La pédologie est la science qui s'intéresse à la formation et à l'évolution des sols d'un site donné. Néanmoins, une autre méthode indirecte permet l'étude des sols, c'est la bioindication. Un bioindicateur est un indice construit à partir d'une ou plusieurs espèces végétales, dont la présence ou l'absence, renseigne sur certaines caractéristiques écologiques de l'environnement. Les modèles statistiques couramment utilisés sont des modèles linéaires généralisés (ter Braak & Looman 1986), ce sont des modèles paramétriques. Néanmoins, les modèles non paramétriques permettent plus de liberté à l'utilisateur et sont moins contraignants à la différence des modèles paramétriques. Ces dernières années, avec l'essor de l'apprentissage statistique, le développement de nouveaux modèles est apparu. L'un des plus répandus est le modèle des forêts aléatoires introduit par Breiman (2001). Cette méthode consiste à construire, de manière aléatoire, un très grand nombre d'arbres de régression (Breiman 1984), avant d'en faire la moyenne. C'est une méthode très intéressante et performante, car elle permet de faire la sélection de variables. En effet, lorsqu'on est en présence de centaines voire de milliers de variables, il peut être intéressant de réduire ce nombre pour garder uniquement les variables qui expliquent au mieux la variable réponse. Le jeu de données sur lequel j'ai travaillé provient de la base de données EcoPlant. Dans ce jeu de données, il y a des relevés phytosociologiques des espèces végétales (1 : présence et 0 : absence de l'espèce), il y a la mesure du pH et du C/N (nutrition azoté) mais aussi plein d'autres relevés comme la température moyenne, le bilan hydrique, etc. Le but de mon stage a été de sélectionner un ensemble d'espèces végétales pour prédire au mieux le pH et le C/N par la méthode des forêts aléatoires. En effet, Breiman (2001) a introduit un indice qui permet de choisir les variables les plus importantes. Cet indice m'a permis de faire une sélection générale puis de faire une sélection plus développée à l'aide de la méthode de Genuer et al. (2010). Des résultats intéressants (en termes d'erreur de prédiction et de variance expliquée) ont été obtenus, notamment en retenant moins d'une centaine d'espèces en vue de prédire le pH et le C/N. Cependant, cela reste encore trop élevé pour les spécialistes forestiers. C'est pour cela qu'un découpage judicieux de la France en cinq zones a permis de sélectionner moins de variables. De plus, en ajoutant du bruit aux variables (pH et C/N), on a montré qu'il n'y avait pas de phénomène de surparamétrisation.