Добірка наукової літератури з теми "Inférence sélective"

La gestion des risques dans les régions montagneuses nécessite une caractérisation des extrêmes neigeux. Nous utilisons le cadre des processus max-stables, qui relient statistique des valeurs extrêmes et géostatistique, pour étudier la dépendance spatiale des maxima hivernaux de chutes de neige cumulées sur 3 jours et de hauteurs de neige dans les Alpes françaises. Deux questions sont abordées : la sélection de modèle et la non-stationnarité temporelle. Nous commençons par introduire une procédure de validation-croisée que nous utilisons pour évaluer les capacités de plusieurs processus max-stables à capturer la structure de dépendance spatiale des maxima de chutes de neige. Ensuite, nous mettons en évidence une baisse de la dépendance spatiale des chutes de neige extrêmes durant ces dernières décennies. Enfin, nous montrons comment modéliser des tendances temporelles dans une structure de dépendance spatiale des extrêmes à travers l'exemple des maxima de hauteurs de neige. Pour les extrêmes de chutes comme de hauteurs de neige, la dépendance spatiale est fortement impactée par le changement climatique, premièrement par l'effet de la hausse de la température sur la phase (neige ou pluie) de la précipitation, et ensuite par la baisse du cumul hivernal des chutes de neige.

Les expériences des citoyen.nes dans un environnement saturé de politiques publiques. Une contribution méthodologique aux études sur les policy feedbacks depuis l'analyse secondaire de données qualitatives. Au cours des dix dernières années, les études sur les effets-retourdes politiques publiques sur les citoyen.nes (qu’on désigne par policy feedbacks) ont connu un regain d’intérêt. Analysant ces récents développements, plusieurs appels ont été lancés pour élargir ce courant de recherches au-delà des expériences que les citoyen.nes font d’une politique spécifique pour tenir compte, au contraire, de la multiplicité des expériences de politique publique qu'elles et ils ont au cours de leur vie quotidienne. Sur le plan méthodologique cependant, la reconnaissance de la multiplicité des expériences de politiques publiques des citoyen.nes en Europe de l'Ouest remet en question (i) les dispositifs empiriques de recherche et (ii) les inférences causales qui sont courantes dans cette littérature. Dans cet article, nous expliquons comment nous avons relevé ces deux défis en tirant parti des possibilités offertes par l’analyse secondaire qualitative. En réponse au premier défi, nous discutons notre approche, une analyse qualitative comparative et longitudinale de données secondaires sans sélection a priori des politiques publiques considérées. Nous présentons comment nous opérationnalisons dans ces données les expériences et les perceptions multiples des politiques publiques des citoyen.nes. En réponse au deuxième défi, nous construisons théoriquement un troisième mécanisme de feedback, qui est normatif et collectif. Nous discutons également de la manière dont nous étudions empiriquement les normes collectives liées aux expériences multiples de politique publique à partir de données individuelles.

Nous étudions le problème de l'estimation de moyenne et de la densité prédictive d'une population sélectionnée, en obtenant de nouveaux développements qui incluent l'analyse de biais, la décomposition du risque et les problèmes avec restrictions sur les paramètres (chapitre 2). Nous proposons des estimateurs de densité prédictive efficaces en termes de pertes Kullback-Leibler et Hellinger (chapitre 3) améliorant les procédures de plug-in via une perte duale et via une d'expansion de variance. Enfin, nous présentons les résultats de l'amélioration de l'estimateur du maximum de vraisemblance (EMV) d'une moyenne normale bornée pour une classe de fonctions de perte, y compris la perte normale réfléchie, avec des implications pour l'estimation de densité prédictive. A savoir, nous donnons des conditions sur la perte et la largeur de l'espace paramétrique pour lesquels l'estimateur de Bayes par rapport à la loi a priori uniforme sur la frontière domine la EMV.
