Theme
Geographical Modelling.
Technologies
- Machine Learning (Random Forest, Canonical Variates Analysis)
- Geostatistics (Kriging)
Description
J’ai complété une étude décrivant les étapes de modélisation nécessaire pour prédire la répartition géographique de microbes dans le sol responsables de la réduction des concentrations de méthane (un puissant gaz effet de serre) dans l’atmosphère. Grâce au sponsor du gouvernement écossais, une grande base de données a été construite après un sondage du sol dans toute l’Écosse. L’objectif a été de collecter plusieurs données environnementales (température, pluies, humidité, nutriments, fertilité, composition minérale, etc.) pour mieux décrire les procédés biologiques dans le sol. J’ai réparti les tâches de modélisation entre mes collaborateurs pour faire avancer le processus intellectuel. Une fois les analyses terminées, j’ai écrit un article scientifique pour présenter nos résultats. Cela a été une occasion fantastique pour apprendre à manier des méthodes statistiques pointues. Voir la publication Nazaries et al., 2018.
Environmental drivers of the geographical distribution of methanotrophs: Insights from a national survey. Soil Biology and Biochemistry. doi:https://doi.org/10.1016/J.SOILBIO.2018.08.014.
| Geographical Modelling | Microbial Community Clusters |
|---|---|
 |  |
Figure 1: Geographical modelling of microbes involved in the uptake of atmospheric methane and its storage in soil (left panel). The right panel shows how microbes cluster with each other within different ecosystems.
J’ai rendu publique (open source) ma base de données sur le site figshare.com pour permettre à d’autres équipes d’utiliser mes données pour leurs propres études.