Search

International audience; There are numerous statistical challenges involved in the general field of climate reconstructions, including the preprocessing of raw data, often called standardization. This paper focuses on this essential but often overlooked preprocessing stage for one of the most used climate proxy, tree ring widths. One basic premise of dendroclimatology (dendron = tree) is that tree ring widths are assumed to contain relevant information about past climate. By going back to the data source, we focus on improving uncertainty assessments and more accurately identifying a climatic signal. Tree ring width logarithms measured on a given tree are classically decomposed into an individual age effect and a common signal shared by all trees from the same site. Through informative priors, we assume that the individual age effect component lives on a narrow frequency band. This corresponds to the a priori knowledge that individual trees have a smooth aging process. In contrast, the environmental signal shared by all trees is not assumed to belong to a specific frequency range. From a statistical perspective, the search of this common signal shared by a series of tree ring width logarithms can be viewed at inferring the different components of a specific additive model. Compared to past dendroclimatology studies, we propose a semi-parametric Bayesian hierarchical model that offers the possibility to capture low and high frequencies in tree ring widths. Our new model is tested on simulated data and applied to Pinus halepensis Mill. ring widths recorded in French Mediterranean.

Dendrochronology, the scientific dating method based on the analysis of tree-ring growth patterns, has been frequently applied in climatology. The basic premise of dendroclimatology is that tree rings can be viewed as climate proxies, i.e. rings are assumed to contain some hidden information about past climate. From a statistical perspective, this extraction problem can be understood as the search of a hidden variable which represents the common signal within a collection of tree-ring width series. Classical average-based techniques used in dendrochronology have been, with different degrees of success (depending on tree species, regional factors and statistical methods), applied to estimate the mean behavior of this latent variable. Still, a precise quantification of uncertainties associated to the hidden variable distribution is difficult to assess. To model the error propagation throughout the extraction procedure, we propose and study a Bayesian hierarchical model that focuses on extracting an inter-annual high frequency signal. Our method is applied to black spruce (Picea mariana) tree-rings recorded in northern Quebec and compared to a classical average-based techniques used by dendrochronologists.

International audience; De nombreuses variantes sur la sélection de variables pour un modèle de régression sous l'approche bayésienne ont été proposées dans la littérature. Dans cette présentation, nous adaptons cette méthode de sélection de variables à un modèle d'état, ce qui revient à ajouter une équation à notre modèle de régression. On applique cette méthode à un problème de reconstruction climatique. En effet, afin de comprendre si le réchauffement climatique actuel est plus important que la variabilité climatique naturelle, il est nécessaire de d'avoir de longues séries climatiques. Seulement, des mesures directes de températures et précipitations manquent, en particulier pour les période les plus anciennes, et il est nécessaires d'utiliser des proxis climatiques afin de reconstruire des chronologies passées. Un proxy bien connu est la croissance des cernes d'arbres. Afin de comprendre les relations existantes entre ce proxy est des variables climatiques on essaye d'expliquer la croissance des cernes d'arbres avec la meilleures combinaison possible de séries de températures et de précipitations.

International audience; La dendrochronologie est une méthode scientifique de datation basée sur l'analyse des anneaux annuels de croissance ou cernes d'arbres. Elle a été fréquemment appliquée pour reconstruire les variations climatiques des derniers siècles. L'hypothèse fondamentale pour ces reconstructions est que les cernes d'arbres répondent (d'une manière à déterminer) aux variations du climat passé. L'objet de la dendroclimatologie est d'obtenir ces informations. D'un point de vue statistique, le problème de l'extraction d'une information climatique peut être vu comme la recherche d'une variable aléatoire cachée représentant un facteur commun aux cernes d'arbres d'une même espèce échantillonnée sur un site géoréférencé. Habituellement, des techniques classiques de moyenne sont appliquées pour estimer le comportement moyen de cette variable cachée "climatique". Les résultats obtenus avec ces techniques dépendent de l'espèce d'arbres, de la région d'étude et de la méthode statistique retenue. Cependant, il manque toujours une quantification précise de l'incertitude associée à la distribution de la variable cachée. Cette présentation propose, sous le paradigme bayïésien, un modèle statistique paramétrique impliquant cette variable cachée dans une structure hiérarchique. Nous l'appliquerons successivement à des données simulées et à des largeurs de cerne réellement observées provenant d'une base de données portant sur des arbres échantillonnés en Europe.