Méthodes pour l’analyse des écosystèmes en croisant observation, expérimentation et modélisation
Notre projet scientifique accorde une large place à l’intégration des données et modèles pour représenter les systèmes étudiés, en étudier le fonctionnement, tester des hypothèses et hiérarchiser les processus, prévoir les évolutions possibles en fonction des forçages anthropiques et environnementaux.
Thèmes :
♦ S’appuyer sur les réseaux d’observation et plateformes de données (ROME, ILICO, JERICO, ODATIS, EMODNET) et les rejeux des modèles côtiers pour lancer des projets sur des méthodes innovantes d’analyse de données et de modélisation (modélisation hybride, « machine learning »)
♦ Améliorer notre capacité à développer des approches expérimentales sur mésocosmes pour tester des hypothèses sur l’évolution des écosystèmes
♦ Maintenir les compétences pour assurer l’évolution, le maintien et le transfert des outils de modélisation développés par DYNECO, notamment dans le cadre du passage à CROCO
Au niveau des données, notre projet repose sur l’acquisition de données à différentes échelles spatiales et temporelles, dont beaucoup s’inscrivent dans des stratégies institutionnelles et opérationnelles : réseaux d’observation haute fréquence pour des variables essentielles physiques et biogéochimiques ; réseaux d’observation basse fréquence multi-sites pour le benthos et les communautés microbiennes. L’expérimentation permet de tester des hypothèses et de mettre au point des protocoles de mesure et d’analyse de données issues de capteurs.
La modélisation statistique ou mécaniste s’appuie sur deux démarches complémentaires : les approches guidées par la théorie sont basées sur une représentation a priori des mécanismes et des concepts, et utilise les données pour valider ou réfuter les hypothèses. Les approches guidées par les données cherchent à faire émerger une théorie ou une compréhension des mécanismes partant de l’hypothèse que les données sont suffisantes. Ainsi les données issues de l’observation permettent de décrire et mesurer les co-variations entre variables hétérogènes et proposer une interprétation sous forme de relations causales. Elles permettent aussi de hiérarchiser les facteurs de variabilité, qui peuvent ensuite être prises en compte et testées dans des modèles mécanistes ou des expérimentations.
