Thèse soutenue

Faire face à l'incertitude dans les modèles complexes ˸ une application au modèle écosystémique OSMOSE dans l'écosystème nord du courant de Humboldt
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Doris Criscely Luján Paredes
Direction : Paul LeadleyDavid Ricardo Oliveros RamosYunne Shin
Type : Thèse de doctorat
Discipline(s) : Biologie
Date : Soutenance le 24/03/2022
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Sciences du Végétal : du gène à l'écosystème
Partenaire(s) de recherche : Laboratoire : Écologie, systématique et évolution (Orsay, Essonne ; 2002-....)
référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
graduate school : Université Paris-Saclay. Graduate School Biosphera (2020-....)
Jury : Président / Présidente : Philippe Cury
Examinateurs / Examinatrices : Verena Trenkel, Eva Plaganyi-Lloyd
Rapporteurs / Rapporteuses : Verena Trenkel, Eva Plaganyi-Lloyd

Résumé

FR  |  
EN

L'augmentation de la complexité des modèles permet d'obtenir une représentation plus réaliste des systèmes naturels. Cela peut également conduire à la création d'outils très complexes, dont il est nécessaire d'étudier les sources d'incertitudes, ainsi que le degré de confiance que nous pouvons accorder à leurs prédictions. Cette thèse porte sur l'étude de l'incertitude dans le modèle d'écosystème marin OSMOSE appliqué à l'écosystème nord du courant de Humboldt. Ce travail explore les différentes méthodes et outils disponibles pour les études d'incertitude. Nous avons mis en œuvre une analyse d'incertitude, dont les principaux résultats ont montré que l'incertitude d'un modèle complexe dépend de l'incertitude de quelques paramètres d'entrée, qu'elle se propage dans le temps et que, selon les sorties du modèle sélectionnées, celles-ci peuvent atténuer ou amplifier le niveau d'incertitude de ses résultats. Nous présentons également un protocole basé sur le critère de fiabilité des paramètres.Cela nous permet de classer les paramètres du modèle en fonction de la source d'information utilisée pour estimer leurs valeurs et d'attribuer un niveau d'incertitude aux paramètres du modèle. Enfin, nous proposons une série de recommandations pour les futures études d'incertitude utilisant des modèles complexes.