Développement d’un modèle de dynamique des populations structuré en longueur – Application au merlu de l’Atlantique Nord-Est Hilaire Drouineau (EMH)‏ Directrice:

Présentation au sujet: "Développement d’un modèle de dynamique des populations structuré en longueur – Application au merlu de l’Atlantique Nord-Est Hilaire Drouineau (EMH)‏ Directrice:"— Transcription de la présentation:

1 Développement d’un modèle de dynamique des populations structuré en longueur – Application au merlu de l’Atlantique Nord-Est Hilaire Drouineau (EMH)‏ Directrice: D. Pelletier (EMH)‏ Encadrement: S. Mahévas (EMH)‏ M. Bertignac (STH)‏ AFH, La Rochelle, 21/06/2007

2 Pourquoi un modèle en longueur et spatialisé?

3 Pourquoi un modèle en longueur et spatialisé?
Problème de croissance!!!!

4 Pourquoi un modèle en longueur et spatialisé?
reproduction recrutement recrutement reproduction

5 Pourquoi un modèle en longueur et spatialisé?
reproduction recrutement Problème de migration recrutement ? reproduction ?

6 Modèle structuré en longueur et spatialisé
Modèle d'états: Etat: effectifs au pas de temps t = matrice 100 classes x 4 zones 4 processus biologiques: recrutement + croissance + migrations + survie Modèles d'observations: Débarquements totales en poids par flottilles Composition en taille des débarquements IA campagnes scientifiques (40 premières classes de longueur)‏

7 Dynamique de la population
N(t,z,c)‏ Matrice N(t,z,c) effectifs zone z, classe c, pas de temps t

8 Dynamique de la population
2xNbAnnees R(t)‏ N(t)‏ Recrutement: trimestre 2 (Golfe de Gascogne) et trimestre 3 (mer Celtique)‏ Nombre d'individus entrant dans la plus petite classe de longueur

9 Dynamique de la population
2 paramètres R(t)‏ G(t)‏ N(t)‏ Matrice de croissance Analyse de sensibilité aux hypothèses structurelles Trajectoires individuelles simulées Plans d'expériences d'ajustement Lm+arbres de régressions multiples sur deux critères

10 Dynamique de la population
15 paramètres dont 9 estimés R(t)‏ G(t)‏ Mig(t)‏ N(t)‏ Proportions d'indiv passant d'une zone à une autre Saisonnières Immatures ne migrent pas Ajout de contraintes liées à la bio (reproduction)+biblio

11 Dynamique de la population
R(t)‏ G(t)‏ Mig(t)‏ N(t)‏ N(t+ε)‏ Matrice N(t+ε,z,c) effectifs après recrutement, croissance et migrations 3 processus successifs ont lieu en un temps négligeable

12 Dynamique de la population
M + Ftot(t,z,c)‏ R(t)‏ G(t)‏ Mig(t)‏ N(t)‏ N(t+ε)‏ N(t+1)‏ Mortalité naturelle

13 Population dynamics submodel
M + Ftot(t,z,c)‏ R(t)‏ G(t)‏ Mig(t)‏ N(t)‏ N(t+ε)‏ N(t+1)‏ Mortalité naturelle Mortalité par pêche vient du modèle d'activité de pêche

14 Modèle d'activité de pêche
Décomposition en fishery units et en flottilles nationales Hypothèse de séparabilité: Utilise des données d'effort par flottilles Une zone de pêche par FU Un facteur année par flottille + un progrès annuel 38 param

15 Modèle d'activité de pêche
Décomposition en fishery units et en flottilles nationales Hypothèse de séparabilité: Utilise des données d'effort par flottilles Une zone de pêche par FU Un facteur année par flottille + un progrès annuel Un pattern de sélection (sigmoïde ou fonction gamma) par FU 18 param

16 Modèle d'activité de pêche
Décomposition en fishery units et en flottilles nationales Hypothèse de séparabilité: Utilise des données d'effort par flottilles Une zone de pêche par FU Un facteur année par flottille + un progrès annuel Un pattern de sélection (sigmoïde ou fonction gamma) par FU Pour la FU09: on dispose en plus d'une ogive de rejets

