Académique Documents
Professionnel Documents
Culture Documents
Nantes,
du 26 au 28 juin 1995
fiditrices scientifiques
Jocelyne IRERRARLS, Dominique PELLETIER,
Marie-Joëlle ROCHET
Association
Frawpise
ORSTQM éditions
INSTITUT FRANçAIS DE RECHERCHE SCIENTIFIQUE POURLE DÉVELOPPEMENT EN COOPÉRATION
Collection COLLOQUES et SÉMINAIRES
PARIS 1996
La loi du ler juillet 1992 (code de la propriété intellectuelle, première partie) n'autorisant,
aux termes des alinéas 2 et 3 de l'article L. 122-5, d'une part, que les (( copies ou repro-
ductions strictement réservées à l'usage du copiste et non destinées à une utilisation
collective )) et, d'autre part, que les analyseset les courtes citations dans lebut d'exemple
et d'illustration, (( toute représentation ou reproduction intégrale ou partielle faite sans le
consentement de l'auteur ou de ses ayants droit ou ayants cause, est illicite )) (alinéa ler
de l'article L. 1224).
Cette représentationou reproduction, par quelque procédé que ce soit, constitueraitdonc
une contrefaçon passible des peines prévues autitre 111 de la loi précitée.
i
. -
' . I
..-
...
111
LISTE DES PARTICIPANTS AU FORUM HALIEUMETRIQUE
.M O Ovide .BINETDenis
UNIVERSIIE de Pauet des Pays de -
ORSTOM - Eemer Rue de Illed'Yeu -
l'Adour - Avenue del'université 64000 BP 1105- 4431 1 NANTES cedex 03
PAU
.BOET Philippe
.BACHER Cédric CEMAGREF - Division qualité des eaux
FREMER - Laboratoire Maerha- Rue - 14 avenue de St-Mandé- 75012 PARIS
de Ille d'Yeu - BP 1105- 4431 1
NANTES cedex 03
.BOUDE Jean-Pierre
ENSAR - DEERN - Département
.BADIA Jacques halieutique - 65 rue de St-Brieuc 35042
INRA - Université de biométrieet RENNES cedex
d'intelligence artificielle- Chemin dela
borde rouge- 3 1326 CASTANET
.BOURGUIGNON Guylaine
c/ K.SALNIKOFF - 31 rue Oudry-
TOLOSAN cedex
75013 PARIS
.BALNOIS Véronique .BRU Noëlle
IFREMER - Laboratoire Maerha- Rue
PRA Université de Pauet des Pays de
deI'Iled'Yeu-BP1105-44311
l'Adour - Avenue de l'Université- 64000
NANTES cedex 03
PAU
. BENE Christophe . CAILLARD Benoît
Station Marine- La Darse- 06230
COFREPECHE - Ifi-emer Brest - BP 70-
VILLEFRANCHE-SUR-MER
29280 PLOUZANE
. BERTRANDArnaud . CAVEIUVlEREAlain
25 avenue Mac Mahon- 75017 PARIS
ORSTOM - BP 5045- 34032
.BERTRAND Jacques MONTPELLIER cedex
FREMER - 1 rue Jean Vilar- 34200
SETE
.CAYFEPatrice
ORSTOM - Département Terre-Océan
.BEZ Nicolas Atmosphère - 213 rue Lafayette- 75480
Centre de géostatistique- ENSMP - 35 PARIS cedex 10
rue St-Honoré- 77305
FONTAINEBLEAU
. CHAJ3OUD Christian
ORSTOM - Département Terre-Océan
.BIAIS Gérard Atmosphère - 2 13rue Lafayette - cedex
IFREMER - Place du Séminaire- BP 7- O 1 - 34032 MONTPELLIER
L " E A U - 17137 NIEUL-SUR-
MER
V
CHAVANCE Pierre techniques - BP 809 - 29285 BREST
ORSTOM - BP 1984 - CONAKRY - cedex
République de Guinée .D W E A U Laurent
. CLEMENT Olivier ORSTOM - Ifremer Rue de1'Ile d'Yeu -
INRA - BP 3- 64310 ST PEE-SUR- BP 1105 - 4431 1 NANTES cedex 03
NIVELLE . DUBY Camille
. CBRLAY Jean-Pierre INSTITUTNATIONAL,
INSTITUTDE GEOGRAF'HIE - AGRONOMIQUE - 16 rue Claude
Université de Nantes- Igarun - BP 1025 Bernard - 75231 P M S cedex 05
- 44036 NANES cedex O1 . DUMAS Jacques
. CUENDE François-Xavier INRA - Station d'hydrobiologie St-
INSTITUT DES MILIEUX PéeNivelle - Laboratoire Ecologie des
AQUATIQUES - Plateau de 1'Atalaye- poissons - BP 3 - 643 O1 ASCAIN
64200 BIARRITZ . DURAND Marie-Hélène
. CURY Philippe ORSTOM - HEA - BP 5035 - 34032
ORSTOM - BP 5045 MONTPELLIER cedex
34032 MONTPELLIER cedex . FAIVRE Robert
.DASKBLOV Gueorgis INIPA - Centre de recherche de Toulouse
INSTITUT OF FISHERIES - BP 72- - Station de biométrie et intelligence
9000 VARNA - Bulgarie -
artificielle - Auzeville BP 27 - Castanet
- 3 1326 TOLBSAN cedex
. DALJRESFabienne
ENSAR DEEW - Département . FERRaRIS Jocelyne
halieutique - 65 rue de St-Brieuc- 35042 ORSTOM - Eemer Rue del a e d'Yeu -
RENNES cedex BP 1105 - 4431 1 NANTES cedex O3
vi
. GASCUEL Didier . JAGOTLo'ïk
ENSA - 65 rue de St-Brieuc - 35042 FEDOPA - 24 ruedu rocher- 75008
RENNES cedex PARIS
. GAuTHlEZ Franqois . JOUFFRE Didier
CEMAGREF - Division qualité des eaux ORSTOWCNROP - BP 22 -
- 14 rue de St-Mandé - 75012 PARIS NOUADJ3BOU - RI de Mauritanie
. GINOT Vincent . KOUTSIKOPOULOS Constantin
INRA Thonon - BP 511 - 74203 Alsons 19 - K . Halandri - 15231
THONON cedex ATHENES - Grèce
. GOBERT Bertrand .LABELLE Marc
-
ORSTOM Eemer - BP 70 - 29280 IFREMER - Laboratoire Maerha- Rue
PLOUZANE de YIle d'Yeu - BP 1 105- 443 11
. GOUJON Michel NANTES cedex 03
vii
.LE GUEN Jean-Claude .MASSKI Hicham
ORSTOM - Ifremer - BP 70 - 29290 F[FREMER Brest - DRV/RH - BP 70 -
PLOUW 29280 PLOUZANE
viii
.PELLETER Dominique -
Mines deParis 35 rue Saint-Honoré-
IFREMER - Laboratoire Maerha- Rue 77305 FONTAINEBLEAU
del'Iled'Yeu-BP1105-44311
NANTES cedex 03
.ROBIN Jean-Paul
Laboratoire de biologieet
.PERINEL Emmanuel biotechnologies marines - JBBA -
LISE CEREMADE - Place du Maréchal Université de Caen- 14032 CAEN cedex
de Lattre de Tassigny- 75775 PARIS
cedex 16
. ROCHARDEric
CEMAGREF - BP 3- 3361 1 GAZINET
. PERODOU Jean-Bemard cedex
-
IFREMER 1 rue Jean Vilar- 34200
.ROCHET Marie-Joëlle
SETE
IFREMER - Laboratoire Maerha Rue de
. PERONNET Isabelle l'Ile d'Yeu - BP 1105- 443 11 NANTES
IFREMER - 8 rue François Toullec
- cedex 03
56100 LORENT
. ROMAGNYBruno
. PONCET Yveline CEMAFI - Faculté de droit sciences
-
ORSTOM BP 2528- BAMAKO Mali économiques et gestion - 7 avenue R.
Schuman - 06340 DRAP
.POULARD Jean-Charles
-
IFREMER Laboratoire Ecohal- Rue de . ROY Claude
1'Ile d'Yeu - BP 1105- 44311 NANTES ORSTOM - Ifremer Brest. BP 70 -
cedex 03 29280 PLOUZANE
.PREVOST Etienne . SCHAAN Olivier
INRA - Laboratoire Ecologie Aquatique- 7c rue Papu- 35000 RENNES
65 ruede St-Brieuc - 35042 RENNES
cedex
. SCIANDRA Antoine
CNRS - Station zoologique- BP 28- La
.PROUZET Patrick darse - 06230 VILLEFRANCHE-SUR-
INRA- BP 3- Station d'hydrobiologie- MER
643 10 ST PEE-SUR-NM3LLE
. SHLN Yunne Jai
. RELANDEAU Muriel ENSAR - Laboratoire halieutique- 65
IFREMER - Rue delue d'Yeu - BP route de St-Brieuc- 35042 RENNES
1105-44311NANTEScedex03 cedex
.REY Hélène .SILANPatrick
ORSTOM - Labo HEA - BP 5045- URA - CNRS 698- Station
34032 MONTPELLIER cedexO1 méditemanéenne de l'environnement
littoral - 1 quai dela Daurade - 34200
. RIVOIRARD Jacques SETE
Centre de géostatistique - Ecole des
ix
. SOWLET Arnauld
IFREMER - 1 rue Jean Vilar- 34200
SETE
TALIDEC Catherine
IFREWR - 8 rue François Toullec -
56 100 LORIENT
. TETARDAlain
IFREMER - BP 32 - Avenue du Général
de Gaulle- 14250 PORT-EN-BESSIN
. TONG Huyen
LISE CEREMADE - Université Paris
Dauphine - Place duMarichal de Lattre
de Tassigny - 75775 PARIScedex 16
.TOUZEAU Suzanne
-
INRIpi Comore - BP
93- 06902
SOPHL4 ANIPOLIS cedex
. TREUIL Jean-Pierre
ORSTOM - 32 avenue Varagmat- 93 143
BONDY cedex
.TFKADEC Jean-Paul
ORSTOM - Ifiemer Brest- BP 70-
29280 P L O U r n
. RUONG VAN Benoit
Université de Pau et des Pays de l'Adour
- P M - Avenue de l'université - 64000
PAU
. VALETTE François
CNRS - 1919 route de Mendé - BP 505 1
- 34033 MONTPELLIER cedex
X
SOMMAURE
INTRODUCTION
Relandeau M.
Pérennité et qualité du système d'information : à quelles conditions ? ........... 15
Chavance P., Diallo A.
Un observatoiredespêches.Pourquoietcomment ? .................................... 19
Morand P., Poncet Y., Niare T.
Le montage d'un système de suivi de la pêche dans le delta central du Niger :
Intérêt et application de l'approche "Système d'information'' ......................... 27
Poncet Y., Morand P.
Dans un système d'information acquisition-restitution, la localisation
constitue-t-elleun cas particulier ? .............................................................. 33
Gobert B.
Répartition spatiale del'effortdepêche aux nassesdansunepêcherie
artisanale antillaise. .................................................................................... 37
Bertrand J.
Evaluation des ressources démersales en Méditerranée : organisation d'un
système de suivi par campagnes de chalutage (programme MEDITS). ......... 41
xi
Duby C.
Un regard sur l'analyse de l'information en haliem6trie ............................... 49
....................
Limites d'utilisation des estimateurs proportions en halieutique 53
Gauthiez F.
Estimation des puissances de pgcbe. ............................................................ 71
N., Kvoirard J., Poulacd J.
Le esvariogrme : un outilstructural........................................................ 79
orke E.
Les poissons démersaux de laZEE guinéenne : problèmes liés 5 I'étude de la
repartition spatialede leur biomasse. ........................................................... 87
GanibliPn P., Evoirard J., Simmonds E.J.
Analysevariographique de campagnes acoustiques sur hareng
le
écossais ...................................................................................................... 93 '
Wi
Bru N., Dossou-Gbété S., Truong Van B.
Etudedel'influencedesfacteurshydroclimatiques sur la capture de la
civelle
d'anguille (Anguilla anguilla L.) par l'analyse canonique
fonctionnelle ............................................................................................... 117
Truong-Van B., Dossou-Gbété S., Bru N.
Une modélisation stochastique de l'impact des facteurs hydroclimatiques sur
les captures decivellesd'anguille ................................................................ 123
Cury P., Roy C.
