Comme plusieurs grand lacs, le Léman émet beaucoup plus de CO2 qu’il n’en consomme. Le modèle habituellement utilisé pour le cycle du carbone dans ces lacs ne l’expliquait pas bien. JTS discute comment des données plus précises et un nouveau modèle a permis permet de mieux ajuster les modèles que leurs prédictions correspondent mieux aux mesures – validant ainsi leurs prédictions.
JTS montre ensuite combien la confiance dans votre discipline peut être ébranlée par l’emploi face aux élèves de termes comme réfuter / rejeter / présenter comme faux l’ancien modèle et argumentera pour utiliser plutôt des termes comme améliorer, optimiser, compléter.
Les modèles sont au coeur des disciplines MSN (Math Sciences de la Nature) dans le Plan d’Etude Romand (PER) La thématique Modélisation
Dans cette recherche, le modèle numérique communément admis par les scientifiques pour simuler le cycle du carbone dans les lacs ne collait pas bien aux données pour le Léman.
Une équipe de chercheuses et de chercheurs dirigée par Marie-Élodie Perga (Many,et al., 2024) ici a utilisé des données réunies sur une plateforme amarrée au large de Pully (LéXPLORE, une collaboration UniL, EPFL, UniGe, etc). Cette plateforme est équipée d’une instrumentation de pointe pour mesurer simultanément les processus physiques, chimiques et biologiques à hautes résolutions temporelles et spatiales. Cet ensemble unique de données permettra de modéliser les processus clés dans le lac, afin de prédire l’évolution du lac et les impacts des changements environnementaux.. A l’aide de ces données précises, fréquentes et collectées sur toute l’année, notamment la mesure de la précipitation de calcite ( CaCO3) qui libère du CO2, le postdoctorant Gaël Many a ensuite inclus cette équation dans le modèle numérique et la correspondance de ce modèles amélioré est bien meilleure.
très précisément le phénomène de précipitation de calcite qui génère du CO2. Source UNIL [img] source Lapierre, F. (2024)
La précipitation de calcite (PC), commune dans les lacs, consomme de l’alcalinité et libère du CO2.
« Il s’agit en fait d’une réaction chimique qui se produit durant l’été. Elle a lieu quand les algues poussent avec la chaleur et modifient le pH de l’eau. Les ions bicarbonates de calcium qu’elle contient, arrachés aux roches par l’érosion et drainés jusqu’au lac, se transforment alors en microparticules de calcaire, la calcite. Le phénomène libère un grand volume de CO2 dans l’atmosphère. Il se manifeste en surface par une teinte d’une couleur bleu-vert lors d’épisodes «explosifs» fin juin et début juillet. » Lapierre, F. (2024) ici
«C’est très excitant d’avoir pu trouver la pièce manquante et démontrer la mécanique, alors que tous les raisonnements se cassaient à l’épreuve du Léman. Cette énigme me trottait dans la tête depuis ma thèse, soutenue en 2004, s’enthousiasme Marie-Élodie Perga, coautrice de l’étude et professeure de limnologie à la Faculté des géosciences et de l’environnement de l’UNIL. Nous sommes les premiers à la résoudre, mais d’autres avaient émis des doutes sur la théorie du carbone uniquement d’origine organique.» Lapierre, F. (2024) ici
Un modèle peut-il être vrai ?
Jump-To-Science présente cette nouvelle recherche en mettant soulignant comment de nouvelles recherches conduisent à améliorer les modèles – plutôt qu’à les réfuter / rejeter / présenter comme faux.
On constate – en observant comment se fait réellement la recherche (Schwarz, et al. 2009) – que les modèles scientifiques sont des simplifications des phénomènes qui mettent en évidence certains aspects et peuvent être utilisés pour expliquer des observations et/ou faire des prédictions (Treagust, et al.(2002)ici. Un « bon » modèle est choisi pour son pouvoir prédictif et explicatif des données – pour résoudre un problème. Pour Martinand (2010) : ils sont et restent hypothétiques ; ils sont modifiables […] ils sont pertinents pour certains problèmes dans certains contextes. Ils ne sont ni vrais ni faux.