17

18 Bilan paramètres Données: flottilles
86 paramètres inconnus à estimer Méthode maximum de vraisemblance Données: flottilles Débarquements totaux par pas de temps et par flottilles Composition en taille des débarquements par flottille: Par trimestre ou par années Quelques années manquantes

19 Données campagnes (indiv jusqu'à 40cm)‏
Evhoe Resg2 Resg4 UK1 UK4 Evhoe Resg2 Resg4 UK1 UK4 Evhoe Resg2 Resg4 UK1 UK4 Evhoe Resg2 Resg4 UK1 UK4

20 Fonction de vraisemblance
Contribution des compos des débarquements: distribution normale

21 Fonction de vraisemblance
Contribution des débarquements totaux en poids: distribution normale

22 Fonction de vraisemblance
Contribution des surveys: distribution gamma

23

24

25

26

27

28 Conclusion et perspectives
Premiers résultats assez encourageants mais: Taux de croissance un peu lent (0.15 contre 0.20 au marquage)‏ Des observations mal ajustées! Nécessite des données d'effort Rejets que pour la flottille langoustinière française Problèmes d'identifiabilité Perspectives: Basculer vers un modèle bayesien pour prendre en compté l'incertitude de processus Couplage avec un modèle de simulations: ISIS-Fish

29 Merci à tous!!!!

30 Sensibilité d'un modèle de croissance aux hypothèses de croissance
Modèles de population structurés en longueur discrets reposent sur une matrice de transition Calcul de la matrice de transition - Hyp: Au sein de la population, le gain de taille au cours d'un pas de temps au cours d'un pas de temps est une variable aléatoire: Moyenne suit une loi de Von Bertalanffy Variance proportionnelle à la moyenne Individus distribués au milieu ou uniformément dans les classes

31 Sensibilité d'un modèle de croissance aux hypothèses de croissance
Quel est l'impact: du choix de la largeur des classes de taille (1 ou 5 cm)? du pas de temps (mois, trimestre, année)? du choix d'une distribution (gamma, normale, lognormale) pour les incréments de croissance? de la distribution des individus au sein des classes de longueur (au milieu, distribution homogène)? Objectifs: quantifier l'impact d'hypothèses sur un modèle de croissance structuré en longueur trouver une formulation flexible du modèle

32 Analyse de sensibilité : méthode
Simulation de jeux trajectoires de croissances individuelles Ajustement du modèle de croissance aux données simulées En minimisant l'écart entre fréquences aux longueurs des données et du modèle Le taux de croissance et la variance des incréments sont estimés Plans d'expériences: chaque formulation du modèle est ajustée à tous les jeux de données simulées Bon ajustement: Faible écart entre fréquences observées et simulées => BIC Faible écart entre K estimé et K des données Analyse: Modèles linéaires Arbre de régressions multiples

33 Analyse de sensibilité : méthode
Comment quantifier un bon ajustement? 2 critères objectifs De faibles écarts entre fréquences aux longueurs des données et du modèle (BIC)‏ Un taux de croissance estimé proche du taux de croissance ayant servi à simuler les données On ajuste tous les modèles matriciels aux données simulées Modèles linéaires expliquent la variabilité de chacun des 2 critères par les hypothèses du modèle matriciel Un arbre de régression multiple pour analyser l'impact sur les 2 critères simultanément

34 Analyse de sensibilité : résultats
petites classes améliorent les deux critères Pas de temps court: mauvaise estimation de K Loi gamma plus flexible: améliorent les deux critères

35 Paramètres inconnus Biologie Pêche Surveys Recrutement : 2xNbAnnees
Migration : 9 Croissance : 2 Pêche Sélectivité : 2x9 Capturabilité : 18 Progrès technique :18 Surveys Facteur d'échelle : 2 Evohe fixé Sélectivité Resgasc : 2

36 Fonction de vraisemblance
Contribution des compos des débarquements

37 Fonction de vraisemblance
Contribution des débarquements totaux en poids

38 Fonction de vraisemblance
Contribution des surveys

39 Données: flottilles Débarquements totaux:
1 par pas de temps et par flottilles: 18 X Nb pas de temps Composition en taille des débarquements par flottille: Vecteurs de 100 éléments – pas de temps trimestriel ou annuel