Abstract : We study the problem of point estimation and predictive density estimation of the mean of a selected population, obtaining novel developments which include bias analysis, decomposition of risk, and problems with restricted parameters (Chapter 2). We propose efficient predictive density estimators in terms of Kullback-Leibler and Hellinger losses (Chapter 3) improving on plug-in procedures via a dual loss and via a variance expansion scheme. Finally (Chapter 4), we present findings on improving on the maximum likelihood estimator (MLE) of a bounded normal mean under a class of loss functions, including reflected normal loss, with implications for predictive density estimation. Namely, we give conditions on the loss and the width of the parameter space for which the Bayes estimator with respect to the boundary uniform prior dominates the MLE.​

Les analyses des données d’expression génique issues du séquençage de l’ARN (RNA-seq) en masse (bulk RNA-seq) ou en cellule unique (scRNA-seq) sont devenues courantes dans les études immunologiques. Elles permettent entre autres une meilleure compréhension de l’hétérogénéité présente dans les réponses immunitaires, qu’elles soient en réponse à la vaccination ou face à des maladies. Les analyses de ces données se font souvent selon deux étapes : i) d’abord une classification non supervisée, ou clustering, utilisant l’ensemble des gènes pour regrouper les échantillons en sousgroupes distincts et homogènes ; ensuite ii) l’analyse différentielle se faisant à l’aide de tests d’hypothèse visant à identifier les gènes qui sont différentiellement exprimés entre ces sous-groupes. Cependant, ces deux étapes successives soulèvent un problème méthodologique actuellement souvent ignoré dans la littérature appliquée. En effet, les méthodes traditionnelles d’inférence nécessitent des hypothèses de tests fixées a priori, sans dépendre des données, pour garantir un contrôle effectif de l’erreur de type I. Dans le contexte de ces analyses en deux étapes, les hypothèses de tests sont basées sur les résultats du clustering ce qui compromet le contrôle de l’erreur de type I des méthodes traditionnelles qui peuvent alors conduire à de fausses découvertes. Nous proposons alors de nouvelles méthodes statistiques qui permettent de tenir compte de cette double utilisation des données, garantissant un contrôle effectif du nombre de fausses découvertes
Analyses of gene expression data obtained from bulk RNA sequencing (bulk RNA-seq) or single-cell RNA sequencing (scRNA-seq) have become commonplace in immunological studies. They allow for a better understanding of the heterogeneity present in immune responses, whether in reaction to vaccination or disease. Typically, the analysis of these data is conducted in two steps : i) first, an unsupervised classification, or clustering, is performed using all the genes to group samples into distinct and homogeneous subgroups ; ii) then, differential analysis is conducted using hypothesis tests to identify genes that are differentially expressed between these subgroups. However, these two successive steps lead to methodological challenge that is often overlooked in the applied literature. Traditional inference methods require hypothesis to be fixed a priori and independent of the data to ensure effective control of type I error. In the context of these two-steps analyses, the hypothesis tests are based on the results of the clustering, which compromises the control of type I error by traditional methods and can lead to false discoveries. We propose new statistical methods that account for this double use of the data and ensure an effective control of the number of false discoveries

On s'intéresse à l'ajout d'incertitudes supplémentaires dans les modèles de Markov cachés. L'inférence est réalisée dans un cadre bayésien à l'aide des méthodes de Monte Carlo. Dans un cadre multicapteur, on suppose que chaque capteur peut commuter entre plusieurs états de fonctionnement. Un modèle à saut original est développé et des algorithmes de Monte Carlo efficaces sont présentés pour différents types de situations, prenant en compte des données synchrones/asynchrones et le cas binaire capteur valide/défaillant. Le modèle/algorithme développé est appliqué à la localisation d'un véhicule terrestre équipé de trois capteurs, dont un récepteur GPS, potentiellement défaillant à cause de phénomènes de trajets multiples. On s'intéresse ensuite à l'estimation de la densité de probabilité des bruits d'évolution et de mesure dans les modèles de Markov cachés, à l'aide des mélanges de processus de Dirichlet. Le cas de modèles linéaires est tout d'abord étudié, et des algorithmes MCMC et de filtrage particulaire sont développés. Ces algorithmes sont testés sur trois applications différentes. Puis le cas de l'estimation des densités de probabilité des bruits dans les modèles non linéaires est étudié. On définit pour cela des processus de Dirichlet variant temporellement, permettant l'estimation en ligne d'une densité de probabilité non stationnaire
