Modéliser la réponse du phytoplancton lacustre aux variations de température via une approche hybride IA couplant modèle mécaniste et réseaux de neurones artificiels

Contexte Les écosystèmes aquatiques, et lacustres en particulier, subissent des pressions croissantes liées au changement climatique, affectant leur fonctionnement et les services écosystémiques qu’ils fournissent. Ces changements modifient les communautés phytoplanctoniques, qui sont à la fois principaux producteurs primaires et indicateurs de la santé des milieux d’eau douce. Cependant, prédire la trajectoire future du phytoplancton reste un défi majeur, notamment en raison de la complexité des processus écologiques qui le structure entre facteurs abiotiques (température, ressources) et biotiques (compétition, prédation). Ce stage s’inscrit dans le cadre du projet PhytoTraitNet, qui vise à développer une approche innovante combinant modélisation mécaniste et intelligence artificielle (réseaux de neurones) pour prédire la structure des communautés phytoplanctoniques face au réchauffement climatique. Ce travail s’appuiera sur des bases de données de suivis de phytoplancton lacustre sur l’ensemble du territoire français (suivis de la Directive cadre-eau) et de traits fonctionnels pour prédire la réponse des communautés aux variations de température. Objectifs O1 : Décrire la réponse des communautés de phytoplancton aux variations thermiques spatiales et temporelles O2 : Développer et calibrer un cadre de modélisation hybride combinant modèle de communautés et réseaux de neurones O3 : Simuler des scénarios de trajectoire future du phytoplancton. Travail demandé Le travail du/de la stagiaire relevera essentiellement de l’analyse de données. Son travail sera effectué à l’aide du langage R et Python. Il s’agira de : (1) caractériser des patrons de biodiversité (taxonomique et fonctionnelle) décrivant la variation des communautés de phytoplancton lacustre en France en réponse aux grands gradients environnementaux, plus particulièrement de température. Les bases de données nécessaires sont déjà assemblées. (2) Calibrer un modèle de compétition de Lotka-Volterra structuré par la température pour optimiser la prédiction de ces patrons de biodiversité. Pour cela, le/la stagiaire développera et utilisera un outil de modélisation existant basé sur des réseaux de neurones (libraries Python JAX/Equinox). (3) Prédire la structure future du phytoplancton à l’aide de projections déjà compilées de la température des lacs à l’horizon 2100. Possibilité de continuer en thèse selon financement (demande en cours).