dimanche 3 janvier 2016

Proposition de stage financé de M2

Aspects adaptatifs de la construction de la niche chez un ingénieur de l'écosystème le long d'un gradient thermique
Co-encadrant(e)s responsables du stage
Jérôme Mathieu, UMR 7618, IEES, UPMC, jerome.mathieu [at] upmc.fr, 01 44 27 34 22
Laboratoire d'accueil : IEES, UPMC, 4 place Jussieu, 75005 Paris

Description du sujet
La construction de la niche, l'ensemble des processus par lesquels les organismes modifient leur environnement, soit en l'aménageant, soit en consommant les ressources, est souvent présentée comme bénéfique ou néfaste pour les organismes, du fait de boucles de rétroactions entre organismes et environnement. Cette boucle est typiquement considérée avantageuse pour les organismes ingénieurs de l'écosystème, tel les castors ou les vers de terre, quelques que soient les conditions, faisant l'hypothèse que les bénéfices sont toujours supérieurs aux coûts de la construction de niche chez ces organismes.
Cependant les couts et bénéfices sont à même de varier avec les conditions environnementales, si  bien que la construction de la niche peut être avantageuse dans certaines conditions environnementales, mais pas dans d'autres. Afin de prédire dans quelles conditions la construction de la niche est effectivement adaptative (avantageuse), il faut quantifier séparément les couts et les bénéfices de cette construction de la niche le long de gradients environnementaux.
Dans ce stage l'étudiant étudiera les coûts et les bénéfices, en termes de dynamique démographique, de la construction de la niche chez les vers de terre le long d'un gradient de température, afin de les relier aux scénarios de changement globaux. Les couts et bénéfices seront estimés séparément à l'aide de dispositifs artificiels de facilitation et d'empêchement de construction de galeries.

Conditions
Durée: 5mois, rémunéré
Compétences recherchées
L’étudiant(e) recherché(e) doit être motivé par l'expérimentation  et posséder de bonnes bases en écologie évolutive et fonctionnelle. De bonnes bases en modélisation statistique (de préférence sous R), et des connaissances en analyse d'image seraient particulièrement appréciées.