We are interested in the addition of uncertainty in hidden Markov models. The inference is made in a Bayesian framework based on Monte Carlo methods. We consider multiple sensors that may switch between several states of work. An original jump model is developed for different kind of situations, including synchronous/asynchronous data and the binary valid/invalid case. The model/algorithm is applied to the positioning of a land vehicle equipped with three sensors. One of them is a GPS receiver, whose data are potentially corrupted due to multipaths phenomena. We consider the estimation of the probability density function of the evolution and observation noises in hidden Markov models. First, the case of linear models is addressed and MCMC and particle filter algorithms are developed and applied on three different applications. Then the case of the estimation of probability density functions in nonlinear models is addressed. For that purpose, time-varying Dirichlet processes are defined for the online estimation of time-varying probability density functions

La première partie de cette thèse est consacrée à l'estimation par maximum de vraisemblance dans les modèles mixtes à dynamique markovienne. Nous considérons plus précisément des modèles de Markov cachés à effets mixtes et des modèles de diffusion à effets mixtes. Dans le Chapitre 2, nous combinons l'algorithme de Baum-Welch à l'algorithme SAEM pour estimer les paramètres de population dans les modèles de Markov cachés à effets mixtes. Nous proposons également des procédures spécifiques pour estimer les paramètres individuels et les séquences d' états cachées. Nous étudions les propriétés de cette nouvelle méthodologie sur des données simulées et l'appliquons sur des données réelles de nombres de crises d' épilepsie. Dans le Chapitre 3, nous proposons d'abord des modèles de diffusion à effets mixtes pour la pharmacocin étique de population. Nous en estimons les paramètres en combinant l'algorithme SAEM a un filtre de Kalman étendu. Nous étudions ensuite les propriétés asymptotiques de l'estimateur du maximum de vraisemblance dans des modèles de diffusion observés sans bruit de mesure continûment sur un intervalle de temps fixe lorsque le nombre de sujets tend vers l'infini. Le Chapitre 4 est consacré a la s élection de covariables dans des modèles mixtes généraux. Nous proposons une version du BIC adaptée au contexte de double asymptotique où le nombre de sujets et le nombre d'observations par sujet tendent vers l'infini. Nous présentons quelques simulations pour illustrer cette procédure.

L'inférence de réseaux ou inférence de graphes a de plus en plus d'applications notamment en santé humaine et en environnement pour l'étude de données micro-biologiques et génomiques. Les réseaux constituent en effet un outil approprié pour représenter, voire étudier des relations entre des entités. De nombreuses techniques mathématiques d'estimation ont été développées notamment dans le cadre des modèles graphiques gaussiens mais aussi dans le cas de données binaires ou mixtes. Le traitement des données d'abondance (de micro-organismes comme les bactéries par exemple) est particulier pour deux raisons : d'une part elles ne reflètent pas directement la réalité car un processus de séquençage a lieu pour dupliquer les espèces et ce processus apporte de la variabilité, d'autre part une espèce peut être absente dans certains échantillons. On est alors dans le cadre de données inflatées en zéro. Beaucoup de méthodes d'inférence de réseaux existent pour les données gaussiennes, les données binaires et les données mixtes mais les modèles inflatés en zéro sont très peu étudiés alors qu'ils reflètent la structure de nombreux jeux de données de façon pertinente. L'objectif de cette thèse concerne l'inférence de réseaux pour les modèles inflatés en zéro. Dans cette thèse, on se limitera à des réseaux de dépendances conditionnelles. Le travail présenté dans cette thèse se décompose principalement en deux parties. La première concerne des méthodes d'inférence de réseaux basées sur l'estimation de voisinages par une procédure couplant des méthodes de régressions ordinales et de sélection de variables. La seconde se focalise sur l'inférence de réseaux dans un modèle où les variables sont des gaussiennes inflatées en zéro par double troncature (à droite et à gauche)
Network inference has more and more applications, particularly in human health and environment, for the study of micro-biological and genomic data. Networks are indeed an appropriate tool to represent, or even study, relationships between entities. Many mathematical estimation techniques have been developed, particularly in the context of Gaussian graphical models, but also in the case of binary or mixed data. The processing of abundance data (of microorganisms such as bacteria for example) is particular for two reasons: on the one hand they do not directly reflect reality because a sequencing process takes place to duplicate species and this process brings variability, on the other hand a species may be absent in some samples. We are then in the context of zero-inflated data. Many graph inference methods exist for Gaussian, binary and mixed data, but zero-inflated models are rarely studied, although they reflect the structure of many data sets in a relevant way. The objective of this thesis is to infer networks for zero-inflated models. In this thesis, we will restrict to conditional dependency graphs. The work presented in this thesis is divided into two main parts. The first one concerns graph inference methods based on the estimation of neighbourhoods by a procedure combining ordinal regression models and variable selection methods. The second one focuses on graph inference in a model where the variables are Gaussian zero-inflated by double truncation (right and left)

