Thématique
Modélisation géographique.
Technologies
- Apprentissage automatique / Machine Learning (Random Forest, Canonical Variates Analysis)
- Géostatistiques (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.
| Modélisation géographique | Cluster de communauté microbienne |
|---|---|
 |  |
Figure 1: Modélisation géographique de microbes impliqués dans l’assimilation du méthane atmosphérique et son stockage dans le sol (panneau gauche). Le panneau droit montre comment les microbes forment des clusters entre eux dans chacun des écosystèmes.
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.