Call for a 3-yr PhD Position in Ecology, Phylogeography and Landscape Genetics

Title

Incorporating Phylogeographic infOrmation into niche moDels to improve species re-distribution projections under climAte waRming and habitat fragmentation: the Case of forest-dwelling specIes across European agricultural landscapeS [PODARCIS]

Aim

Climate warming and habitat fragmentation are two key components of global change that push species to redistribute or evolve to adapt to the new conditions (Lenoir & Svenning, 2015; Pecl et al., 2017). To hindcast and forecast species redistribution under past and future environmental conditions, respectively, the state-of-the-art is to use species distribution models (SDMs) (Guisan & Zimmermann, 2000). However, traditional SDMs assume that individuals from all populations of a given species respond equally to environmental changes although different populations from the same species may respond differently to environmental changes (Valladares et al., 2014). The most recent scientific literature on SDMs suggests that incorporating intraspecific variation into SDMs leads to less pessimistic redistribution projections (Pearman et al., 2010; Oney et al., 2013). Both phylogeography (Guiller & Madec, 2010; Guiller et al., 2012) and landscape genetics can provide spatially and temporally explicit information on the genetic structure and differences among populations of the same species that could be used to incorporate intraspecific variation into SDMs and thus improve redistribution projections under climate change. This PhD project entitled PODARCIS specifically aims at incorporating intraspecific variation data obtained from a union of phylogeography and landscape genetics (Rissler, 2016) into SDMs. PODARCIS is part of the EU (BiodivERsA) project Woodnet and the regional (Hauts-de-France) project Pegase. Three model species of European temperate forests will be studied throughout the PhD project: the plants Geum urbanum and Oxalis acetosella characterized by different dispersal capacities as well as the tick Ixodes ricinus considered as the main vector of the Lyme Borreliosis in Western Europe and thus implying potential public health hazards. PODARCIS rests on three basic pillars:

  • Phylogeography and historical demography to determine the phylogeographic structure of each species and to disentangle the relative impacts of past versus current climatic changes in shaping the geographic distributions of genealogical lineages;
  • Fundamental ecology to develop SDMs adapted to each genealogical lineage and to compare these lineage-specific SDMs to classical SDMs at different periods (Pleistocene and Anthropocene);
  • Landscape genetics to identify landscape and environmental features that constrain genetic connectivity and thus to account for dispersal and gene flow across the landscape.

Keywords

Climate change, ecoepidemiology, forest ecosystems, landscape genetics, phylogeography, population genetics, spatial statistics, species distribution modelling

Qualifications

The candidate is expected to have good training in statistics or mathematical modelling and have a strong background in ecology or evolutionary biology (population genetics and phylogeography). Typical PhD candidates will have a master degree in ecology or evolutionary biology. Basic knowledge and interest in ecology and landscape genetics is required. Experience in molecular genetics and GIS knowledge will be further appreciated. Programming skills in Free and Open Source Software (FOSS) such as in the R and GRASS environments will be a clear advantage. Teamwork skills, curiosity, autonomy at work as well as good oral and written communication skills in English will also be valued.

Supervision

The student will be hosted within the research unit EDYSAN (Ecologie et Dynamique des Systèmes Anthropisés, FRE 3498 CNRS – UPJV, head Prof. Guillaume Decocq), 33 rue Saint Leu, 80000 Amiens, France. EDYSAN is a young, diverse, vibrant and international research community with strong collaborative interdisciplinary ties within and beyond Amiens.

Application

Applications (letter, CV and 2 contacts for references) should be sent to Annie Guiller, Jonathan Lenoir and Guillaume Decocq (guillaume.decocq@u-picardie.fr) no later than June 15. The selected candidate will have an audition with the Doctoral Department at UPJV (Université de Picardie Jules Verne, Amiens) in the beginning of July and, if successful, will start in September 2017.

References

  • Guiller & Madec (2010). Historical biogeography of the land snail Cornu aspersum: a new scenario inferred from haplotype distribution in the Western Mediterranean Basin. BMC Evolutionary Biology, 10: 18
  • Guiller et al. (2012) Tracing the invasion of the Mediterranean land snail Cornu aspersum aspersum becoming an agricultural and garden pest in areas recently introduced. PLoS ONE, 7: e49674
  • Guisan & Zimmermann (2000) Predictive habitat distribution models in ecology. Ecological Modelling, 135: 147–186
  • Lenoir & Svenning (2015). Climate-related range shifts – a global multidimensional synthesis and new research directions. Ecography, 38: 15–28
  • Oney et al. (2013). Intraspecific variation buffers projected climate change impacts on Pinus contorta. Ecology and Evolution, 3: 437–449
  • Pearman et al. (2010). Within-taxon niche structure: niche conservatism, divergence and predicted effects of climate change. Ecography, 33: 990–1003
  • Pecl et al. (2017). Biodiversity redistribution under climate change: Impacts on ecosystems and human well-being. Science, 355: eaai9214
  • Rissler (2016). Union of phylogeography and landscape genetics. PNAS, 113: 8079–8086
  • Valladares et al. (2014). The effects of phenotypic plasticity and local adaptation on forecasts of species range shifts under climate change. Ecology Letters, 17: 1351–1364

 

Dédèle ?

