PROPOSITION DE STAGE DE MASTER 2 (2026)
Conséquences des erreurs de relocalisation des quadrats dans le cadre de suivis diachroniques des communautés de plantes
1. Contexte du stage
Le stage s’inscrit dans le cadre du projet de recherche CEObs (suivi des Communautés végétales avec prise en compte des Erreurs d’Observation) qui est cofinancé par l’OFB et l’INRAE pour la période 2025-2027. L’objectif du projet est de développer et de tester des méthodes de suivi des communautés végétales prenant en compte les erreurs d’observation. Il est organisé en trois axes qui correspondent chacun à une année du projet :
(1) Mesurer la quantité d’erreurs d’observation présentes dans les données des suivis de communautés végétales tels qu’ils sont réalisés en France pour le suivi d’habitats à enjeux de conservation et pour la restauration écologique grâce à une vaste expérimentation participative ;
(2) Adapter les méthodes permettant de prendre en compte les erreurs d’observation, développées principalement pour la faune, aux spécificités de la flore, et réaliser une étude de simulation pour fournir des recommandations de plan d’échantillonnage spatio-temporel pour les suivis utilisant ces méthodes ;
(3) Mettre en application les méthodes développées dans le cadre de suivis de communautés végétales déjà existants, et rédiger un guide technique à destination des acteurs mettant en œuvre les suivis de communautés végétales et des financeurs de ces suivis.
Les résultats du projet permettront d’améliorer les suivis de communautés végétales réalisés par les acteurs de la conservation de la biodiversité (notamment les conservatoires botaniques nationaux et les gestionnaires d’espaces naturels, avec qui nous avons construit le projet CEObs), et par les chercheurs académiques travaillant sur l’évolution des communautés végétales face au changement climatique et sur la restauration écologique.
La présente offre de stage s’inscrit dans le deuxième axe du projet, et vise à comprendre quelles conséquences ont les erreurs de relocalisation des quadrats sur les estimations des dynamiques des communautés végétales dans le cadre de suivis diachroniques. En effet, une grande partie des programmes de suivi des communautés végétales sont basés sur des inventaires réalisés dans des quadrats fixes (c’est-à-dire des carrés matérialisés sur le terrain, qui peuvent par exemple faire 1 x 1 mètre), et il est courant qu’il soit difficile voire impossible de replacer les quadrats exactement au même endroit d’une année à l’autre car il est souvent impossible de marquer l’emplacement des quadrats de manière fiable à long terme. Ces décalages des quadrats entre les années peuvent engendrer des apparitions et des disparitions artificielles d’espèces dans les données collectées (Verheyen et al., 2018). A notre connaissance, ces erreurs de relocalisation ne sont pour le moment jamais prises en compte explicitement dans les analyses des données de suivis de communautés. De plus, comme pour tous les autres groupes taxonomiques, les méthodes d’observation des communautés de plantes sont sujettes à la détection imparfaite, c’est-à-dire que dans la majorité des cas les observateurs ne détectent pas toutes les espèces présentes (Archaux et al., 2006; Chen et al., 2009, 2013; Perret et al., 2023). De multiples méthodes ont été développées ces dernières décennies pour estimer quelle quantité d’erreurs de détection sont présentes dans les données et surtout corriger les estimations de la variable d’intérêt (Irvine et al., 2019; MacKenzie et al., 2002; Royle, 2004), mais ces méthodes sont encore très peu utilisées pour la flore (Kellner & Swihart, 2014). Dans le cadre de ce projet, nous nous intéresserons spécifiquement aux modèles de site occupancy multi-espèces. Ces modèles permettent d’estimer l’état et les tendances temporelles de communautés en prenant en compte les erreurs de détection, à partir de données de type détection/non-détection des espèces au sein d’unités spatiales prospectées de manière répétée par un ou plusieurs observateurs (Dorazio & Royle, 2005; Doser et al., 2022; Guillera-Arroita, 2017).
2. Objectifs et missions
L’objectif du stage sera de réaliser une étude de simulation afin de déterminer quelles conséquences ont les erreurs de relocalisation des quadrats sur les estimations des modèles de site occupancy multi-espèces. Un objectif secondaire du stage pourra être d’essayer de développer un nouveau modèle permettant de prendre en compte ces erreurs afin d’obtenir des estimations non-biaisées.
Plus spécifiquement votre travail consistera à simuler des communautés virtuelles où les densités d’individus de plusieurs espèces virtuelles seront sujettes à différents niveaux d’autocorrélation spatiale, puis à simuler des suivis de communauté avec plusieurs niveaux d’erreur de relocalisation des quadrats sur ces communautés virtuelles, et ce avec plusieurs niveaux d’erreur de détection. Ces données simulées seront analysées avec des modèles de site occupancy multi-espèces. Ces analyses permettront de déterminer dans quelle mesure et surtout dans quelles conditions ces modèles s’avèrent robustes face aux erreurs de relocalisation des quadrats dans le temps, et permettent ainsi d’obtenir des estimations non-biaisées des trajectoires des communautés. S’il s’avère que les biais induits par les erreurs de relocalisation sont importants dans des situations réalistes de suivi de communauté, nous essayerons de développer un modèle de site occupancy avec un niveau hiérarchique supplémentaire afin de modéliser explicitement les erreurs de relocalisation des quadrats. Nous disposons de plusieurs jeux de données qui pourraient servir de cas d’étude pour accompagner cette étude de simulation. Nous envisageons d’écrire un article scientifique basé sur les résultats du stage pendant l’automne 2026, auquel vous serez associé en tant que co-auteur.