Cette thèse regroupe des contributions méthodologiques à l'analyse statistique des données issues des technologies de séquençage du transcriptome (RNA-seq). Les difficultés de modélisation des données de comptage RNA-seq sont liées à leur caractère discret et au faible nombre d'échantillons disponibles, limité par le coût financier du séquençage. Une première partie de travaux de cette thèse porte sur la classification à l'aide de modèle de mélange. L'objectif de la classification est la détection de modules de gènes co-exprimés. Un choix naturel de modélisation des données RNA-seq est un modèle de mélange de lois de Poisson. Mais des transformations simples des données permettent de se ramener à un modèle de mélange de lois gaussiennes. Nous proposons de comparer, pour chaque jeu de données RNA-seq, les différentes modélisations à l'aide d'un critère objectif permettant de sélectionner la modélisation la plus adaptée aux données. Par ailleurs, nous présentons un critère de sélection de modèle prenant en compte des informations biologiques externes sur les gènes. Ce critère facilite l'obtention de classes biologiquement interprétables. Il n'est pas spécifique aux données RNA-seq. Il est utile à toute analyse de co-expression à l'aide de modèles de mélange visant à enrichir les bases de données d'annotations fonctionnelles des gènes. Une seconde partie de travaux de cette thèse porte sur l'inférence de réseau à l'aide d'un modèle graphique. L'objectif de l'inférence de réseau est la détection des relations de dépendance entre les niveaux d'expression des gènes. Nous proposons un modèle d'inférence de réseau basé sur des lois de Poisson, prenant en compte le caractère discret et la grande variabilité inter-échantillons des données RNA-seq. Cependant, les méthodes d'inférence de réseau nécessitent un nombre d'échantillons élevé.Dans le cadre du modèle graphique gaussien, modèle concurrent au précédent, nous présentons une approche non-asymptotique pour sélectionner des sous-ensembles de gènes pertinents, en décomposant la matrice variance en blocs diagonaux. Cette méthode n'est pas spécifique aux données RNA-seq et permet de réduire la dimension de tout problème d'inférence de réseau basé sur le modèle graphique gaussien
This thesis gathers methodologicals contributions to the statistical analysis of next-generation high-throughput transcriptome sequencing data (RNA-seq). RNA-seq data are discrete and the number of samples sequenced is usually small due to the cost of the technology. These two points are the main statistical challenges for modelling RNA-seq data.The first part of the thesis is dedicated to the co-expression analysis of RNA-seq data using model-based clustering. A natural model for discrete RNA-seq data is a Poisson mixture model. However, a Gaussian mixture model in conjunction with a simple transformation applied to the data is a reasonable alternative. We propose to compare the two alternatives using a data-driven criterion to select the model that best fits each dataset. In addition, we present a model selection criterion to take into account external gene annotations. This model selection criterion is not specific to RNA-seq data. It is useful in any co-expression analysis using model-based clustering designed to enrich functional annotation databases.The second part of the thesis is dedicated to network inference using graphical models. The aim of network inference is to detect relationships among genes based on their expression. We propose a network inference model based on a Poisson distribution taking into account the discrete nature and high inter sample variability of RNA-seq data. However, network inference methods require a large number of samples. For Gaussian graphical models, we propose a non-asymptotic approach to detect relevant subsets of genes based on a block-diagonale decomposition of the covariance matrix. This method is not specific to RNA-seq data and reduces the dimension of any network inference problem based on the Gaussian graphical model