Exploration dans le domaine non-linéaire des relations entre l'environnement
et la dynamique des populations marines ..................................................... 129
Pech N.
L'analyseen
composantes principales sur variables instrumentales :
application aux rendements de pêche de deux ports de la côte sénégalaise .... 137
Boët P., Fuhs T.
Prédiction de la composition spécifique du peuplement piscicole en milieu
fluvial par des méthodes connexionnistes : application au Bassin de la Seine 145
Delacoste M., Lek S., Baran P., Dimopoulos I., Giraudel J.L.
Modèle neuronal versus régression multiple de prédiction des nids detruite.. 15 1
Tong H., Périnel E.
Une approche numérique/symbolique pour l'extraction et la formalisation
desconnaissances ....................................................................................... 157
Naudin S., Pella H., Charlon N., Garric J., Bergot P.
Détection de larves de poisson anormales par analyses d'images .................. 165
xiii
Valette F.
Voies rapides, grands et petits chemins, sentiers de traverse : diversitk des
itinéraires de la recherche en halieutique, entre "le réel" qu'elle étudie et "les
mode:Ies"qu'elle génère............................................................................... 171
Goujon M., Deriss R.B., Punsly
Simulation du mouvement des albacores dans le Pacifique tropical Est i
l'aide d'un modde 2a trois parmhtres ........................................................... 181
Poucher E.
Un systeme-expertsimplepour l'estimation des flux demigrationentre
zones : application au listao (Katsuwonz~s pehrnis) dans l'Océan Atlantique
tropical Est.. ............................................................................................... 187 b-
Lardon S.
La dimension spatiale dans les recherches sur les systèmes agraires ............. 267
Treuil J.P.
Nouveaux outils informatiques : l'apport d'une discipline ............................. 273
xv
Deuxième F Q ~ UHalieumétrique,
H Nantes, 1995
Introduction :Synthèse descommunications et débats
-
1 INTRODUCTION
1
Chaque session
&ait
présidée par une personnalité
extérieure B
l'halieutique, mais dont le champ de compétence rejoint les thèmes abordés.
Ce regard edérieur demi[ permettre d'enrichir notre réflexion méthodologique
par desdémarches,méthodes et pointsdevuediEérentsdenos cadres
habituels de travail. Chaqueprésidentdesession a étésecondé par deux
chercheurs représentant diverses disciplines de l'halieutique.
a
Introduction D. Pelletier, M J Rochet, J Ferraris
standardisation entre les données issues des différents navires de' recherche.
Dans un autre registre, Gobert d'une part, et Poncet et Morand d'autre part,
évoquent
respectivement
difficultés
les "normalisation"
de et de
"standardisation"desinformationsenfonction de critèresd'espaceet de
temps. En effet, dans le premier cas, celui des pêcheries artisanales de récifà
la Martinique, la précision sur la localisation des données et sur l'effort de
pêche varie sous l'effet des conditions environnementales locales, ce qui rend
plus délicat l'établissement d'indices d'effortet d'abondance à un instant et un
endroitdonnés,l'analysepouvanttoutefoisêtremenée à bien,Dansle
deuxième cas, celui de la construction d'un observatoire de la pêche sur le
Delta Central du Niger au Mali. le problème considéré comme central est
celui de la multiplicité des échelles spatiales et leur maîtrise par l'opérateur.
Lesdifférentesproblématiquesquiintéressentlethématicieninduisenten
général des niveaux d'agrégation spatiale distincts. II est ainsi conduit soit à
choisir un modèle d'acquisition des données calqué sur la plus petite échelle
spatiale commune aux problématiques, avec donc des difficultés prévisibles
decollected'information ; soit à privilégieruneproblématique et l'échelle
correspondante,quitte 8. ne pas disposerdel'informationnécessairepour
aborderles autres. L'hétérogénéitédel'informationinhérente aux systèmes
d'information, résulte enfinetpeut-êtresurtout,del'intégrationdansces
systèmes de données provenant de divers champs disciplinaires, dans un souci
d'étudierdesproblématiquespluslargesquedansle passé. Un système
d'information est souvent interdisciplinaire, comme en témoigne le Système de
Gestion de Bases de Données Relationnelles ECORDRE décrit par Silan et
al., qui intègre des données biologiques, physiques ou chimiques appliquées
entre autresaux problèmes d'écologieparasitaire en milieumarin.
Le troisièmeproblèmeévoquéconcernel'évolution et la souplesse du
système d'information : un environnementchangeantet la dynamiquedes
questionsderechercheimpliquentderedéfinir un systèmed'information :
Morand et al. et Poncet et Morand soulèvent le problème de la pérennité des
modèles d'acquisitionet de restitution des donnéesdans le cas d'un système de
suivi en halieutique continentaleau Mali.
Pour ce qui est de la conception des systèmes d'information, Relandeau
souligne la nécessité d'une organisation en projet qui associe étroitement les
thématiciens qui définissent les objectifs et sont responsables du projet, et les
informaticiens qui apportent leurs compétences techniques pour l'architecture
matérielle et logicielle. Cet autre aspect de l'interdisciplinarité des systèmes
3
d'irnfomation permet un enrichissement réciproque, en ce sens queIles "projets
système d'inkrmation'' et "projetsde recherche" stricto sensu contribuent à se
structurer mutuellement, informaticiens et thématiciensapportant chacun leur
rigueur respectiveà l'élaboration d'un système d'information.
Par ailleurs, les systbmes d'information sont souvent perqus comme des
aides B la dbision et 5 la communication, y compris pour des utilisateurs
non thématiciens,voire non experts dans ledomaine. A cet effet, ilest
demandk aux informaticiens des
application
informatiques
simples et
ergonomiques, et le développement d'interfaces adéquatespour les utilisateurs
(Silan et cd.).
4
Introduction D. Pelletier, M J Rochet, J Ferraris
5
al. montrent conment l'analyse d'images rend possible la détection de larves
de poissons anomales, et Schaan et Gascuel étudient les limites d'utilisation
de l'estimateur d'me proportion lorsque celle-ci tend versO OLI 1.
Malgré cette classification thématique, ilapparaît que les cornunications
restent souvent très axées sur les m6thodes, les problématiques halieutiques
devenantplus
secondaires. Dans son exposé introductic @. Duby,
stxtisticienne, estime que l'ensemble de ces cornunications dénote l'absence
de spCeificit6 de I'kalienm6trie par rapport i la biométrieengénéral :
premièrement,lesméthodesutiliséessontrécentes(réseauxneuronaux,
analyse d'image, analyse des données symboliques, g&xtatistiques, modeles
linéaires généralis6s) ; deuxièmement les préoccupxtions rejoignent celles des
autres biornétriciens : s'échapper dulinéaire,proposerdesmodèlesqui se
rapprochent mieux des donnies, et réfléchir à la pertinence et la qualité du
recueildecesdonnées pour l'application.Lesmodèlesqui autorisent la
nodinéarite rencontrentainsiunegrandepopularité : réseauxneuronaux,
modèleslinéairesgénéralisés,mais aussi lestechniques basées sur la
transformation des domCes(@UTet Roy).
La complexitédessystkmes ktudiés et les difficultésd'observationdu
milieuenhalieutiqueaccroissentencore le besoinderéflexion en cequi
concerne le choix du modèle, le critère d'ajustement et les conséquences pour
la collecte des
données. Comte le montrent un certain nombre de
comnunicxtions, les méthodes classiques doivent souvent Etre adaptées voire
abandonnées au profit de techniques PILIS sophistiquées, en fonction des
paPticularités de l'obje-t d'étude (Gauthiez, Guiblinet al., Bez et al., Peeh...).
D'autres auteurs privilégient une
démarche où desconnaissances
complémentaires sont a posteriori codrontées aux résultats de l'analyse des
données dans unbut de validation de celle-ci (Badiaet al., Galzin et al.).
Du fait de l'évolution des méthodes appliquées, c'estaussi l'adéquation des
donnéesdisponiblesqui est nise enquestion,celles-ci ayant souvent é.té
collectéespour une autre utilisa-tion(Morize,Cury et Roy, Bru et al.,
Gaertner, Bez et al., Badia et al....). L'analyse de l'information renvoie bien
évidement i l'acquisition de l'information et réciproquement. Par ailleurs, Le
Bonpréciseque la collectededonnéesrelatives à l'activitéhalieutique
nécessite au préalable une "immersion" du chercheur dans le système étudié,
notamment pour ce quiest de l'observation descomposates humaines.
Au cours de cette session, on note aussi un décloisonnement prometteur
entrelesdifférentes approches. Lespasserellesentreréseaux neuronaux,
6
Introduction D. Pelletier, M.J. Rochet, J Ferraris
7
Némoins, la plupart descommunicationsde la sessionfontétatde
modèles(ausenslarge)quicherchent à repsbenter explicitementla
eomplexitC dessystkmesétudiés,souventen rapport aveclaspatialisation
(Goujon et al., Foucher, Arino et Moutsikopoulos, Lambert et al., Le Page,
Dumas et al.) ou la multiplicité des composantes et des acteurs du système
(Silan et al., Chaboud,LeFur).Cettecomplexitéestdanscertains cas
représentéede f a p n classique par unmodèlemathématique. Ainsi, le
mouvement des albacores dans le Pacifique tropical Est par Goujon et al., le
cycle de vie dela sole du Golfe de Gascogne,par Arino et Koutsikopoulos, ou
encore le recrutement du saumon atlantique, pour Prévost et al., sont décrits
par desmodèlesmathématiquesdéterministes.Desmodblesintégrantdes
composantes aléatoires sont choisis pour décrire le cycle de vie du saumon
atlantique : Dumas et al., la dynamique intermuelle d'unepêcherie par
Ckaboud, ou des relations hôte-parasitepar Silan et al.
A côté decesapprochesmathématiques apparaissent des applications
d'outils
informatiques ou de formalismes
récents,
en
général
liés à
l'intelligence artificielle. On peut citer les systèmes experts pour la migration
du listas dans l'Atlantique tropical Est par Foucher,lesmodèlesindivîdus-
centrés pour la migrationestuariennedescivelles, par Lambert et al., les
modèles multi-agents pour l'exploitation artisanale sénégalaise par Le Fur, et
les modèles de la vie artificielle pour la reproduction des poissons dans un
environnement hétérogène, selon Le Page. Dans ces modkles, la complexité du
systèmeémergeessentiellementdel'existenced'entités(lesagents)qui
échangent des informations e.t agissent en retour demanibreautonome.On
peut établir ainsi un parallèle entre la complexité macroscopique émergeant
des comportements individuels microscopiquesde ces agents, et les transferts
d'échelledans un systèmeexplicitement spatialisé. Lesapprochesdetype
intelligenceartificiellepeuventconstituer une solutionintéressantepour
dkcrire des processus diBicilement représentables par des équations c o r n e
par exemple, des comportements individuels.
L'inconvénien-t majeur de ces modèles complexes, qu'ils soient fornalisCs
mathématiquement ou non, réside dans une difficultéaccrue de validation du
fait de la mdtiplicité des équations ou au contraire de leur absence. La nature
et la quantité d'information nécessaireà la calibration du modèle peuvent 6tre
considérables, alors même que
l'halieutique se caractérise par une
observabilité réduite de l'objet d'étude, comme le fait remarquer Valette en
introduction.Ceproblèmedevalidation est évoquédans la plupart des
8
Introduction D. Pelletier, M.J. Rochet, J Ferraris
9
topologiques qui unissent les objets et notamment la connectivité qui est une
contrainte importante sur les échanges entre objets, et enfin l'espace c o r n e
ensemble de lieuxsupportant les objets.
En tant que géographe, S. Lardon présente l'espace comme lesupport sur
lequel se déroulent les processus et c o r n e un facteur qui les conditionne,
mais aussi c o r n e unevariableactive du systèmesusceptibledese
transformer sous l'effet des ac;tivit& qui y prennent place (espace g6nnCrateur
d'alternatives). L'espacedevientainsi unmoyende révélerdesstratégies
d'acteurs. Elle précise que "les géographes entrent dans les problèmes par les
niveauxd'organisationdel'espace ; leshalieuteslesabordent par les
processus sousjacents". Cette caractéristiquede
l'halieutique
provient
probablement de l'impomce attachee dès
le départ i. la. dimension
temporelle.Actuellement,deplusenplusdequestionsenhalieutiquesont
abordées par les niveaux d'organisation du système (voir les communications
sur les
modèlesmulti-agents,
et sur les
di.fférentes
échelles
spatiales L
10
Introduction D.Pelletier, 1M.J Rochet, J. Ferraris
11
grande représentation de ces disciplines.A contrario, plusieurs statisticiens et
mathématiciensontfait l'effort de venirprésenterleur travail i un publie
essentiellement halieute.On note aussi un déséquilibre entre les sciencesde la
vie et les sciences humaines (16 communications contre 5 respectivement), et
unnombre très faibledecommunicationsquiintegrentplusieursdeces
disciplines.