Le Léman ( et d’autres lacs) émet beaucoup plus de CO2 que le modèle habituel ne prédisait
Selon Many, et al. (2024 ici, jusqu’à présent on utilisait un modèle du cycle du carbone assez simple pour décrire le cycle du carbone dans le lacs, similaire à celui du sol, qui prenait principalement en compte le carbone organique.
D’autre part de nombreuses mesures montraient que la plupart de ces grands lacs des émettaient des quantités de CO2 plus élevées que le carbone absorbé et cela n’était pas bien expliqué par le modèle classique : la respiration des hétérotrophes dépassant systématiquement la production primaire brute, on la considérait comme la principale cause de la supersaturation en CO2 (libération dans l’atmosphère) dans ces lacs. Bien que dominant, ce modèle n’explique donc pas bien les émissions nettes de CO2 des lacs où l’effet des autotrophes l’emporte. 
encourage le lecteur à aller vérifier dans l’article d’origine : ici
Ce modèle habituel ne prenait pas bien en compte les apports en carbone minéral
Cette vision centrée sur le carbone organique est remise en question par des preuves convaincantes que les apports hydrologiques de carbone inorganique dissous (CID), plutôt que de carbone organique, expliquent la supersaturation en CO2 dans de nombreux lacs.
Many, et al. (2024 ici relèvent que de nombreuses études avaient montré que les apports de carbone inorganique dissous (dissolved inorganic carbon (DIC)) correspondent bien à cette supersaturation en CO2.
Prédire comment les effets des apports de CID provenant des bassins versants de ces lacs sont transformés en émissions nettes de CO2 restait une zone d’ombre: on n’avait pas quantifié cet effet suffisamment pour l’intégrer au modèle classique. C’est ce que Many, et al. (2024 ici, proposent. encourage le lecteur à aller vérifier dans l’article d’origine : ici
L’alcalinité qui augmente avec la température et la croissance des algues stimule la précipitation de calcite
Le carbone dans l’eau est souvent représenté par un équilibre chimique entre plusieurs formes : CO2 dissous, bicarbonate) HCO3− ion carbonate CO32-
cf par exemple Groleau, A., & Michard, G. (2023) ici
Mais justement, il y a aussi le carbonate -apporté par l’eau qui a percolé dans des roches calcaires – et qui peut précipiter – entraînant du Carbone au fond mais en libérant aussi du CO2 !
L’été la photosynthèse accrue et la diffusion du CO2 qui était dissous dans l’eau vers l’atmosphère (outgassing) déplace ces équilibres chimiques, ce qui augmente le pH (donc plus alcalin) et cela conduit à la précipitation de la calcite cf figure 2 de Middelburg,(2024)..
figure 2 Le cycle du carbone et le module de calcification img source Middelburg,(2024).
Pour valider le modèle amélioré, simuler « the carbon cycle of the large Lake Geneva over the past 40 years »
« We develop and introduce a calcite module in a coupled one-dimensional physical-biogeochemical model that we use to simulate the carbon cycle of the large Lake Geneva over the past 40 years. We mechanistically demonstrate how the so-far neglected process of calcite precipitation boosts net CO2 emissions at the annual scale. Far from being anecdotal, we show that calcite precipitation could explain CO2 outgassing across various lakes globally, including some of the largest lakes in the world. » Many, & al. (2024).ici:
Many et al. (2024) ont développé un module calcite dans le cycle du carbone pour ces lacs et l’ont validé en simulant le cycle du carbone de notre lac depuis 40ans (dans l’article les auteurs de l’uniL utilisent le nom anglais:Geneva Lake, désolé). encourage le lecteur à aller vérifier dans l’article d’origine : ici
Ce modèle amélioré explique bien mieux ce qu’on observe actuellement
Appliqué au cycle annuel du lake of Geneva ( le Léman donc :-), on voit sur la figure 3 que le modèle du cycle du carbone prenant en compte la précipitation de calcite (CP en rouge) correspond bien mieux aux données que le modèle sans CP (bleu, noCP).
