Titre de l'écran-titre (visionné le 16 janvier 2024) / Ce mémoire mobilise l'interdisciplinarité des sciences sociales computationnelles afin d'étudier les conséquences d'une approche non probabiliste aux sondages. Spécifiquement, il a pour objectif d'illustrer ce en quoi les sondages « opt-in » sont problématiques et à quel point il est possible de les corriger. Le chapitre 1 aborde les origines du débat concernant le biais de sélection, et établit les bases théoriques et statistiques requises à sa compréhension. Le chapitre 2 est le cœur du mémoire et applique concrètement le principe d'ignorabilité à l'aide de données simulées. On y apprend qu'il n'y a pas de limites théoriques à la capacité de correction de la pondération. Le chapitre 3 mobilise des données réelles afin d'explorer les limites rencontrées en pratiques. Ce dernier développe également le prototype d'une méthode d'analyse de sensibilité des quantités descriptives afin de tester la performance de la correction. / This Master's thesis mobilizes the interdisciplinarity of computational social science to study the consequences of a non-probabilistic approach to surveys. Specifically, it illustrates why opt-in surveys are problematic and how they can be corrected. Chapter 1 addresses the origins of the debate regarding selection bias, and establishes the theoretical and statistical understanding required. Chapter 2 is the heart of the thesis and concretely applies the ignorability principle using simulated data. We learn that there are no theoretical limits to the correction capacity of weighting techniques. Chapter 3 uses real data to explore the limits encountered in practice. The latter also develops a tentative method for sensibility analysis of descriptive quantities in order to test the performance of the correction.

La littérature récente met en lumière les risques associés aux changements climatiques, démontrant qu'ils pourraient affecter de manière irrémédiable le maintien, la résilience et la productivité des écosystèmes forestiers. Pour mieux comprendre et anticiper ces effets, il est impératif de développer des approches méthodologiques pour supporter l'acquisition de connaissance détaillées sur les dynamiques spatiales et temporelles de ces écosystèmes. Cette étude a permis de tester le potentiel des méthodes d'apprentissage supervisé et des algorithmes de vision par ordinateurs pour cartographier trois composantes importantes des écosystèmes forestiers : 1) les propriétés physico-chimiques des sols, 2) la croissance radiale annuelle des essences forestières en forêt boréale et tempérée et 3) la diversité des essences forestières et de l'occupation du sol. Nos résultats indiquent que les méthodes d'apprentissage supervisé, issues du domaine de l'intelligence artificielle, sont en mesure de soutenir une cartographie objective, précise et détaillée de la dynamique spatiale et temporelle de plusieurs caractéristiques des écosystèmes forestiers. Ils démontrent toutefois que : 1) les performances des modèles d'apprentissage supervisé sont tributaires de la qualité et de la représentativité des données utilisées pour l'entraînement des modèles, 2) les valeurs simulées sont susceptibles d'être biaisées et requièrent parfois l'usage d'une méthode de correction de biais et 3) qu'il est essentiel de revoir les méthodes d'échantillonnage actuellement utilisées pour assurer une représentation optimale de la diversité des écosystèmes forestiers et des conditions climatiques changeantes et minimiser l'occurrence de biais dans les valeurs simulées. Nos travaux démontrent également les bénéfices de la modélisation d'ensemble et de la correction de biais sur la performance des modèles. En effet, les valeurs simulées à partir de la modélisation d'ensemble présentent un pouvoir explicatif supérieur par rapport à la modélisation déterministe reposant sur un modèle unique. La modélisation d'ensemble offre un cadre méthodologique qui permet d'estimer l'incertitude associée aux valeurs prédites. La correction de biais permet par ailleurs de maximiser la linéarité et le rapport de la variance entre les valeurs simulées et observées, favorisant ainsi l'obtention de valeurs plus réalistes d'un point de vue physique. Le développement de méthodes de cartographie automatisée aura des retombées importantes pour la gestion forestière, puisque les cartes découlant de ces approches ont le potentiel de soutenir une meilleure compréhension des écosystèmes forestiers et conséquemment le développement de stratégies d'aménagement forestier durable. Bien que les méthodes développées dans la thèse présentent un fort potentiel opérationnel, leur mise en œuvre dans le contexte de l'administration publique pose de nombreux défis liés à l'intégration de ces technologies. Enfin, ces travaux sont novateurs, car ils ont généré des données géospatiales inédites sur le plan de la résolution spatiale et temporelle. Ces données permettent une analyse détaillée de la dynamique du couvert forestier, de l'influence des perturbations et des facteurs abiotiques dans le temps.