Partout dans le monde, les récifs coralliens sont menacés par l'élévation de la température de l'eau de mer, conséquence du changement climatique. Si de nombreux coraux blanchissent et périssent effectivement suite à une exposition prolongée à des températures anormalement élevées, certaines espèces (voire certains génotypes au sein d'une même espèce) présentent une remarquable résilience climatique. Historiquement, ces « super coraux » ont été identifiés a posteriori : en fouillant les décombres d'un récif fortement impacté pour y dénicher les survivants. Pour la restauration des récifs coralliens et d'autres applications, une méthode d'identification plus ciblée et proactive des coraux résilients au climat serait préférable à cette approche fastidieuse. À cette fin, je présente un ensemble de données éco-physiologiques coralliennes très complet, acquis lors d'une expédition de recherche d'un mois dans les régions les plus reculées de l'archipel micronésien de Palau. Après un traitement et une visualisation rudimentaires des données, je montre, à l'aide de JMP Pro 17, comment construire relativement facilement des modèles prédictifs de la résilience corallienne. Je démontre ensuite comment les interfaces graphiques issues des profils de prédiction des modèles peuvent être intégrées à des pages web afin de servir d'outil de planification aux scientifiques. Plus précisément, ces profils permettent aux chercheurs de prédire les conditions environnementales (profondeur, type de récif corallien, salinité, etc.) dans lesquelles ils ont le plus de chances de trouver des coraux résilients lors de leurs prospections biologiques. Cet outil analytique aidera ainsi les biologistes marins à localiser les coraux à forte tolérance climatique, qui devraient être propagés dans le cadre des efforts de restauration des récifs dégradés.
Bonjour à tous. Merci de votre écoute. Je m'appelle Anderson Mayfield, je suis biologiste spécialiste des récifs coralliens et utilisateur et défenseur de longue date du logiciel JMP. Au cours des 30 à 35 prochaines minutes, je vais vous parler de la modélisation de la résilience des récifs coralliens en République des Palaos. Malheureusement, la principale motivation de la quasi-totalité des recherches que j'ai menées ces vingt dernières années sur les récifs coralliens n'est pas seulement leur beauté, mais aussi le fait qu'ils soient des lieux extraordinaires à contempler ; ils sont en effet fortement menacés, notamment par l'élévation de la température de l'eau de mer liée au changement climatique.
Que se passe-t-il lorsque l'océan devient trop chaud pour ces coraux ? Ils vivent en symbiose fragile avec des dinoflagellés qui habitent leurs cellules. Lorsque l'eau reste trop chaude trop longtemps, cela provoque le blanchiment des coraux, qui finissent par mourir de faim. Malheureusement, au moment même où nous parlons, le quatrième épisode mondial de blanchissement des coraux est déjà bien avancé.
Les récifs coralliens centraux sont encore mal connus. Ils représentent moins de 1 % de la superficie totale des océans, malgré leur très grande biodiversité. De ce fait, nous ignorons même où se situent certaines des zones coralliennes les plus riches. Nous pouvons certes faire des suppositions à partir d'images satellites, mais il est indispensable d'explorer les fonds marins, munis d'un masque et d'un tuba, ou idéalement d'un équipement de plongée, afin d'observer la vie sous-marine. Or, le temps nous manque pour réaliser un inventaire complet et global de tous les récifs coralliens de la planète. Il est donc urgent d'accélérer la recherche des zones particulièrement riches en coraux.
De même, même si j'ai mentionné que la plupart des coraux sont très sensibles aux températures élevées, certains, pour une raison ou une autre, conservent une certaine résilience lorsque la qualité de l'eau de mer se dégrade. Il nous faut trouver ces coraux afin de comprendre leur particularité. Nous pouvons les multiplier pour tenter de restaurer les récifs, mais notre approche habituelle s'apparente à la recherche d'une aiguille dans une botte de foin. Nous plongeons, nous fouillons les débris et nous espérons, par chance, en trouver quelques-uns.
