Mêmes règles, autres histoires

Avant toute équation : quatre situations à imaginer

1. Deux planches sur la même pente

Imaginez une grande pente couverte de bosses, de creux et de petits vallons.

On pose deux planches presque exactement au même endroit, orientées presque de la même façon. La pente est la même pour les deux. Les bosses sont les mêmes. La gravité est la même. Aucune rafale de vent ne vient pousser l’une plutôt que l’autre.

Au début, leurs chemins sont presque confondus.

Puis une planche passe légèrement à gauche d’une bosse tandis que l’autre passe légèrement à droite. Cette petite différence modifie l’angle de la descente suivante. Puis la différence suivante devient un peu plus grande. Après plusieurs bifurcations de trajectoire, les deux planches peuvent se retrouver très éloignées.

Les règles n’ont jamais changé. Le relief non plus. Seul le départ différait légèrement.

Edward Lorenz utilisait précisément un modèle de planche glissant sur une piste de ski comme exemple principal dans The Essence of Chaos pour rendre intuitives les propriétés des systèmes chaotiques.

2. Deux doubles pendules presque identiques

Prenez maintenant deux doubles pendules : un bras articulé sur un autre bras.

Relâchez-les depuis deux positions qui semblent identiques à l’œil nu.

Pendant quelques instants, leurs mouvements peuvent se ressembler. Puis l’un des bras passe d’un côté au moment où l’autre passe de l’autre. Quelques secondes plus tard, les mouvements sont complètement différents.

Pourtant, les équations mécaniques n’ont pas changé entre les deux pendules.

Des expériences de laboratoire et des démonstrations universitaires utilisent le double pendule précisément pour illustrer cette sensibilité aux conditions initiales. Shinbrot, Grebogi, Wisdom et Yorke (1992) ont par exemple étudié expérimentalement et numériquement la croissance des écarts entre trajectoires très proches.

3. Une prévision météorologique

Voici un exemple plus proche de notre expérience quotidienne.

Une prévision météorologique est calculée à partir d’un état initial de l’atmosphère : température, pression, humidité, vents, etc.

Mais on ne connaît jamais cet état avec une précision infinie.

Deux calculs qui commencent avec des états atmosphériques extrêmement proches peuvent fournir des prévisions très proches au début, puis diverger progressivement.

C’est cette question qui a conduit Edward Lorenz, dans son article fondateur de 1963, à étudier la sensibilité de systèmes déterministes non linéaires à de petites modifications de leur état initial.

Cela ne veut pas dire que « la météo est n’importe quoi ».

On peut prévoir certaines structures, certaines tendances et certains horizons avec une compétence considérable. Mais la prévision détaillée devient plus fragile à mesure que l’on avance dans le temps.

Cette distinction sera centrale dans TCSA.

4. Maintenant, imaginez deux chaînes alimentaires virtuelles

Quittons la mécanique et la météorologie.

Imaginez deux mondes virtuels, A et B. Dans chacun, nous suivons trois niveaux :

Proies → Consommateurs → Prédateurs supérieurs

Les règles sont strictement les mêmes dans les deux mondes. Même croissance des proies. Même manière dont les consommateurs exploitent les proies. Même manière dont les prédateurs exploitent les consommateurs. Même mortalité. Même équations. Même méthode de calcul.

Une seule chose diffère au départ : dans B, le niveau initial de proies est supérieur d’un millionième. Autrement dit, si l’état de A vaut x, celui de B commence à x + 0,000001. Puis on laisse les deux systèmes évoluer.

Que devient cette différence minuscule ?

La question de TCSA tient presque entièrement dans cette expérience mentale.

Ce que ces quatre exemples ont en commun

Ils ne sont pas équivalents. Une piste de ski n’est pas un pendule. Un pendule n’est pas l’atmosphère. L’atmosphère n’est pas une chaîne trophique.

Mais ils permettent de construire la même intuition :

La notion commune est la sensibilité aux conditions initiales.

Elle ne signifie pas que toute petite différence produit toujours une catastrophe. Elle signifie que, dans certains régimes dynamiques, une petite différence initiale peut être progressivement amplifiée au point de rendre deux trajectoires très différentes.

Une seconde intuition : différentes histoires, même terrain de jeu

La divergence n’est que la moitié de l’histoire. Revenons à la pente bosselée.

Deux planches peuvent suivre des chemins différents, mais elles descendent toujours la même montagne. Elles ne se téléportent pas soudain dans un désert.

