Dr. Teresa Fidalgo Fonseca est professeur de sciences forestières à l'Universidade de Trás-os-Montes e Alto Douro (UTAD) au Portugal, où elle étudie l'ingénierie des ressources forestières et la sylviculture, en se concentrant sur la pratique consistant à aligner la gestion de la croissance des terres boisées sur les valeurs communautaires. et les besoins. Elle est coordonnatrice adjointe de la Division 1 pour la sylviculture à l'Union internationale des organismes de recherche forestière (IUFRO) et rédactrice invitée de revues universitaires. Les forêts et Frontières de la gestion forestière .
Sa récente publication, Gestion du pin maritime : potentiel énergétique avec des lignes directrices sylvicoles alternatives , a été co-écrit avec José Lousada et publié dans Biomasse forestière : des arbres à l’énergie en février 2021. Teresa y présente de nouvelles orientations pour la gestion des espèces de pins maritimes, développées et vérifiées à l'aide de simulations dans son ModisPinaster modèle. En fin de compte, les résultats de cette étude, une fois mis en œuvre, pourraient potentiellement optimiser le rendement de la biomasse, une source d’énergie renouvelable rentable et durable.
Évangéliste statisticienne, Teresa a utilisé JMP pendant de nombreuses années, tant en classe que dans ses propres recherches.
Forest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForest of maritime pine in Portugal where data for statistical analysis and modeling is collectedForêt de pins maritimes au Portugal où des données pour l'analyse statistique et la modélisation sont collectées Meg : Qu'est-ce qui est venu en premier : votre intérêt pour la foresterie ou votre intérêt pour les statistiques ?
Thérèse : J'ai suivi un excellent cours de dendrométrie en génie forestier lorsque j'étais étudiant de premier cycle à l'UTAD et il était enseigné par un brillant professeur qui m'a initié à la biométrie et à la modélisation forestière. À l'époque, je sentais que j'aimais beaucoup les statistiques, et c'était tellement excitant de découvrir que je pouvais appliquer les statistiques à la foresterie !
Après avoir obtenu mon diplôme, j'ai complété ma maîtrise en ingénierie des ressources forestières et travaillé sur la modélisation de la conicité de la tige d'eucalyptus [le diamètre du fût d'un arbre en fonction de la hauteur au-dessus du sol]. J'ai ensuite fait mon doctorat – également en modélisation – et créé un modèle, désormais disponible gratuitement sur la plateforme française. Capsis , qui simule la dynamique du pin maritime, notamment la mortalité, la croissance et la distribution des diamètres.
Ce modèle, ModisPinaster, est né en réponse à un problème : à cette époque, nous n'avions pas de modèle forestier pour les espèces de conifères les plus représentées dans le nord du Portugal, qui pourrait être utilisé pour la planification forestière ! Nous avons implanté plusieurs parcelles permanentes sur le terrain, collecté des données puis j'ai développé ce qui était au départ une création conceptuelle. Désormais, il n’est plus limité aux forêts portugaises mais peut être utilisé par d’autres chercheurs d’autres endroits.
A design plan for ModisPinasterA design plan for ModisPinasterA design plan for ModisPinasterA design plan for ModisPinasterUn plan de conception pour ModisPinaster Meg : Quel est, selon vous, l'impact potentiel de la mise en œuvre des lignes directrices sylvicoles pour lesquelles vous avez utilisé ModisPinaster ?
Thérèse : La gestion forestière doit toujours être fondée sur la science. Traditionnellement, les gestionnaires ont utilisé des lignes directrices dérivées d’études empiriques qui n’ont pas la force que la modélisation statistique peut offrir. Dans le cas de [mon article récent dans Les forêts , Trajectoire taille-densité dans les peuplements de pins maritimes régénérés après un incendie ], notre modèle montre comment gérer au mieux les peuplements de pins d'origine naturelle touchés par les incendies de forêt grâce à la régénération naturelle.
