Samuel Fischer explique comment lui et ses collègues recherché et utilisé une application pour smartphone de pêcheurs permettant de créer un modèle stochastique pour le trafic des pêcheurs dans la province canadienne de l’Alberta. Les pêcheurs facilitent la propagation de la maladie du tournis, une maladie des poissons induite par des parasites, ce qui signifie que ce modèle démontre l’importance du comportement individuel des vecteurs pour le transport des propagules.
Des données des smartphones à la gestion des espèces envahissantes
Les maladies animales et les espèces envahissantes menacent les écosystèmes du monde entier, souvent propagées par le trafic humain et le commerce. Ironiquement, ce sont peut-être ceux qui aiment le plus la nature qui la mettent en danger :
campeurs (transportant des insectes non indigènes avec leur bois de chauffage)
les plaisanciers (transportant des moules envahissantes avec leurs bateaux)
les pêcheurs (transportant des parasites des poissons avec leur équipement).
Une fois introduite, la réussite de l’éradication ou du confinement des agents pathogènes ou des espèces envahissantes sur un site dépend fortement de la rapidité avec laquelle l’infestation a été repérée. Les gestionnaires ont donc besoin d’estimations des risques pour décider quand et où des mesures de détection précoce et de réponse rapide doivent être utilisées.
Les estimations du risque d’infestation nécessitent des informations sur le nombre de personnes se déplaçant d’un site infesté vers un site non infesté. La collecte de telles données pour le trafic récréatif peut s’avérer difficile, car elles varient considérablement en fonction des préférences personnelles et des décisions des voyageurs. En conséquence, des enquêtes de grande envergure (et souvent coûteuses) étaient nécessaires pour estimer le trafic récréatif dans le passé.
Cependant, comme les smartphones ont trouvé leur place dans presque tous les domaines de notre vie, y compris les loisirs, les données collectées via les applications pour smartphones peuvent offrir de nouvelles opportunités pour estimer le trafic récréatif. Par exemple, les applications pour smartphone sont utilisées par les pêcheurs pour enregistrer leurs sites de pêche et partager ces emplacements entre eux. Et si ces informations pouvaient également être utilisées pour stopper l’expansion des maladies des poissons transmises par les pêcheurs à la ligne ?
Quelques subtilités des données des smartphones
En théorie, les données des applications mobiles présentent de nombreux avantages : elles peuvent être collectées à un coût relativement faible pour les utilisateurs situés à différents endroits et elles peuvent contenir des informations géoréférencées avec précision avec des horodatages exacts. Bien que précieuse pour les scientifiques, cette richesse d’informations peut également être utilisée à mauvais escient, ce qui fait de la confidentialité une préoccupation majeure.
Par conséquent, les chercheurs s’appuient sur des données fournies volontairement. C’est génial, mais cela pose également des défis majeurs lors de l’estimation du trafic récréatif, car les utilisateurs de l’application peuvent ne pas enregistrer tous les sites récréatifs qu’ils visitent. Ainsi, même si un enregistrement montre qu’un utilisateur a visité le site A et le site B, il se peut qu’il n’ait pas voyagé directement de A à B mais qu’il soit plutôt passé du site A à un autre site C (non enregistré) avant d’atteindre finalement le site B.
Par conséquent, ils peuvent avoir transporté des propagules ou des agents pathogènes de A à C et de C à B, et non de A à B. Cela rend difficile l’estimation du nombre de déplacements pour des paires individuelles de sites – les déplacements non enregistrés nous laissent un nombre infini de possibilités. à gérer.
Alors que faisons-nous?
Heureusement, il existe un domaine dans lequel envisager des possibilités infinies n’est pas une question insoluble : les mathématiques. Bien entendu, avant de pouvoir résoudre un problème à l’aide d’outils mathématiques, il doit être exprimé en termes mathématiques. Pour ce faire, nous avons créé un modèle mathématique pour le trafic récréatif, combinant les données des applications avec des données socio-économiques et géographiques, via des hypothèses de base sur le comportement des récréateurs.
Le comportement de deux individus peut différer fortement, car leurs choix peuvent être motivés par leurs préférences personnelles et leurs expériences passées. Ceci est important et constitue un défi pour la modélisation, car ces préférences et expériences sont généralement inconnues. Cependant, nous avons découvert que cela pourrait également offrir une chance unique : en nous basant sur les préférences personnelles et les comportements répétitifs, nous pourrions être en mesure de tirer des conclusions sur des voyages non enregistrés.