Nous devons adopter une approche plus ciblée et fondée sur les données pour identifier les coraux résilients au changement climatique. Ce sont précisément les questions auxquelles j'essaie de répondre avec JMP. J'appelle cela la modélisation prédictive pour combler les principales lacunes de connaissances dans JMP Pro. J'ai quelques questions à vous soumettre. Les questions 3 et 4 sont cruciales et me tiennent particulièrement à cœur, mais nous n'aurons pas le temps de les aborder aujourd'hui. Elles figurent dans le diaporama et dans les données disponibles sur ma page web. N'hésitez pas à me contacter par e-mail pour plus de détails. J'ai également intégré des scripts dans les tableaux de données ainsi qu'un guide pas à pas pour y répondre.
Je vais donc aujourd'hui axer mon intervention sur les questions 1 et 2. Peut-on utiliser des données existantes pour prédire où se trouvent d'autres récifs présentant des pourcentages très élevés de coraux vivants ? Ce sont ces récifs qui seront les plus précieux, car ils serviront d'habitat à d'importantes espèces de poissons et protégeront nos côtes de l'énergie des vagues. Ils ne seront pas forcément les plus robustes, mais ils seront sans doute les plus précieux.
La deuxième question, quant à elle, aborde la question de savoir où trouver ces « super coraux », ceux qui, pour une raison ou une autre, semblent faire preuve d'une grande résilience face aux changements climatiques et autres facteurs de stress. Si je souhaite aujourd'hui axer mon intervention sur les données de Palau, c'est parce que, grâce à la Living Oceans Foundation, nous avons eu une formidable opportunité. Une importante équipe de scientifiques a collecté des données allant des molécules aux satellites.
En d'autres termes, nous avons collecté des données à toutes les échelles possibles. Nous disposons de données satellitaires provenant de l'espace. Le navire effectue des transects, filme et étudie le benthos pour caractériser les fonds marins. Des plongeurs, comme moi, observent la faune et la flore récifales. Ma principale mission consistait ensuite à prélever des échantillons de corail afin d'évaluer leur état de santé et leur résilience. Il s'agit d'un ensemble de données extrêmement riche qui, je pense, nous permettra de répondre à certaines des questions que j'ai soulevées.
J'ai utilisé le terme de bioprospection car nous cherchons à exploiter le potentiel de ces données pour faire des prédictions sur des récifs que nous n'avons peut-être pas étudiés. Notre séjour d'un mois nous a permis de recueillir un ensemble de données exceptionnel, mais nous n'avons fait qu'effleurer la réalité, et nous utilisons la modélisation prédictive pour combler les lacunes.
La première partie de notre exposé, ou plutôt la prochaine grande partie, consiste à identifier les zones à forte couverture corallienne. Autrement dit, il s'agit de zones où abondent les coraux constructeurs de récifs, ceux qui constituent réellement le récif. Nous cherchons à repérer des récifs à forte couverture corallienne que nous n'avons peut-être pas encore découverts. Parmi les indicateurs environnementaux que nous utilisons, on trouve la qualité de l'eau de mer, la localisation géographique et d'autres paramètres de l'habitat.
Je tiens à préciser, au cas où vous vous demanderiez pourquoi cet exercice est nécessaire : ne pourrait-on pas simplement consulter une image satellite ou utiliser Google Maps pour estimer l’emplacement des coraux ? En effet, cela donnerait une idée approximative de la localisation des récifs, mais ne permettrait pas de savoir lesquels sont vivants. Un récif vivant et un récif mort se ressemblent beaucoup sur une image satellite ; il est donc indispensable de se fier aux données recueillies par les plongeurs pour confirmer ou infirmer la présence de coraux vivants.
La plupart d'entre vous ne connaissent probablement pas Palau, mais c'est un magnifique petit État insulaire de Micronésie. Si les Occidentaux en ont entendu parler, c'est principalement parce que c'est un paradis pour la plongée, et c'est toujours le cas. Je ne veux pas dresser un tableau trop sombre et dire que tout est réduit en ruines. Mais d'un autre côté, ces récifs ne sont certainement pas intacts. Ils sont confrontés aux mêmes défis que les récifs du monde entier, notamment aux températures élevées. Ceci étant dit, ouvrons enfin JMP.
