en fr Exploring the bayesian hierarchical approach for the statistical modeling of spatial structures: application in population ecology Exploiter lapproche hiérarchique bayésienne pour la modélisation statistique de structureReportar como inadecuado




en fr Exploring the bayesian hierarchical approach for the statistical modeling of spatial structures: application in population ecology Exploiter lapproche hiérarchique bayésienne pour la modélisation statistique de structure - Descarga este documento en PDF. Documentación en PDF para descargar gratis. Disponible también para leer online.



Abstract : For most ecological questions, the random processes studied are spatially structured and come from the combined effect of several observed or unobserved random variables interacting at various scales. In practice, when data can-t be directly treated with traditional spatial structures, observations are often considered as independent. Moreover, the usual models are often based on hypotheses that are too simple with regards to the complexity of the studied phenomena. In the present work, the hierarchical modelling framework is combined with some spatial statistics tools to build specific functional random structures for complex and spatially structured phenomena in population ecology. Model inference is done under the bayesian framework using MCMC algorithms. In the first part, a spatial hierarchical model called Geneclust is developed to identify genetically homogeneous populations when genetic diversity varies continuously in space. A hidden Markov random field, used to model the spatial structure of genetic diversity, is combined with a bivariate model for the occurrence of genotypes to take into account the possible occurrence of inbreeding in some natural populations. In the second part of the thesis, a particular compound Poisson process, called law of leaks, is presented from the hierarchical point of view. The goal was to describe the process of sampling living organisms. This approach explicitly confronts the technical issue of modelling continuous zero-inflated data from sampling characterized many zero values and variable sampling effort. This model is combined with different area-based models to add spatial dependencies between geographical units then with a bivariate gaussian random field built by process convolutions to model the joint spatial distribution of two species. The fitting and predictive capacities of the different hierarchical models are compared to the traditional models from simulated and real data Scandinavian brown bears, epibenthic invertebrates in Saint-Lawrence Gulf Canada

Résumé : Dans la plupart des questions écologiques, les phénomènes aléatoires d-intérêt sont spatialement structurés et issus de l-effet combiné de multiples variables aléatoires, observées ou non, et inter-agissant à diverses échelles. En pratique, dès lors que les données de terrain ne peuvent être directement traitées avec des structures spatiales standards, les observations sont généralement considérées indépendantes. Par ailleurs, les modèles utilisés sont souvent basés sur des hypothèses simplificatrices trop fortes par rapport à la complexité des phénomènes étudiés. Dans ce travail, la démarche de modélisation hiérarchique est combinée à certains outils de la statistique spatiale afin de construire des structures aléatoires fonctionnelles -sur-mesure- permettant de représenter des phénomènes spatiaux complexes en écologie des populations. L-inférence de ces différents modèles est menée dans le cadre bayésien avec des algorithmes MCMC. Dans un premier temps, un modèle hiérarchique spatial Geneclust est développé pour identifier des populations génétiquement homogènes quand la diversité génétique varie continûment dans l-espace. Un champ de Markov caché, qui modélise la structure spatiale de la diversité génétique, est couplé à un modèle bivarié d-occurrence de génotypes permettant de tenir compte de l-existence d-unions consanguines chez certaines populations naturelles. Dans un deuxième temps, un processus de Poisson composé particulier,appelé loi des fuites, est présenté sous l-angle de vue hiérarchique pour décrire le processus d-échantillonnage d-organismes vivants. Il permet de traiter le délicat problème de données continues présentant une forte proportion de zéros et issues d-échantillonnages à efforts variables. Ce modèle est également couplé à différents modèles sur grille spatiaux, régionalisés afin d-introduire des dépendances spatiales entre unités géographiques voisines puis, à un champ géostatistique bivarié construit par convolution sur grille discrète afin de modéliser la répartition spatiale conjointe de deux espèces. Les capacités d-ajustement et de prédiction des différents modèles hiérarchiques proposés sont comparées aux modèles traditionnellement utilisés à partir de simulations et de jeux de données réelles ours bruns de Suède, invertébrés épibenthiques du Golfe-du-Saint-Laurent Canada.

Mots-clés : algorithmes MCMC champs de Markov cachés Champs gaussiens bivariés Données génotypiques multi-locus Données zero-inflated Loi des fuites Modélisation hiérarchique Modèles delta processus de Poisson composé Variables latentes





Autor: Sophie Ancelet

Fuente: https://hal.archives-ouvertes.fr/



DESCARGAR PDF




Documentos relacionados