Ce stage permettra de développer des compétences en simulation numérique sur une question appliquée de conservation de la biodiversité (flore). Il sera aussi l’occasion de se familiariser avec les modèles prenant en compte la détectabilité des individus/espèces, qui tendent à se généraliser pour estimer les tendances de biodiversité. Enfin, même si le stage sera principalement dédié à la simulation et la modélisation, il sera possible en complément de participer à des suivis floristiques menés dans l’unité au cours du stage.
3. Profil et compétences recherchées
• Etudiant.e en Master 2 de modélisation en écologie, ou en Master 2 d’écologie avec un très fort goût pour les statistiques et ayant déjà eu au moins une expérience dans ce domaine.
• Fort intérêt pour les statistiques et la modélisation
• Bonne maîtrise de la programmation en langage R
• Avoir déjà utilisé des modèles statistiques permettant de prendre en compte les erreurs d’observation (e.g. site occupancy, N-mixture, modèles de CMR) ou des modèles hiérarchiques similaires serait un plus.
4. Conditions de travail et moyens matériels
• Localisation : Laboratoire Ecosystèmes et Sociétés En Montagne (LESSEM), 2 rue de la Papeterie, 38400 Saint-Martin-d’Hères.
• Durée : 6 mois entre janvier et août.
• Stage à temps plein, avec une gratification mensuelle selon le barème INRAE, soit environ 620€/mois (la gratification est ajustée chaque année et nous ne connaissons pas encore exactement le montant pour 2026). Deux jours de congés par mois.
• Nous fournirons tout le matériel nécessaire à la réalisation du stage, notamment un ordinateur personnel et l’accès à un cluster de calcul.
• Le stage sera encadré par Jan Perret (INRAE-LESSEM), Renaud Jaunatre (INRAE-LESSEM) et Frédéric Archaux (INRAE-EFNO). Nous demanderons l’appui de chercheurs spécialisés en modélisation impliqués dans le projet CEObs si nécessaire, et notamment si nous essayons de développer une extension aux modèles de site occupancy pour modéliser explicitement les erreurs de relocalisation des quadrats.
5. Modalités de candidature
Envoi d’un CV et d’une lettre de motivation par mail à : jan.perret@inrae.fr
N’hésitez pas à me contacter pour toute question avant d’envoyer votre candidature !
Date limite de candidature : 14/11/2025.
Références bibliographiques
Archaux, F., Gosselin, F., Berges, L., & Chevalier, R. (2006). Effects of sampling time, species richness and observer on the exhaustiveness of plant censuses. Journal of Vegetation Science, 17(3), 299–306. https://doi.org/10.1658/1100-9233(2006)017%255B0299:EOSTSR%255D2.0.CO;2
Chen, G., Kéry, M., Plattner, M., Ma, K., & Gardner, B. (2013). Imperfect detection is the rule rather than the exception in plant distribution studies. Journal of Ecology, 101(1), 183–191. https://doi.org/10.1111/1365-2745.12021
Chen, G., Kéry, M., Zhang, J., & Ma, K. (2009). Factors affecting detection probability in plant distribution studies. Journal of Ecology, 97(6), 1383–1389. https://doi.org/10.1111/j.1365-2745.2009.01560.x
Dorazio, R. M., & Royle, J. A. (2005). Estimating Size and Composition of Biological Communities by Modeling the Occurrence of Species. Journal of the American Statistical Association, 100(470), 389–398.
Doser, J. W., Finley, A. O., Kéry, M., & Zipkin, E. F. (2022). spOccupancy: An R package for single-species, multi-species, and integrated spatial occupancy models. Methods in Ecology and Evolution, 13(8), 1670–1678. https://doi.org/10.1111/2041-210X.13897
Guillera-Arroita, G. (2017). Modelling of species distributions, range dynamics and communities under imperfect detection: Advances, challenges and opportunities. Ecography, 40(2), 281–295. https://doi.org/10.1111/ecog.02445
Irvine, K. M., Wright, W. J., Shanahan, E. K., & Rodhouse, T. J. (2019). Cohesive framework for modelling plant cover class data. Methods in Ecology and Evolution, 10(10), 1749–1760. https://doi.org/10.1111/2041-210X.13262
Kellner, K. F., & Swihart, R. K. (2014). Accounting for Imperfect Detection in Ecology: A Quantitative Review. Plos One, 9(10), e111436. https://doi.org/10.1371/journal.pone.0111436
MacKenzie, D. I., Nichols, J. D., Hines, J. E., Knutson, M. G., & Franklin, A. B. (2003). Estimating Site Occupancy, Colonization, and Local Extinction When a Species Is Detected Imperfectly. Ecology, 84(8), 2200–2207. https://doi.org/10.1890/02-3090
Perret, J., Besnard, A., Charpentier, A., & Papuga, G. (2023). Plants stand still but hide: Imperfect and heterogeneous detection is the rule when counting plants. Journal of Ecology, 111(7), 1483–1496. https://doi.org/10.1111/1365-2745.14110
Royle, J. A. (2004). N-Mixture Models for Estimating Population Size from Spatially Replicated Counts. Biometrics, 60(1), 108–115. https://doi.org/10.1111/j.0006-341X.2004.00142.x
Verheyen, K., Bažány, M., …, Baeten, L. (2018). Observer and relocation errors matter in resurveys of historical vegetation plots. Journal of Vegetation Science, 29(5), 812–823. https://doi.org/10.1111/jvs.12673
Commentaires récents