J'utilise JMP Pro 18. La première chose que je souhaite faire, et c'est un point fort de JMP, c'est d'explorer mes données. Vous remarquerez que ce tableau de données simplifié ne comporte que cinq colonnes. J'y ai les sites. Nous avons visité 86 sites récifaux. J'ai également noté la latitude et la longitude. Je vous montrerai quelques photos représentatives dans un instant. Enfin, j'ai indiqué le taux de couverture corallienne, que nous allons tenter de prédire par la suite.
Pour vous donner un aperçu, affichons Palau sur une carte. J'ai ouvert Graph Builder et vous remarquerez que je n'ai même pas besoin de positionner la latitude et la longitude sur le bon axe. JMP les place automatiquement. Désactivez cette ligne. Palau n'est pas encore visible car je n'ai pas encore ajouté de carte de fond. Étant actuellement en Arabie saoudite, j'ai rencontré des problèmes de synchronisation avec certains serveurs, mais je pense qu'un simple serveur de carte routière suffira pour le moment.
Ces points noirs indiquent nos sites de plongée. Vous remarquerez un certain biais. Nous n'avons pu explorer que la partie ouest du pays en raison des vents dominants ; il est donc important d'en tenir compte. Je souhaite maintenant superposer les données de couverture corallienne à la carte. Je suis prêt à fermer cette fenêtre, mais je n'ai pas encore atteint mon objectif.
Tout d'abord, j'avais désactivé la légende. Réactivons-la. Je souhaite modifier le schéma de couleurs. Je voudrais que le rouge ne soit pas dominant, mais que le vert le soit, afin de souligner l'importance d'une forte couverture corallienne dans les zones récifales.
Vous remarquerez que j'ai fait une erreur. En fait, je ne souhaite pas afficher la latitude. Je vais donc déplacer cette carte thermique et supprimer les points correspondant à la latitude. Je vais ensuite modifier la couverture corallienne pour que le vert représente la valeur maximale. On s'approche du but, mais l'île est maintenant quasiment invisible car les pixels sont trop grands. C'est une astuce que j'ai découverte il y a quelques années.
En fait, si vous utilisez une carte thermique pour superposer des données sur une carte, vous pouvez forcer l'affichage d'une grille en modifiant les incréments selon vos besoins, puis en activant les lignes de la grille. Ça y est ! On obtient un résultat qui ressemble davantage à ce que je souhaite, et qui pourrait même être publié. Mais il y a encore trop de lignes, alors je vais désactiver les lignes de la grille. Je vais mieux centrer. C'est plutôt bien. Je pourrais encore peaufiner les axes, les rendre plus nets.
Mais, pour l'instant, l'objectif est d'explorer. Vous remarquerez sans doute une prédominance de rouge et d'orange ici, tout au nord. Ce sont des zones où les coraux sont moins abondants. On observe d'ailleurs une zone où ils sont moins nombreux. Et au sud, la diversité est assez grande.
C'est dans cette région ouest-sud-ouest que l'on trouve les récifs coralliens les plus riches. Gardez cela à l'esprit. Je sais, je parle beaucoup de couverture corallienne. C'est peut-être un concept abstrait pour ceux d'entre vous qui ne sont pas biologistes marins. J'ai donc téléchargé, pour certains de ces sites, une photo que je considère comme représentative. Vous pouvez voir ici un récif avec une couverture corallienne d'environ 46 %, ce qui correspond à peu près à la moyenne nationale, comme nous le verrons dans un instant. Cette image n'est peut-être pas la plus parlante, car pour un œil non averti, le récif semble complètement recouvert de coraux. Mais certains de ces organismes ne participent pas à la construction du récif. C'est un peu trompeur. Cela ne veut pas dire que ce n'est pas un beau site, mais il n'est pas aussi riche en coraux que d'autres, comme nous le verrons.