L’article argumente soigneusement pour convaincre les autres spécialistes du domaine
Dans la discussion Many et al. (2024) argumentent de la validité de leur modèle, de ses limites.
Par exemple
« The simulations show that when the carbonate equilibrium chemistry is the only mechanism by which DIC is converted into CO2, final CO2 emissions are close to carbon neutrality for Lake Geneva. Even for such an autotrophic lake with relatively buffered pH, the carbonate equilibrium can generate sufficient CO2 to compensate for the 105 Gg C of CO2 consumed by the net metabolism across the total water column. However, accounting for the CP is necessary to reach the annual supersaturation and a net CO2 outgassing observed for Lake Geneva. »
L’article propose à la communauté cette amélioration du modèle : le débat est lancé avec cette publication !
On voit que ce que les auteur-e-s proposent à la communauté dans cet article est fondé sur une nouvelle explication des données ( les leurs et d’autres).
Contrairement au débat habituel (politique, par exemple) ils ne cachent pas les limites et les objections, ils les discutent : P. ex plus loin ils essayent de parer des objections possibles : Ils essayent leur modèle sur plusieurs lacs pour voir si ( et dans quelle mesure) il explique bien ce surcroît de CO2 émis (outgassing).
Plus bas, un extrait où ils discutent comment le surcroît de CO2 des lacs (ΩCO2 ) est activé (fueled) par l’alcalinité (TAC) et vérifient la pertinence de leur modèle sur plusieurs lacs, grâce à des données de Marie-Élodie Perga, qui a étudié notamment le lac Mendota, dans le Wisconsin «jumeau scientifique du Léman». Elle estime que ce mécanisme incluant la précipitation de calcite concerne environ la moitié de la surface des eaux lacustres de la planète.
Un exemple où Many et al. (2024) argumentent la portée de leur modèle :
« The modeling exercise on Lake Geneva shows that CO2 outgassing is fueled by alkalinity but cannot be explained by the carbonate equilibrium alone. CP is the necessary mechanism by which the lake turns into a net CO2 emitter at the annual scale. To test our conclusions beyond the case of Lake Geneva, we ran additional simulations of surface PCO2 with both iterations of the model, modulating the initial lake alkalinity for ¼, ½, equal to, and double that of Lake Geneva (TAC range: 0.4 to 3.6 mol m−3). Results are reported as annual averages of CO2 saturation (PCO2 = pCO2 pCO2 eql), to which we fit a regression model (with or without CP) as a function of alkalinity (Fig. 4A). All other conditions kept constant, annual ΩCO2 increases with the lake’s alkalinity for both model versions ([…]
The regression model fitted to the observation data predicts that a doubling of alkalinity leads to a +134% increase in CO2 saturation and lake CO2 emissions, i.e., an effect size similar to the one derived from the model with CP. Lakes from the dataset span an extensive range in size (surface areas vary over four orders of magnitude), trophic status (from oligo to eutrophic), and mixing regimes (from oligo to dimictic), all of which are likely to affect the inorganic carbon fluxes (table S8). However, the similarity in the effect size between the Mod. CP and the observational dataset suggests that both the model parametrization and the deduced mechanisms, i.e., CP boosting of CO2 emissions, apply broadly. »