Ce modèle permet aux gestionnaires forestiers d'identifier la densité standard optimale de plantes ainsi que les stades de développement des espèces. Il est très important que les gestionnaires ne fondent pas leur travail uniquement sur des objectifs chiffrés tels que « combien d'arbres devrions-nous avoir ? » mais plutôt sur un très bon ensemble de données et des modèles appropriés, qui peuvent être simples comme un modèle linéaire ou quadratique, dont la description de la droite de densité maximale est un exemple.
J'ai toujours beaucoup aimé relier mes recherches à une utilisation pratique, et chaque fois que je le peux, j'essaie de construire des modèles qui profiteront aux gestionnaires forestiers…. Si nous pouvons leur fournir un bon soutien pour la gestion forestière, je suis convaincu que cela aura un impact sur la durabilité des ressources forestières.
Example of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExample of ModisPinaster interface showing output options and simulation of growthExemple d'interface ModisPinaster montrant les options de sortie et simulation de croissance Meg : Quelles sont les autres questions de recherche pour lesquelles vous utilisez le modèle ?
Thérèse : Plus récemment, mes collègues et moi avons analysé la croissance du diamètre radial d'un autre pin, le pin noir européen, qui n'est pas originaire du Portugal. Nous disposions de données provenant de six localités différentes et, à l'aide de l'équation de croissance de Schumacher, nous avons examiné les différences entre les populations de pins noirs. Nous voulions comprendre le comportement attendu de l’espèce en dehors de son aire de répartition naturelle, et la modélisation était un moyen crucial pour y parvenir.
Avec la modélisation, nous pouvons faire bien plus que simplement calculer des moyennes et des variations standard. Nous avons d'abord représenté graphiquement la dispersion du diamètre en fonction de l'âge de l'arbre, puis avons ajusté le modèle pour identifier certaines différences selon le site. Comme vous pouvez le constater, je suis toujours souriante quand je parle de mannequin car c'est vraiment quelque chose que j'aime !
Lorsque j’identifie un modèle, je pourrais facilement passer sept jours sur sept, 24 heures sur 24, à modéliser. C'est tellement agréable de penser à toutes les informations qui peuvent être générées à partir de bonnes données et à la façon dont nous pouvons les résumer dans une équation mathématique fournissant des informations qui peuvent être importantes pour les gestionnaires forestiers.
Examples of visual data analysisExamples of visual data analysisExamples of visual data analysisExamples of visual data analysisExemples d'analyse de données visuelles Meg : Comment pouvez-vous être sûr que vos données sont bonnes ?
Thérèse : Tout d’abord, je suis très rigoureux avec les données car je pense qu’on ne peut pas avoir un bon modèle s’il n’est pas bien étayé par de bonnes données. Il est important de disposer de critères de mesure et de sélection de données adéquats afin que vos données soient hautement représentatives de la population échantillonnée, comme les conditions de régénération naturelle d'une espèce dans l'un des exemples mentionnés.
La liste des défis auxquels nous sommes confrontés en matière de qualité des données est assez longue. Lorsque je faisais mon doctorat, j'ai eu une expérience où j'ai trouvé une erreur, mais seulement après avoir construit plusieurs modèles. J'ai dû tout réinstaller, ce qui m'a pris du temps, alors maintenant j'analyse très attentivement les données avant de modéliser quoi que ce soit !
Et il y a encore une chose très importante : vous devez analyser la qualité du modèle. Vous devez voir si cela fonctionne avec les hypothèses et quand. Je dis ceci à tous mes étudiants : nous avons la responsabilité de fournir un bon modèle, nous devons donc nous assurer que le modèle passe par tous les tests et analyses statistiques appropriés.
Typical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetTypical datasets: Anscombe´s quartetEnsembles de données typiques : le quatuor d'Anscombe Meg : Quels types de contrôles utilisez-vous pour déterminer si un modèle est bon ou non ?
Thérèse : Je fais habituellement une analyse visuelle, avec différents graphiques pour vérifier non seulement la relation entre la variable de réponse et chaque facteur, mais aussi entre tous les facteurs. Je suggère souvent à mes élèves d'utiliser des couleurs car parfois, en utilisant simplement une couleur différente pour séparer un ensemble de données, nous pouvons mieux comprendre à la fois les modèles globaux et individuels.
