Phénotypage du comportement à partir de données de biologging par des modèles de semi-Markov cachés pour étudier les réponses comportementales de la faune sauvage en milieu naturel // Phenotyping of behavior from biologging data using hidden semi-Markov m

Les données de capteurs à haute fréquence (biologging), notamment accéléromètres, sont utilisées pour inférer le comportement d'animaux sur de longues durées et dans des conditions non directement observables, permettant d'étudier les tactiques comportementales individuelles. L'unité CEFS dispose d'une importante base de données comportementales sur la faune sauvage, incluant des données d'accélérométrie issues du suivi à long terme d'une population de chevreuils en milieu naturel, mais aussi de données supervisées comportant à la fois des données d'accélérométrie et des vidéos d'individus équipés, qui permettent une exploration beaucoup plus fine de leur comportement. Dans ce contexte, l'analyse classique s'intéresse à la proportion de temps consacrée à chaque comportement (alimentation, course...), ignorant le plus souvent l'aspect temporel des données. Or, les trajectoires comportementales caractérisées par les durées des comportements et les transitions peuvent potentiellement fournir des informations plus riches.
Les modèles de semi-Markov cachés constituent un cadre naturel pour modéliser des dynamiques comportementales à partir de mesures d'accélérométrie. Il s'agit de processus temporels qui comportent une composante cachée, dans notre cas la trajectoire de comportement de l'animal, qui conditionne le processus observé constitué des mesures d'accélérométrie. La mise en œuvre d'une telle approche soulève des enjeux de modélisation, à l'interface des statistiques et de l'écologie comportementale. L'objectif de la thèse est de développer ce cadre méthodologique et d'explorer ses potentialités pour répondre à des questions en écologie comportementale.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

High-frequency sensor data (biologging), notably accelerometers, are used to infer the behavior of animals over long durations and in conditions that cannot be directly observed, allowing the study of individual behavioral tactics. The CEFS unit has a large behavioral database on wildlife, including accelerometry data from the long-term monitoring of a wild population of roe deer, as well as supervised data that include both accelerometry data and videos of equipped individuals, enabling a much finer exploration of their behavior. In this context, classical analysis focuses on the proportion of time spent on each behavior (feeding, running, etc.), often overlooking the temporal aspect of the underlying data. However, behavioral trajectories characterized by the durations of behaviors and transitions can potentially provide richer information.
Hidden semi-Markov models provide a natural framework for modeling behavioral dynamics from accelerometry measurements. This is a class of temporal processes that include a hidden component, in our case, the animal's behavioral trajectory, which conditions the observed process consisting of accelerometry measurements. Implementing such an approach raises modeling challenges at the intersection of statistics and behavioral ecology. The goal of the thesis is to develop this methodological framework and explore its potential for addressing questions in behavioral ecology.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Contrat doctoral

Concours pour un contrat doctoral

Université de Toulouse

458 SEVAB - Sciences Ecologiques, Vétérinaires, Agronomiques et Bioingenieries

Le candidat peut être issu d'une formation en statistiques avec des compétences en programmation (idéalement, en R) et doit avoir un goût prononcé pour les applications, ou être issu d'une formation en écologie et doit avoir des compétences avancées en statistiques et en programmation. Le sujet de la thèse pourra être modulé pour mettre davantage l'accent sur des questions statistiques ou écologiques selon les compétences et les envies du candidat.
The candidate may come from a background in statistics with programming skills (ideally in R) and should have a strong interest in applications, or from a background in ecology with advanced skills in statistics and programming. The thesis topic can be adjusted to place more emphasis on statistical or ecological questions, depending on the candidate's skills and interests.