Pour l'instant, arrêtons-nous là. Passons maintenant à l'ensemble de données plus complet. Il comporte toujours 86 lignes, avec la latitude, la longitude et le taux de couverture corallienne, mais il inclut des paramètres environnementaux supplémentaires qui, je pense, influencent cette couverture. Nous y reviendrons plus tard. Il s'agit notamment de paramètres comme la qualité de l'eau de mer.
Si ma question est de savoir où se trouvent les zones à forte couverture corallienne que nous n'avons pas encore observées, une méthode, outre la simple cartographie, consiste à utiliser la fonctionnalité pratique appelée « écran de prédiction ». Je vais ici prendre la couverture corallienne comme variable Y et sélectionner un sous-ensemble de facteurs environnementaux susceptibles de l'influencer comme variable X. On obtient ainsi un graphique très intuitif et facile à interpréter. Le facteur prédictif qui a le plus contribué à la variation de la couverture corallienne est la latitude, ce qui est logique. Nous avons observé des niveaux de couverture corallienne plus faibles au nord et plus élevés au sud. Plus faibles à l'extrême sud, certes, mais peut-être un équilibre optimal au centre, ce que confirme l'écran de prédiction.
Pendant des années, j'ai mal interprété ces données. Je pensais qu'il s'agissait de la proportion de la variation expliquée par la latitude. Or, ce n'est pas tout à fait exact. Il s'agit plutôt, je crois, de la proportion de fois où la latitude a été incluse dans un modèle d'arbre de décision boosté. Cela ne signifie pas forcément que 33 % de la variation est expliquée par la latitude, mais on peut dire que, par exemple, la latitude a environ deux fois plus d'influence que la température. En revanche, ces paramètres, que j'aurais supposés être des facteurs importants de variation de la couverture corallienne, ont tendance à avoir une influence relativement faible. D'ailleurs, pour souligner ce point, j'ai failli ne pas utiliser cette fonctionnalité car il s'agit essentiellement de données négatives, mais c'est une information très pratique.
Si je voulais obtenir une représentation graphique de ce que nous venons d'observer, outre la consultation de la carte, je pourrais aussi superposer les données relatives aux organismes vivant sur le fond marin. Concrètement, on peut classer tout ce que les plongeurs observent en quatre catégories : coraux durs, algues, autres invertébrés (comme les éponges) et substrat stérile. Ce dernier n'est pas totalement stérile, mais il s'agit de la partie du substrat qui n'abrite pas de vie : sable, roches, etc. La somme de ces quatre catégories est égale à 100 %.
Je vais les empiler, car cela me permettra de créer un graphique vraiment percutant. Maintenant que toutes ces données benthiques sont empilées dans la même colonne, je peux les glisser-déposer comme axe Y. Je vais créer une superposition. J'active la légende et je convertis le graphique en histogramme. Ce n'est pas encore tout à fait terminé, car je veux souligner que la somme de ces quatre entités est égale à 100 %. Je transforme donc le graphique en histogramme empilé. Leur somme est égale à 100, ce qui met en évidence un point que je n'avais pas mentionné précédemment.
J'ai mentionné que 45 % est le taux de couverture corallienne moyen des sites que nous étudions. C'est un taux très élevé selon les normes internationales, ce qui est positif pour Palau. On y trouve encore beaucoup de coraux vivants. Le point négatif, c'est que le taux de couverture d'algues de 40 % est également très élevé. Si vous connaissez les bases de l'écologie marine récifale, vous savez qu'il existe une lutte entre les coraux et les algues. Ils se disputent l'espace. Sur un récif, il est préférable d'avoir une plus grande quantité de coraux, même au détriment des algues. Cela ne veut pas dire que les algues sont toujours néfastes pour l'océan, mais sur les récifs coralliens, elles sont en compétition avec les coraux. Il faut donc accepter les inconvénients comme les avantages. Ce n'est pas ce que je voulais vous montrer. Je voulais vous montrer à quel point il est facile d'observer comment cet assemblage varie en fonction de différents facteurs environnementaux qui pourraient m'intéresser. Cela m'a pris un peu de temps, et je n'aurais aucun problème à copier ces données dans un document Word et à les joindre à mon article.