![CO2 supersaturation as a function of alkalinity level.,(A) Annual averages of CO2 saturation (ΩCO2) computed from the model's outputs with (Mod. CP) or without CP (Mod. noCP) over a range of alkalinity representative of lakes whereby CP has been observed. The equations for the regression models are ΩCO2 = 1.84 TAC − 0.86 for the model with enabled CP (Mod. CP) and ΩCO2 = 0.42 TAC + 0.69 for the model without CP (Mod. noCP). Dots represent annual averages of CO2 saturation observed for lakes with CP. Cross-shaped symbols are for lakes in Switzerland other than Lake Geneva (data from the Swiss Federal Office for the Environment), and star-shaped symbols are for US lakes [data from (38)]. The black line represents the regression model for lake observations, with the following equation: ΩCO2 = 1.30 TAC − 0.60. (B) Changes in CO2 supersaturation due to a doubling of initial alkalinity (with Lake Geneva's alkalinity as the reference) for, respectively, the model without CP, the reference model with CP, and the model fitted to the lakes' observations.](https://www.science.org/cms/10.1126/sciadv.ado5924/asset/f9bb4008-13a6-4c1f-b2cf-a96767477a1d/assets/images/large/sciadv.ado5924-f3.jpg "CO2 supersaturation as a function of alkalinity level.,(A) Annual averages of CO2 saturation (ΩCO2) computed from the model's outputs with (Mod. CP) or without CP (Mod. noCP) over a range of alkalinity representative of lakes whereby CP has been observed. The equations for the regression models are ΩCO2 = 1.84 TAC − 0.86 for the model with enabled CP (Mod. CP) and ΩCO2 = 0.42 TAC + 0.69 for the model without CP (Mod. noCP). Dots represent annual averages of CO2 saturation observed for lakes with CP. Cross-shaped symbols are for lakes in Switzerland other than Lake Geneva (data from the Swiss Federal Office for the Environment), and star-shaped symbols are for US lakes [data from (38)]. The black line represents the regression model for lake observations, with the following equation: ΩCO2 = 1.30 TAC − 0.60. (B) Changes in CO2 supersaturation due to a doubling of initial alkalinity (with Lake Geneva's alkalinity as the reference) for, respectively, the model without CP, the reference model with CP, and the model fitted to the lakes' observations.")
Ligne de régression : en rouge le modèle prenant en compte la précipitation de calcite (CP) en bleu le modèle sans CP (noCP) source Many,(2024 ici
Tout modèle est modifiable
On voit que ce que les auteurs proposent à la communauté dans cet article est fondé sur une nouvelle explication des données, qui prend en compte ce qui est déjà connu mais y ajoute un phénomène considéré comme négligeable jusqu’alors et montre l’apport nouveau de cette recherche.
Ils proposent ce nouveau modèle sur la base de sa capacité à mieux expliquer les données empiriques récoltées – les leurs et celles de nombreux autres.
Comme l’écrit Jean-Louis Martinand, un modèles scientifique est hypothétique (car il repose sur des théories, et peut être vérifié expérimentalement). Many et al. (2024) proposent une amélioration du modèle classique. Ils ne le rejettent pas. Comme le dit Martinand, le modèle est modifiable. P. ex. on voit dans la figure 3 que la correspondance n’est pas parfaite ( il n’est pas non plus simplement vrai et l’ancien faux) et le nouveau modèle est ainsi également modifiable, cela arrivera sûrement dans le futur… c’est ainsi que la science progresse.
Choix du modèle pour sa pertinence à certains problèmes
L’ancien modèle est sans doute encore pertinent pour certains problèmes. Many et al. (2024) indiquent que leur modèle s’applique aux grands lacs alcalins mais pas aux petits lacs nordiques pour lesquels l’ancien modèle est tout à faut pertinent.
Dans certaines classes il serait probablement pertinent comme étape pour la progression des élèves.
Comme l’écrit Jean-Louis Martinand (et de nombreux autres comme Taber, K. (2019)), tout modèle n’est pertinent que dans un certain domaine. La loi d’Ohm n’est pas pertinente pour décrire un transistor. Les lois de Newton ne sont pas pertinentes pour des objets comme des fusées qui atteignent de très grandes vitesses. Les lois de Mendel ne sont pas pertinentes pour expliquer pourquoi cet élèves qui a les yeux bruns a deux parents aux yeux bleus.
Comme en math on délimite d’abord dans quel ensemble (ℕ ℤ ℚ et ℝ) on effectue l’opération.
