Fiche article :

RÉSUMÉ.

La modélisation probabiliste et l’inférence bayésienne computationnelles rencontrent un très grand succès depuis une quinzaine d’années grâce au développement des méthodes de Monte Carlo et aux performances toujours croissantes des moyens de calcul. Au travers d’outils comme les méthodes de Monte Carlo par chaîne de Markov et les méthodes de Monte Carlo séquentielles, l’inférence bayésienne se combine efficacement à la modélisation markovienne. Cette approche est également très répendue dans le domaine de l’écologie et l’agronomie. Nous faisons le point sur les développements de cette approche appliquée à quelques exemples de gestion de ressources naturelles.

ABSTRACT.

Computational probabilistic modeling and Bayesian inference has met a great success over the past fifteen years through the development of Monte Carlo methods and the ever increasing performance of computers. Through methods such as Monte Carlo Markov chain and sequential Monte Carlo Bayesian inference effectively combines with Markovian modelling. This approach has been very successful in ecology and agronomy. We analyze the development of this approach applied to a few examples of natural resources management.

MOTS-CLÉS : Modélisation computationnelle markovienne, inférence bayésienne computationnelle, modélisation bayésienne hiérarchique, méthode de Monte Carlo par chaîne de Markov, méthode de Monte Carlo séquentielle, écologie numérique

KEYWORDS : Computational Markovian modeling, computational Bayesian inference, hierarchical Bayesian modeling, Monte Carlo Markov chain, sequential Monte Carlo, computational ecology