Dernière mise à jour : il y a 1 jour
Cécile Barnaud est co-autrice d'une méta-analyse publiée dans la revue Ecology and Society dont l'objectif est d'examiner et de synthétiser les données scientifiques disponibles concernant les raisons qui poussent les acteurs à collaborer au sein d'espaces protégés multifonctionnels.
Turkelboom, F., M. Nishi, B. Locatelli, E. Andersson, L. Vercruysse, E. Garau, M. D. López-Rodríguez, C. Noël, N. Dendoncker, T. Plieninger, J. Desair, C. Albert, C. Barnaud, S. Jacobs, A. J. Castro, E. Oteros-Rozas, A. Heck, and M. Torralba. (2026). Why do we work together? Motivations for collaboration in multifunctional conservation-oriented landscapes. Ecology and Society 31(1):29. https://doi.org/10.5751/ES-17029-310129
Abstract :
Around the world, many environmental and social problems often appear together, such as biodiversity loss, soil degradation, and livelihood precarity. Integrated landscape approaches have emerged as a powerful way to tackle these intertwined crises at the scale of whole landscapes, but success depends on a factor often overlooked: the motivation of people to collaborate. The objective of this study is to review and synthesize the available scientific evidence of the reasons why actors choose to collaborate in multifunctional protected landscapes. Building on existing literature, we developed an analytical framework that views collaboration as a dynamic interplay between actor-level motivators (ranging from non-material relations to nature, community or organizational ties, to material benefits) and network-level motivators (shared goals, interdependence, trusted networks, effective interactions, and clear achievements). These drivers are further shaped by broader forces such as agency, legal frameworks, social and political context, the socioeconomic conditions, and biophysical contexts. Our findings reveal a crucial insight: sustainable collaboration cannot rest on a single motivator, such as financial gain, but thrives when a “bundle of motivators” is activated. To help organizations unlock this potential, we identify seven practical levers to strengthen collaboration and maximize the impact of integrated landscape approaches. By understanding and intentionally fostering these layered motivations, landscape management can move from fragmented efforts to transformative, long-term solutions for both people and nature.
Résumé :
Partout dans le monde, de nombreux problèmes environnementaux et sociaux se manifestent souvent conjointement, tels que la perte de biodiversité, la dégradation des sols et la précarité des moyens de subsistance. Les approches paysagères intégrées se sont imposées comme un moyen efficace de s’attaquer à ces crises interdépendantes à l’échelle de paysages entiers, mais leur succès dépend d’un facteur souvent négligé : la motivation des personnes à collaborer. L'objectif de cette étude est d'examiner et de synthétiser les données scientifiques disponibles concernant les raisons qui poussent les acteurs à collaborer au sein d'espaces protégés multifonctionnels. En nous appuyant sur la littérature existante, nous avons élaboré un cadre analytique qui considère la collaboration comme une interaction dynamique entre des facteurs de motivation au niveau des acteurs (allant des relations immatérielles avec la nature, des liens communautaires ou organisationnels, jusqu'aux avantages matériels) des facteurs de motivation au niveau des réseaux (objectifs communs, interdépendance, réseaux de confiance, interactions efficaces et réalisations concrètes). Ces facteurs sont en outre façonnés par des forces plus larges telles que la capacité d’agir, les cadres juridiques, le contexte social et politique, les conditions socio-économiques et les contextes biophysiques. Nos résultats mettent en évidence un élément essentiel : une collaboration durable ne peut reposer sur un seul facteur de motivation, tel que le gain financier, mais s’épanouit lorsqu’un « ensemble de facteurs de motivation » est mis en œuvre. Pour aider les organisations à exploiter ce potentiel, nous identifions sept leviers concrets visant à renforcer la collaboration et à maximiser l’impact des approches paysagères intégrées. En comprenant et en favorisant délibérément ces motivations à plusieurs niveaux, la gestion des paysages peut passer d’efforts fragmentés à des solutions transformatrices et durables, tant pour les populations que pour la nature.
Par Yusuf Öztürk (doctorant université de Turquie, accueilli à l’AgroToulouse dans le cadre d'une bourse PRESTJ avec l'ambassade de France en Turquie)
Poplar is among the important species in industrial forestry due to its rapid growth, hybridization capacity, and adaptability to diverse environmental conditions. The mapping of the spatial distribution of poplar plantations and the analysis of their temporal changes are essential for ensuring sustainable resource management and maintaining up-to-date national poplar inventories. Recently, ensemble deep learning approaches, developed by combining the predictions of different deep learning architectures, have attracted increasing attention across various fields, particularly in remote sensing and forestry, due to their high accuracy and strong generalization capabilities in classifying large-scale and multi-temporal data. Within the scope of this study, ensemble deep learning models were developed for mapping poplar plantation areas using multi-temporal Sentinel-2 imagery, through the semantic segmentation-based models under different strategies. A local-to-global mapping approach was adopted for model development and evaluating their generalization potential. In this context, models were trained using multi-temporal Sentinel-2 images acquired from the Akyazi region were used to train models and assess their generalization potential. Then, they were applied to different test areas in Düzce, Terme, and Azizler to assess their spatial generalization performance. Comparative analysis of individual semantic segmentation models revealed that the transformer-based SwinD-Net and Poplar-Net models outperformed traditional models, producing 2–7% higher IoU values across different test areas. On the other hand, the best accuracy values were received by combining a limited number of model predictions rather than integrating all model outputs. The evaluation of results from individual and ensemble deep learning models demonstrated that ensemble approaches provided limited accuracy improvements, remaining below 1% compared to the best-performing individual model. The most robust generalization performance was achieved using ensemble models with heterogeneous structure, incorporating both dataset and model diversity. On the other hand, although ensemble deep learning models yielded limited improvements in accuracy, individual models with more advanced architectures, such as SwinD-Net and Poplar-Net, provided comparable and, in some cases, superior performance. Therefore, considering computational cost, training time, and hardware requirements, single-model designs with deeper architectures represent a more efficient and practical alternative for real-world applications.
Plusieurs dynaforien.ne.s, jeunes ou moins jeunes, motivés par notre super coach Sandrine Vidal, bénévole à la section locale de l'ADAS Toulouse, ont participé aux couleurs de l'unité lors des 16ième Tolosanes 2026 qui a eu lieu le vendredi 19 juin 2026, placée sous le signe de la convivialité, du jeu, du sport et de la bonne humeur ! L’objectif était simple : défendre les couleurs de notre unité en partageant un moment collectif et profiter d’une journée qui mélange esprit d’équipe, détente et amusement.
Et le résultat est, semble-t-il, pas si mal avec une 4ième place.