Ainsi il ne s’agit pas tant de savoir si le modèle est vrai, ni de chercher le Top-Modèle mais si on l’utilise dans son domaine de validité, si il est pertinent à ce problème.
Apprendre que les modèles peuvent changer sans perdre confiance dans la science
Une des difficultés est que certains élèves pourraient conclure qu’en science on ne sait rien car les experts sont pas d’accord entre eux…
Et en plus ce que vous avez appris à mon grand père ( « il y a des millions de gènes chez l’humain ») n’est pas ce que vous avez enseigné à mon père (« on connaît protéines donc il y autant de gènes ») et maintenant vous me dites qu’il y a environ 21’500 gènes … comment voulez-vous que je vous croie ?
Le point crucial ici du point de vue pédagogique est d’aider les élèves à concevoir les modèles comme des outils pour penser, et qu’il faut choisir le bon modèle pour un problème donné, mais aussi que la science progresse et donc améliore les modèles.
Du coup l’importance de formuler les progrès en termes d’amélioration des modèles plutôt que de rejet, comme le sensationnalisme des média l’oblige.
Comment concilier la nécessaire clarté des objectifs « vérité pour la classe » et la science faite de modèles qui ne sont pas « vrai » ni « faux » et peuvent évoluer ?
Pour les élèves il faut que soit très clair ce qui va être considéré comme une bonne réponse aux examens. Pour eux c’est ce qui est « vrai » – la « vérité pour la classe à ce moment » .
Comment concilier l’usage de modèles en changement, différents selon le contexte et l’exigence pédagogique de définir ce qui peut être considéré comme juste à un moment donné pour la classe ?
Il est par exemple possible de définir quel modèle sera reconnu aux examens de cette classe: « durant ce semestre, aux examens, si vous utilisez le modèle de Mendel ce sera considéré comme correct, même si nous savons que la réalité est plus complexe. Et vous serez amenés à utiliser d’autres modèles plus pertinents au semestre prochain. »
Comment aider les élèves à progressivement travailler avec des modèles qui changent ?
Schwarz, et al (2009) ici proposent une progression de la modélisation qui guide les élèves depuis une recherche de la vérité simple où « les modèles sont vrais » (niveau 1) vers la modificaition des modèles pour améliore leur pouvoir explicatif, avancer leur compréhension, développer de nouvelles questions, (niveau 4)
Pour vous donner envie de le lire, JTS propose la traduction de leur table 4 encourage le lecteur à aller vérifier dans l’article d’origine : ici
Cet article propose des exemples concrets et développe des étapes et des activités. Il propose aussi des observables pour définir ce qu’on vise dans un cours, pour aider à guider les élèves en indiquant ce qui est attendu et leur permettre de se situer. Par exemple Schwarz, et al (2009) ici
Table 4 des étapes dans la progression des apprentissages pour comprendre les modèles comme des outils pour comprendre le monde -donc changeables
| Niveau | Observables |
|---|---|
| 4 | Les élèves envisagent des modifications dans les modèles pour améliorer leur pouvoir explicatif avant d’obtenir des résultats soutenant ces modifications. Les changements dans les modèles sont envisagés pour développer des questions qui peuvent ensuite être testées par rapport aux phénomènes. Les élèves évaluent des modèles concurrents pour envisager de combiner des aspects des modèles afin d’améliorer leur pouvoir explicatif et prédictif. |
| 3 | Les élèves révisent les modèles afin de mieux correspondre aux résultats obtenus et d’améliorer l’explication d’un mécanisme par le modèle. Ainsi, les modèles sont révisés pour améliorer leur pouvoir explicatif. Les élèves comparent les modèles pour voir comment différents composants ou relations s’ajustent plus complètement aux données afin de fournir une explication plus mécaniste des phénomènes. |
| 2 | Les élèves révisent les modèles sur la base d’informations provenant d’une autorité (enseignant, manuel, pair) plutôt que sur la base de preuves recueillies à partir des phénomènes ou de nouveaux mécanismes explicatifs. Les élèves apportent des modifications pour améliorer les détails, la clarté ou ajouter de nouvelles informations, sans considérer comment le pouvoir explicatif du modèle ou son adéquation aux preuves empiriques est amélioré. |
| 1 | Les élèves ne s’attendent pas à ce que les modèles changent avec de nouvelles compréhensions. Ils parlent des modèles en termes absolus, comme s’ils étaient soit corrects, soit incorrects. Les élèves comparent leurs modèles pour évaluer s’ils sont de bonnes ou de mauvaises répliques du phénomène. |
encourage le lecteur à aller vérifier dans l’article d’origine : iciSelon ChatGPT on peut employer selon les cas Élément(s) de preuve, Preuves, Données probantes, Indices, Constatation(s)
Au lieu de nous apprendre le passé simple ils feraient mieux de nous enseigner le futur complexe
Cette phrase généralement attribuée à Jean Cocteau illustre de façon satirique et lucide une question centrale dans l’enseignement : jusqu’où faut-il simplifier le monde à l’école pour le rendre accessible aux élèves, ou les aider à affronter sa complexité ? Chaque enseignant-e adapte en fonction de ses élèves, de ses pédagogies, etc.