De même, deux doubles pendules peuvent effectuer des mouvements très différents, tout en restant contraints par leur géométrie mécanique.

Dans TCSA, les trajectoires A et B deviennent différentes, mais elles ne peuvent pas prendre n’importe quelle valeur. Elles restent confinées dans une région particulière de l’espace des états.

C’est ce que la vue 3D de l’expérience cherche à montrer.

On perd la trajectoire précise plus vite que l’on ne perd la structure globale.

Cette phrase résume mieux TCSA que le mot « chaos » pris tout seul.

Une troisième intuition : un prédateur ne peut pas manger infiniment vite

Avant de regarder les équations, il faut comprendre un autre ingrédient du modèle : la saturation.

Imaginez une coccinelle entourée de pucerons. S’il y a très peu de pucerons, en ajouter peut augmenter fortement le nombre de proies rencontrées et consommées. Mais si la feuille est déjà couverte de pucerons, la coccinelle ne pourra pas doubler indéfiniment sa consommation chaque fois que l’on double le nombre de pucerons.

Elle doit localiser, capturer, manipuler et consommer ses proies. Son débit de consommation finit donc par saturer.

C’est l’intuition derrière les réponses fonctionnelles dites de type II de Holling, utilisées dans le modèle de Hastings et Powell. Mathématiquement, on retrouve une forme comme :

Pour une petite quantité de ressources, f(u) augmente rapidement. Pour une grande quantité, l’augmentation ralentit : la réponse sature.

Plus de nourriture ne signifie pas automatiquement une consommation proportionnellement plus grande.

C’est l’une des sources de non-linéarité du système.

Une chaîne de rétroactions, pas trois courbes indépendantes

Regardons maintenant les trois niveaux trophiques comme une histoire.

Supposons momentanément que les proies deviennent plus abondantes. Davantage de nourriture peut favoriser les consommateurs. Si les consommateurs deviennent plus abondants, la pression exercée sur les proies peut augmenter. Mais ces consommateurs constituent eux-mêmes la nourriture du prédateur supérieur. Si le prédateur augmente, il peut ensuite réduire les consommateurs. Cela change à nouveau la pression sur les proies.

On obtient donc une boucle :

Proies → Consommateurs → Prédateurs → retour indirect sur les Consommateurs → retour indirect sur les Proies

Cette description est volontairement qualitative. Elle ne signifie pas que les populations suivent toujours cette séquence simple ni qu’elles oscillent régulièrement.

Elle permet seulement de comprendre que chaque variable modifie les conditions d’évolution des autres variables, qui reviennent ensuite modifier la première.

Le système possède donc des rétroactions couplées. Lorsque ces rétroactions sont non linéaires, leur composition peut produire des comportements beaucoup plus complexes qu’une simple montée et descente périodique.

Ce que vous voyez dans TCSA, concrètement

L’expérience interactive présente plusieurs représentations, mais chacune répond à une question différente.

Les jauges A/B

Elles répondent à : que deviennent concrètement les trois niveaux de population ?

Elles montrent des niveaux relatifs de population. Ce ne sont pas des nombres d’animaux. Lorsque A et B sont encore extrêmement proches, leurs jauges semblent presque identiques. Plus tard, elles peuvent commencer à se distinguer.

La courbe « microscope »

Elle répond à : à quel point A et B se sont-ils éloignés ?

Au départ, la différence est si petite qu’elle serait presque invisible sur une échelle ordinaire. C’est pourquoi la représentation utilise une échelle logarithmique.

Imaginez une règle capable de mesurer à la fois un micromètre, un millimètre et un mètre. Une seule échelle linéaire rendrait les plus petites valeurs presque invisibles.

L’échelle logarithmique permet de représenter plusieurs ordres de grandeur sur la même hauteur. Elle agit donc comme une loupe de représentation. Elle ne modifie pas les données.

La vue 3D

Elle répond à une autre question : les deux trajectoires ont-elles perdu toute structure commune ?

La réponse est non. Même lorsqu’elles ne racontent plus la même histoire instant par instant, elles restent contraintes par une même géométrie globale.

C’est la raison pour laquelle la 3D vient après l’observation de la divergence : elle ne sert pas à montrer que A et B se séparent. À 10⁻⁶, les deux traces peuvent longtemps rester visuellement confondues. Elle sert à montrer le terrain de jeu commun.