Ces dernières amies ont vu une forte contribution des mathématiques et
des statistiques B l'halieutique. Que l'idormatique vienne désormais enrichir la
démarche de modélisation semble de nature B pouvoir intéresser A nouveau
des chercheurs qu'un fornalisme mathimatique excessif avait pu mettre a
l'écartdesquestions touelmt B la représenhtion desconnaissances. Nous
pensons que cette tendance continuera de s'amplifier et que l'interdisciplinarité
finira par s'exprimer entre toutesles disciplines touchantà l'halieutique.
12
Session 1
Intervenants :
M. RELANDEAU
P. CHAVANCE & A. DIALLO
P. SILAN, P. SOTO, E. LE POMMELET,H. CALTRAN"
P. MORAND, Y . PONCET, T. NIARE
Y. PONCET, P. MORAND
B. GOBERT
J. BERTRAND
13
Deuxième Forum Halieumétrique, Nantes, 1995
Session I :Acquisition de l'infovnnation
1 - LE SYSTEMED'INFORMATION
B - Les informations
La nature des informations peut être extrêmement variée de même que leur
forme : informations numériques issues de capteurs, issues de prélèvement in situ
puis
d'analyses,
déterminations;
comptages;
images
fixes
animées;
ou
informations
géoréférencées
ou
non;
informations juridiques;
informations
documentaires;
informations
organisationnelles;
informations
complexes
(connaissances, expertises) ...
Pour chaque information, quel est son circuit d'élaboration, d'acquisition, de
mise àjour ? Quels sont sa fiabilité, sa qualité, sa durée de vie, son coût ? Quel
droit d'usage ?
15
C - La dynamique du systeme
La dynamique traduit lestransformationssubies par lesinformztionsdu
système.
Pour chaque étape du processus, de l'acquisition à la diffusion en passant par
la validationetlestraitements : quelles sont lesfonctionnalités à mettreen
oeuvre, pour quelsacteurs, avec quelles techiques ? Cornent assurer 1%qualité,
la permanence du processus eti quel coi3 ?
L'organisationrationnelled'undéveloppementdesystèmed'infionnation a
pour objet de structurer tous les éléments de réponse aux questions précédentes,
en s'appuyant sur une organisation, des méthodes detravail et des outils associés.
Aucune de ces questions ne peut être occultée. Tous les choix et toutes les
décisions doiventfaire l'objet d'une explicitation dans des dossiers
appropriés.
A - Un "pilote"
Même si cela semble trivial? un projet doit 2h-e "piloté". Le chef de projet est
nécessairemen-t un thématicien qui possèdela maîtrise du domaine dont relève le
systèmed'information. 11 disposed'unpouvoirdécisiomeletd'unbudgeten
rapport avec la nature du système à mettre en place.
Le pilote s'appuie sur un groupe d'experts thématiques qui doivent avoir les
moyens de s'impliquer autant quenécessaire(dklégation de temps) dans les
phases de définition et de spécification.
Il s'appuie par ailleurs sur des spécialistes informaticiens dans les fonctions
d'étude et de conception.
16
Session I M Relandeazt, A. Le Magueresse
B - La méthodologie
Il est important d'adopter une démarche méthodologique qui couvre l'ensemble
du cycle de vie du système d'information.
La méthodologie permettra de "modéliser'' les composants du système à des
niveaux de plus en plus fins.
Les méthodes actuelles trouvent leur origine dansla systémique, qu'il s'agisse
du modèle "entité-relation" (dont Merise) ou des méthodes orientées "objet".
Les modèles d'organisation et de communication représentent les limites du
système.
Les modèles de données représentent l'information dans son état statique.
Les modèles de traitement formalisent la dynamique du système.
De ces modèles dériveront d'une part, les structures physiques des données
(tables relationnelles, par exemple, ...), d'autre part, les spécifications du logiciel
ou à terme le logiciel lui-même.
LesoutilsinformatiquesassociésconstituentlesAGL(AtelierdeGénie
Logiciel). Ils garantissent le respect des étapes, la cohérence des modèles et la
qualité du développement.
C - La plate-forme technique
La pérennité et la qualité du système serontaussi assurés par la cohérence et
la robustesse des outilsm i s en oeuvre. Attentionaux solutions futuristes !
L'architecture matérielle et logicielle doit être analysée avec les spécialistes
compétents (réseau, SGBD, SIG, ...).
17
La méthodologie et l'organisation sont des Cléments incontournables pour la
mise en place d'un systkme d'hfiomation pérenne. Elles doivent être adaptbes
à la
nature du projet.
La mCthodologie est structurke et structurante pourleprojetmaiselle est
inopérante sans organisationadéquate de la phaseinitiale à la miseen
exploitation.
18
Deuxième Forum Halieumgtrique, Nantes, I995
Session I :Acquisition de l'information
1 - INTRODUCTION
19
des pêches ? Et quelles recherches vous semblerait-il nécessaire d'entreprendre en
priorité ?
- Dequels apports dequelles autres disciplinesavez-vousouauriez-vous
besoin dans lecadre d'un tel dispositif? Pourquoi faire ?
- Pensez-vous qu'un tel dispositif mériterait de suivre uneou plusieurs étapes
pour sa mise sur pied ? Laquelle ou lesquelles ? Pourquoi ?
- Partant du rôle de ce dispositifdans le secteur des peches, quelles sont selon
vouslesproductions(documentations,publications ...) et servicesdiversque
l'observatoire pourrait fournir ? Pour la recherche ? Pour les décideurs ?
Sur 78 exemplaires du questionnaire expédiés, nous avons reçu 33 réponses,
en grande majorité bienveillantese.t nous encourageant dans la voie du projetb .
Les disciplines les plus interpellées, si l'onen juge par leur taux de réponses
respec.tif, sont, par ordre décroissant, les biostatisticiens, les économistes et les
biologistes ;les socio-anthropologues onté.té peu nombreux A nous répondre.
Nous remercionstout particulièrement : Andro M. Bouju S., Brethes J.C., Breton Y.,
~
Caverivière A., Charles-Dominique E., Chhun B., Cury P., Dem M., Diallo O., Diallo M.,
Domain F., Doumbouya A., Durand J.R., Ferraris J., Fontana A., Fonteneau A., Garcia S.,
Gascuel D., Kaba A., Laloë F., Le FurJ., Lesnoff M., Lootvoet B., Milimoro R., Morize E.,
NGoran Y.N., Pauly D., Ramsay M., Solié K., Traoré S., Troadec J.P., Turgeon J. Nos
remerciements vont également9 M. Jollivet et F. Hématy (Groupe de Recherches
leur conseils et nous avoir inspiré
sociologiques de Nanterre, Université de Nanterre) pour
l'esprit de cequestionnaire.
20
Session I P. Chavance,A. Diallo
21
6/ La politique sectorielle. A l'échelle d'un pays, la situation et les
possibilitésdedéveloppement d'un secteuréconomiquetelque la pêche
découlentenbonne partie desoptionsprises d m s lecadred'unepolitique
sectorielle.Ccttepolitiques'exprime par deschoix affichés deprioritésde
développement et d'investissements ; des plms d'actionconséquentssont
parfiois identifib.
71 L'utilisation de l'espace. Les activités liéesB la pcche s'inscrivent toutes
dans un certain espace (marin ou terrestre) porteur de contraintes et enjeu de
multiples concurrences.La dimension spatiale de ces activités (zones de pêche,
migrations, circuits de comercidisxtion, infiastructure...) constitue, de plus
en plussouvent,unedesclésde l'ménagement notamment B travers le
développement des
notions
d'allocation
des
ressources et de
l'espace,
d'ménagement intégre des zones c6tièreset de gestion des écosystèmes.
La question concernant les indicateurs permettant de suivre ces évolutions
est très certainement la plus difficileduquestionnaireetméritait,pour y
répondre,uneréflexionapprofondie.Lesréponses n'ont pas été totalement
satisfaisantes, une liste pr6liminairea cependant pu être constihCe (Chavance
et Diallo, 1995).
B - LW prsblhes de recherche
L'Obserwtoire n'a. pas vocation première A faire lui-même de la Recherche ;
plusieurspersonnesont jugé utiledelepréciser très clairement. La notion
d'Observatoireen tant quedispositif 5 long terne pose par ailleurs,selon
certains, un problèmedefondquipeutserésumerdela façon suivante :
Sommes-nousenmesure,aujourd'hui,d'identifierdefaçonsatisfaisanteles
bonnesquestionsquiseposerontdemain ? L'Observatoire, en fixant h un
moment donne les critères d'observation d'une rkalité complexe ne favorise-,t-il
pas une certaine rigidité ? Formulé différemment : on ne peut rechercher que ce
que l'on a déjh plus ou moins perqu. Pour remédierB cette possible dissipation de
la pertinence de 1' bserwtoire, avec le temps et l'evolutiosn des connaissances, il
est conseillé de veillerA ce que l'Observatoire soittrès proche de la Rechercheet
de la Gestion afin de suivre et intégrer l'évolution progressive des questions que
posentchercheurs,gestionnaires et acteurs du secteur. En définitive, il nous
semblequecesdeuxpointsdevueconfirment la vocationessentielledece
dispositif : lesuivi et la compréhensionde la dynamiquedesexploitations
halieutiques. L'Observatoire n'a pas vocation à faire de la Recherche mais il est
particulièrementprochedecelle-ci. II estdeplusévidentquel'Observatoire
22
Session I P. Chavance, A. Diallo
D - Les étapes
23
progressif duchampdevisiondel'Observatoire. En revanche, d6s son
demanrage,ledispositifdevrabienprendreencomptelesaspectspratiques
(statistiques et informa-tiques) des fonctions de collecte, gestion et traitement des
donnéesainsique la fonctionderestitutiondesinformations.Les bilams
pkriodiques. La miseenplacedudispositifet son développementdevra
comporter une série d'étapes mesurables.
l'Administration,sestypes de productiondépendrontdel'appuiqu'ilest
souhaitable d'apporter respectivement h ces deux composantes dans le contexte
national OG il s'inscrit.
P - E'orgmisatiom
L'Observatoire devraetre basé sur une organisation et un fonctionnement qui
assurent une forte implication de ses utilisateurs, l'Administration, la Recherche
et la. Profession.Cetteimplication est la meilleuregarantied'unretour
d'information de qualité vers les utilisateurs, d'uneborne acceptabilité desavis et
d'une (re)vitalisation des systèmes de collectede donnies.
24
Session I P. Chavance, A. Diallo
BIBLIOGRAPHIE
25
Deuxième Forztnz Halieumétriqzte, Narztes,1995
Session I :Acquisition de l'information
Parmi les recommandations faites par les chercheurs du progranme "DCN" dans
ledernierchapitredeleurouvrage final desynthèse(Quensière,1994) figure en
bonne place la nécessité de mettre en place un organe de suivi permanent du secteur
de la pêche au Mali,organedontl'utilitémajeuredevrait être de"détecterles
dysfonctionnements dès que ceux-ci apparaissent (...) [et de] contrôler l'adéquation
des aménagements effectuéspour répondre à ces dysfonctionnements" (ibid, p. 445).
Mettre en œuvre cette recommandation, c'est accepter le défi dela construction d'un
outil doté de qualités bien particulières, parmi lesquelles les plus importantes: sont
-(1) la capacité à ne pas manquer "l'essentiel'', et notamment ce qui est utile à la
détection et à la compréhension des évolutions qui affectent le secteur de la pêche
dans cette région.
-(2) la capacité à fournir des données autorisant des comparaisons objectivesdans
le temps et dans l'espace, ce qui suppose l'emploi d'une méthodologie entièrement
décrite, susceptible d'être évaluée, reconnue, critiquée...
