Bayesian selection of mixed covariates from a latent layer: application to hierarchical modeling of soil carbon dynamics

Le carbone du sol est important non seulement pour assurer la securite alimentaire en maintenant la fertilite des sols, mais aussi pour limiter le rechauffement climatique en augmentant la sequestration du carbone dans le sol. Il est urgent de comprendre la reaction du carbone du sol face au rechauffement climatique et au changement des pratiques agricoles. Des modeles bio-physiques ont ete developpes depuis quelques decennies pour etudier la matiere organique du sol (SOM). Cependant, il existe encore une forte incertitude sur les mecanismes controlant la dynamique de la SOM, du niveau microbien aux echelles globales. Dans cet article, nous proposons une approche statistique bayesienne de selection de variables pour mieux cerner la dynamique du carbone du sol en examinant la variation en profondeur du radiocarbone pour 159 profils sous differentes conditions de climat (temperature, precipitations, ...) et d'environnement (type de sol, type d'usage du sol, ...). La recherche stochastique de selection de variables (SSVS) est appliquee au niveau des variables latentes d'un modele bayesien hierarchique. Ce modele decrit la variation du radiocarbone en fonction de la profondeur et en tenant compte des covariables explicatives potentielles tels que les facteurs climatiques et environnementaux. Cette approche nous permet d'avoir un jugement probabiliste sur la contribution conjointe du type de sol, du climat et de l'usage du sol a la dynamique verticale du carbone dans le sol. Nous discutons egalement de la performance pratique et des limitations de SSVS en presence de covariables categorielles et de la colinearite entre certaines covariables quand elles interviennent au niveau d'une couche latente d'un modele bayesien hierarchique.