Pour remédier à notre manque de connaissances sur les préférences individuelles, nous avons adopté une approche de « force brute » : pour tous les utilisateurs d’applications, nous avons considéré toutes les préférences potentielles qu’ils pourraient avoir (selon notre modèle) et les avons pondérées avec une probabilité correspondante. De cette façon, nous avons pu déduire les flux de trafic « moyens » attendus entre les sites malgré l’absence d’enregistrements de déplacements et d’informations sur les préférences personnelles.
Nous avons appliqué notre approche pour estimer le trafic des pêcheurs à la ligne dans la province canadienne de l’Alberta, où les pêcheurs risquent de propager la maladie du tournis, une maladie des poissons induite par des parasites. À notre grande surprise, nous avons non seulement pu estimer le trafic total des pêcheurs entre chaque paire de sous-bassins de la province, mais nous avons également constaté que dans 64 % de leurs voyages, les pêcheurs revisitaient leur ancien lieu de pêche, rendant ces voyages non pertinents pour la propagation de la maladie. De plus, dans environ la moitié de leurs voyages, ils ont visité des sites situés dans des zones spatialement confinées selon leurs préférences personnelles. Ces résultats ont montré que les modèles ignorant les préférences individuelles et les comportements répétitifs peuvent surestimer considérablement le trafic longue distance, qui peut être le moteur de la propagation des maladies et des espèces envahissantes.
Que ce passe t-il après?
Nous espérons qu’à mesure que davantage de données seront disponibles, les modèles de transport de propagules pourront devenir de plus en plus précis. De nouvelles techniques d’apprentissage automatique pourraient nous aider à atteindre cet objectif. Par exemple, l’apprentissage automatique peut nous permettre de déduire avec précision les données manquantes. Bien entendu, cela nécessite des ensembles de données complets pour la formation et la validation – qui n’étaient pas disponibles dans notre étude.
Mais même sans ces données, l’apprentissage automatique pourrait nous aider à déterminer les endroits où les amateurs de loisirs sont les plus actifs ou à évaluer l’attractivité des sites récréatifs. Ces informations sont essentielles pour les estimateurs de trafic comme le nôtre. Les nouvelles sources de données et techniques pourraient alors nous fournir des outils plus efficaces pour lutter contre la propagation des maladies et des espèces envahissantes, nous aidant ainsi à préserver la biodiversité de notre planète.
A propos de l’auteur
Je suis un écologiste théoricien/informatique et je travaille actuellement comme post-doctorant au Centre Helmholtz pour la recherche environnementale à Leipzig, en Allemagne. Mon parcours vers les sciences biologiques n’a pas été direct. En tant que jeune étudiant, je n’étais pas particulièrement intéressé par l’écologie, que j’associais avant tout à « l’apprentissage de beaucoup de choses par cœur ». Cependant, j’ai adoré la modélisation, le processus consistant à examiner un système, à essayer d’identifier les processus fondamentaux régissant son comportement et à les exprimer en termes mathématiques/informatiques.
J’ai été intrigué de voir différents processus être pilotés par des mécanismes sous-jacents similaires et des interactions simples conduisant à des modèles et des comportements extrêmement complexes. Rapidement, j’ai découvert que cela s’appliquait en particulier aux systèmes écologiques, qui sont souvent trop complexes pour être pleinement compris dans leurs moindres détails, mais présentent un ordre et un comportement intrinsèque laissant entrevoir des mécanismes sous-jacents merveilleusement mystérieux. Cela m’a rendu accro et m’a rendu de plus en plus passionné par l’écologie.
Suite à cet enthousiasme, j’ai passé mon doctorat à l’Université de l’Alberta à développer des outils pour estimer et contrôler la propagation des maladies aquatiques envahissantes. Cette branche de recherche a également conduit à l’étude présentée ici. Après avoir terminé cet article, je me suis tourné vers la modélisation forestière, un domaine tout aussi passionnant qui connaît actuellement un essor significatif grâce à l’avènement de nouvelles sources de données de télédétection et de nouvelles techniques informatiques.
Je crois que, pour exploiter tout leur potentiel, les modèles doivent être combinés avec des données empiriques. Cela nécessite de prendre en compte conjointement les connaissances du domaine écologique, la méthodologie statistique et les exigences de performances informatiques, même lors de la conception du modèle. Des innovations conjointes dans plusieurs disciplines sont donc nécessaires. Cela motive mon intérêt pour les aspects méthodologiques et l’intégration de la modélisation mathématique, de la conception d’algorithmes et des statistiques. J’espère continuer à contribuer à ce domaine; l’avenir nous dira si cela peut se faire dans le contexte scientifique ou ailleurs.
