Département Analyse des Systèmes, Evaluation Intégrée et Modélisation
Combler le fossé entre la science des données et la modélisation mécaniste pour acquérir des connaissances sur la composition des communautés
Motivation
La composition des communautés d’organismes vivants dans les écosystèmes dépend de divers facteurs : des espèces présentes dans la région, des conditions environnementales locales et de l’interaction entre les espèces. Différentes méthodes peuvent être utilisées pour prédire la probabilité d'occurrence de différentes espèces : soit elles sont basées sur la formulation mathématique des connaissances existantes sur les mécanismes qui influencent l'apparition des espèces, soit elles se basent sur l'analyse de données statistiques. De plus, il existe des méthodes d'apprentissage automatique (machine learning), avec lesquelles il est plus difficile de comprendre les relations avec les facteurs environnementaux. Ces trois méthodes présentent des avantages et des inconvénients, mais elles ont rarement été utilisées ensemble car elles diffèrent dans leurs exigences en matière de données et dans l'effort de calcul requis.
Contenu et objectif du projet de recherche
Dans ce projet, des modèles mécanistes, des modèles statistiques et des méthodes de machine learning seront appliqués pour améliorer notre connaissance des effets environnementaux sur les macroinvertébrés dans les cours d'eau, afin qu'à l'avenir nous puissions mieux prévoir quelles espèces apparaissent dans quelles conditions environnementales. Nous utiliserons les connaissances acquises pour développer un modèle aussi simple et efficace que possible, incluant les mécanismes les plus importants et offrant une prédiction optimale. Un autre objectif est d'utiliser les simulations par ordinateur pour identifier les caractéristiques des communautés de macroinvertebrés les plus sensibles à des futurs changements des conditions environnementales.
Contexte scientifique et sociétal du projet de recherche
Nos travaux apporteront de nouvelles connaissances sur la prédiction de la composition des communautés qui pourront contribuer à la gestion des écosystèmes aquatiques dans la perspective des changements environnementaux à venir.
Publications
Chollet Ramampiandra, E., Scheidegger, A., Wydler, J., & Schuwirth, N. (2023). A comparison of machine learning and statistical species distribution models: Quantifying overfitting supports model interpretation. Ecological Modelling, 481, 110353 (11 pp.). doi:10.1016/j.ecolmodel.2023.110353, Institutional Repository