Par exemple, ici, nous avons trois types différents de récifs coralliens. On constate que le taux de couverture corallienne est sensiblement le même, à 45 %, pour tous ces types de récifs, ce qui correspond aux données affichées sur l'écran de prédiction. Le type de récif s'est avéré être un prédicteur peu pertinent, tout comme l'exposition. Il s'agit principalement de l'énergie des vagues qui frappe les récifs. On observe qu'elle influe sur d'autres aspects : par exemple, les récifs protégés présentent beaucoup moins d'algues. C'est en fait l'inverse de ce qui se passe dans de nombreuses régions du monde. Pour un écologue, il va sans dire que ce graphique est très riche et informatif, et je l'ai créé en 30 secondes, petite parenthèse. Je trouve cette fonctionnalité vraiment géniale : la superposition des données et leur utilisation pour créer ce que j'appelle des graphiques d'assemblage benthique.
N'oubliez pas que nous faisons tout cela pour créer un modèle de couverture corallienne. Après avoir exploré un peu les données, j'ai cerné les facteurs de variation. Je vais maintenant me concentrer sur la modélisation prédictive de JMP Pro et utiliser une fonctionnalité que j'apprécie particulièrement, apparue il y a quelques versions : l'écran de modélisation. Cela me permettra de tester simultanément un grand nombre de types de modélisation différents.
Ce que je cherche à prédire, c'est le taux de couverture corallienne. J'ai une colonne de validation qui divise mes 86 sites en 75 % de données d'entraînement et 25 % de données de validation. Je vais activer certaines options supplémentaires. Certaines interactions à deux facteurs dans les modèles quadratiques peuvent sembler inappropriées, mais laissons-les activées pour l'instant. J'ai ces prédicteurs d'éléments que nous avons déjà explorés et qui, je pense, pourraient influencer le taux de couverture corallienne. Certains d'entre eux auraient probablement pu être supprimés car ils ne sont pas très importants, mais ne vous en préoccupez pas pour le moment.
Examinons notre coefficient de détermination (R²) de validation, afin d'évaluer la performance du modèle pour prédire la couverture corallienne de notre jeu de données de validation. On constate que les résultats ne sont pas très bons. On observe des R² d'environ 0,3, généralement associés à des modèles d'apprentissage automatique plus complexes. La sélection de modèles ne vise pas nécessairement à vous fournir le modèle qui figurera dans votre article, mais plutôt à vous orienter vers les pistes de recherche que vous souhaitez explorer. Je sais que pour certains jeux de données écologiques très complexes, les réseaux de neurones sont généralement très performants.
Auparavant, j'avais identifié un réseau de neurones, notre réseau de neurones ne comportant que sept facteurs environnementaux, avec un coefficient de détermination (R²) de validation d'environ 0,72. Pour des prédictions océaniques, c'est un excellent résultat. L'exécution de cette simulation prendra quelques secondes ; je vais donc retourner dans PowerPoint pour vous la montrer. Ce modèle a été rendu possible grâce à un module complémentaire très ingénieux, développé par Diedrich Schmidt, un utilisateur de JMP particulièrement compétent. Si vous connaissez un peu les réseaux de neurones, vous savez qu'il existe une multitude d'hyperparamètres à ajuster, qui peuvent avoir un impact considérable sur les performances du modèle. Son module complémentaire d'auto-réglage généralisé est très performant et permet de tester un grand nombre de combinaisons de ces hyperparamètres. Il s'agit notamment du nombre de couches cachées, du degré de boosting pour une seule couche, des types de nœuds d'activation, etc.
Voyons voir. Explorons un peu ce réseau neuronal. Vous remarquerez peut-être un point légèrement préoccupant : le coefficient de détermination (R²) d'entraînement est nettement inférieur à celui de validation. Ce dernier pourrait vous impressionner et vous dire : « 0,88, c'est excellent pour des données écologiques ! » Cela pourrait effectivement indiquer un surapprentissage. Mais pour l'instant, supposons que cet essai n'ait pas été aussi concluant que les précédents et faisons comme si ce modèle nous convenait, car ce que je souhaite vraiment mettre en avant, ce sont deux choses.