Retourner à l’expérience pour observer jauges, microscope et vue 3D →

Maintenant seulement : les équations

Le modèle de Hastings et Powell décrit trois variables : x la proie, y le consommateur, z le prédateur supérieur. Après mise à l’échelle, ce sont des mesures de population sans dimension.

Le système est :

Ces équations peuvent sembler intimidantes. On peut cependant les lire comme une histoire.

• Pour x : la proie croît, mais elle est consommée par y.
• Pour y : le consommateur gagne grâce à x, perd à cause de z et subit aussi une mortalité propre.
• Pour z : le prédateur supérieur gagne grâce à y et perd par mortalité.

Les fractions correspondent aux consommations saturantes évoquées plus haut. Le système n’a donc rien de magique : il assemble quelques mécanismes relativement simples. La complexité vient de leur couplage.

Le paramétrage étudié

TCSA utilise :

Hastings et Powell utilisent ces valeurs dans leur étude et explorent notamment la dynamique lorsqu’ils font varier b₁. La configuration b₁ = 3 correspond au régime chaotique associé à la géométrie dite « tea-cup » représentée dans leur article.

Il ne faut pas en conclure : « les chaînes trophiques sont chaotiques ». La conclusion correcte est beaucoup plus limitée : ce modèle de chaîne trophique à trois niveaux peut produire un régime chaotique pour certaines configurations de paramètres.

Hastings et Powell montrent d’ailleurs des régimes différents lorsqu’ils font varier les paramètres.

Pourquoi trois niveaux peuvent-ils produire beaucoup de complexité ?

Une manière intuitive de le comprendre est de comparer avec un mécanisme à deux éléments. Imaginez une balançoire simple : elle peut osciller de manière très régulière. Ajoutez un second bras mobile, comme dans un double pendule : le système acquiert beaucoup plus de possibilités de mouvement.

Cela ne signifie pas automatiquement « plus de variables = chaos ». Mais chaque variable supplémentaire peut ouvrir de nouvelles boucles de rétroaction et de nouvelles possibilités dynamiques.

Dans une chaîne trophique : x influence y ; y influence x et z ; z influence y ; ces changements se répercutent ensuite sur x.

Hastings et Powell ont précisément montré qu’une chaîne continue autonome à trois niveaux pouvait produire une dynamique chaotique avec des formes fonctionnelles écologiquement classiques. McCann et Yodzis (1994) ont ensuite étudié plus précisément les conditions biologiques permettant l’apparition de ce chaos.

Deux simulations : A et B

TCSA exécute deux copies strictement identiques du modèle. A commence dans l’état S_A(0) = (x_A, y_A, z_A). B commence dans S_B(0) = (x_A + 10⁻⁶, y_A, z_A).

Tout le reste est identique. Mêmes paramètres. Mêmes équations. Même solveur. Même pas de temps. Aucun bruit ajouté.

Cela permet d’isoler une seule question : que fait la dynamique d’une différence initiale minuscule ?

Dans l’article original de 1991, Hastings et Powell illustrent eux aussi la divergence de trajectoires proches, avec une perturbation plus grande de x. TCSA choisit volontairement 10⁻⁶ pour rendre l’expérience plus exigeante : la séparation ne doit pas être produite artificiellement par une différence initiale énorme.

Pourquoi ne voit-on pas tout de suite deux trajectoires ?

Parce qu’elles sont vraiment très proches. C’est un point important.

Une visualisation spectaculaire aurait pu tricher en choisissant une différence initiale beaucoup plus grande, en séparant artificiellement les courbes à l’écran, en ajoutant un bruit, ou en utilisant une transformation graphique différente pour A et B.

TCSA ne fait rien de cela. Au début, la différence est réellement minuscule. C’est pourquoi les jauges montrent d’abord presque la même chose, la courbe « microscope » mesure l’écart, et la 3D n’est pas utilisée comme preuve de divergence.

Cette difficulté visuelle est donc en partie une conséquence de la rigueur de l’expérience.

Déterminisme : ce que le mot veut réellement dire

Un système déterministe possède une règle d’évolution définie. Si l’état initial et les paramètres sont exactement fixés, la trajectoire mathématique correspondante est fixée.

Cela s’oppose à un modèle dans lequel un tirage aléatoire intervient à chaque étape.

Mais une confusion fréquente consiste à ajouter : « donc, si le système est déterministe, on peut tout prévoir ». C’est faux pour les systèmes chaotiques en pratique.

Lorenz l’avait déjà montré en 1963 : de petites modifications d’états initiaux peuvent conduire à des états considérablement différents dans certains systèmes déterministes non linéaires.