-(3) la capacité à durer "longtemps", qui découlera de l'intégration réussie des
trois contraintes suivantes: utiliser des compétences permanentes, donc nationales;
monter un dispositif léger plutôt que lourd (pour minimiser les coûts récurrents);
faire en sorte que le dispositif créé soit adaptable au Changement.
Pourassumercesambitions et tenircomptedecescontraintes,onbénéficie
cependantdedeux atouts majeurs:d'une part, l'abondancedesconnaissances
thématiques,acquises au cours duprogrammederecherche"DCN''(1986-1992)
(ibid et,d'autre part, la disponibilité,aujourd'hui,d'un corpus méthodologique
adapté, regroupé en bonne partie sous la bannière "Système d'Information''. C'est ce
second atout qui retiendra ici notre attention, et nous décrirons notamment ce qu'il
~~
27
nous apporte pour mener B bien notre projet actuel de système de suivi. Mais tout
d'abord,rappelonsqueleconceptfédérateur de"Systèmed'Information'' (M.)
désigne l'ensemble des méthodes quipemettent d'assnrer une borne communication
de I'infiormation (au sens de "domées") dans l'entreprise. L'avantage de cette nation
de S.I. est d'stre bien plus englobante que la notion de base de donnéeset de déborder
largement,d'ailleurs, dumondede l'irnfsmatique;ainsi,nousconsidérons que des .~
28
Session 1 P.Morand, Y.Portcet, T.Niare'
29
par descommerçantesvenantdeplus oumoins loin, A la désxffectionrelative
d'autres sites, 8 la mise en place de nouveaux barrages de pêche ou B l'abandon de
certains d'en-tre eux,à l'installation de nouveaux "&rangers"sur telle zone depkhe, i
la prolongation ou au raccourcissement de la saison d'utilisation de telle technique,à
l'engouement pour un nouvel engin, au surcreusement de tel chenal qui accélère ou
prolonge localen~ent la périoded'inondation.. , Bien-sQr,ce-télargissementde
perspectivenesignifie pas quel'oncessedes'intéresser à 'la quantitéet A la
composition des "débarquements". Mais il est clair que les chercheurs ont adopté
depuis quelques m é e s un nouveau "modèle de données du monde rkel'' des peches
continentales, et que ce nouveau modèle est A la fois plus spatial et plus englobant
que celui qui était (implicitement) utilisé par I'halieute des décennies passées.
Construire un système de suivi, c'est aussi s'accorder sur un modèle de restitution,
c'est-à-diredéfinirquelstypesderésultats et connaissancesonveutproduireet
diffuser. Nous soulignerons ici à quel point il serait illusoire de poursuivre ici le
mythede la restitution sous formed'untableaudebord parfait, c'est-à-dire
parcimonieux, exhaustif et achevé (car la pêche est un système complexeet non pas
une "machine& vapeur" don-tla dynamique serait réductible à celle d'une vingtaine de
variables d'état !). La restitution se doit au contraire 'd'être riche et souple, tournée
vers Iles divers types d'utilisateurs, même s'il faut en passer par des redondances. Une
présentation sous fome de différents "points de vue'' relxtivement autonomes (donc
plusieurs "sous-modèles" de restitution, en quelque sorte) peut favoriser l'analyse et
l'interprétation. Il est nécessaire pour cela d'identifier un petit nombre de plans de
dkcomuositionde la connaissance produite (voir Le Fur, 1993). Les réflexions et
regroupements thématiques deChavmce et Diallo (ce volume) vont dans ce sens.
Construire un système de suivide la pkhe, c'est enfin concevoir un "modèle des
domkes A acquérir", modèle qni dépend en borne partie des deux précédents, puisque
l'acquisition doit venir s'appliquerau réel pour foumir la totalitC de l'informationi la
restitution. Cependant, la structure dumodèled'acquisitionprocèdeégalementde
choix qui lui sont spécifiques, et ces choix se discutent essentiellement en termes
d'optimisationtechnique (statistique/logistique). Ainsi,
le fait que lemodèle
d'acquisition soit orienté vers la prise d'information, laquelle est constituée par des
opérationscoûteuses,oblige à accorderuneattentionconsidérable au respectdu
critère de "non-redondance". C'est cette logique d'économie dans la collecte qui f i t
d'ailleurs, pour partie, la valeur d'un observatoire relativement à la juxtaposition
30
Session I P.Morarld, Y.Poncet, T.Niar6
d'une multitude d'enquêtes non coordonnées. Ainsi, nous récoltons souvent au sein
d'une m h e actiond'enquêtedesdescripteursrelevantdethématiquesdifférentes:
sociologiques, économiques, halieutiques.. .
En conclusion,lesconceptsnormatifsdu corpus "S.I." nousontpermisde
discuter
l'origine
des
différentes
sources
d'information
qui
contribuent à la
structuration du "Système de Suivi de la Pêche dans le DCN". Par lh même, nous
montrons que l'interface avec l'expert thématicien n'a pas qu'une seule facette mais
plutôt deux (voire trois), et que chacunede ces facettes est centréesur la production
d'un type bien spécifique de "modèle de données".
BIBLIOGRAPHIE
31
Deuxième Forum Halieumétrique, Nantes,1995
Session 1 :Acquisition de l'information
-
a - Géographe - ORSTOM BP 2528 - Bamako - MALI
- Biométricien - ORSTOM - BP 2528 - Bamako - MALI
33
qui est l'un des modes de restitution de l'information localisée. Dans ce cas, le
modèle de restitution détermine le modèle d'acquisition, et l'on peut considérer
LE lesdeuxnefontqu'un. On prendragardequ'ici, niveau ou b e l d e de
restitution! nesignifie pas échellede la ou descartesproduites,maisniveau
d'agrégation spatial, "grain" géographique en quelque sorte. S'il est facile, sous
certainesconditions, d'agréger lesinformationscorrespondant & desmailles
peti.tes pour obtenirdesmaillesplusgrandes, il estimpossible (ou l'on va
s'interdire de le faire) de ddsagréger des mailles jugées trop grandes. Or, si le
modèle ci-dessus est valide en cartographie "classique" (informatisée ounon),
l'est-il dès lors que l'on se place dans un système d'informxtion géographique ?
Lesproduitsnesont pas nécessairementcartographiques,etutiliser un SIG
"seulement" pour faire des cartes est une sous-exploitation de ses capacités.
Si l'onconsidèreeneffetquelesmodèlesd'information"acquisition"et
"restitution" sont identiqnes et confondus, c'est la problématique qui va définir le
grain géographique du modèle. Pour donner un exemple, on considkre que les
problématiques de la relationentremilieunaturel (eau? sol, vég6tation)et
système de production pêche dans le Delta Central du Niger ne peuvent être
traitkes(analysées,restituées) B unniveaudimensionnelinférieur i celuides
pêcheries. Le grain géographique du modèle d'sormation va donc être celui qui
permet d'individualiser et d'analyser localement chaque pêcherie. On notera au
passage que, au même niveau, certaines pêcheries sont sur le plan dimensionnel
assimilables A des points (dimension négligée) et que d'autres sont assimilablesB
des zones (c'est B dire pourvues de périmètre, superficie et forme), ce qui ne
simplifie pas les choses.
Si l'on considère au contraire que les modkles d'intormatisn "acquisition" et
"restitution" son-t
dissociables, la qualification du système
d'information
géographique - en termes de précisiodexactihde e-t de capacité à catalyser les
problématiques - sera celle "de la plus petite maille commune'' de l'ensemble des
acquisitions localisées. II est visible que dans ce cas, certaines problématiques
spatiales ne pourraientpas être traitéessi la maille c o m m e est trop grande.
Dansles travaux de SIG sur la pkhe dansleDelta Central? nousavons
rencontrk et résolu séparément les deuxcas de figure.
A) Sur le Delta Central tout entier, acquisition e.t restitution sont pilotées en
meme temps, seule une gamme limitée de niveaux est disponible, et l'agrégation
est importante : pour citer unexemple chifié, lesdonnbessontstockées aux
échellescompatibles avec unerestitution cartographique au 1/500 000. Les
problématiques scientifiques que cette base peut traiter sont relativement limitées,
34
Session I Y.Poncef P.Morand
35
Deuxième Forum Halieuntétrique, Nantes, 1995
Session I :Acquisition de l'information
1 - INTRODUCTION
II - MATERIEL ET METHODES
- - -
a Centre ORSTOM de Brest BP 70 29280 Plouzané
37
brusque ("tombant") limite une partie centrale,defondsmeublesetderelief
uniforme. A l'extérieur du récif, le plateau s'étend sur une largeur de 4 10 km
environ, jusqu'à une rupture depentevers 70 m, etcomportedesbancs
d'orientationgénéraleNord-Sud.Lesnasses h poisson y contribuent à 60 %
environ de la pêcherie démersale, tant en nombre de sorties qu'en captures. Les
pkheurs enposskdentchacunplusieursdizaines, de taillele plus souvent
supCrieure à 1'50 m ou 2 m, calées individuellementjusque vers 60 m de fond et
relevées à la main, ce qui exclutla possibilité d'en déplacer beaucoup et souvent.
L'effort de pêche est donc pratiquement fixe, avec des possibilités de recherche et ,
A - ExtCrieur du rCcif
L'effort depêche a unerépartitioncontagieuse, tant au seindes carrés
(fréquences très élevéesdesvaleursexqrêmes : carrés sans nasses ou avec
beaucoup de nasses) qu'entre car& (corrélations entre carrés associés de faGon
différente : la corrélztion restetrès significative, mais diminue, quand on associe
des carrés voisins directement, puis indirectement, mais devient non significative
et presque nulle quand on associe des carrés tirés au hasard). Des flotteurs ont
été observés à toutes les profondeursidérieures h 70 m, mais c'est entre15 et 35
38
Session I B. Gobert, J.Y. Stanisière
m que les nombres observés sont les plus élevés, avec un indice d'effort moyen
pratiquementnulau-delàde45 m. Lesindicesd'effortetdereliefsont
significativementcorrélés (a<O,OOl),maisavecdescoefficients très faibles
(1=0,12) ce qui signifie que s'il y a une tendance très générale à trouver plus de
nasses à proximité des accidents du relief, la variabilité autour de cette relation
est très importante. L'absence de relation générale entre effort et relief s'applique
également au sein de strates bathymétriques (tranches de 5 m). L'indice d'effort
et les deux indices de relief ont un maximum à des profondeurs intermédiaires
avant de décroître lentement, et leurs moyennes varient de façon très semblable
en fonction des tranches bathymétriques (r>0,85, a<O,OOl). Il y a donc, entre
l'effort et le relief à l'extérieur du récif, une relation forte qui n'est pas mise en
évidence par l'analyse des observations individuelles parce que leur variabilitéest
très élevée, mais qui apparaît à travers la similarité de leur relation moyenne
avec la profondeur.
B - Intérieur du rdcif
La répartition de l'effort de pêche des nasses montre clairement sa relation
aveclerelief : 95 % desflotteursobservéssont à proximitéimmédiatedes
tombants qui limitent les récifs côtiers.Au total, 148 flotteurs ont été observés le
long des radiales couvrant 1a.partie centrale du secteur (2,02 nassesh), contre
2785 le long des tombants (6,21 nassehi), dont une majorité le long des récifs
côtiers ;de plus il y a sous-estimation probable dela densité linéaire dufait qu'il
arrive parfois que les nasses ne soient pas marquées en surface par un flotteur
IV - DISCUSSION
39
Deuxième Forztrn Halieunttirique, Nantes
40
Deuxième Forum Halieumétrique, Nantes, 1995
Session I :Acquisition de l'information
Jacques Bertrand a
1 - INTRODUCTION
II - MATERIEL ET METHODE
La première
phasedu
programme a étéorganisée
en trois étapes
complémentaires : organisation et définition de protocoles de travail, réalisation
d'unecampagnecommune et premièreanalysedesdonnéesenréférence aux
besoins immédiats définispar les responsables communautairesde la gestion des
pêches.
41
A - Espace opCmtionne1
L'espace de travail est d e f i comme l'ensemble de zones chalutables situées
en face des quatre pays, des fonds de10 mètres B 800 mètres. Ces limitesont été
retenues pour couwir au mieux les aires de répartition des principales espkces
exploitées ou potentiellement exploitables,
compte
tenu
des
contraintes
techniques et acbninistratives du projet.
