m1 <- lmer(Z_TP~Z_Length + (1|Lake) + (1|Species), data = data, REML=TRUE)
m2 <- lmer(Z_TP~Z_Length + (1+Z_Length|Lake) + (1+Z_Length|Species), data = data, REML=TRUE)
m3 <- lmer(Z_TP~Z_Length + (1|Species), data = data, REML=TRUE)
m4 <- lmer(Z_TP~Z_Length + (1|Lake), data = data, REML=TRUE)
m5 <- lmer(Z_TP~Z_Length + (1+Z_Length|Species), data = data, REML=TRUE)
m6 <- lmer(Z_TP~Z_Length + (1+Z_Length|Lake), data = data, REML=TRUE)
m7 <- lmer(Z_TP~Z_Length + (1+Z_Length|Lake) + (1|Species), data = data, REML=TRUE)
m8 <- lmer(Z_TP~Z_Length + (1|Lake) + (1+Z_Length|Species), data = data, REML=TRUE)

# Modèle bonus!
M0<-lm(Z_TP~Z_Length,data=data)
# Il est toujours utile de construire le modèle linéaire de base sans facteurs avec variation de l'ordonnée
# à l'origine ou de pente pour voir la variation dans les valeurs de AICc values (même si "lm" n'utilise pas
# la même méthode d'estimation).