Tout d'abord, dans le profil de prédiction, je vais désactiver l'évaluation de l'importance des variables car je souhaite la refaire. Il s'agit essentiellement de classer les facteurs environnementaux, dans ce cas précis, en fonction de leur influence sur le modèle. Le résultat sera assez similaire à l'écran des prédicteurs. Dans ce cas, puisque j'ai déjà exécuté ce modèle, les variables étaient déjà classées ainsi. Mais lorsque vous exécutez cette analyse d'importance des variables, elle réorganisera vos prédicteurs dans le profil de prédiction en fonction de leur taille d'effet totale. Vous pouvez constater, dans ce cas, que la longitude a eu un impact plus important que la latitude ; l'ordre affiché ici, de haut en bas, correspond donc à celui de l'écran des prédicteurs.
Ce que nous avons découvert, c'est que, de façon surprenante, même si l'exposition n'avait pas d'influence notable sur le graphique précédent, elle reste plus importante que d'autres facteurs. C'est un point intéressant. Cela semble logique. Les coordonnées spatiales correspondent aux observations cartographiques. Nous n'avons pas étudié en détail l'émergence des récifs, mais je l'ai brièvement représentée graphiquement. On observe un très faible impact sur la couverture corallienne, ce qui correspond à une valeur légèrement inférieure à la moyenne nationale.
Mais ce que je veux faire, c'est supposant que je sois satisfait de ce modèle, qu'il ne présente aucun signe de surapprentissage et qu'il réponde à mes différents critères. Ce que je veux faire, et c'est ce que je trouve vraiment génial, c'est effectuer une analyse de désirabilité. Le logiciel s'en souvient car je l'ai déjà réalisée, mais je veux indiquer à JMP de maximiser la couverture corallienne. Je veux lui fournir les conditions dans lesquelles, d'après ce modèle, on peut s'attendre à une couverture corallienne maximale. Ensuite, je vais maximiser la désirabilité, et cette valeur est passée à 73 %.
Revenons à la diapositive. Voici un graphique de répartition. J'ai calculé la couverture corallienne pour l'ensemble du pays. Nous avons cette moyenne de 45 % mentionnée précédemment, mais l'étendue est en réalité très large : de 2 % à 78 %. Vous vous demandez peut-être pourquoi le modèle ne nous a pas simplement recommandé de retourner sur le récif présentant une couverture de 78 %. La raison est simple : nous avons retiré le site et, dans ce cas précis, l'île, du modèle afin d'éviter tout biais. Nous souhaitons qu'il soit plus généralisable à l'ensemble du pays.
Autrement, si l'on se contente d'ajouter le site, l'île et autres informations de ce genre, le modèle pourrait très bien vous indiquer de retourner à l'endroit où la couverture corallienne est la plus élevée. Ce serait l'hypothèse la plus probable, mais nous cherchons ici à élaborer un modèle plus généralisable afin d'obtenir des informations sur les zones que nous n'avons pas encore explorées. Un taux de couverture corallienne de 73 % est étonnamment élevé, mais pas totalement improbable. Je le précise car, lorsqu'on effectue ce type d'analyses de fréquentation à partir de données environnementales, l'extrapolation est un point crucial.
Dans ce cas précis, j'ai examiné la situation au préalable. Aucune de ces conditions ne me paraît absurde. Ce sont toutes des conditions qu'un biologiste marin qualifierait ainsi : « Voilà, j'imagine parfaitement un récif externe exposé, en dehors du lagon, qui émerge à cette profondeur moyenne. » C'est tout à fait possible pour un récif corallien. J'ai réalisé d'autres modèles où, si l'on désactive l'extrapolation, on obtient des conditions qui n'ont pas été observées sur Terre depuis l'ère préindustrielle. Lorsqu'on essaie de faire des prédictions, surtout dans un système dynamique, il est essentiel d'utiliser ces contrôles d'extrapolation. Je n'ai pas reçu d'avertissement lorsque j'ai activé l'alerte, mais j'aurais pu. En cas de problème d'extrapolation, il est possible de relancer le modèle.