Une simple analyse dela géographie et de la bathymétrie dela zone montre la
très grande diversité des différentes sous-régions. A titre d'exemples,onpeut
souligner les différences d'environnement hydrologique entre les eaux de la mer
d'Mboran marquées par l'influence Atlantiquee.t celles dela mer Egée9 encontact
direct avec la mer Noire ou encore la relative monotonie des fonds de la Haute
Adriatique s'opposeA l'aspect très tourmenté de ceux de la mer Egée.
Enfin, la diversitédesespècesd'intérêtfialieutiqueconstitueunélémerit
marqué de la richesse de la Méditerranée. Si un nombre relativement restreint
d'espèces produit unepart imporhte de la valeur des débarquements,la prise en
compte de cettegrandevariétédesespècesrecherchéesoccupeuneplace
particulière dms l'organisation de%afilière pêche.
Les objectifs de base du p r o g r m e sont les suivants:
- Contribuer à la description desressourceshalieutiquesdémersalesde
Méditerranée tant en terme de distribution (indices d'abondance relative) que
de structures démographiques (distributionsen tailles) des populations;
- Fournir des données pour la rnod6lisation de la dynamique des espèces
étudiées. Dans cedomaine,l'estimation de la mertalit6 totaledesespèces
exploitées constitue l'un des objectifs prioritaires ;
- Le programme PdEDITS est également organisi de façon A contribuer B
I'acquisition de paramètres biologiques des espèces rencontrées (reproduction,
etc).
- Principes d'organisation
Considérant l'ensemble des CI6ments évoqués ci-dessus, le projet a été conqu
avec la volonté de s'appuyer sur la majorité des compétences scientifiques déjA
mobilisées sur cethèmedans la zone.Ainsi,unequinzained'institutsde
recherche participentau p r o g r m e . Les activités sont organiséespar un groupe
decoordinationpiloté par l'IE6 (Espagne), I'IFIPEMEIP (France), la SIBM
(Italie) et le NCMR (Grkce) et rassemblantdesreprésentantsdesdifférentes
régionsétudiées.Cegroupecoordonnel'ensembledes travaux (organisation,
adoption des protocoles, gestionet analyse des données).
42
Session I J Bertrand
43
Une première campagne comune a été réalisée au cours du printemps et de
l'kté1994. Au cours decettecampagne,prèsd'unmillierdestations ont été
étudiees sur les 18 1 strates du plan d'échantillonnage.
Sur tous les navires, des observations ont été recueillies sur un grand nombre
d'espbces (de l'ordre de 150à 260 espbces par région). Pour les trente espèces de
référence, un indice d'abondance relativea été calculé pour chacune desstrates et
des régions (Cochran, 1977). Par ailleurs, pour chaque espèce et dans chaque
strate, lesdistributionsdes fréquences de tailleontété étudiées. Qumd celaétait f
possible, les résultats obtenus ont été comparés à ceux de campagnes réalisées
dans le cadre de p r o g r m e s nationaux sur les mêmes secteurs i des périodes
voisines.
Cesanalysesontpermis de caractériser quelquesgrandestendances de la
répartition des espèces étudiées dans les différentes mers bordant le nord de la
Méditerranée et depréciser denombreusesconnaissances sur la répartition
bathymktrique de ces espèces.
C o r n e tous les engins d'Cchantillonnage en mer, les chaluts ne fournissent en
général
qu'une représentationpartielle
de la distributiondespopulations
échantillonnées.Lescomparaisons avec lesdifférentsenginsutilisés dans les
programmesnationauxmontrentque le chalut WDITS n'échappe pas à ce
constat. Ainsi, pendantla campagne &&DITS 94, ce chalut s'est avéré pepformmt
pour la caphre desespècesdémersalesmaisses résultats ont été en général
bons
moins pour la pkhe
benthiques.
espèces
des I-.
IV- PERSPECTIVES 1.
44
Session I J Bertrand
modifications recommandées à l'issue de ces travaux ont été introduites dans les
protocoles de la campagne MEDITS 95.(ii)Etantdonné/ la grandediversitédu O(
champduprogramme(espacegéographique,espècesétudiées,etc), un plan
d'échantillonnagestandardminimum a été choisipourlesdeuxpremières
campagnes. Il est désormais possible d'évaluer les possibilités d'optimisation de
ce plan dans les différentes régions,à partir des données disponibles. Un groupe
de travail prévu sur ce thème au cours de l'automne 1995 devrait fournir des
voies de réflexion pour un ajustement de ce plan.
Enfin,desdéveloppements très significatifspeuventêtreattendusd'une
analyse plus systématiquedesrésultatsobtenus sur l'ensembledesespèces
observées (biodiversité) et d'une analyse numérique plus approfondie des indices
d'abondancecalculés.Desméthodesvariéesd'analyses et d'intégrationde
données venant de sources multiples sont désormais accessibles. Elles offrent des
perspectives d'interprétations plus avancées des données acquises.
BIBLIOGRAPHIE
45
Session II
Intervenants :
C. DUBY
O. SCHAAN & D. GASCUEL
F. LALOE et N. PECH & M. SIMIER
J. BADIA, P. PROUZET & F.X. CUENDE
P. GAUTHIEZ
N. BEZ, J. RIVOIRARD & J.C. POULARD
E. MORIZE
P. GUIBLIN & J. RIVOIRARD
F. GAUTHIEZ, J.C. POULARD & C. KOUTSIJSOPOULOS
D. LEBON LE SQUER
J.C. GAERTNER
R GALZIN, P. LEGENDRE & M.L. HARMELIN-VIVIEN*
N. BRU, S . DOSSOU-GBETE & B. TRUONG VAN
B. TRUONGVAN, S . DOSSOU-GBETE & N. BRU
P. CURY & C. ROY
N. PECH
P. BOET& T. FUHS
M. DELACOSTE,S. LEK, P. BARAN, 1.DIMOPOULOS& J.L. GIRAUDEL
H. TONG & E. PERINEL
S. NAUDIN, H. PELLA, N. CHMUON, J. GARRIC & P. BERGOT
* communication non résumée: IlLe quatri6me coin ou comment interpréter les résultats
contenus danstrois matrices de données biologiques, comportementales et environnementales
collectées dansles récifs corraliens d'une île haute en Polynésie française".
47
Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information
Camille Dubya
1- INTRODUCTION
Lorsque j ’aiaccepté
de
présentercette
session du
2ème Forum
Halieumétrique, j ’ai été confrontée au problème de comprendre et déterminer
l’originalité et laspécificité de l’halieumétrie pour l’analyse de l’information.
Je crois savoir quel’halieumétrie a deuxobjectifsliés,l’unscientifique,
l’autre économique, et de lourdes responsabilités socio-économiques puisque ses
résultats servent à éclairerlespolitiques et doncontdesrépercussions
importantes sur toutes les populations qui vivent de la pêche.
L’halieumétrie a une très ancienne tradition de modélisation pour I’étude de
l’évolution
des
stocks.
Le
recueil
de
l’informationpose
des
problèmes
particuliers et difficiles pour essentiellement trois raisons. La première est que
l’espace à explorer, même si on se limite à des zones de pêche (concept pas
toujours très clair) est gigantesque, hétérogène et de dimension 3, la troisième
dimensionétant’il mesemble, traitéede façon assezdiscrète. A ces trois
dimensions spatiales, ilfaut ajouter la dimension du temps.La deuxième vient du
fait que la ressource est mobile et multispécifique.La troisième est que le milieu
est complexeet ses interactions avecla ressource sont peuou mal connues.
Cette difficulté du recueil de l’information a bien sûr une incidence sur son
traitement. Il me semble que, contrairement à d’autres domaines, ce n’est pas le
manque de donnéesqui est le problèmemajeur,mais la qualité des données.
J’entends par qualité des données lefait qu’elles soient complètement ciblées sur
les questions posées.La quasi impossibilité d’expérimenter (sauf enaquaculture
qui a beaucoup depointscommuns avec l’agriculture) fait quesouventces
données recouvrent une énorme quantitéde facteurs plus ou moins parasites car
on ne peutpas les contrôler vraiment,ni même parfois les mesurer.
49
Quand on prend l'ensemble des articles qui vont 6tre présentes au cours de
cette session, premibre vue, on ne distingue pas de spécificités de l'halieumétrie
en comparaison avec la biométrie par exemple, ou m h e avec la statistique. Les
halieumètres sont (( h la page n en utilisant des méthodes parmi les plus récentes
c o r n e lesréseaux de neurones,l'approchesymbolique,l'analysecanonique
fonctionnelle et l'analyse d'images. Les modèles linéaires généralisés, les modèles
additifs interactifs généralisCset des modèles stochastiquessont aussi présentés.
La dimension spatiale apparaît explicitement, en se référant beaucoup aux
travaux de géoshtistique plus anciens.
Pourtant si on regardede plus pr5s cetensemblede travaux, onpeut
s'apercevoir qu'ils ne vont pas dans tous les sens et on peut dégager des lignes de
force qui peuvent 6tre intéressantes pour mieux comprendre les préoccupations
des halieumètres.
50
Session II C. Duby
Nous utilisons ici le terme générique de régression pour parler de tous les
modèles statistiques dont lebut est de prédire ou d'espliquer une variable,uni ou
multidimensionnelle, qualitative ou quantitative,à l'aide d'autres variables.
Si l'on se réEre à la très intéressante revue faite par Sing CHENG et D. M.
TITTERINGTON [1994] sur les réseaux de neurones vus dans une perspective
statistique et les commentaires sur cette revue, on s'apeqoit que ces deux types
de méthodes, régressions et réseaux de neurones sont enfait étroitement liées, les
premières étant d'origine statistique et les deuxièmes d'origine informatique. Je
nevais pas iciprésentercesapproches. Je vaisseulementessayerdefaire
apparaître leurs proximités.
On peut en effet montrer quesi on appelle y la variable de sortie à prédire, x
levecteurdesvariablesd'entrée et w levecteurdespoidsassociés aux
connexions,letraitement avec un réseauneuronalrevient à écrire le modèle
y =f($(x,w)) pour un seul neurone, et pour un réseau à plusieurs couches le
modèle y =f($(u,w)), en notant uk la sortie de la kème des M unités cachées et
uk = gk(\ck (x, vd) k = ],...,A4. La plupart dutemps $ est linéaire(mais
parfois il peut être utile de faire un changement de variable), et f est choisie
parmi quelques fonctions particulières..
On peutconsidérerlesréseauxdeneuronescommeuncadregénéraldes
modèles de régression(par exemple les modèles de "projection pursuit" introduits
par FRIEDMAN [198 11. Danscetterecherched'analogies,on peut aussi
retrouver les problèmes des modèles non linéaires de séries chronologiques.
On peut mieux voir ainsi les possibilités d'exploration du domaine non linéaire
par ces méthodes et leurs capacités d'ajustement ; on peut mieux mesurer leur
coût en nombre de paramètres en jeu, et par voie de conséquence le nombre de
données nécessaires (en généraltrès grand étant donné le nombre de paramètres)
pouravoirdesestimationsconvenablesainsiqu'unecertainerobustessedes
résultats. Et ce point est très important pour comparer les méthodes.
Lesréseauxdeneuronesn'ayantpas au départ de structure aléatoire,le
problème de la confiance à attribuer aux résultats, de leur validation est traité
avec les méthodes de validation croisée utilisées aussi par les statisticiens. On
peut imaginer obtenir aussi des variances ou des régions de confiance pour les
prédictions enpoussant jusqu'au bout l'idée de validation croisée, en utilisant des
méthodes de Jackknife ou de Bootstrap.
51
Un autre aspect est aussi la recherche de qualités explicatives des modèles qui
est souvent souhaitée. Les modèles non linéaires classiques, non pas construits
"en aveugle"maisfondés sur deshypothèsesdemécanismesplausiblesont
souvent cette qualité. Les modèles issus des méthodes neuronales poupront peut-
2tre aussi les avoir i condition qu'on rentre dans le "ventre" de ce qu'ils font, et
non pas en les utilisant seulement c o r n e des boites noires.
L'halieumétrie, i travers le petit échmtillon dont j'ai disposé ici, paraît bien
vivante. Son avenir me parait lié i la capacité des halieumètres d'intégrer les
méthodes développées ailleurs,dans la problkmatique de l'halieutiqueet de ne pas
se contenter de les plaquer sans rentrerau cmur de l'information qu'ils possèdent
et du sens qu'elle peut avoir.
