Adeline Leclercq Samson et Sylvain Moinard

10h : Adeline Leclercq Samson (LJK, UGA) : Some statistical models to quantify the effect of climate change on whales in Greenland

Résumé : Human activities have a profound impact on marine ecology in Greenland. In this presentation, I will focus on a study of the impact of these activities on narwhals. I will present different stochastic models to analyze the data from this study: point process with memory, stochastic Langevin diffusions. These diffusion processes can be multidimensional, hypoelliptic (with a degenerate noise) and partially observed. I will discuss the question of parameter estimation when only discrete observations are available.

11h : Sylvain Moinard (LECA, UGA) : Indicateurs de biodiversité robustes pour le métabarcoding et outils mathématiques associés

Résumé : Du fait de l'activité humaine, la biodiversité connaît un bouleversement rapide à l'échelle mondiale. Les mesures de conservation nécessitent de pouvoir évaluer l'état de la biodiversité sur un site donné. L'étude de l'ADN environnemental par métabarcoding permet de remplacer l'observation directe des espèces, laborieuse, et fournit une source d'information prometteuse pour améliorer la gestion des écosystèmes. Cependant, l'estimation des abondances relatives des espèces est encore mal établie pour ce type de données.
Je présenterai d'abord un projet de correction des biais d'abondance induits par le métabarcoding. Ces travaux sont appuyés par une modélisation de la PCR (Polyerase Chain Reaction), cruciale dans ce protocole. Le choix des paramètres optimaux dudit modèle n'est pas établi de manière analytique mais repose sur une optimisation numérique.
Je présenterai donc dans un second temps un nouvel algorithme d'inférence de paramètres pour modèles aléatoires appelé Fixed Landscape Inference MethOd (flimo). Celui-ci est applicable à divers modèles utilisés en écologie. Il fonctionne dans le même cadre que les algorithmes d'Approximate Bayesian Computation (ABC) en procédant par simulations du modèle sans considérer sa vraisemblance. Sur les exemples étudiés, les résultats de flimo sont obtenus beaucoup plus vite que pour les algorithmes utilisés en comparaison, avec une précision similaire.