L'inférence de réseaux ou inférence de graphes a de plus en plus d'applications notamment en santé humaine et en environnement pour l'étude de données micro-biologiques et génomiques. Les réseaux constituent en effet un outil approprié pour représenter, voire étudier des relations entre des entités. De nombreuses techniques mathématiques d'estimation ont été développées notamment dans le cadre des modèles graphiques gaussiens mais aussi dans le cas de données binaires ou mixtes. Le traitement des données d'abondance (de micro-organismes comme les bactéries par exemple) est particulier pour deux raisons : d'une part elles ne reflètent pas directement la réalité car un processus de séquençage a lieu pour dupliquer les espèces et ce processus apporte de la variabilité, d'autre part une espèce peut être absente dans certains échantillons. On est alors dans le cadre de données inflatées en zéro. Beaucoup de méthodes d'inférence de réseaux existent pour les données gaussiennes, les données binaires et les données mixtes mais les modèles inflatés en zéro sont très peu étudiés alors qu'ils reflètent la structure de nombreux jeux de données de façon pertinente. L'objectif de cette thèse concerne l'inférence de réseaux pour les modèles inflatés en zéro. Dans cette thèse, on se limitera à des réseaux de dépendances conditionnelles. Le travail présenté dans cette thèse se décompose principalement en deux parties. La première concerne des méthodes d'inférence de réseaux basées sur l'estimation de voisinages par une procédure couplant des méthodes de régressions ordinales et de sélection de variables. La seconde se focalise sur l'inférence de réseaux dans un modèle où les variables sont des gaussiennes inflatées en zéro par double troncature (à droite et à gauche)
Network inference has more and more applications, particularly in human health and environment, for the study of micro-biological and genomic data. Networks are indeed an appropriate tool to represent, or even study, relationships between entities. Many mathematical estimation techniques have been developed, particularly in the context of Gaussian graphical models, but also in the case of binary or mixed data. The processing of abundance data (of microorganisms such as bacteria for example) is particular for two reasons: on the one hand they do not directly reflect reality because a sequencing process takes place to duplicate species and this process brings variability, on the other hand a species may be absent in some samples. We are then in the context of zero-inflated data. Many graph inference methods exist for Gaussian, binary and mixed data, but zero-inflated models are rarely studied, although they reflect the structure of many data sets in a relevant way. The objective of this thesis is to infer networks for zero-inflated models. In this thesis, we will restrict to conditional dependency graphs. The work presented in this thesis is divided into two main parts. The first one concerns graph inference methods based on the estimation of neighbourhoods by a procedure combining ordinal regression models and variable selection methods. The second one focuses on graph inference in a model where the variables are Gaussian zero-inflated by double truncation (right and left)

Les forêts tropicales sont confrontées à des perturbations anthropiques fréquentes et intenses, telles que l'exploitation sélective - l'abattage de quelques arbres dans des forêts anciennes, tandis que le reste du peuplement se régénère naturellement. De nombreuses études ont été menées sur la reconstitution des stocks de carbone et de bois, en raison d'un intérêt pour l'atténuation du changement climatique et la rentabilité de l'exploitation. Malgré le rôle crucial de la biodiversité pour le maintien et le fonctionnement des écosystèmes - et sa valeur intrinsèque - peu d'études ont été menées sur l'impact de l'exploitation sélective sur la biodiversité. Par conséquent, cette thèse vise à caractériser la réponse de la diversité et de la composition des arbres à l'exploitation forestière dans les forêts tropicales américaines.Grâce aux inventaires forestiers (1986-2021, diamètre à hauteur de poitrine ≥ 10 cm) de la station de Paracou (Guyane française), nous avons construit un cadre bayésien de modélisation des trajectoires de la diversité et de la composition des arbres après exploitation : Paracou a été perturbé par des traitements sylvicoles de différentes intensités en 1986-1987. Nous avons propagé l'incertitude associée à la détermination botanique et aux mesures des traits fonctionnels, et modélisé les trajectoires de diversité et de composition taxonomique, phylogénétique et fonctionnelle des arbres au niveau de l'espèce, par rapport à leurs niveaux pré-perturbation. En outre, nous avons évalué l'effet des caractéristiques des communautés d'arbres pré-perturbation, des conditions biophysiques et des propriétés de la perturbation sur nos trajectoires d'attributs forestiers. Deuxièmement, nous avons utilisé une version simplifiée du cadre de modélisation susmentionné sur des inventaires forestiers à long terme provenant de parcelles situées au Costa Rica et dans trois pays amazoniens (Observatorio de los Ecosistemas Forestales de Costa Rica et Tropical managed Forest Observatory). Nous avons modélisé leurs trajectoires de diversité et de composition taxonomique et fonctionnelle après exploitation au niveau du genre, à partir desquelles nous avons extrait des indicateurs sur la période d'inventaire de chaque site. Nous avons ensuite évalué l'effet de la structure de la communauté d'arbres pré-perturbation et des propriétés de la perturbation sur ces indicateurs. Bien que plus variables dans la seconde étude ayant une portée géographique plus large, nous avons observé des tendances similaires dans les deux études : la diversité a majoritairement augmenté après