52
Deuxième Forum Halieumétrique, Nantes,1995
Sessiorl.II :Analyse de l'information
1- INTRODUCTION
53
population (Kendall et tu art, 1958). A IlesthateUr de P peut Etre associé une
variance usuellement estimée pour un tirage sans remise (loi hypergéométrique)
par (Cochrm, 1977 ;Grosbras, 1987) :
A h
(N - n) x -
Var, (p) = - p u - Pl
(N-1) n-1
54
Sessiorl II O. Sckaaa, D. Gascuel
Cetteéquationpermetnotammentd'obtenirunemesurenonnullede
l'incertitude-associéeà l'estimation d'une proportion nulle ou égale
à un.
55
Comme pour le rapport Ra, Sa est calculé pour différentes valeurs de n et p.
On en déduit par des abaques dans quel domaine (n,p), l'intervalle de confiance
autour de la valeur estimée n'estpas "trop'' dissymktrique (figure1).
Lerespectdesconditions : R et S prochesde 1, imposedesrestrictions
conséquentes sur n et p (Schaan, 1993). Même si les contrainles diminuent avec
unrisqued'erreur croissant, desproportionsprochesde 0 ou 1 conduisent
toujours i des sous-estimations de l'incertitude qui restent importantes.
En
dehorsdes
limites
définies,
lesformules
usuelles
de variance ne
fournissent pas une mesure correcte de l'incertitude. Toutefois, les rapports Ra
peuvent être assimilés h des facteurs de correction (tableau 1) et donc permettre
de calculer une variance corrigée :
n
56
Session II O. Schaan, D. Gascuel
4 3 2 5 6 7 108 9 11
,1 1.22
1.35
1.56
1.99
12.36
3.19 1.13 1.07 1.02 0.99
2 0.00
1.10
1.14
1.19
1.25
1.34
1.48
1.70
2.13
3.19
3 1.23
1.290.00
1.38
1.51
1.70
1.99 1.18 1.14
4 1.16 1.20 0.00
1.25 1.30
1.56
1.38 1.48
5 1.29 1.34 1.35 0.00 1.25 1.21 1.17
n*
14 12 22 1620 18 2428 26 30
1 0.92
0.96 0.85
0.86
0.89 0.83 0.82 0.81 0.80 0.80
1.02
1.072 0.89
0.90
0.91
0.92
0.93
0.95
0.97
0.99
3 0.93
.0.94
0.95
0.96
0.97
0.99
1.01
1.03
1.07
1.11
1.09
1.134 1.06 1.011.03 0.99
1.00 0.97
0.97 0.96
5 1.151.01
1.03
1.05
1.07
1.10 1.00 0.97
0.98
0.99
1.15 6 1.11 1.06
1.08 1.01
1.02
1.04 0.98
0.99
1.00
7 1.11 1.02
1.08
1.031.051.06 0.99
1.00
1.01
8 1.05 1.07 1.09
1.00 1.01 1.02 1.02 1.04
1.01 91.02 ' 1.03 1.04 1.05 1.07 1.00
10 1.01 1.01 1.051.021.04 1.03
11 1.01
1.03 1.02 1.02
12
1.01 13 1.02 1.03
14 1.02
15 1.02
57
Le prilc2vement$"chantillonsde grandetailledemeurebienividemment
souhaitable pour aboutir B des prtkisions d'estimations élevées et fiables. Les
mkhodes proposées ici doivent être considérées comme outils palliatifs, lorsque
lescontraintessonttellesqueseulsdeséchmtillonsdepetitestaillessont
pratiquement dalisables ou quand les proportions obsewkes tendent verszéro ou
un.
Une autre possibilitkconsisterait a travailler nonplus sur lesvariances
d'estimation mais sur les intervalles decodaflee. ceci necessiterait cependant de
construire les lois successives des variables et d'aboutir à la fonction de densité
finale. Unetelledémarchenepourrait être envisagéeque sous hypothkses
d'indépendance des variableset de s p i t r i e des distributions.
58
Deuxième Forum Halieumétrique, Nantes, 1995
Session LI :Analyse de l’information
59
Deuxidme Forum Haliezamdtriqzle, Nantes
yZk = a; + b; x t f C; x t 2 + di x t3 f e; x t4 + fi x t5 -t~ i k
60
Session II F. Lalog, h? Pech, M. Simier
BIBLIOGRAPHIE
61
i
- ""1 B
10
O 10 20 30 4C 50 60 eo
SALlNlIi (g/l)
COURANT UD 1 2 C 3
62
Session II F. Laloë?N. Pech, M Simier
I r
O M IW 150 Mo 250 JM)
Temps
63
a. I 62 03 0.4
frequence
Temps
64
Deuxidme Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information
1 - INTRODUCTION
II - MATÉRIEL ET M É T H O D E S
A - Captures par unité d’effort et facteurs hydroclimatiques
L’étude des carnets de pêche des marins-pêcheurs a permis d’analyser l’in-
fluence des conditions hydroclimatiques sur le niveau moyen des captures
journalières des,saumons prélevés dans l’Adour en 1988 et de 1990 à 1992
(Cuende, 1994). Pour estimer les probabilités de capture on a utilisé le
modèle multinomial (McCullagh & Nelder, 1989).
Les captures par unité d’effort (cpue), la saison (s), le débit fluvial (df)
et le coefficient de marée ( c m ) sont des descripteurs de l’importance des
captures et du contexte dans lequel les données ont été collectées. Ces fac-
teurs ont des statuts différents : s, df et c m sont explicatifs, cpue est à
expliquer ; ils ont plusieurs modalités : {printemps, été} pour s, {faible,
moyen, fort} pour df et cm, {nul ( n ) ,faible (f),moyen ( m ) , fort ( F ) }
pour cpue. Cette dichotomie précise les conditions dans lesquelles les ob-
servations (nombre de pêches) sont faites, elle oriente l’utilisateur dans le
“INRA. Biométrie et Intelligence Artificielle. BP 27,31326 Castanet Tolosan.
bINRA/IFREMER. .Hydrobiologie, St Pée sur Nivelle. BP 3,64310 Ascain.
“IMA. .Plateau de l’Atalaye, 64200 Biarritz.
Pôle de recherche sur la gestion des ressources aquatiques en environnement sensible
65
choix d’un modèle (hypothèse distributionnelle, fonction de lien). Condi-
tionnellement à s, df et c m , on a considéré que le nombre de pêches da,ns
une classe de cpue est une réalisationd’une variable a.léatoire multinomide.
Le modkle multinomial étant choisi, il faut modéliser le lien gk(p7;) entre le
vecteur des probabilités p; = (P;n9pifppi)impPiF)‘et les caractéristiques de
la population i (une combinaison s x df x c m ) soit : g k ( p i ) = z;,& où z;
est le vecteur ligne des caractéristiques de la. population i et p k le vecteur
des pa,ramktres a,ssociés aux facteursexplicatifs. Pour montrer comment la
prise en compte d’une information influence les résultats d’une ana.lyse, on
a choisi d’utiliser les liens logit cumulé etlogit généralisé.
66
Session Il J Badia, R. Faivre, MH. Charron,
P. Prouzet, J. Dumas, F.X. Cuende
$pi(l - pi). Var(&) contient un paramètre d’échelle (4 2 O), sa forme
correspond au choix de la fonction la plus simple qui prend la valeur zéro
quand la probabilité pi est égale à zéro ou à un. Conditionnellement à
O;, E(xlf?i) = ni& et Var(I<l&) = n & ( l - O;). D’après les résultats des
probabilités conditionnelles, E(Y;) = nip; et Var(%) = n;p;(l -pi)[l+(n;-
1)4. Quand les probabilités de réponses ne varient pas (O; = p i , Var(&) =
O, $ = O), on retrouve bien Var(Y,) = nip;(l- p i ) .
j=1 j=1 k # j
Si les R;j, j = 1,...,ni ne sont pas mutuellement indépendantes,Var(R;j)
= Var(Rik) = p;(I - p i ) et Cov(Rij, R ; k ) = ppi(1- p;) avec p le coefficient
de corrélation. On en déduit que Var(Y;) = n;p;(l - p;)[l + (n;- l)p].
Dans ces deux situations,les estimateurs de Var(Y;) sont identiques dans
la forme mais ont des significations différentes. Pour le premier modèle,
d, ne peut pas être négatif, c’est seulement une mesure de surdispersion.
Pour le second modèle, la corrélation p peut être négative, on peut donc
théoriquement modéliser une sousdispersion. Cependant l’inégalité l+(n; -
1)p > O implique que -(ni - 1)-l 5 p 5 1 d’où une borne pour p inférieure
en général ou égale à zéro sauf si ni est petit. Williams (1982) a montré
que des estimations de ces paramètres sont obtenues par un calcul itératif
en égalantla valeur de la statistique x2 à l’approximation deson espérance.
III - RÉSULTATS
A - Captures par unité d’effort et facteurs hydroclimatiques
La méthode des moindres carrés généralisés utilisée pour estimer les para-
mètres, permet d’observer que les tests d’adéquation des modèles étudiés
(logits cumulé et généralisé) sont tous deux acceptables, les niveaux de
signification des résidus étant respectivement Pr(X&6) > 29.35) = 0.776 et
Pr(x&6) > 42.58) = 0.209. L’adéquation du modèle qui prend en compte
67
l’ordre sur le facteur réponse est meilleure. Pour les tests de signification
des facteurs, les résultats des analyses sont .comparables ma.is diffkrents
dans 1’a.bsolu. Au risque de l i r e espèce de 5 3 ’ 6, cm. n’est pas significatif
pour le logit cumulé (Pr(h:f6)> 12.19) = 0.05s) a.lors qu’il l’est avec le logit
gknéralisé (Pr(xt6)> 14.60) = 0.024). Ces deux modèles sont admissibles
maJs on ne sait pasvraiment lequel choisir, le risque étant de faire un
choix sur des critères subjectifs. Pour hviter.cela, il faut s’appuyer sur des
considérations biologiques et sur le contenu ~ta~tistique des modèles. Plus
précisément, le modhle logit cumulé tient compte de l’ordre des c h s e s a u
facteur réponse et recherche les facteurs qui influencent le pa.ssa.ge d’une
classe i. la classe voisine. Le modèle logit génkrdisé ne tient pa.s compte
de cela., il est fondé sur la différence des chsses à, une classe de référence,
ilsemblemoinsa.daptéauxdonnées à a,nalyser. Ainsi, avec lemodèle
logitcumulé,on peut constater qu’aucun des facteurs s, d l et c’m n’est,
significatif, les probabilités des classes de cpue sontidentiques. .
Une a.ttitude critique doit Gtre prise vis-à-vis des r&ulta.ts fournis par la
démarchesta.tistiquedansl’estimationde ces probabilités. Les données
collectées ne sontpas toujours suffisantes, quantitativementetqualita-
tivement, pour résoudre ces problèmes d’estimation par la voie statistique
malgré un tramil et des coûts importa.nts de suivi d’une popula,tion sur
de nombreuses années. Utiliser un modèle statistique qui prend en compte
des niveaux de dispersion importants dûs à des effets non contrôl&, permet
une meilleure évaluation de la précision des estimateurs. En revanche, il
n’élimine pa,s tous les problèmes de définitionet d’interprétation de.certains
paramètres. Dans le caides probabilit6s de retour, celles-ci sont estimées
Session II J. Badia, R. Faivre, M H . Charron,
P. Prouzet, J: Dumas, EX. Cuende
pour servir de point d’entrée du modèle stochastique du cycle biologique
des saumons. Pour les saumons de un et deux ans de mer, les probabilités
de retour sont établies sur la seule base des taux de départ, elles ne peu-
vent pas être interprétées comme des probabilités de survie en mer alors
que ce sont ces dernières qu’il faudrait estimer. La probabilité de retour
après deux années de mer (paramètre estimé par le modèle statistique)
résume les paramètres nécessaires au modèle stochastique qui sont les ta,ux
desurvie la première,puis la seconde année de mer ainsique les taux
d’exploitation par pêches. Cependant, cette approche n’est pas inutile, elle
permet d’alimenter la réflexion en fixant des ordres de grandeur pour les
taux de retour, d’avancer des hypothèses, de compléter ou de réorienter le
choix des variables à observer.