21/03/2024
Comment la gestion des espèces envahissantes peut-elle bénéficier des données des smartphones ? – L’écologiste appliqué
Sélectionné pour le Prix Southwood 2023
Samuel Fischer explique comment lui et ses collègues recherché et utilisé une application pour smartphone de pêcheurs permettant de créer un modèle stochastique pour le trafic des pêcheurs dans la province canadienne de l’Alberta. Les pêcheurs facilitent la propagation de la maladie du tournis, une maladie des poissons induite par des parasites, ce qui signifie que ce modèle démontre l’importance du comportement individuel des vecteurs pour le transport des propagules.
Des données des smartphones à la gestion des espèces envahissantes
Les maladies animales et les espèces envahissantes menacent les écosystèmes du monde entier, souvent propagées par le trafic humain et le commerce. Ironiquement, ce sont peut-être ceux qui aiment le plus la nature qui la mettent en danger :
Une fois introduite, la réussite de l’éradication ou du confinement des agents pathogènes ou des espèces envahissantes sur un site dépend fortement de la rapidité avec laquelle l’infestation a été repérée. Les gestionnaires ont donc besoin d’estimations des risques pour décider quand et où des mesures de détection précoce et de réponse rapide doivent être utilisées.
Les estimations du risque d’infestation nécessitent des informations sur le nombre de personnes se déplaçant d’un site infesté vers un site non infesté. La collecte de telles données pour le trafic récréatif peut s’avérer difficile, car elles varient considérablement en fonction des préférences personnelles et des décisions des voyageurs. En conséquence, des enquêtes de grande envergure (et souvent coûteuses) étaient nécessaires pour estimer le trafic récréatif dans le passé.
Cependant, comme les smartphones ont trouvé leur place dans presque tous les domaines de notre vie, y compris les loisirs, les données collectées via les applications pour smartphones peuvent offrir de nouvelles opportunités pour estimer le trafic récréatif. Par exemple, les applications pour smartphone sont utilisées par les pêcheurs pour enregistrer leurs sites de pêche et partager ces emplacements entre eux. Et si ces informations pouvaient également être utilisées pour stopper l’expansion des maladies des poissons transmises par les pêcheurs à la ligne ?
Quelques subtilités des données des smartphones
En théorie, les données des applications mobiles présentent de nombreux avantages : elles peuvent être collectées à un coût relativement faible pour les utilisateurs situés à différents endroits et elles peuvent contenir des informations géoréférencées avec précision avec des horodatages exacts. Bien que précieuse pour les scientifiques, cette richesse d’informations peut également être utilisée à mauvais escient, ce qui fait de la confidentialité une préoccupation majeure.
Par conséquent, les chercheurs s’appuient sur des données fournies volontairement. C’est génial, mais cela pose également des défis majeurs lors de l’estimation du trafic récréatif, car les utilisateurs de l’application peuvent ne pas enregistrer tous les sites récréatifs qu’ils visitent. Ainsi, même si un enregistrement montre qu’un utilisateur a visité le site A et le site B, il se peut qu’il n’ait pas voyagé directement de A à B mais qu’il soit plutôt passé du site A à un autre site C (non enregistré) avant d’atteindre finalement le site B.
Par conséquent, ils peuvent avoir transporté des propagules ou des agents pathogènes de A à C et de C à B, et non de A à B. Cela rend difficile l’estimation du nombre de déplacements pour des paires individuelles de sites – les déplacements non enregistrés nous laissent un nombre infini de possibilités. à gérer.
Alors que faisons-nous?
Heureusement, il existe un domaine dans lequel envisager des possibilités infinies n’est pas une question insoluble : les mathématiques. Bien entendu, avant de pouvoir résoudre un problème à l’aide d’outils mathématiques, il doit être exprimé en termes mathématiques. Pour ce faire, nous avons créé un modèle mathématique pour le trafic récréatif, combinant les données des applications avec des données socio-économiques et géographiques, via des hypothèses de base sur le comportement des récréateurs.
Le comportement de deux individus peut différer fortement, car leurs choix peuvent être motivés par leurs préférences personnelles et leurs expériences passées. Ceci est important et constitue un défi pour la modélisation, car ces préférences et expériences sont généralement inconnues. Cependant, nous avons découvert que cela pourrait également offrir une chance unique : en nous basant sur les préférences personnelles et les comportements répétitifs, nous pourrions être en mesure de tirer des conclusions sur des voyages non enregistrés.
Pour remédier à notre manque de connaissances sur les préférences individuelles, nous avons adopté une approche de « force brute » : pour tous les utilisateurs d’applications, nous avons considéré toutes les préférences potentielles qu’ils pourraient avoir (selon notre modèle) et les avons pondérées avec une probabilité correspondante. De cette façon, nous avons pu déduire les flux de trafic « moyens » attendus entre les sites malgré l’absence d’enregistrements de déplacements et d’informations sur les préférences personnelles.
