• Aucun résultat trouvé

Modélisation bayésienne hiérarchique à couche latente pour l'écologie et l'aide à la gestion des populations naturelles

N/A
N/A
Protected

Academic year: 2021

Partager "Modélisation bayésienne hiérarchique à couche latente pour l'écologie et l'aide à la gestion des populations naturelles"

Copied!
2
0
0

Texte intégral

(1)

HAL Id: hal-02811603

https://hal.inrae.fr/hal-02811603

Submitted on 6 Jun 2020

HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Modélisation bayésienne hiérarchique à couche latente pour l’écologie et l’aide à la gestion des populations

naturelles

Etienne Prévost, Guillaume Dauphin

To cite this version:

Etienne Prévost, Guillaume Dauphin. Modélisation bayésienne hiérarchique à couche latente pour

l’écologie et l’aide à la gestion des populations naturelles. Les Rencontres Migrateurs 2010, Mar 2010,

Orléans, France. 1 p. �hal-02811603�

(2)

Les Rencontres Migrateurs 2010 – 23&24 mars 2010 - Association Loire Grands Migrateurs Modélisation bayesienne hiérarchique à couche latente pour

l'écologie et l'aide à la gestion des populations naturelles - Etienne PREVOST, Guillaume DAUPHIN

Organisme : INRA, UMR Ecobiop E-mail : eprevost@st-pee.inra.fr

Résumé :

L'écologie des populations naturelles est régit par des phénomènes complexes. Pour

avancer dans la compréhension des mécanismes en jeu à partir de données d'observations,

la modélisation bayesienne hiérarchique à couche latente est un cadre méthodologique de

plus en plus utilisé. Il permet de représenter les processus écologiques à l'oeuvre, qui ne

sont pas le plus souvent directement accessibles à l'observation, puis de les relier avec les

données observables. La séparation de ces deux niveaux autorise à modéliser de façon

réaliste les processus d'intérêt ultime qui sont souvent dynamiques et structurés par des

emboitements d'échelles. Elle facilite également l'assimilation de sources d'information

multiples lors de la phase d'inférence statistique bayesienne. Le résultat de cette dernière

donne accès à la distribution de probabilité jointe de toutes les grandeurs inconnues du

modèle (jusqu'à plusieurs centaines) conditionnellement aux données observées. Cette

prise en compte explicite de l'incertitude, y compris pour des prédictions réalisées via le

modèle, est cruciale lors de prolongements dans le domaine opérationnel de l'aide à

gestion des populations. L'intérêt de la modélisation bayesienne hiérarchique à couche

latente pour l'écologie et l'aide à la gestion des populations naturelles sera illustrée à partir

d'études de cas sur le saumon atlantique. Les difficultés et limites actuelles seront

également discutées.

Références

Documents relatifs

Nouvelle Gazette et De Morgen, 11 juillet 1996). Peu après, le ministre- président du Gouvernement wallon, Robert Collignon, déclarait à la presse : « Si demain la

If the EU and especially the Commission were to follow the proposals of the White Paper, it would be moving toward consolidating a “governance” style citizenship regime, with new

la prise en compte de la corrélation entre les variables grâce à une procédure d’estimation multivariée permet d’améliorer la qualité des prédictions procédure d’estimation

D’une manière générale, les méthodes d’estimation par maximum de vraisemblance donnent des estimateurs ayant une erreur quadratique moyenne plus faible que celle des

Nous proposons une m´ ethode d’estimation non supervis´ ee fond´ ee sur une mod´ elisation bay´ esienne hi´ erarchique du probl` eme d’estimation de matrice de covariance : on

La complexité des lois a posteriori ainsi que la structure particulière de l’espace des paramètres amène a utiliser la méthode de simulation de type Monte Carlo par Chaînes

Notre décomposition est basé sur une nouvelle description paramétrique de la forme et qui va de substituer à la description précédemment décrite par la segmentation et on