Les modèles hiérarchiques en temps continu améliorent-ils les méthodes de suivi de la biodiversité avec des capteurs ?

Les capteurs tels que les pièges photographiques et les enregistreurs acoustiques sont de plus en plus utilisés pour suivre la biodiversité. Non invasifs, économiques, adaptés aux espèces discrètes, ils permettent une collecte continue de données. Ces données en temps continu questionnent les méthodes classiques d’écologie statistique. Ce travail porte sur les modèles hiérarchiques, largement utilisés en écologie, qui séparent l’état écologique du processus de détection afin de tenir compte de la détection imparfaite. Ces modèles ont été initialement conçus pour des données collectées de manière discrète, avec des sessions d’échantillonnage clairement séparées dans le temps. Le processus de détection peut être adapté pour exploiter le moment de chaque détection (time-to-each-detection), mais ces modèles en temps continu restent peu employés en pratique. La question centrale de cette thèse est donc : Les modèles hiérarchiques en temps continu améliorent-ils les méthodes de suivi de la biodiversité avec des capteurs ? Les hypothèses de départ sont : - Modéliser les détections en temps continu est plus cohérent avec la nature des données de capteurs, et permettrait de mieux représenter leur structure et de résoudre certaines limites, tel que le choix arbitraire de l'échelle de discrétisation. - Modéliser la détection finement dans le temps pourrait révéler des signaux écologiques, des comportements des espèces étudiées. - Ces deux éléments pourraient améliorer les estimations, réduisant le biais et l’erreur. Cette thèse s'appuie sur des simulations et des études de cas réelles, réparties en quatre chapitres. Le premier présente les pratiques actuelles d’utilisation des capteurs et des modèles hiérarchiques pour suivre la biodiversité. Il inclut une étude de cas avec des pièges photographiques et des modèles N-mixture pour prévenir les collisions entre animaux et véhicules. Le chapitre 2 introduit la question méthodologique principale : étant donné la nature continue des données, faut-il modéliser la détection en temps continu ? Une comparaison est menée entre modèles d’occupation en temps continu et discret. Le chapitre 3 étend cette analyse en introduisant les covariables de détection, souvent utilisées en temps discret, mais soulevant de nouvelles questions en temps continu, pour les modèles d’occupation et d'abondance. Le chapitre 4 aborde l’accessibilité de ces méthodes, en considérant leur intégration dans des chaînes de traitement complètes, de la collecte des données à l’inférence. Les résultats montrent que l’état écologique (occupation ou abondance), intérêt principal de nombreuses applications, est peu affecté par les choix temporels faits pour modéliser la détection. Qu’il s’agisse du choix discret/continu, du type de modèle ou de la façon de prendre en compte les covariables, les impacts restent limités. En revanche, lorsque le processus de détection lui-même a un intérêt écologique, affiner sa modélisation est pertinent. Les données de détection apportent plus d'informations que le statut détecté/non détecté. Les moments des détections peuvent être exploités, par exemple dans des modèles de Markov multi-états adaptés aux détections regroupées dans le temps. Les covariables peuvent impacter la détection à plusieurs échelles temporelles, du ponctuel aux tendances saisonnières, et il faut adapter l'analyse pour mesurer cela. Cette thèse contribue à améliorer l’analyse des données issues des capteurs en écologie. Elle propose des recommandations pour adapter les méthodes d'analyse aux attributs temporels des données. Elle aborde aussi leur accessibilité pour les écologues et gestionnaires, alors que l’usage de capteurs permet d'envisager des chaînes de traitement automatisées transférables vers des secteurs industriels utilisant peu la modélisation écologique, via des outils comme les jumeaux numériques. Plus largement, elle interroge l’évolution de l’écologie statistique face aux avancées technologiques.