Dans ce cas précis, cela n'a quasiment rien changé car il n'y a aucun problème, mais vous remarquerez que certaines lignes sont devenues fixes. Si vous connaissez les récifs coralliens, vous savez qu'un récif externe se situe toujours à l'extérieur du lagon. Le logiciel ne me permet même pas de déplacer cet élément car il m'indique : « Nous ne pouvons pas vous autoriser à simuler une condition qui n'existe pas dans votre jeu de données. » Ou, dans ce cas, qui n'existe pas dans la nature. C'est en fait assez fascinant.
Si ce modèle me convenait, je le referais… vous savez ce que je vais faire. Je ne tricherai pas, je le relancerai, et vous comprendrez vite pourquoi. Mon objectif est de publier ce modèle sur mon site web. Je sais que l'analyse de désirabilité corrigera ces conditions. Ce serait peut-être souhaitable, mais je souhaite que d'autres utilisateurs puissent y saisir leurs données, par exemple celles concernant les récifs qu'ils souhaitent étudier, et obtenir ainsi une estimation du taux de couverture corallienne.
Autre chose que je comptais faire. Voyons voir. Non. J'ai retiré la carte. Je voulais utiliser ces coordonnées pour déterminer précisément où elles correspondraient en latitude et en longitude à Palau, mais on verra ça plus tard. Je me souviens cependant que lors d'une précédente simulation, c'était dans le sud-ouest du pays, une région où la couverture corallienne était généralement plus importante.
Vous pouvez constater que cette réédition du modèle est assez similaire. Mais je souhaite simplement faire comme si ce modèle nous convenait. En fait, je veux le publier sur JMP Public, et cela ne devrait pas prendre trop de temps puisque je suis déjà connecté. Je vais le placer dans le dossier JMP Discovery. Je pourrais y ajouter des informations supplémentaires. Si je le voulais, je pourrais même y joindre une image.
Voyons voir à quoi cela ressemble. J'espère que c'est interactif. Parfois, lorsque je l'exécute et qu'il se souvient que je souhaite maximiser la couverture corallienne, l'analyse de désirabilité reste activée. C'est généralement très pratique, mais cela peut poser problème si l'on souhaite publier le code HTML interactif. La génération du rapport prendra quelques instants ; nous y reviendrons dans un instant. Mais comme je l'ai déjà fait, je vais vous montrer à quoi il ressemblera.
Voici mon site web. J'ai une section consacrée à Palau, avec une page dédiée à la bioprospection à Palau. Je ne fais pas ça uniquement pour valider le concept de JMP ; il s'agit de découvertes qui m'intéressent beaucoup. Comme vous pouvez le constater, le modèle n'est pas exactement le même, mais il est similaire à celui que je viens d'utiliser. Imaginons que des collaborateurs et collègues travaillant à Palau me disent : « Nous avons trouvé ce récif sur la carte. C'est un récif submergé à l'intérieur du lagon. C'est un récif arrière, ou plutôt un récif corallien lagunaire. Il est peu profond et donc protégé. Nous l'avons localisé à peu près ici, et son emplacement est à peu près là. »
Ce n'est peut-être pas un excellent exemple, car il nous montre la moyenne pour l'ensemble du pays. Le modèle dirait donc : « Allez voir cet endroit. » Ce serait un récif aussi intéressant qu'un autre, et vous pourriez optimiser le modèle, l'entraîner davantage, en y intégrant le nombre de récifs que vous avez réellement observés.
Ce que j'ai fait ici, c'est afficher une vue statique de l'attrait optimisé. Vous pouvez constater qu'elle diffère légèrement d'une simulation à l'autre. Mais dans ce cas précis, il s'agit des conditions projetées par mon modèle, qui permettraient d'obtenir un récif avec un taux de couverture corallienne de 67 %, ce qui est vraiment excellent. Alors, comment y parvenir ?