En ce qui concerne le nettoyage des données, toutes les observations aberrantes ou influentes – tant qu’il ne s’agit pas d’erreurs – doivent être conservées dans l’ensemble de données afin de fournir des informations sur le processus. Une fois, j'ai eu une valeur aberrante liée à un nombre inhabituel de pins maritimes, mais c'était une valeur réelle puisque je l'ai mesurée sur le terrain. Étant si différent des autres points de données, j'étais conscient que cela influencerait les résultats. J'ai construit plusieurs modèles – un avec l'ensemble total des données et un autre que j'ai testé sans la valeur aberrante. En fin de compte, cependant, je ne l’ai pas exclu car, comme je l’ai déjà dit, les bons modèles nécessitent de bons ensembles de données, y compris les valeurs aberrantes qui représentent la véritable variation dans un échantillon.
Meg : Quelles idées fausses les étudiants ont-ils en matière de statistiques ?
Thérèse : Certains étudiants pensent que la modélisation consiste simplement à créer des tendances dans les données. D'autres pensent que c'est trop compliqué. Ils ne sont pas bien préparés au début, mais une fois que je leur enseigne davantage l'analyse statistique, ils réalisent le potentiel de la modélisation. Construire un très bon modèle peut prendre beaucoup de temps et de pratique, c'est pourquoi j'essaie toujours de motiver les étudiants à m'accompagner, étape par étape, dans ce voyage de modélisation ! En fait, j'ai eu des étudiants qui continuent à faire du mannequinat même après avoir terminé le cours – ce qui, pour moi, est très gratifiant.
Students in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterStudents in the Forest Management course at UTAD working with ModisPinasterÉtudiants du cours de gestion forestière de l'UTAD travaillant avec ModisPinaster Meg : Ça doit être le cas ! Il ne fait aucun doute qu’il est utile d’avoir un professeur comme vous dont la passion pour les statistiques est contagieuse. Et d'apprendre les statistiques dans un contexte appliqué comme la science forestière, où il ne s'agit pas seulement de modélisation pure, mais où vous pouvez voir les applications du monde réel.
Thérèse : Les candidatures sont si importantes. Le cours que j'enseigne est basé sur JMP , et les premières conférences portent sur la façon d'utiliser le logiciel. Une fois que les étudiants connaissent JMP, ils commencent à créer de petits modèles utilisés en foresterie. À partir de là, j’augmente lentement le niveau de difficulté. Par exemple, je commence par la modélisation de régression linéaire et à la fin du cours, j'enseigne les modèles non linéaires. À mesure que les sujets deviennent de plus en plus difficiles, il est important que mes cours ne soient pas seulement théoriques, mais pratiques avec des exemples scientifiques réels.
Le premier cours est le plus important car c'est à ce moment-là que je capte l'intérêt des étudiants pour les données. Au début, ce n'est pas un intérêt pour la modélisation, c'est un intérêt pour l'analyse des données. Je leur fournis des graphiques issus de mes recherches ou disponibles sur le web et leur demande d'analyser ce qu'ils voient sans rien connaître en statistiques ou en modélisation. Au début, les étudiants peuvent penser qu’ils ne voient rien, mais après en avoir discuté, ils commencent à voir les tendances émerger. (Parfois, avant de montrer les graphiques, je présente une soupe à l'alphabet, pour impliquer les élèves et aussi pour entraîner leurs yeux.)
L’une des choses les plus importantes que je leur dis est qu’à l’avenir, nous utiliserons davantage de données uniquement dans les domaines scientifiques. La prochaine génération s’appuiera davantage que moi sur l’analyse statistique et la modélisation. Nous devons donc investir pour doter les futurs scientifiques des compétences dont ils ont besoin pour construire des modèles. Il est extrêmement important de promouvoir les statistiques dans le cadre de la science. Pas seulement la science, pas seulement l’analyse des données, mais les deux.
Nous devons inciter les étudiants à développer des compétences fondamentales pour gérer les données – leur faire comprendre le potentiel de l’analyse des données pour simplifier le monde grâce à des découvertes qui n’étaient jamais possibles auparavant.
