Des modèles de plantes fonctionnelles et structurelles (FSP) sont utilisés pour aider à comprendre les liens entre l'architecture physique d'une plante et les mécanismes de développement qui la créent. L'un des principaux défis de la modélisation FSP est l'estimation des paramètres, car dans certains cas, la collecte de données par le biais d'expériences sur le terrain ou en laboratoire est difficile, voire impossible, et les valeurs des paramètres doivent être établies indirectement, par étalonnage. La modélisation orientée modèle (POM) est un moyen d'étalonnage dans lequel les modèles observés sont utilisés pour rejeter les combinaisons de paramètres irréalistes. Dans ce cas, un modèle est toute observation de variation non aléatoire qui peut être supposée contenir des informations sur le mécanisme qui l'a produit.

Dans un récent article technique publié dans Annals of Botany, auteur principal Ming Wang et collègues enquête si le POM peut rendre l'estimation des paramètres pour les modèles FSP plus efficace et plus puissante que l'étalonnage manuel, et s'il peut réduire l'incertitude lorsque les données expérimentales ne sont pas disponibles. Les auteurs ont utilisé un modèle FSP d'architecture de ramification d'avocat et ont testé la paramétrisation POM par rapport à une paramétrisation manuelle existante pour voir si les deux convergeraient.

L'étalonnage avec POM a permis au modèle de reproduire avec succès les modèles de vérification, et même de "prédire d'autres modèles de validation indépendants qui n'ont pas été utilisés simultanément pour la paramétrisation du modèle", écrivent les auteurs. Alors que l'étalonnage POM n'a pas produit un seul ensemble de paramètres optimal, la sortie regroupée, composée de 22 ensembles de paramètres, était adéquate et capable de prédire les comportements émergents du système.

En fait, bien qu'un ensemble de paramètres soit similaire à l'étalonnage manuel, les auteurs mettent en garde contre l'utilisation du seul meilleur ensemble. « Notre étude démontre qu'il serait risqué de se concentrer sur un seul ensemble de paramètres. L'ensemble unique peut faire fonctionner le modèle parfaitement sous certains modèles observés, mais lorsque de nouveaux modèles sont observés, il se peut que le modèle ne produise pas les sorties fiables qui correspondent aux nouvelles observations.

"L'approche d'étalonnage POM permet de développer des modèles FSP en temps opportun sans s'appuyer fortement sur des expériences sur le terrain ou en laboratoire, ou sur un étalonnage manuel fastidieux", écrivent les auteurs.