Le problème devient alors celui de la précision. Dans la nature, nous ne connaissons jamais l’état d’un système avec une précision infinie. Si l’incertitude initiale est amplifiée suffisamment rapidement, la prévision détaillée finit par devenir fragile.

Le double étonnement du chaos déterministe

TCSA cherche à provoquer deux surprises successives.

Première surprise. Presque le même départ ne garantit pas presque la même histoire. C’est la divergence A/B.

Deuxième surprise. Des histoires très différentes ne signifient pas nécessairement absence de structure. C’est la vue globale de l’attracteur.

Ces deux idées doivent être tenues ensemble. Sinon on tombe dans deux erreurs opposées :

• Erreur 1 : « Les lois sont connues, donc la trajectoire doit être prévisible indéfiniment. »
• Erreur 2 : « La trajectoire devient imprévisible, donc le système n’a plus aucune structure. »

TCSA montre un exemple où les deux propositions sont fausses.

Trajectoire et attracteur : une analogie de paysage

Imaginez maintenant plusieurs randonneurs se déplaçant dans un vaste réseau de vallées. Ils peuvent suivre des chemins très différents. Savoir où se trouve précisément un randonneur à un moment donné ne dit pas exactement où se trouve l’autre. Mais les vallées, crêtes et passages possibles structurent fortement leurs déplacements.

Dans TCSA, le point S(t) = (x(t), y(t), z(t)) se déplace dans un espace à trois dimensions. Au fil du temps, il dessine une trajectoire. Dans le régime chaotique étudié, cette trajectoire reste confinée dans une région particulière.

Pourquoi l’appelle-t-on « chaos » si tout reste structuré ?

Parce que, en dynamique des systèmes, « chaos » ne signifie pas « désordre absolu ». Un régime chaotique est déterministe mais présente notamment une sensibilité aux conditions initiales et une dynamique apériodique complexe.

Hastings et Powell ne concluent pas au chaos simplement parce qu’une figure 3D est jolie. Ils utilisent notamment un diagramme de bifurcation, une route par doublement de période, une section de Poincaré, et l’étude de trajectoires proches.

C’est une distinction importante pour la page Web. Une trajectoire rendue dans un navigateur n’est pas, à elle seule, une preuve mathématique du chaos. TCSA s’appuie sur un régime déjà étudié dans la littérature et reproduit numériquement, mais l’interface publique est un outil de médiation.

Une belle forme n’est pas une preuve de fractalité

Le titre du projet utilise l’expression historique Strange Attractor. Mais TCSA ne mesure pas de dimension fractale.

Une trajectoire numérique finie affichée à l’écran peut présenter une géométrie complexe sans que l’on puisse en déduire directement une dimension fractale.

L’expérience parle donc surtout d’attracteur, d’attracteur chaotique, de structure globale, de géométrie « tea-cup ». Elle ne prétend pas calculer ou démontrer une fractalité.

Pourquoi cette histoire intéresse-t-elle les écologues ?

Parce qu’elle montre qu’un comportement complexe n’exige pas nécessairement des centaines d’espèces, du bruit environnemental, des règles qui changent au hasard, ou une succession de chocs externes.

Un modèle relativement compact, composé de trois populations couplées par des interactions non linéaires, peut déjà produire une dynamique chaotique dans certaines conditions. C’est un résultat conceptuellement important.

Robert May avait fortement popularisé cette idée dès 1976 avec des modèles déterministes très simples capables de produire des comportements allant d’un équilibre stable à des cycles puis à des fluctuations chaotiques. Hastings et Powell montrent une version continue et trophique de cette complexité.

Cela ne signifie toujours pas qu’un écosystème réel se réduit à trois équations. Au contraire : si un petit modèle peut déjà produire une telle richesse dynamique, cela invite à la prudence lorsque l’on raisonne sur des systèmes réels beaucoup plus complexes.

Pourquoi cette expérience est-elle sur l’Observatoire des Polycrises ?

La réponse la plus courte est : pas parce qu’elle modélise la Polycrise, mais parce qu’elle apprend à distinguer mécanisme, prévision et structure.

TCSA ne dit pas « la société mondiale fonctionne comme une chaîne trophique ». Il ne dit pas non plus « la Polycrise est un attracteur étrange ».

Il fournit un cas d’école où l’on peut voir clairement que trois questions sont différentes :

1. Connaissons-nous les règles du système ?
2. Pouvons-nous prévoir sa trajectoire exacte à long terme ?
3. Pouvons-nous malgré tout identifier des structures ou des contraintes globales ?

