur verdict combiné fournit une estimation fiable. Le modèle a été entraîné pour relier la croissance mesurée sur le terrain à la productivité moyenne à long terme et aux « anomalies » climatiques annuelles — c’est‑à‑dire la façon dont la météo d’une année se différencie de la normale 1970–2000. Après des tests rigoureux avec différentes méthodes de validation croisée pour éviter le surapprentissage sur certaines régions ou climats, ils ont sélectionné la version la plus performante et l’ont utilisée pour estimer la productivité annuelle de chaque cellule de la grille mondiale.

Vérifier les cartes par d’autres sources de preuve

Le jeu de données obtenu a ensuite été comparé à des produits globaux existants. Spatialement, les nouvelles cartes reproduisent des motifs bien connus : savanes productives en Afrique centrale et dans l’est de l’Amérique du Sud, et croissance beaucoup plus clairsemée sur des plateaux élevés et froids comme le Tibet. Les comparaisons statistiques montrent une forte concordance avec quatre jeux de données antérieurs et des niveaux réalistes d’agrégation spatiale. Dans le temps, l’équipe a comparé ses résultats à deux produits satellitaires de longue date sur la croissance végétale et aux sorties de 20 modèles d’écosystèmes indépendants. Dans la plupart des régions de prairie, les fluctuations du nouveau jeu de données suivent de près ces autres sources, ce qui suggère qu’il capture les principaux battements climatiques de la production herbacée. Quelques discordances apparaissent dans des cas particuliers, comme les zones où des ligneux envahissent les prairies ou où le réchauffement incite les plantes à allouer davantage de croissance aux racines qu’aux feuilles.

Limites, mises en garde et utilité pour les personnes

Malgré ses points forts, le jeu de données présente des angles morts. Dans les prairies très luxuriantes à production végétale extrêmement élevée, les mesures de terrain sont rares, si bien que le modèle tend à sous‑estimer la quantité d’herbe produite. Les utilisateurs sont invités à faire preuve de prudence dans ces régions et, lorsque c’est possible, à ajuster les valeurs avec des données locales. Même ainsi, les nouvelles cartes fournissent ce qui n’existait pas auparavant : un enregistrement long, cohérent et spatialement détaillé de la quantité de fourrage que les prairies naturelles peuvent produire sous un climat donné, indépendamment des perturbations humaines directes.

Ce que cela implique pour l’avenir des prairies

Pour les non‑spécialistes, le message clé est que nous disposons désormais d’une référence plus claire sur la productivité des prairies naturelles mondiales — et sur la façon dont cette productivité répond aux variations météorologiques et au changement climatique à long terme. Cela facilite l’évaluation de la part des changements actuels de production herbacée attribuable au pâturage, aux changements d’utilisation des terres ou aux extrêmes climatiques, et la planification d’un usage plus durable des parcours. À mesure que le climat évoluera au cours de ce siècle, le jeu de données pourra aider les décideurs, les éleveurs et les conservateurs à anticiper où les prairies pourraient souffrir ou prospérer, améliorant ainsi les décisions sur les effectifs du bétail, les efforts de restauration et la protection de ces moteurs verts vitaux de la planète.

Citation: Chen, Z., Zhao, D., Zhang, Z. et al. A long-term gridded dataset of aboveground net primary productivity for global natural grasslands. Sci Data 13, 550 (2026). https://doi.org/10.1038/s41597-026-06944-7

Mots-clés: productivité des prairies, cycle du carbone, impacts du changement climatique, écologie et apprentissage automatique, gestion des parcours