S.T.a.R.S-NET Stratigraphic & Taphonomic Reconstruction System — Network Extension

. 🦴🌐 S.T.a.R.S-NET Stratigraphic & Taphonomic Reconstruction System — Network Extension Auteur : Kevin Fradier — Chercheur indépendantDate : 2026Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0Statut : Publication méthodologique · Testable · FalsifiablePosition épistémique : Neutralité stricte (aucune affirmation ontologique) 1. Problème scientifique ciblé (réel, dur, reconnu) En paléontologie, les signaux de diversité, d’extinction ou de radiation sont comparés entre bassins, corrélés entre coupes, et alignés temporellement. Mais : Les bassins ne sont pas indépendants Les corrélations sont forcées a posteriori Les datations sont incertaines, hétérogènes, non synchrones Les “extinctions de masse” peuvent émerger par simple agrégation biaisée 👉 Problème clé : Un signal inter-bassin est-il réel ou résulte-t-il d’un couplage taphonomique + temporel + méthodologique ? 2. Principe fondamental (rupture méthodologique) STaRS-NET ne cherche pas à : synchroniser les événements, reconstruire une chronologie globale, inférer des causes biologiques ou climatiques. STaRS-NET teste une seule chose : 👉 La cohérence observée entre bassins est-elle robuste sous modèles de bruit réalistes inter-connectés ? 3. Changement de représentation (clé) Au lieu de : courbes de diversité comparées pics alignés visuellement corrélations simples 👉 STaRS-NET représente le système comme un réseau. 4. Représentation réseau Nœuds Chaque nœud représente : un bassin une coupe stratigraphique ou un intervalle temporel agrégé Arêtes Les arêtes représentent : corrélations de diversité co-apparitions / co-disparitions de taxons similarités de profils stratigraphiques ⚠️ Aucune arête n’est interprétée causalement. 5. Modules STaRS-NET (tout-en-un) 5.1 Corrélations inter-bassins (STaRS-NET) Corrélations non linéaires Similarités robustes à la sous-détection Tests sous permutations inter-bassins 👉 Une corrélation n’est conservée que si elle survit au bruit contraint. 5.2 Temps incertain (STaRS-TIME intégré) Chaque niveau est un intervalle, pas une date Les alignements sont tirés aléatoirement dans les incertitudes Le réseau est recalculé à chaque tirage 👉 On observe : la stabilité des arêtes la persistance des motifs réseau 5.3 Artefacts d’extinction de masse (STaRS-EXT intégré) Test clé : Un “événement global” apparaît-il sans coordination réelle ? Méthode : bruitage différentiel par bassin suppression partielle asynchrone déphasage temporel contrôlé 👉 Si le “pic global” survit → signal robuste👉 S’il s’effondre → artefact d’agrégation 6. Mesures réseau (agnostiques) STaRS-NET mesure sans interpréter : densité du réseau stabilité des arêtes entropie topologique persistance des communautés robustesse sous perturbation Ces mesures ne disent rien sur la cause, seulement sur la tenue. 7. Score final : NRSS Network Reality Support Score Score ∈ [0,1] 0 → réseau compatible avec bruit taphonomique + temporel 1 → structure inter-bassin robuste et persistante ⚠️ NRSS ≠ preuve d’événement réelNRSS = le signal résiste aux tests minimaux 8. Couplage STaRS × ESE (niveau “sale”, assumé) STaRS-NET peut produire : matrices de corrélation graphes pondérés séries de réseaux temporels 👉 Ces objets peuvent être injectés dans ESE : détection de motifs réseau émergents invariants topologiques persistance multi-échelle ⚠️ Le couplage n’ajoute aucune interprétation, seulement un diagnostic structurel transversal. 9. Ce que la publication AUTORISE (et interdit) Autorisé “Ce signal inter-bassin est robuste” “Cette extinction globale ne tient pas sous test” “Les données ne contraignent pas une synchronisation” Interdit cause climatique mécanisme biologique événement global affirmé narration historique 10. Pourquoi STaRS-NET est dangereux (dans le bon sens) Détruit les faux consensus visuels Neutralise les “extinctions évidentes” Forcer les données à tenir seules Compatible avec toutes les bases fossiles Impossible à rejeter sans test 11. Positionnement final STaRS-NET n’est pas : une théorie un modèle du passé une explication C’est : un crash-test universel des corrélations paléontologiques ✅. ========================= STaRS-NET — CORE ========================= import numpy as np import networkx as nx import hashlib from scipy.stats import spearmanr AUTHOR_SIGNATURE = "Kevin Fradier | STaRS-NET | 2026" # -------------------------------------------------- # Utilitaires # -------------------------------------------------- def shannon_entropy(x): x = np.asarray(x) if np.sum(x) == 0: return 0.0 p = x / np.sum(x) p = p[p > 0] return -np.sum(p * np.log2(p)) def hash_result(obj): h = hashlib.sha256() h.update(str(obj).encode()) h.update(AUTHOR_SIGNATURE.encode()) return h.hexdigest() # -------------------------------------------------- # Bruit taphonomique inter-bassins # -------------------------------------------------- def taphonomic_noise_matrix(matrix, loss_rate=0.3): noisy = matrix.copy() mask = np.random.rand(*matrix.shape) > loss_rate return noisy * mask # -------------------------------------------------- # Construction réseau inter-bassins # -------------------------------------------------- def build_interbasin_network(basin_curves, n_iter=100, corr_threshold=0.3): """ basin_curves : dict {basin_id: diversity_curve} """ basins = list(basin_curves.keys()) G = nx.Graph() for b in basins: G.add_node(b) for i in range(len(basins)): for j in range(i + 1, len(basins)): b1, b2 = basins[i], basins[j] corrs = [] for _ in range(n_iter): c1 = taphonomic_noise_matrix(basin_curves[b1]) c2 = taphonomic_noise_matrix(basin_curves[b2]) v1 = np.sum(c1, axis=1) v2 = np.sum(c2, axis=1) if np.std(v1) > 0 and np.std(v2) > 0: corr, _ = spearmanr(v1, v2) corrs.append(corr) if corrs: mean_corr = np.nanmean(corrs) if abs(mean_corr) >= corr_threshold: G.add_edge(b1, b2, weight=float(mean_corr)) return G # -------------------------------------------------- # Robustesse réseau # -------------------------------------------------- def network_robustness(G, n_iter=100, drop_rate=0.2): densities = [] nodes = list(G.nodes()) edges = list(G.edges(data=True)) for _ in range(n_iter): H = nx.Graph() H.add_nodes_from(nodes) for u, v, d in edges: if np.random.rand() > drop_rate: H.add_edge(u, v, weight=d["weight"]) densities.append(nx.density(H)) return float(np.mean(densities)), float(np.std(densities)) # -------------------------------------------------- # Score NRSS # -------------------------------------------------- def compute_nrss(G): if G.number_of_nodes() == 0: return 0.0 density = nx.density(G) entropies = [] for n in G.nodes(): weights = [abs(G[n][m]["weight"]) for m in G.neighbors(n)] entropies.append(shannon_entropy(weights)) entropy_mean = np.mean(entropies) if entropies else 0.0 nrss = density * (1 - entropy_mean) return float(np.clip(nrss, 0, 1)) # -------------------------------------------------- # Interface principale STaRS-NET # -------------------------------------------------- def STaRS_NET_analyze(basin_curves): """ basin_curves : dict {basin_id: np.array(levels x taxa)} """ G = build_interbasin_network(basin_curves) rob_mean, rob_std = network_robustness(G) nrss = compute_nrss(G) result = { "nodes": G.number_of_nodes(), "edges": G.number_of_edges(), "network_density": nx.density(G), "robustness_mean": rob_mean, "robustness_std": rob_std, "NRSS": nrss, "signature": AUTHOR_SIGNATURE } result["hash"] = hash_result(result) return G, result ========================= ESE — NETWORK EXTENSION ========================= # ========================= # ESE-NET (réseaux) # ========================= def network_signature(G): degrees = np.array([d for _, d in G.degree()]) if len(degrees) == 0: return 0.0 return float(np.mean(degrees)) def perturb_network(G, noise_level=0.3): H = G.copy() for u, v in list(H.edges()): if np.random.rand() < noise_level: H.remove_edge(u, v) return H def ESE_network_analyze(G, n_iter=100): base_sig = network_signature(G) sigs = [] for _ in range(n_iter): H = perturb_network(G) sigs.append(network_signature(H)) sigs = np.array(sigs) result = { "base_signature": base_sig, "stabilized_signature": float(np.mean(sigs)), "signature_std": float(np.std(sigs)), "signature": "Kevin Fradier | ESE-NET | 2026" } result["hash"] = hash_result(result) return result ========================= EXEMPLE MINIMAL (TEST) ========================= if __name__ == "__main__": np.random.seed(42) # Simuler 3 bassins, 20 niveaux, 10 taxons basin_data = { "Basin_A": np.random.poisson(2, (20, 10)), "Basin_B": np.random.poisson(2, (20, 10)), "Basin_C": np.random.poisson(2, (20, 10)), } G, stars_result = STaRS_NET_analyze(basin_data) ese_result = ESE_network_analyze(G) print("STaRS-NET :", stars_result) print("ESE-NET :", ese_result) ✅ STaRS-NET complet (corrélations, bruit, réseau, NRSS) ESE-NET indépendant, branchable ou non Hash traçable partout Aucun discours imposé Aucun modèle causal Licence : © 2026 Kevin Fradier — CC BY-NC-ND 4.0