exploitation et les communautés d'arbres sont principalement passées de stratégies de conservation à des stratégies d'acquisition des ressources. Ces changements semblent provenir du recrutement abondant et momentané d'espèces de début de succession présentant des caractéristiques d'acquisition des ressources, ce qui leur confère un avantage compétitif lorsque l'intensité de perturbation - i.e., disponibilité de la lumière et de l'espace - augmente. En effet, les changements de diversité et composition ont augmenté dans les deux études avec l'intensité de perturbation, alors que les autres descripteurs n'ont pas eu d'effet significatif. Troisièmement, suite à l'importance de l'intensité de perturbation dans les études précédentes, nous avons développé un cadre commun de modélisation des trajectoires de forêts perturbées à travers un gradient d'intensité de perturbation. Nous avons testé notre approche de modélisation sur des inventaires forestiers de long-terme du Costa Rica et de Guyane française, après exploitation sélective, agriculture, et coupe à blanc suivie d'un feu.Ces résultats ouvrent des perspectives sur les méthodes d'évaluation de la réponse forestière aux perturbations, la réponse des forêts elle-même et ses processus écologiques sous-jacents, et l'intérêt des forêts perturbées pour les plans de gestion et de conservation forestières
Tropical forests face more frequent and intense anthropogenic disturbances, such as selective logging, namely the felling and harvesting of a few commercially valuable trees in old-growth forests, while the remaining stand is left for natural regeneration. Many studies focused on this regeneration, particularly on the recovery of carbon and timber stocks, most likely due to a strong interest in climate change mitigation and logging profitability. However, despite the crucial role of biodiversity for ecosystem maintenance and functioning - and its intrinsic value - there have been few studies on the impact of selective logging on biodiversity. Therefore, this thesis - organised in three studies - aimed at characterising the response of tree diversity and composition to logging in tropical American forests.First, we drew upon the long-term forest inventories (1986-2021, trees with a diameter at breast height ≥ 10 cm) from Paracou experimental station to build a Bayesian modelling framework of tree diversity and composition trajectories after selective logging. Paracou is located in French Guiana and was disturbed by silvicultural treatments of different intensities in 1986-1987. We propagated in our Bayesian framework the uncertainty associated with botanical determination and functional trait measurements, and modelled Paracou trajectories of taxonomic, phylogenetic and functional tree diversity and composition at the species level, relatively to their pre-disturbance levels. Additionally, we assessed the effect of pre-disturbance tree community characteristics, biophysical conditions and disturbance properties on our forest attribute trajectories. Second, we used a simplified version of the aforementioned Bayesian modelling framework on long-term forest inventories from sample plots located in Costa Rica and three Amazonian countries (respectively belonging to the Observatorio de los Ecosistemas Forestales de Costa Rica and the Tropical managed Forest Observatory). We modelled their post-logging trajectories of taxonomic and functional tree diversity and composition at the genus level, from which we extracted indicators solely over the inventory timespan of each site. We then assessed the effect of pre-disturbance tree community structure and disturbance properties on such indicators. While more variable in the second study with a broader geographical scope than in the first one, we observed similar trends in both studies: diversity mostly increased after logging and tree communities mainly shifted from resource-conservative strategies to resource-acquisitive strategies. Such changes appeared to be driven by the abundant and transient recruitment of early-successional species with acquisitive trait values, which provided them with a competitive advantage as disturbance intensity - i.e., light and space availability - increased. Indeed, changes in diversity and composition increased in both studies with disturbance intensity whereas disturbance selectivity, pre-disturbance tree community characteristics and biophysical conditions had no significant effect. Third, building up on the paramount importance of disturbance intensity in the two previous studies, we developed an original Bayesian hierarchical model of recovery trajectories, considering disturbed forests in a common framework, through a disturbance intensity gradient. We tested our modelling approach on data from two long-term experiments in Costa Rica and French Guiana, set up after selective logging, agriculture, and clearcutting and fire.Overall, these results opened various perspectives on the methods used to evaluate forest response to disturbance, the forest response itself and the ecological processes underlying forest succession, and how disturbed forests could be considered in forest management and conservation plans