De nouvelles recherches indiquent que la capacité des plantes à absorber l'excès de dioxyde de carbone (CO2) pourrait être significativement inférieure aux estimations précédentes des modèles climatiques, selon une étude publiée le 5 janvier 2026 par l'Université de Graz. L'étude a révélé que les modèles climatiques ont surestimé la fixation naturelle de l'azote, un élément crucial pour la croissance des plantes, d'environ 50 %.

La recherche souligne le rôle essentiel de la disponibilité de l'azote pour permettre aux plantes d'utiliser efficacement l'augmentation des niveaux de CO2 pour leur croissance. Bien qu'un niveau élevé de CO2 puisse stimuler la croissance des plantes, cet effet est conditionné par un apport suffisant d'azote, un nutriment essentiel à la photosynthèse et à la santé globale des plantes. La surestimation de la fixation naturelle de l'azote dans les modèles climatiques suggère que les avantages en matière de refroidissement climatique découlant de la croissance des plantes dans des conditions de CO2 élevé sont moins importants que prévu.

Cette découverte a des implications importantes pour les projections du changement climatique. Les plantes absorbant moins de CO2 que prévu, le tampon naturel de la Terre contre le changement climatique est diminué, ce qui entraîne une incertitude accrue dans les prévisions climatiques futures. "Cette capacité réduite des plantes à agir comme un puits de carbone signifie que les niveaux de CO2 atmosphérique pourraient augmenter plus rapidement que prévu, ce qui pourrait accélérer le réchauffement climatique", a déclaré un chercheur principal de l'Université de Graz.

Les modèles climatiques sont des outils informatiques complexes qui simulent le système climatique de la Terre, intégrant divers facteurs tels que la composition atmosphérique, les courants océaniques et les processus de surface terrestre. Ces modèles s'appuient sur des algorithmes et de vastes ensembles de données pour projeter les scénarios climatiques futurs. Cependant, comme le démontre cette étude, les incertitudes concernant les paramètres clés, tels que les taux de fixation de l'azote, peuvent avoir un impact significatif sur la précision de ces projections.

L'étude souligne également l'importance d'intégrer des représentations plus précises des processus biologiques dans les modèles climatiques. Les modèles traditionnels simplifient souvent les interactions écologiques complexes, ce qui peut entraîner des divergences entre les prédictions des modèles et les observations du monde réel. Les récentes avancées en matière d'intelligence artificielle (IA) et d'apprentissage automatique sont explorées pour améliorer la représentation de ces processus. Les algorithmes d'IA peuvent analyser de grands ensembles de données pour identifier des schémas et des relations qui ne sont pas apparents par le biais des approches de modélisation traditionnelles. Par exemple, les modèles d'apprentissage automatique peuvent être entraînés à prédire les taux de fixation de l'azote en fonction de facteurs environnementaux tels que la température, les précipitations et la composition du sol.

Les implications de cette recherche s'étendent au-delà de la communauté scientifique. Les décideurs politiques s'appuient sur les modèles climatiques pour prendre des décisions concernant les réductions d'émissions et les stratégies d'adaptation au climat. La prise de conscience que les plantes pourraient ne pas absorber autant de CO2 que prévu nécessite une réévaluation de ces stratégies. Des réductions d'émissions plus agressives pourraient être nécessaires pour atteindre les objectifs climatiques, et il pourrait être nécessaire de mettre davantage l'accent sur le développement de technologies qui éliminent directement le CO2 de l'atmosphère.

Les recherches futures se concentreront sur l'amélioration des estimations des taux de fixation de l'azote et sur l'intégration de ces estimations améliorées dans les modèles climatiques. Les scientifiques étudient également des moyens d'améliorer la fixation naturelle de l'azote grâce à des pratiques agricoles durables. L'intégration de l'IA et de l'apprentissage automatique dans la modélisation climatique devrait jouer un rôle de plus en plus important dans l'amélioration de la précision et de la fiabilité des projections climatiques.