La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Année 2003 / 2004 MODELISATION DECOSYSTEMES Audrey Mériaux Amélie Lesieur Julie Lebegue Benoît Chapon.

Présentations similaires


Présentation au sujet: "Année 2003 / 2004 MODELISATION DECOSYSTEMES Audrey Mériaux Amélie Lesieur Julie Lebegue Benoît Chapon."— Transcription de la présentation:

1 Année 2003 / 2004 MODELISATION DECOSYSTEMES Audrey Mériaux Amélie Lesieur Julie Lebegue Benoît Chapon

2 BiotopeBiocénose BiotopeBiocénose Ecosystème 1 Ecosystème 2 Ecosystème 3 BiotopeBiocénose ECOCOMPLEXE interactions Flux de matière Flux dorganismes vivants But : Etude de lévolution dun écosystème, des relations interspécifiques sur les fonctions biologiques et des simulations des perturbations et visualisation de limpact.

3 Elaboration dun modèle Connaître lhydrodynamique du système (comportement de la masse deau) assimilation du système à des réacteurs RPA, RP ou par une analyse dune DTS Evaluer les flux existant pour les variables détat Définir le cadre physique où les compartiments vont évoluer Définir les paramètres du modèle nécessité de connaître : Température, luminosité, oxygène, pH, … nécessité de définir les indices physique et biologique du milieu Les modèles reposent sur des démarches complexes faites dessais et derreurs.

4 Modèle déterministe Définition : modèle où tous les paramètres sont connus de façon exacte et non estimé en distribution statistique Élaboration dun modèle conceptuel Variables détat : biomasse Variables de flux : production de biomasse, consommation de biomasse Variables externes : Température, rayonnement Complexité dun modèle se caractérise par : Nombre de variables détat, modèle à niveaux trophiques condensés voire subdivisés Analyse sensibilité Calibration : meilleur ajustement entre observation et simulations Validation

5 Modèle Statistique Définition : modèle qui repose fortement sur les bases de données. Il nest pas nécessaire de connaître les mécanismes internes. Régression linéaire multiples Analyse des coefficients de direction (ACD) LACD établit un ordre causal entre les descripteurs. Exemple de modèle conceptuel X1, X2, X3 variables explicatives Y variables expliquées U variables résiduelles X1 X2 X3 Y U

6 Le logiciel Stella : les logos Stocks : Flux de matière ou dénergie : Variables : Flèches :

7 Truites Un modèle simple NaissanceMorts Taux de natalitéTaux de mortalité

8 Limitation des ressources Truites Taux natalité Truites Taux mortalité

9 PhytoplanctonHerbivoresCarnivores Décomposeurs NaissanceConsommation Morts Niveau trophique Pertes SoleilPain 1 Homme Pêche 1 : réintroduction Energie disponible Apports extérieurs / Perturbations

10 Evolution de la population de phytoplacton Temps Biomasse Evolution de la population en herbivore Modèle proies - prédateurs

11 Le modèle ECOPATH II Présentation du modèle Présentation du modèle Paramètres utilisés Paramètres utilisés Principe de fonctionnement Principe de fonctionnement Un exemple: cas du lac Victoria Un exemple: cas du lac Victoria

12 Le modèle ECOPATH II Ecopath II est élaboré en 1992 par Christensen et Pauly Ecopath II est élaboré en 1992 par Christensen et Pauly Modèle conçu à lorigine pour les milieux marins et lacustres Modèle conçu à lorigine pour les milieux marins et lacustres Modèle bioénergétique: Modèle bioénergétique: - Flux de matière au sein dun réseaux trophique - Evaluation quantitative de la biomasse, production et consommation de chaque compartiments

13 Paramètres utilisés Réseau trophique Réseau trophique Biomasse B (MS) Biomasse B (MS) Production sur biomasse P/B Production sur biomasse P/B Consommation sur biomasse Q/B Consommation sur biomasse Q/B Efficience écotrophique EE (%) Efficience écotrophique EE (%)

14 Principe Hypothèse : le système est à léquilibre : P/B = Z (mortalité) P – Mp – M – C = 0 B, P/B, Q/B et EE B, P/B, Q/B et EE Régime alimentaire Régime alimentaire Consommation non assimilée Consommation non assimilée

15 ECOPATH II estime : Flux vers détritus Flux vers détritus Consommation de nourriture: Q Consommation de nourriture: Q Quantité exportée ou ingérée: P*EE Quantité exportée ou ingérée: P*EE Rendement net Rendement net Niveau trophique Niveau trophique Indice domnivorie: OI i = Σ j [TL j -(TL i -1)] 2 *DC ij Indice domnivorie: OI i = Σ j [TL j -(TL i -1)] 2 *DC ij Indice de sélection: S i = [r i /p j ]/[Σ(r i /p j )] Indice de sélection: S i = [r i /p j ]/[Σ(r i /p j )]

16 Application sur le lac Victoria :Evolution des relations trophiques suite à lintroduction de Lates niloticus (Perche du Nil) et Oreochromis niloticus (Tilapia du Nil)

17 En 1950 la capture de L.n valait 0,2 t/km 2 En 1950 la capture de L.n valait 0,2 t/km 2 En 1970 : 16,9 t/km 2 En 1990 : 90% des captures totales Réduction en nombre des espèces initialement présentes

18 B= 17,2 B= 0,2 B= 12,1 B=1,6

19 LA VALIDATION Principe : réalisation dun TEST objectif Adéquation entre les résultats des simulations des simulations et les données observées Validation des paramètres utilisés

20 COMPARAISON DES SIMULATIONS GRACE A LA REGRESSION LINEAIRE X observé = a. X modélisé + b Paramètres utilisés : le coefficient de détermination r ² la pente ( a ) de la droite lordonnée à lorigine ( b ) les intervalles de confiance associés au paramètres au seuil de 95%

21 COMPARAISON DES SIMULATIONS (a # 1, b # 0) Régression linéaire a # 1 b # 0 b 0 a 1 b # 0 b 0 Modèle simule parfaitement en moyenne les observations Modèle surestime (ou sous-estime) en moyenne la variable simulée Lécart entre les courbes simulée et observée est proportionnel à la valeur des points considérés. Effet 1 Effet 2 Effet (a # 1, b 0) ( a 1, b # 0) (a 1, b 0) Qualité de la simulation

22 COMPARAISON DES MODELES DETERMINISTES / STATISTIQUES Modèle Déterministe nécessite de connaissances des relations entre les variables et des processus mis en jeu possibilité dutiliser des lois très complexes reliant les différents paramètres et variables possibilité dintroduire des interactions réciproques entre variables nécessaires Modèle Statistique Aucun besoin de connaître ces relations seules des relations linéaires relient les variables explicatives et expliquées Impossible dintroduire dinteractions

23 COMPARAISON DES MODELES DETERMINISTES / STATISTIQUES Modèle Déterministe Pas besoin dobservations pour donner un résultat (mais ceci est nécessaire pour la calibration) On est jamais sûr de loptimisation des paramètres Ce modèle est capable de prédire une évolution du système Modèle Statistique Une série dobservation est indispensable Après la calibration «automatique », on obtient directement le résultat optimal Décrit une photo du système

24 CONCLUSION Modéliser un écosystème permet de: schématiser et danalyser simplement son fonctionnement prédire son évolution Autres logiciels de simulation: Modèle statistique : PISTE Modèle déterministe: SYLVIE


Télécharger ppt "Année 2003 / 2004 MODELISATION DECOSYSTEMES Audrey Mériaux Amélie Lesieur Julie Lebegue Benoît Chapon."

Présentations similaires


Annonces Google