Biostatistiques et Processus Spatiaux (BIOSP-Avignon) ex-Biométrie

Slides:



Advertisements
Présentations similaires
Des modèles statistiques non-linéaires à effets mixtes et leurs extensions pour analyser la réponse de « la » biodiversité à des variables écologiques.
Advertisements

Caractériser les précipitations intenses du MRCC
Champs de Markov en Vision par Ordinateur
Démarches de modélisation
Modélisation de l’hydrodynamique du plateau atlantique
Institut Français de recherche pour l'exploitation de la mer Variabilité hydrologique et courantologique dans le golfe de Gascogne, déterminées à partir.
Couplage hôte / pathogène Vigne / oïdium
A L I M E N T A T I O N A G R I C U L T U R E E N V I R O N N E M E N T.
Modélisation du développement des épidémies d'oïdium de la vigne
C1 Bio-statistiques F. KOHLER
Modélisation et estimation de la dispersion du flux de pollen de maïs
Modélisation des systèmes non linéaires par des SIFs
Module SIG-Santé 11. Epidémiologie et analyse spatiale Marc SOURIS
Module SIG-Santé 12. SIG et analyse spatiale
Tester et mesurer lassociation spatiale entre 2 groupes darbres et des variables environnementales Quelles approches ? Dans le cadre des processus ponctuels.
Time Series Séries Chronologiques Georges GARDARIN.
Module SIG-Santé 15. Modélisation Marc SOURIS
Traitement de données socio-économiques et techniques d’analyse :
Application des algorithmes génétiques
Le modèle linéaire et l'approche multivariée en statistique
Développement d’un modèle de dynamique des populations structuré en longueur – Application au merlu de l’Atlantique Nord-Est Hilaire Drouineau (EMH)‏ Directrice:
Etude longitudinale d’essais multilocaux: apports du modèle mixte
Epidémiologie, analyse spatiale et géostatistique
Construction de modèles visuels
Comprendre la variation dans les données: Notions de base
Signaux aléatoires.
NOTION DE METAPOPULATION
L’Analyse de Variance 1 Généralités Le modèle Calculs pratiques
Commentaires sur les biais écologiques et les échelles non emboîtées
Prédiction multi-step de la volatilité : le modèle ARIMA-GARCH appliqué aux séries temporelles d’affaiblissement par la pluie sur les liaisons Terre-Satellite.
Dispersion de gènes et structures génétiques spatiales
1 Evaluer le risque en situation de changement climatique : mission impossible ? SAMA, 19 Janvier 2007 Eric Parent 1, Jacques Bernier 1 et Vincent Fortin.
Les analyses multivariées
Approches non intrusives des éléments finis stochastiques
Régression linéaire (STT-2400)
Réseaux de neurones et probabilités
« Geographical genetics » Epperson 2003
Modélisation de la formation de bancs de poissons
à partir de données géo-référencées zero-inflated
Filtrage de Kalman et aperçu probabiliste
Régression linéaire multiple : hypothèses & interprétation. Partie 2.
A L I M E N T A T I O N A G R I C U L T U R E E N V I R O N N E M E N T Séminaire GIS GC HP2E 12 mars 2010 Projet Transversal en construction dans le cadre.
Service Traitement de l’Information et Méthodologies.
Méthodes de Biostatistique
Méthodes de Biostatistique
Méthodes de Biostatistique
Méthodologie expérimentale : l’analyse des données
Dynamique des ligneux dans les écosystèmes tropicaux
10 février 2006GDR ISIS Journée Localisation et Navigation Projet EGNOS-BUS (Eurêka) André Monin, Wael Suleiman LAAS-CNRS.
Caswell 2001 Sinauer Associates
SOUTENANCE DE DEUXIEME ANNEE
Howell Chap. 11: ANOVA. Du monde connu au monde inconnu Du test t à l’analyse de varianceDu test t à l’analyse de variance Trouvez des nouveaux noms pour.
04/12/2012 Serge Villette CETE de l’Ouest 1 L’intégration du Développement durable dans l’évaluation des projets d’infrastructures portuaires ou fluviales.
Séance 8 30 novembre 2005 N. Yamaguchi
LAMSADE Université Paris Dauphine
Études écologiques.
Transfert radiatif dans les sprays. Application aux rideaux d’eau.
W w w. u o t t a w a. c a Mathématiques et Statistique Faculté de Science Groupe de recherche en Probabilité et Statistique Dept: (613) Fax: (613)
TNS et Analyse Spectrale
Étude de l’écoulement moyen
Décision incertaine et logistique : Grille typologique
Présenté par Mathieu Almeida, Amine Ghozlane
Méthode des moindres carrés (1)
Mathématique et Informatique Appliquées
Circulation de grande échelle Circulation de petite échelle
Du phénotype au génotype
Traitement de la turbulence
Comparaison multi-échelle des précipitations du modèle Méso-NH et des données radar Colloque CNFSH – Ecole des Ponts ParisTech – 11/12 juin 2009 A., Gires.
Jean Gaudart1 Détection de clusters spatiaux d'évènements Jean Gaudart Labo. Biostatistiques Faculté de Médecine de Marseille.
Processus ponctuels Caractéristiques et Modèles de répartitions spatiales.
Transcription de la présentation:

Biostatistiques et Processus Spatiaux (BIOSP-Avignon) ex-Biométrie

18 personnes: 7 chercheurs (dont 2 des dpts SPE, EFPA) 3 ingénieurs (stats, algorithme, informatique) 2 techniciennes (informatique, secrétariat) 6 doctorants et/ou postdoctorants + 2 recrutements CR (MIA et SPE) en cours compétences globales en statistiques, probabilités (dynamiques et spatiales) mathématiques ED, EDS, EDP modélisation et analyse de modèles