Voici à quoi ça ressemble. Le modèle est légèrement différent, mais la publication s'est bien déroulée. L'interaction est fonctionnelle. Il ne me reste plus qu'à… Vérifier si ceci gêne. Deux options s'offrent à moi : utiliser le code d'intégration de l'iframe ou de la carte. Je préfère l'iframe, car la carte se contente d'insérer un petit élément ici, un simple lien hypertexte qui vous redirige vers la page publique de JMP, ce qui peut suffire. En revanche, si vous souhaitez une fenêtre intégrée permettant aux utilisateurs de saisir leurs propres données, il vous faut utiliser l'iframe.
J'utilise Squarespace, mais c'est vraiment très simple : il suffit d'insérer du code ou d'intégrer le code ici. Je l'ai copié-collé depuis le site web public de JMP. Le chargement prendra quelques secondes, puis voilà ! Enregistrez, actualisez la page et envoyez ce lien à vos collègues. S'ils utilisent JMP, tant mieux ! Ils auront accès à des informations beaucoup plus détaillées. Sinon, ils peuvent commencer à tester des hypothèses et à estimer des éléments comme la couverture corallienne grâce à cette fonctionnalité.
C'est probablement une fonctionnalité qui existe depuis des années et que JMP n'a pas pu implémenter, mais j'ai été vraiment impressionné de voir à quel point il était facile de mettre en ligne un outil de profilage prédictif interactif. Le potentiel est immense pour répondre à toutes ces questions que je me pose depuis longtemps.
Par souci de concision, je ne vais pas m'étendre sur l'exemple des super-coraux, car vous pouvez constater qu'il suffit de quelques minutes pour y parvenir. Mais pour vous donner un aperçu, le processus est fondamentalement le même. Si vous utilisez la modélisation prédictive, au lieu d'analyser le taux de couverture corallienne, vous utilisez cet indice de santé corallienne que j'ai créé il y a quelques années. Vous voyez comme il est complexe. Il offre une très haute résolution, mais il est aussi très coûteux. Il est impossible de mesurer tous ces paramètres sur des millions de coraux.
Là encore, il est nécessaire d'utiliser la modélisation prédictive afin de disposer, idéalement, d'indicateurs moins coûteux. Plutôt que de dépenser des milliers de dollars en mesures moléculaires sophistiquées, nous nous appuyons sur ces modèles prédictifs pour affirmer : « Si vous recherchez un corail ayant 99 % de chances, dans cet exemple, d'être un “super corail”, il aura telle taille sur un récif à très forte couverture corallienne, mais à faible diversité corallienne, etc. » Le processus analytique est très similaire dans JMP Pro, mais il permet d'aborder une question différente.
Où trouve-t-on ces super-coraux ? Je pourrais ensuite publier ces informations sur mon site web, ce qui aiderait les gens à planifier leurs projets. Nous avons actuellement des projets en cours : l’institut avec lequel je travaille, Cord App, collabore avec des personnes à Palau qui souhaitent localiser ces super-coraux afin de les reproduire dans leurs pépinières. Les profils prédictifs issus des modèles JMP Pro seront extrêmement utiles pour les aider à localiser précisément ces récifs.
Si ce sujet vous intéresse, je vous invite à consulter la présentation. J'ai passé quelques diapositives. Tous les scripts sont disponibles dans le tableau de données JMP ; vous pouvez donc effectuer cette analyse vous-même. Je pense que nous pouvons désormais réaliser des choses très intéressantes avec les types de données provenant des récifs coralliens, notamment pour optimiser la planification de la conservation marine.
Je pense avoir beaucoup appris en travaillant avec JMP et en me familiarisant avec le logiciel. Cela m'a vraiment aidé à répondre à certaines des grandes questions qui touchent au cœur de problèmes comme le changement climatique et le sort de la planète. Je crois vraiment que les possibilités sont infinies lorsqu'on se familiarise avec JMP, et en particulier JMP Pro, surtout si l'on réalise beaucoup de modélisation prédictive. J'encourage vivement chacun à se lancer, à explorer et à s'attaquer à ces grandes questions, car vous serez surpris de tout ce que vous pouvez accomplir.
Sur ce, je vais conclure cet exposé. Merci de votre attention et n'hésitez pas à m'envoyer un courriel si vous avez des questions sur les points abordés. Merci.