C’est qui Dédèle (comprendre ddl pour degré de liberté) ? Mr, c’est quoi un ddl ? Un Dédé quoi ? Comme ce genre de questions revient assez fréquemment en cours ou TD de statistiques, je me suis dit qu’il était peut-être temps d’écrire un petit post dédié à mon amie Dédèle. De toute manière, lorsque cette question ne m’est pas posée directement, je peux lire la détresse (voir la peur) dans les yeux de l’assistance quand j’invoque Dédèle (rassurez vous, il ne s’agit pas là d’une messe noire à l’attention de Dédèle la déesse de Terra Statistica ! Quoique…). Bon ok, je dramatise un chouïa, une grande partie de l’auditoire en question y est complètement insensible, à tort ou à raison. Pauvre Dédèle, tellement impopulaire… Moi même, jusque très tard, j’ai navigué à vue dans les dédales (ou les dédèles devrais-je dire) de Terra Statistica sans vraiment connaître ni chercher à connaître cette bonne vieille Dédèle, pourtant un phare dans la nuit. Damned, j’avais tord… J’avais bien une vague idée de ce qu’elle pouvait bien représenter mais clairement, je m’en souciais guère. Et pourtant, on gagne à la connaître. Qui ça ? Ben Dédèle bien sure.

Dédèle, c’est en fait une variable à surveiller très régulièrement, tout comme on surveille la jauge du niveau de carburant pour éviter de tomber en rade, à moins que la panne sèche soit un objectif en soi… Bref, tu l’auras compris chèr(e) lecteur/lectrice, il faut voir Dédèle comme une réserve et éviter de la faire tomber à zéro. Je te vois venir… Oui, mais à quoi elle sert cette réserve ? Bonne question Jean-Noël (oui, c’est la fin d’année et les fêtes approchent). C’est vrai ça à quoi Dédèle peut bien servir ? Et bien à faire avancer ton modèle statistique tout simplement, que ce soit une Lada première génération (petit réservoir ou petit échantillon) ou bien une Maserati dernier cri (gros reservoir ou gros échantillon). C’est là que la notion de degrés de liberté prend tout son sens. Ben ouais, tu auras la possibilité d’aller plus loin (cf. plus de liberté) avec un gros réservoir bien plein plutôt qu’avec un petit réservoir même plein. Si comme moi tu es fan de Magic The Gathering (oups je sens que je vais perdre le peu de lecteurs/lectrices qui ont eu le courage de commencer à lire ce post) tu peux aussi voir Dédèle (oui j’ai décidé que Dédèle a plusieurs visages) comme ta réserve de mana. Plus celle-ci est grande et plus tu as de liberté pour lancer tes sorts les plus puissants (bam le Jökulhlaups) ou tes grosses bébêtes préférées (et bim Emrakul). Bon, avec ta réserve de Dédèle tu ne lanceras pas de sort (gosh, je peux lire la deception dans ton regard) mais tu pourras invoquer des variables plus ou moins puissantes pour faire avancer ton modèle statistique (c’est vrai, c’est moins classe qu’une Maserati dernier cri, mais utile, parfois) et avaler toujours un peu plus de variance.

Mouais mais Mr, comment dépenser le contenu de la reserve de Dédèle ? Tu es encore là Jean-Noël ? Hummm, serais-tu toi aussi tombé sous le charme de Dédèle la sirène (je t’avais prévenu, Dédèle a plusieurs visages). Prends garde, elle pourait bien t’entraîner dans les abysses de Terra Statistica. Et bien, tout d’abord, il faut savoir que l’invocation d’une variable quelque soit sa nature (quantitative, ordinale, binaire, qualitative) a un coût. Par exemple une variable quantitative (cf. valeurs numériques continues) te coûtera 1 point de Dédèle. Pour une variable qualitative (cf. catégories ou groupes), il t’en coûtera autant que tu as de groupes ou de catégories moins un : le sacro-saint n-1 (Kali Ma Shakti de…). Accroche-toi Jean-Noël, Dédèle nous tire plus profondément dans les limbes de Terra Statistica. Pour une variable quantitative il t’en coûtera aussi n-1, en fait, mais dans ce cas n vaut 2. Mais pourquoi n-1 me diras-tu Jean-Noël. Et bien parce que chaque estimation de paramètre te fait perdre 1 point de Dédèle et que chaque modèle se construit en estimant un premier paramètre qui sert de point de référence (cf. intercept) pour toute tes variables explicatives qu’elles soient quantitatives ou qualitatives. Dans le cas de variables quantitatives, ce paramètre n’est autre que l’ordonnée à l’origine et pour les varibles qualitatives, il s’agit simplement de la moyenne de la varible à expliquer pour une des modalités qui jouera le rôle de point de référence (généralement la première modalité qui vient par ordre alphabétique ou croissant). Note que ce point de référence sera commun à toutes les variables explicatives de ton modèle. Ceci a pour avantage de faire de grosses economies dans ta dépense de points de Dédèle. Quand ta réserve de Dédèle tombe à zéro, ta Maserati ou ta Lada cale et aucune statistique ne peut être calculée pour les différents paramètres de ton modèle statistique, faute de degrés de liberté. Bref, plus il te reste de points dans ta réserve à Dédèle et plus les tests statistiques qui moulinent en arrière-plan seront puissants (cf. risque de deuxième type faible) pour détecter des effets, même petits, des variables explicatives sur ta variale à expliquer.

Voilà courageux/courageuse lecteur/lectrice, tu es arrivé(e) au bout de ce post interminable sur Dédèle, the goddess, et tu en sais un peu plus sur elle et son univers impitoyable.

Bonne navigation en Terra Statistica.