I Pour de la modélisation et répondre à des questions du genre: en écologie, épidémiologie spatiales et dynamique des populations et répondre à des questions du genre:

1-Identification des interactions et des échelles pertinentes estimer les interactions locales entre individus intra et inter populations en densité non homogène (mauvaises herbes, brousse tigrée, buis) identifier les échelles spatiales interactions inter espèces et des facteurs environnementaux par décomposition fréquentielle des structures de covariance chenille tordeuse du pin et conditions bioclimatiques, caractérisation des habitats océanographiques des oiseaux marins (CNRS, Chizé) analyser l’hétérogénéité à différentes échelles spatiales par la notion de variance de dispersion (télédétection végétale) et très souvent pour inférer des hypothèses sur des données non standards: variables de dénombrement, nombre important de zéros, échantillons sur transects, des contraintes d’observations adapter des modèles bayésiens hiérarchiques pour la distribution des baleines en Méditerranée.

le motif que le manque de motif 2- Détection de motifs spatiaux un problème à facettes multiples où il faut définir aussi bien le motif que le manque de motif détection de clusters de points par MV et tesselations de Voronoï: estimer le nb de clusters et leur contour ( fôrets canadiennes) détection de clusters de variables continues dans une population hétérogène par méthodes de permutations et choix de la distance entre distributions par modèle semi-paramétrique de Cox avec introduction de foyers comme paramètres (épidémiologie: mammites des élevages laitiers fançais (SA, Clermont), détection de clusters sous contraintes d’interactions en équilibre par modèle de Gibbs et calcul MCMC (données mammites et filaments galactiques!)

détection d’agrégats sur support arborescent sans notion de topologie métrique pucerons sur citronniers:échelle d’agrégation et stratégie de défense détection de zones de changement abrupt pour les champs aléatoires par estimation du champ gradient et de l’agrégation de tests locaux sur les maximums données agriculture de précision, liaisons entre carte pédologique et carte de variables non permanentes (eau, N) classification de données spatialisées recouvrir une partition de l’espace en zones homogènes pour des variables latentes (INRIA, Grenoble)

3- Dispersion de propagules, variations sur un thème à partir de données de comptage piégeage de graines de buis, dispersion du pin, dynamique du cèdre MV sur processus ponctuels non homogènes génétiques dispersion du pollen de colza, maïs, l’alisier et le frêne,… estimation des mélanges génétiques et déconvolution analyse de paternité ou de parenté modèle hiérarchique de multinomiales intégrant les lois mendéliennes de suivis spatio-temporelles des générations modèles de dynamiques selon type de données (buis, oïdium vigne, cèdres,..)

caractériser la dispersion à longue distance effets des paramètres de la fonction de dispersion (queue, variance,…) méthodes MV étudier l’hétérogénéité du milieu, la fragmentation, la forme des sources sur la vitesse et les patterns de colonisation les relations :densité (isolement) et capacité d’interaction entre individus modèle de type «frailty » et MV :rouille du blé, alisier, chêne et hêtre du Larzac déterminer les variables affectant la fertilité (taille, phénologie,...) Simuler des devenirs sous dynamique d’enveloppe climatique modèles stochastiques modèles réaction diffusion avec dépendance de l’hétérogénéité spatiale et temporelle et conception de schémas expérimentaux pour confirmer/infirmer le type (logistique, Allee,)

et des thèmes de recherche pour les autres ... II Des outils pour les uns, et des thèmes de recherche pour les autres ...

1- champs et processus aléatoires support continu géostatistique classique ( champs gaussiens multivariables, krigeage, ajustement, prédiction, tendances, variogrammes, ...) géostatistiques au sens large (données discrètes, modèles linéaires généralisés, variables latentes...) processus temporels ( suivi de potentiels infectieux, de fonctions de risque instantanné,…) support discret (points aléatoires et grilles régulières) processus ponctuels marqués modèle d’intensité, des caractéristiques du second ordre (Ripley, covariance,...) modèles avec interaction (intra et inter marques) support arborescent (réseaux hydriques) modèles de covariance « stationnaire » amont-aval échantillonnage sur réseaux hydrographiques

2- Statistiques « ante et post-modèle » tester des hypothèses préliminaires pour asseoir un modèle traduire les hypothèses et construire les test adéquats recours à des procédures non paramétriques (permutations, translations, …) adapter des techniques spécifiques à des types d’applications (critère de fenêtrage de la fonction d’incidence,…) fixer les limites d’un modèle et voir comment passer à un autre type d’imprécision, d’agrégation des observations  choix du modèle analyse des résidus post-modèle pour interpréter les données, spécifier les caractéristiques d’un modèle hiérarchique

3- Exploration/analyse de sensibilité des modèles complexes Toutes approches confondues, une préoccupation à bien partager entre modélisateurs animation du groupe « Exploration numérique des propriétés des modèles » PSH, Patho-V, Fôrets,CSE,bioclim faire connaître les approches et les outils d’analyse de sensibilité globale en fonction de la maniabilité du modèle (échantillonnage: Anova, Sobol, Fast) hiérarchisation des facteurs et étude de leurs interactions les problèmes d’inversibilité des approches spécifiques locales par géostat (recherche de métriques sur l’espace des paramètres, étude des singularités, réduction des dimensions d’entrées, sorties