Analyse des données et Modélisation

Nous avons une expertise en analyse des données appliquée à l’écologie, regroupant la dynamique des populations (e.g., données de comptage, de capture-marquage-recapture), l’éco-épidémiologie (e.g., modèle SEIR, analyse de survies) ainsi que l’écotoxicologie (e.g., dose-réponse, toxicocinétique-toxicodynamique).

Nous utilisons différentes techniques statistiques allant des analyses classiques (tests d’hypothèses, modèles linéaires additifs ou généralisés avec effets mixtes) à des modèles hiérarchiques plus complexes par inférence Bayésienne.

Pour vous donner une idée de nos outils, vous pouvez piocher librement (licences Open Source) sur notre dépôt gitlab.

Nos cours

Un ensemble de Notebook Jupyter, que l'on peut déployer pour vous dans un JupyterHub, et couvrant différent domaine de la modélisation en écologie (equations différentielles, modèles SEIR, Analyse de sensibilité, modèles de dispersion), et un cours Advanced Ecotoxicological Modelling introduisant l'Inférence Bayésienne (LM to GLMM), les modèles TK-TD et leur inférence dont les modèles de survies GUTS (Generalized Unified Threshold models of Survival), la théorie DEB (Dynamique Energy Budget).

Nos Logiciels

Développés en partenariat avec le laboratoire MEPS de l’Université de Lyon 1. Les packges R notamment :

morse : Inférence Bayésienne et Analyse des données de survies et de reproduction.
rPBK : Inférence Bayésienne des modèles PB-TK (Physiologically Based ToxicoKinetics).
rbioacc : Inférence Bayésiennes des modèles de bioaccumulations multi-compartiments, multi-composés.

Nos Outils Web

BAPPviewer : Interface pour la représentation graphique des données de BAPPET et BAPPOP.

Collecte, Analyse, Interprétation

Prise en main complète de votre workflow d’analyse de données, du plan d'échantillonnage, des choix d'analyse statistiques et de l'interprétation

Formation à l’analyse

En présentiel ou par l’accès à des serveurs qu’on vous met à disposition nous pouvons vous former à tout ou partie des outils mentionnés. En savoir plus

Nous vous aidons ainsi à acquérir une connaissance des écosystèmes en interprétant avec précision les résultats d'analyses de données collectées de manière appropriée.

Nous vous assistons dans ces aspects clés (collecte, analyse, interprétation) soit en travaillant avec vous sur le problème, soit en vous enseignant certaines des compétences requises, pour apprendre avec succès à connaître et à gérer les systèmes écologiques et agro-écologiques.

Modélisation des scénarios

Nous avons une expertise reconnue en modélisation de scénarios en éco-épidémiologies et en écotoxicologie (PBK, TK-TD, DEB), mais aussi des modèles multi-agents.

Ces travaux sont à façon et ont données lieu à des publications de recherches :

Analyse des données

Les données sont la fondation sur laquelle reposent les conclusions finales, il est donc essentiel de collecter des données adaptées à votre utilisation et à votre analyse prévue. Nous pouvons vous aider à :

Déterminer le type de données qui doit être collecté
Déterminer la taille de l'échantillon
Allouer de manière optimale les efforts d'enquête
Évaluer les méthodes de terrain possibles

Comme nous sommes spécialisés dans les applications en écologie, nous sommes familiers avec bon nombre des défis qui en sont spécifiques et des limitations pratiques auxquelles vous êtes souvent confrontés.

Nous visons à vous fournir des analyses de données de haute qualité dans un langage accessible, que vous pourrez communiquer à votre tour dans des termes concrets pour le problème du client :

Marquage-Recapture
Échantillonnage à distance
Modélisation d'occupation
Modélisation de la distribution des espèces
Modélisation spatio-temporelle
Modèles linéaires généralisés
Modèles additifs généralisés
Régression linéaire
ANOVA, tests t, tests z, etc.

Machine Learning

L’usage du terme Machine Learning (apprentissage machine) couvre aujourd’hui l’ensemble de l’analyse des données depuis les tests d’hypothèses aux réseaux de neurones sophistiqués des modèles de langages. Nous avons déjà utilisé des réseaux de neurones pour la reconnaissance d’images satellites (réseaux de neurones convolutifs, CNN) ainsi que des réseaux de neurones à action directe dans des équations différentielles afin de prendre en compte les mélanges de contaminants dans les modèles exposition-imprégnations-effets.