BIBLIOGRAPHIE
69
Deuxibme Forum Halieuntétrique, Nantes, 1995
Session II :Analyse de l’information
1 - INTRODUCTION
Le modèle multiplicatif de Robson (Robson, 1966) d’estimation des puis-
sancesde pêche (et desindicesd’abondance)estcertainementl’undes
modèles les plus utilisés en halieutique. Il présente cependant à nos yeux
des inconvénients majeurs, c’est pourquoi nous proposons ici de le recon-
sidérer dans le cadre de l’analysedes données de chalutages scientifiques.
Ce modèle est d’une utilisation assez simple, puisqu’il se réduit à une
analyse de variance (en général déséquilibrée) après passage au logarithme
des captures. Son expression générale est la suivante:
c’est-&dire que la capture C est supposée suivre une loi log-normale; son
logarithme voit son espérance s’exprimer comme la somme d’effets (au
sens de l’analyse de variance) et a une variance constante. Deux sortes
de problèmes sont liés à ce modèle:
O
-
Il existe d’une part des problèmes pratiques:
c+
Que faut-il faire des captures nulles?
L’analyse de variance sur les logarithmes correspond à l’esti-
mation du maximumde vraisemblance. Que deviennent les propriétés
de cet estimateur lorsquela loi n’est plus log-normale?
c+L’hypothèse de variance constante sur
l’échelle log correspond
à un coefficient devariationconstantpour C. Que faire si cette
hypothèse n’est pas réaliste?
c+ Si l’on considère la classe des modèles linéaires généralisés,la
loi “naturelle” pour les modèles multiplicatifs (ou log-linéaires) estla
loi de Poisson. Pour cetteloi, la variance deC est supposée êtreégale
(ou, du moins, proportionnelle) à sa moyenne. Que choisir?
“IFREMER, DRV/RH/MAERHA, BP 1105, 44311 Nantes Cedex 03, France
71
e D’autre part,l’utilisa,tion d’un tel modkle pose le problkme générd de
l’utilisation de modèles ne reposant pas sur une ana.lyse desprocessus
sous-jacents. Par exemple, I’hypothkse de constance du coefficient de
variation de C n’est pas une hypothèse “biologique”: bien que l’on a.it
la possibilité de contrôler ex p s t sa va.lidité, sa, justification première
correspond probablement au h i t qu’elle permet, aprbs un passa,ge au
logaithme, de se trouver da,ns les condition s standard de 1’ana.lyse
de va.riance, c’est-Aire l’homosc~dasticité. Plus génQdement, il est
difficile dans ce type de déma.rche d’incorpbrer au modèle des con-
’
72
Session II F. Gauthiez
73
Tableau 1: Relationsmoyenne-varimce vérifiées par le nombre N
d’individus se trouvant dans l’aire bala<ykepar le chalut.
ao E(N)
cEB(X) ao Ebo(N) as
avec bo = q
+ Eb’(N)
+ P(I - q ) et b1 = 2 - 4
E(X) + cEB(X) a vE(N) + E b O ( N )+ a1 E b ’ ( N )
ao
eebo=~fP(l-a)etbl=2-g
74
Session II F. Gauthiez
E(C) + E(C)
= xv + U17r2Y
avec al = a. - 1
(1- K ) E(C) +
E2(C)
+
= n(1 - 7f)v aon2 v 2
v + uov2 n-v
+
E(C) ao E2(C)
+
= T V uo7r2v2
+
(1 - K ) E(C) aoT2-' Eb(C)
+
= n(1- 7r)v aon2 v8
v + aoub
E(C) + aox2-* Eb(c)
= nv + aon2vv"
75
C verifie (1) et (2) mais n’est pas log-normale, l’estimateur log-normal du
modèle de Robson n’est en général convergent ni pour les pa.ra,mètresde
moyenne (puissmces de pêche, indices d’abondance) ni pour les pa.rami?tres
de variance (a0 et b). Par contre, I’utilisa.tion d’une vraisemblance corre-
spondant à une loi appartenmt à la famille exponen-tielle linéaire four-
nit un estimateur satisfaisant da,ns le cadre semi-parmétrique. De plus,
I’estima,tion des pammètres de la fonction de variance perme% d’obtenir un
estimateur optimal danscette c1a.sse (Gouri6roux et aZ., 1984). L’utilisation
d’une vraisemblance gaussienne permet d’estimer de f q o n convergente et
asymptotiquement normale les paramètres de variance (Carroll et Rup-
pert, 198s). En pratique on effectue une es-timation alternée des deux
groupes de paramètres: par exemple l’estimation de a0 et b se fait en ma-
imisant une vraisemblance ga.ussienne où sont suppos6s fixes les pa,ramktres
de moyenne. De f a p n générale, on regroupe sous le nom de mdthodes de
pseudo-vraisembEanee les méthodes consistant à utiliser une vraisemblance
en dehors du cadre paramétrique qui a permis de la construire.
Cette dkmarche a eté appliqude auxdonnées de campa.gnes IBTS en mer
du Nord, où sont impliquésles navires derecherche halieutique de plusieurs
pays et où se pose naturellement le problèmede l’estimation des puissames
de pêche. Les estimations trouvées a.insi que les interva.lles de confiance
calculés peuvent être différents de ceux obtenus m e c un modble de Robson.
On s’est efforcé dans cette Qtude de montrer que le choix d’une m6thode
statistique doi-t s’appuyer en premier lieu sur un cadre fixé par une modé-
lisation des processus sous-jacents. Ici, une analyse de l’arrangement Spa-
tia.1 des individus et du processus de capture conduit à formuler une ex-
pression de la variance de C , en même temps qu’elle montre qu’une hy-
pothèse pa’rarnetrique particulière nesemble pas pouvoir s9imposer. Les
m6thodes de pseudo-vraisemblance ont, dans ce cadre, des propriéths sat-
isfaisantes. D’un point de vue pratique, ce type de méthode est en g6nQal
facile à mettre en œuvre. En effet, la forme log-linéaire de E(@) et la,
contrainte d’utiliser des vraisemblances issues d’une loi appartenant à la
famille exponentielle lin&ire permettent d’utiliser les fonctionnalit& des
modèles linkires gdnéralisés. L’estimation des paramètres de variance re-
quiert l’utilisation d’une routine de minimisation.
Un certain nombred’extensions peuvent Btre envisagees. Premihrement,
notre objectif étant d’analyser les processus détermina,nt la variabilité
d’une
observation, ona adopte une descriptionparticulikrement simple de l’abon-
Session If F. Gauthiez
BIBLIOGRAPHIE
77
Deuxiime Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information
1 -INTRODUCTION
II -LE VARIOGRAMME
79
y(6) = 5.J1 x V a r ( Z ( z )- Z(z + 6))
D a m la pratique, il est souvent considéré sous une autre forme, plus
commode à. estimer, car il correspond 8 une espérance dont 1’équiva.lent
dans les données est la.moyenne du carré des écarts des échantillons dista.nts
de h“.:
$6) = -21 x E [ ( Z ( a -) q z + 6 ) ) 2 ]
Des variogra.mmes ont été calculés perpendicuhirementetpamll4ement ‘-.
aux isobathes (figure 2). Au travers du p1a.tea.u continenta.1, le vasriogramme
expérimental augmente rapidementjusqu9&100 milles nautiques où il dépasse
la va,ria,nce,et décroit ensuite; ce qui n9en fadt pas un variogramme “typ-
ique”. Para.llèlement au plateau, le variogramme augmente plus lentement
et, dépasse 1a.rgementla. variance expérimentale à partir de 100 milles nau-
tiques. 1
80
Session Il N Bez, J Rivoirard, JC.Poulard
A -Définition et estimation
La géométrie du champ étant souvent un élément structurant des popula-
tions halieutiques, il devient délicat de chercher à exhiber une variabilité
des densités interne et indépendante au champ. De plus, en probabilisant
l’information, on suppose que les densités auraient pu être observées en
d’autres endroits du champ, tout en conservant les caractéristiques struc-
turales moyennes de la variable. Ce qui n’est probablement pas très réaliste
en halieutique.
Nous avons donc fait appel au covariogramme. En s’en tenant au for-
malisme des variables régionalisées, le covariogramme est défini par :
g ( 0 ) - g(Z) = 1 s ns - ~
(+) - J(X + x))2 dz
où S est le champ des valeurs non nulles et S-2 son translaté de -z.
En somme, on ne s’intéresse plus à une moyenne mais à une somme
d’écartsquadratiques. Le covariogrammeestdonc unoutilstructural,
équivalent au variogramme, qui ne nécessite aucune hypothèse de station-
narité, et pour lequel ne se posent plus les problèmes d’occurrence (repro-
ductible) des fortes valeurs, et de traitements de valeurs nulles (toujours
source de tracas pour les variogrammes). La seule réelle contrainte pour
utiliser le covariogramme’est que l’échantillonnage doit déborder le champ.
g*(k.a) = a c i
J(2, + i.a)x(z, + i.a t k..)
où x, est l’origine de la grille et a la maille. La structure expérimentale
est donc discrète, connue pour des distances multiples de la maille. Son
ajustement par une fonction continue fournitle covariogramme recherché.
Cependant, l’estimation d’un covariogramme pose des problèmes lorsque
l’échantillonnage n’est pas régulier. Deux solutions sont proposées pour
mener à bien les calculs dans la pratique (Bez et al., 1995):
81
e la créationd’une grille régulière fine informée en chaque noeud par la,
donnée la plus proche. Le covariogramme calculé est, aux erreurs de
discrètisation près :
82
Session II N. Bez, J Rivoirard, JC.Poulard
0 +
les lois bivariables .&.+~(h) = S u r f { x / z ( x ) > z‘ et z(z h ) > z } -
les fréquences conditionnelles I<z,z~(h)/.Kz~(0) = f c ( z ( z + h )> z\z(x)>
2‘) avec laquelle la densité en x +
h dépasse z sachant qu’elle dépasse
z‘ au point z, permettent de décrire la structure spatiale du pointde
vue des fortes concentrations,
0 +
les régressions bivariables m [ z ( x h ) l z ( z )= z ] , moyenne de z ( z +h)
quand z ( z ) = z ,
IV -CONCLUSION
BIBLIOGRAPHIE
83
NIATHER.ON (G.)' 1978 - Estimer et choisir. Les Cahiers du Centre de
Morphologie Aiath.thatique, Fasc. 7, Pa.ris, E.N.S.M.P. 175 p.
PETITGAS (P.), 1991 - Contributions gkostakistiques à, la biologie des
pêches maritimes.ThkseDr. en @&ostabistique,Pasis, E.N.S.M.P.
211 p.
P0ULAR.D(J.C.), 1990 - Evaluation des ressources hallieutiques de
l'Ouest de 19Europe, Deuxième
Phase, C0ntra.tIF'REMER-CEE, n088/
1210834/BF.
84
Session II N, Bez, J. Rivoirard, JC. Poulard
85
Deuxième Forum Halieumbtrique, Nantes, 1995
Session II :Analyse de l’information
Eric Morizea
1- INTRODUCTION
Trois
campagnesd’évaluationdes
ressources
démersales
du
plateau
continental guinéen au delà des 12 milles des côtes ont été réalisées en 1992 et
1993encollaborationavecleCentreNationaldesSciencesHalieutiquesde
BoussouraenGuinée.Jusqu’àcettedateuneseuleévaluationdesstocks
halieutiques avait été réalisée dansla zone concernée, en avril 1990 (DIALLO et
DOMAIN,1991). La représentation cartographique des indices d’abondance des
poissons est analysée par la géostastitique et les problèmes liés à une très forte
hétérogénéité du milieu seront mis en évidence.
II- METHODOLOGIE
Ces campagnes ont été réalisées en octobre/novembre 1992, en février et en
mai1993.L’échantillonnage est systématique,c’est à direquelespoints
échantillonnés sont espacés régulièrement sur des radiales perpendiculaires à la
côte. Pour la troisième campagne ces points ont été resserrés dans la zone la plus
intéressante, à l’interfaceentrelesairesoccupées par lesdeuxgrandes
communautés,Sciaénidés et Sparidés (FAGER et LONGHURST,1968) et
ra
.*. +* GUNEE
87
Pour chaque coup de chalu-t les indices d'abondancetotaux, rendements de30'
de trait, sont notés. Le p r o g r m e EVA (PETITGAS et PRAMPART, 1993) a
kt6 utilisé pour calculer les variogrmes et ajuster les modkles. Le krigeage a
kté faît sous GEOEAS et les cartes de densitésont sorties par IVINSW.