Nous avons appliqué notre approche pour estimer le trafic des pêcheurs à la ligne dans la province canadienne de l’Alberta, où les pêcheurs risquent de propager la maladie du tournis, une maladie des poissons induite par des parasites. À notre grande surprise, nous avons non seulement pu estimer le trafic total des pêcheurs entre chaque paire de sous-bassins de la province, mais nous avons également constaté que dans 64 % de leurs voyages, les pêcheurs revisitaient leur ancien lieu de pêche, rendant ces voyages non pertinents pour la propagation de la maladie. De plus, dans environ la moitié de leurs voyages, ils ont visité des sites situés dans des zones spatialement confinées selon leurs préférences personnelles. Ces résultats ont montré que les modèles ignorant les préférences individuelles et les comportements répétitifs peuvent surestimer considérablement le trafic longue distance, qui peut être le moteur de la propagation des maladies et des espèces envahissantes.
Que ce passe t-il après?
Nous espérons qu’à mesure que davantage de données seront disponibles, les modèles de transport de propagules pourront devenir de plus en plus précis. De nouvelles techniques d’apprentissage automatique pourraient nous aider à atteindre cet objectif. Par exemple, l’apprentissage automatique peut nous permettre de déduire avec précision les données manquantes. Bien entendu, cela nécessite des ensembles de données complets pour la formation et la validation – qui n’étaient pas disponibles dans notre étude.
Mais même sans ces données, l’apprentissage automatique pourrait nous aider à déterminer les endroits où les amateurs de loisirs sont les plus actifs ou à évaluer l’attractivité des sites récréatifs. Ces informations sont essentielles pour les estimateurs de trafic comme le nôtre. Les nouvelles sources de données et techniques pourraient alors nous fournir des outils plus efficaces pour lutter contre la propagation des maladies et des espèces envahissantes, nous aidant ainsi à préserver la biodiversité de notre planète.
A propos de l’auteur
Je suis un écologiste théoricien/informatique et je travaille actuellement comme post-doctorant au Centre Helmholtz pour la recherche environnementale à Leipzig, en Allemagne. Mon parcours vers les sciences biologiques n’a pas été direct. En tant que jeune étudiant, je n’étais pas particulièrement intéressé par l’écologie, que j’associais avant tout à « l’apprentissage de beaucoup de choses par cœur ». Cependant, j’ai adoré la modélisation, le processus consistant à examiner un système, à essayer d’identifier les processus fondamentaux régissant son comportement et à les exprimer en termes mathématiques/informatiques.
J’ai été intrigué de voir différents processus être pilotés par des mécanismes sous-jacents similaires et des interactions simples conduisant à des modèles et des comportements extrêmement complexes. Rapidement, j’ai découvert que cela s’appliquait en particulier aux systèmes écologiques, qui sont souvent trop complexes pour être pleinement compris dans leurs moindres détails, mais présentent un ordre et un comportement intrinsèque laissant entrevoir des mécanismes sous-jacents merveilleusement mystérieux. Cela m’a rendu accro et m’a rendu de plus en plus passionné par l’écologie.
Suite à cet enthousiasme, j’ai passé mon doctorat à l’Université de l’Alberta à développer des outils pour estimer et contrôler la propagation des maladies aquatiques envahissantes. Cette branche de recherche a également conduit à l’étude présentée ici. Après avoir terminé cet article, je me suis tourné vers la modélisation forestière, un domaine tout aussi passionnant qui connaît actuellement un essor significatif grâce à l’avènement de nouvelles sources de données de télédétection et de nouvelles techniques informatiques.
Je crois que, pour exploiter tout leur potentiel, les modèles doivent être combinés avec des données empiriques. Cela nécessite de prendre en compte conjointement les connaissances du domaine écologique, la méthodologie statistique et les exigences de performances informatiques, même lors de la conception du modèle. Des innovations conjointes dans plusieurs disciplines sont donc nécessaires. Cela motive mon intérêt pour les aspects méthodologiques et l’intégration de la modélisation mathématique, de la conception d’algorithmes et des statistiques. J’espère continuer à contribuer à ce domaine; l’avenir nous dira si cela peut se faire dans le contexte scientifique ou ailleurs.
Lisez entièrement l’article « Améliorer les modèles de transport de propagules avec des données spécifiques à chaque individu provenant d’applications mobiles« dans Journal d’écologie appliquée.
Retrouvez les autres chercheurs en début de carrière et leurs articles présélectionnés pour le Prix Southwood 2023 ici!
Source link
Articles similaires