Mais pour vous lecteurs prend le parti d’encourager ses lecteurs – qui ont en général une formation scientifique avancée – à ne pas croire ces publications JTS, mais à aller vérifier l’article d’origine.
C’est ce que le titre de Jump-To-Science évoque L’argumentation qui fonde cette approche est décrit ici
Références
- Groleau, A., & Michard, G. (2023). La sédimentation dans un lac carbonaté étudiée La sédimentation dans un lac carbonaté étudiée par la chimie des eaux : Exemple par la chimie des eaux : Exemple du lac du du lac du Bourget Bourget 01/03/2023 Auteur(s) / Autrice(s) : Alexis Groleau Institut de Physique du Globe de Paris, Univ. Paris Cité Gil Michard [Ressources scientifiques pour l’enseignement des sciences de la Terre et de l’Univers]. ENS-Lyon. https://planet-terre.ens-lyon.fr/ressource/lac-carbonate.xml
- Lapierre, F. (2024, octobre 30). L’UNIL perce un mystère : L’eau calcaire et les algues du Léman émettent beaucoup de CO2. Tribune de Genève. https://www.24heures.ch/lunil-perce-le-mystere-des-fortes-emissions-de-CO2-du-leman-272756952227
- Lombard, F. (2011, décembre 20). Rechercher le top-modèle pour expliquer la biologie ? Jump-To-Science; ex Bio-Tremplins. https://tecfa-bio-news.blogspot.com/2011/12/la-perfection-du-modele-certains.html
- Many, G., Escoffier, N., Perolo, P., Bärenbold, F., Bouffard, D., & Perga, M.-E. (2024). Calcite precipitation : The forgotten piece of lakes’ carbon cycle. Science Advances, 10(44), eado5924. https://doi.org/10.1126/sciadv.ado5924
- Martinand, J. L. (2010). Schémas didactiques pour la modélisation en sciences et technologies. Spectre, 40, 1, 20‑24. intranet.pdf
- Middelburg, J. J. (2024). Closing the inland water carbon cycle. Science Advances, 10(44), eadt3893. https://doi.org/10.1126/sciadv.adt389
- Schwarz, C., Reiser, B. J., Davis, E. A., Kenyon, L., Achér, A., Fortus, D., Shwartz, Y., Hug, B., & Krajcik, J. (2009). Developing a learning progression for scientific modeling : Making scientific modeling accessible and meaningful for learners. Journal of Research in Science Teaching, 46(6), 632‑654. https://doi.org/10.1002/tea.20311
- Taber, K. (2019). MasterClass in science education : Transforming teaching and learning.
- Treagust, D. F., Chittleborough, G., & Mamiala, T. L. (2002). Students’ understanding of the role of scientific models in learning science. International Journal of Science Education, 24(4), 357-368. doi: 10.1080/09500690110066485