Les modèles prédictifs sont couramment utilisés en foresterie pour optimiser la gestion des forêts. Un modèle peut être vu de manière simpliste comme une boîte noire qui calcule des variables de sortie à partir de variables d'entrée. Il est alors tentant d'assembler différentes boîtes noires pour construire des modèles de plus en plus complexes. En s'appuyant sur une revue bibliographique des modèles en foresterie, cette étude a pour objectif d'identifier les limites du couplage de modèles. Le couplage de modèles peut induire un biais de prédiction, en particulier lorsque les modèles couplés interagissent rétroactivement. Le couplage entraîne également une propagation des erreurs et peut se traduire par une perte de précision des prédictions. Le couplage implique également un équilibrage du niveau de détails pris en compte dans les modèles assemblés. En conclusion, il est préférable, lorsque le niveau de complexité du modèle le permet, d'ajuster conjointement l'ensemble des composantes d'un modèle, plutôt que de le décomposer en sous-modèles ajustés indépendamment les uns des autres.