Recente ontwikkelingen in sensortechnologie maken het mogelijk om enorme datasets ("big data") te verzamelen, die worden gebruikt om biologische systemen beter te begrijpen. Adequate statistische modellen zijn essentieel voor het beantwoorden van toegepaste onderzoeksvragen en het testen van hypotheses op basis van dergelijke big data. Het fitten van statistische modellen die de complexiteit van biologische systemen nauwkeurig vastleggen, is een uitdagende taak. Deze moeilijkheid ontstaat vooral door de complexe interacties tussen de componenten van het systeem en de inherente dynamische aard van biologische processen.
Dit onderzoek richt zich op het modelleren van de spatio-temporale correlaties en dynamiek die inherent zijn aan veel biologische processen, zoals klimaatsystemen en biodiversiteitspatronen. In het bijzonder zullen we de volgende uitdagingen aangaan: (i) het ontwikkelen van data-gedreven modellen om complexe spatio-temporale correlaties vast te leggen, (ii) het creëren van steekproefontwerpen die specifiek zijn afgestemd op het effectief en efficiënt analyseren van spatio-temporele data en (iii) het modelleren van spatio-temporele extremen om beter inzicht te krijgen in hun patronen en implicaties.
In ons onderzoek zullen we gebruik maken van Bayesiaanse en statistische methoden. Om de complexe spatio-temporale structuren die inherent zijn aan onze data te capteren, hanteren we een zogenaamde hiërarchische benadering. Deze benadering organiseert de complexe interacties binnen het systeem in kleinere, onderling verbonden componenten, of lagen. Een belangrijk voordeel van deze methode is de flexibiliteit, bijvoorbeeld bij het modelleren van de extremen van een proces door de data-genererende component te herdefiniëren met een gepaste distributie. Bovendien vergemakkelijken hiërarchische modellen Bayesiaanse inferentie, waardoor het mogelijk is om voorkennis te gebruiken om steekproefontwerpen te berekenen. Dit kader ondersteunt ook continu leren, waardoor het model iteratief kan verbeteren naarmate er nieuwe data beschikbaar komt.
Al met al zal het kader dat we willen ontwikkelen de gehele data-naar-beslissing lijn bestrijken, beginnend met efficiënte gegevensverzameling, gaande naar robuuste datamodellering resulterend in geïnformeerde conclusies door hypothesetesten. Deze geïntegreerde benadering kan een cruciale rol spelen bij het verbeteren van ons begrip van de klimaat- en biodiversiteitscrisissen.