Dans TCSA, les règles sont connues ; la trajectoire détaillée devient sensible à une différence minuscule ; une structure globale reste visible.

Cette distinction est utile bien au-delà de l’écologie théorique. Elle aide à éviter deux simplifications fréquentes dans l’analyse des systèmes complexes : « Si nous connaissons les mécanismes, nous pouvons tout prévoir. » et « Si nous ne pouvons pas tout prévoir, nous ne pouvons rien comprendre. » TCSA fournit un contre-exemple concret aux deux.

Un autre exemple : pourquoi les prévisions météo sont-elles des ensembles ?

Les services météorologiques modernes ne se contentent pas toujours d’une seule simulation. Ils utilisent notamment des prévisions d’ensemble : plusieurs simulations démarrent avec des conditions initiales légèrement différentes ou des configurations de modèle différentes.

Lorsque toutes restent proches, la confiance dans la trajectoire peut être plus grande. Lorsqu’elles se dispersent, cela indique que la situation est plus sensible.

Ce fonctionnement offre une analogie utile avec A et B : la question n’est pas seulement « quelle trajectoire donne le modèle ? », mais aussi « à quel point cette trajectoire dépend-elle de ce que nous ne connaissons qu’imparfaitement au départ ? »

TCSA est beaucoup plus simple qu’un modèle météorologique réel, mais la question épistémique est apparentée.

Un contre-exemple utile : petite différence ne signifie pas toujours grande divergence

Pour éviter de transformer le chaos en slogan, imaginons une bille au fond d’un bol. Déplacez-la légèrement. Elle roule et revient vers le fond. Deux billes placées à des positions légèrement différentes peuvent donc finir par se rapprocher du même équilibre.

Dans un tel système, une petite différence initiale n’est pas amplifiée indéfiniment.

Le comportement observé dans TCSA dépend du régime dynamique et des paramètres choisis. C’est précisément pour cette raison que Hastings et Powell étudient les bifurcations du modèle. Selon les paramètres, on peut obtenir des comportements différents.

Pourquoi conserver les équations si les analogies suffisent à comprendre l’idée ?

Parce que les analogies peuvent aider à comprendre une structure de raisonnement, mais elles ne garantissent pas la fidélité scientifique.

Les équations jouent un autre rôle. Elles permettent de dire exactement quelles variables existent, comment elles interagissent, quels paramètres sont utilisés, ce qui change ou ne change pas entre A et B, et ce que le navigateur calcule réellement.

L’analogie donne l’intuition. Le modèle donne la définition. Le calcul donne la trajectoire. La visualisation donne un moyen d’observer. Les sources permettent de vérifier. Ces niveaux ne sont pas interchangeables.

De 1991 à aujourd’hui : reproductibilité

Le modèle de Hastings et Powell a fait l’objet d’une réplication moderne publiée dans ReScience C par Dansereau et al. (2020). Les auteurs ont reproduit les figures originales à l’aide d’outils contemporains et publié le code correspondant.

Cette démarche est importante parce qu’elle transforme un résultat ancien en objet computationnel inspectable et rejouable.

TCSA n’est pas une réplication académique complète. Son objectif est différent : transformer une dynamique déjà documentée en expérience de compréhension.

Le projet conserve néanmoins la logique de reproductibilité : paramètres explicites, solveur documenté, contrôles numériques et distinction entre données scientifiques et transformations d’affichage.

Questions fréquentes

À retenir

1. Les mêmes règles ne garantissent pas la même trajectoire à long terme.
2. Une très petite différence initiale peut être amplifiée par la dynamique.
3. Cela peut arriver sans aucun hasard ajouté.
4. La divergence des trajectoires ne signifie pas absence de structure globale.
5. Les analogies aident à comprendre, mais le modèle reste défini par ses équations.
6. TCSA n’est pas un modèle de la Polycrise ; c’est une expérience pour apprendre à penser la relation entre mécanisme, prévision et structure.

Références et ressources

Les exemples de piste bosselée, de double pendule, de météo, de bille dans un bol et de paysage servent à isoler différentes intuitions. Aucun n’est présenté comme équivalent au modèle Hastings–Powell. Une analogie sélectionne quelques relations utiles et en laisse nécessairement d’autres de côté. Le dossier revient donc systématiquement au modèle mathématique avant d’en tirer une conclusion scientifique.

Retour à l’expérience interactive →