1.2E05
88
Session II E. Morize
89
Tableau f : Moyennes et kc&s types obtenus pour les différentes
La ZEE guinéenne est enrichie toute l'mk à la c&e par les rivibres et les
Cch*mges avec la mangrove et s%isoImni&rement,de fkvrier B mai, au large par
l'upwelling.Ellepeut hre diviséeen trois zones par rapport aux rendements
rencontrks.Lesrendements dans ceszonesditikre, médiane et du large sont
respectivement, toutes campagnes codondues, de 80, 40 et 150 kgD0' alors que
les surfaces relatives qu'elles occupentsont de 20, 75 et 5%. La zone du large,la
plus riche, est donc également la plus restreinte et elle est contigiie à la zone la
plus pauvre et la plus &tendue. Cette zone a une granded u e n c e sur la forme du
variogramme dors qu'elle est peu importante du point de vue de la pêcherie. Il
faut donc la traiter A part en ce qui concerne les indices de l'abondance totale.
90
Session II E. Morize
BIBLIOGRAPHIE
91
Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Analyse de 1‘information
1 - INTRODUCTION
Le variogramme est, dansl’approche géostatistique, un outil nécessaire aux
calculs de variance d’estimation globale. Son estimation préalable est parti-
culièrement difficile lorque la variable d’intérêt (ici, un indice d’abondance
acoustique) a une distribution dissymétrique, comme c’est souvent le cas en
Balieutique. Différentes manières d’estimer la structure variographique sur
des données à distribution dissymétrique sont étudiéesici, sur l’exemple de
campagnes acoustiques sur le hareng écossais. Le passage par le logarithme
translaté (avec formule de retour), ou par la covariance non centrée, don-
nent des estimations plus robustes que leclassique variogramme expérimental,
mais nécessite une hypothèse de stationnarité. La structure est également
améliorée, si l’on suppose stationnarité et isotropie, en calculant la struc-
ture le longde la route du navire.
+
où les z; et z; h sont les couples de points de données à distance h, en
nombre nh.
Classiquement, le variogramme est un bon indicateur de la stationnarité
dans la mesure où 1,011 distingue une portée etun palier.
Le variogramme est sensible à la position d’une valeur forte par rapport
aux extrémités des transects.
Y3entre de Géostatistique, ENSMP, 35, rue Saint Honoré 77305 Fontainebleau.
bSOAFD, Marine Laboratory, PO Box 101, Victoria Road, Aberdeen, Scotland,UK.
93
B - Variogramme des donnees log-translat8es
Les valeurs fortes d’une distribution dissymdtrique ont tendance à rendre
des statistiques comme le variogra,mme peu robustes. Un moyen de reduire
l’influence des valeurs fortes est depasser au logarithme. Une fasonde con-
tourner la difficulté liQeà la prQsence de nombreuses valeurs nulles consiste
à prendre le logarithme de la variable translatée par une constante b, soit
) ?ou ce qui est 6quiva.len.trn& plus commode (les donnees nulles
restant nulles) : L = E O ~ ( L + f).
Pour passer du variogramme y~ de L au variogramme yz de
usage de la formule (pour le cas stationndre), (Guiblin etal., 1995):
(hl
y&) = ((b + n q 2(+..W lI(1-e-
82 -7
*) (2)
où na est la moyenne de Z et
94
Session II P. Guiblin, J. Rivoirard, E.J. Simmonds
qui, elle aussi, ne dépendque de h, etest liée auvariogrammepar la
relation:
Ii(0)- K ( h ) = y(h)
On estime alors la covariance non centrée :
puis le variogramme :
II - RÉSULTATSET DISCUSSION
Nous avons expérimenté différentes manières d’estimer la structure vari-
ographique dans un cas où la distribution des valeurs esttrès dissymétrique.
Au vu de l’organisation de la campagne d’échantillonnage 1990(figure la),
on recherche des structures dans les directions est-ouest et nord-sud. Le
variogramme expérimental classique présente des fluctuations qui rendent
difficile la mise en évidence de structures(figure lb). Le passage parle log-
arithme translaté réduitces fluctuations (figure 2a).Sous une hypothèse de
stationnarité, justifiée ici, la formule de retour (équation (2)) permet une
estimation plus robuste de la structure (figure ab). Passer par lacovariance
non centrée permet de renforcer également la robustesse (figure 3a), mais
soulignons que ceci nécessite au préalable la stationnarité.
Dans notre exemple et au vu des résultats sur plusieurs années, une
hypothèse d’isotropie peut-être raisonnablement admise. Dans ces condi-
tions, et la structure étant a priori courte, l’estimation du variogramme est
puissamment améliorée en cheminant le long de la route du navire (figure
3b): on observedes structures très stabilisées et très peu différentes selon le
mode de calcul: variogramme classique, variogramme brut estimé à partir
de celui du logarithme et estimation obtenue par la covariance non centrée.
Une étude plus large sur plusieurs campagnes dumême type montrent que
les structuresapparaissent assez différentes d’une année à l’autre. Ceci
peut n’être que le reflet de l’échantilllonnage. En admettant qu’en réalité
les structures réelles doivent être identiquespour toutes les années, on peut,
en principe, utiliser la structure provenant des variogrammes moyens.
Remerciements. Nous remercions l’Union Européenne pour le support apporté
à cette étude, réalisée dans le cadre du projet AIR2-94-1007 “Geostatistics for fish
stock assessment” .
95
BIBLIOGRAPHIE
Campagne d'echantillonnage1990 O
Variogramme de la variable blute
O I
1
C
C
d
10 20 30 40 50 60 70 O 10 20 30 40 50 60 70
Distance Distance
(4
l
O
I:
l
eongeamute unavlre
, .
10 20 30 40 Sb 60 70 O 10 20 30 40 50 60 70 80
Distance (mn) Distance(mn)
(b)
97
Deuxi2me Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l‘information
1 - INTRODUCTION
En octobre 1994,31 chalutages sur le fond ont été réalisés en Mer Celtique,
à l’intérieur d’une zone possédant les dimensions d’un rectangle statistique
CIEM (1” de longitude sur l/2’ de 1a;titude). Cette opération, baptisée
MIREC (micro-répartitions enMer Celtique), s’inscrivait dans le cadre des
campagnes pluriannuelles EVHOE que réalise I’IFREMER dans le Golfe
de Gascogne et sur le plateau Celtique. L’objectif de cette opération était
de fournir une série d’observations collectées à une échelle “réduite” pour
pouvoir dans un premier temps procéder à une analyse exploratoire mettant
en évidence les structures dominantes dans la variabilité des données, et
dans un deuxième temps mettre en relation les résultats de cette analyse
avec des connaissances et hypothèses sur le comportement du poisson à
petite échelle.
II - MATERIEL ET METHODES
Le rectangle choisi, situé au large de la Bretagne, a son centre situé par
48’45‘ de latitude nord et8’30’ de longitude ouest.Les traits ont étéréalisés
entre le 18 et le 24 octobre, de jour, la distance moyenne entre plus proches
voisins étant de 4.73 milles et la longueur des traits étant de 30 minutes à
4 nœuds, soit 2 milles. A l’issue de chaque trait de chalut on a procédé 8.
l’inventaire de toutes les espèces capturées. Le dénombrement des individus
a été aussi exhaustif que possible: il a été effectué, pour chaque espèce de
poisson, par classe de taille. 25 espèces ont été ca,pturées en quantité signi-
ficative, parmi lesquelles un certain nombre d’espèces d’intérêt commercial
(cardine, merlu, églefin, merlan, baudroie, limande-sole, grondin rouge).
“IFREMER, Laboratoire MAERHA, BP 1105, 44311 Nantes Cedex 03
bIFREMER, Laboratoire ECOHAL, BP 1105, 44311 Nantes Cedex 03
99
Les chalutages ont été réa.lisk s en une sema.ine, au rythme de 2 à. 6 par
jour. Les ca.ract,kristiques physiques de l’eau ainsi que 1s nature du fond
(sable moyen) sont trks homogènes dans toute lazone et sur toute la. durée
de l’opkration.
On a choisi de décomposer l’ktude en deux, en prockdant tout d’abord à
une malyse des données concernant chaque espkce sépardment, puis toutes
les espèces simultankment.
III - RESULTATS
A - Analyse msnosp&cifique
Dans le cadre de l’analyse des captures espèce par espke, certains rksultats
pouva,ient dépendre de la taille des individus. On a, donc, quand cela s’est
rkvélk pertinent, prockdé à une analyse distincte par, groupe de ta.iI1e. Un
test du x2 sur les distributions en ta,ille des captures par station a permis
de mettre en évidence les cas où ce-tte scission en groupes de tailles était
nécessaire et de dkfinir les chsses de taille.
Pourcaractériser la arariabilitk spa.tiale des captures, nous avons ex-
aminedeuxtypes de rbsultats: d’une part un indice de dispersion car-
actérisant I’écart de la distributionobservée par rapport à une distribution
au hasad, d’a.utre pa.rt les corrélations entre les captures en relation a.vec
l’emplacement des tra.its.
100
Session II F. Gauthiez, J.C. Poulard, C. Koutsikopoulos
de capture ne varie pas d’un trait à l’autre, on peut montrer que N et
C vérifient tous deux la relation (1) avec la même valeur de Q, de sorte
que l’indice de dispersion observé sur les captures a un sens vis-à-vis de
l’arrangement spatial des poissons. Par contre, si la probabilité de capture
subit des variations aléatoires d’un trait à l’autre, alors cette variabilité
vient contaminer celle de l’observation (voir les formules de variance dans
Gauthiez, 1995). Dans notre cas, les conditions de chalutages étant haute-
ment standardisées,les conditions météorologiques et la nature dusédiment
étant très homogènes, nous écartons l’hypothèse d’une variation entre les
traits de la probabilité de capture.
L’hypothèse d’égalité de la moyenne et de la variance peut être testée
par un test du x2. Ce test est significatif au seuil 0.001 pour pratiquement
toutes les espèces, y comprisles espèces benthiques pourlesquelles on estime
généralement que l’agrégation est faible. Les espèces pour lesquelles le test
n’est pas significatif correspondent à de très faibles captures (moins d’un
individu par station en moyenne).
La loi classiquement utilisée en écologie pour décrire des distributions
surdispersées est la loi binomiale négative. Dans le cadrede cette hypothèse
paramétrique nous avons pu estimer Q pour chaque espèce par la méthode
du maximum de vraisemblance et proposer des intervalles de confiance cal-
culés par la méthode des profils de vraisemblance. La figure 2 représente
la valeur estimée de Q ainsi que l’intervalle de confiance qui l’accompagne.
101
z
1
+u,
U
c
,a
1 I
1 2 3 4 5 6 7
Dans chaque cas et pour presque toutes les espkces le va.riogramme ob-
servé est platousanstendmce. Seule la petite roussette (Scyliorhinus
canieuln) semble montrer des corrélations décroissant, avec la distance.
- Analyse m d t i ~ p & i f i q ~ e
L'analyse multivariable a été utilisee pour étudier les relations pouvant lier
les distributions des différentes espkces (identification d'associations) et en
examiner les conséquences en termes d'hétérogénéité spathle de la zone
d'étude.
Plusieurs methodes ont éth employ6es : l'andyse en composante prin-
cipde (ACP), l'analyse factorielle des correspondances (AFC) et l'analyse
des correspondances multiples (ACM). Après chaque andyse factorielle, on
a procédé à la classification des stations à partir de leurs coordonnées fac-
torielles. On a eu recours à la classification hiérarchique ascendante; au
102
Session II F. Gauthiez, J.C. Poulard, C.K O U ~ S ~ ~ O ~ O U ~
moment de la partition en classes, la méthode des centres mobiles a été
employée pour tenter d’améliorer le rapport de l’inertie inter-classes sur
l’inertie totale.
Bien que les résultatsapparaissent sous des formes différentes dans
chaque analyse, certaines structures fortes ont été mises en évidence de
façon répétée. On trouve ainsi une opposition triangulaire entre le chin-
chard (Trachurus trachurus), le sanglier (Capros aper) et le merlan bleu
(Micromesistius poutassou) accompagné par le petit tacaud (Trisopterus
minutus). Une analyse plus détaillée révèle une opposition entre le mer-
lan bleu etlepetittacaud. L’A“ sur les données codées en 2 à 4
modalités suivant l’abondance respective des espèces est la méthode don-
nant les résultats les plus fins. On y voit notamment que les oppositions
mises en évidence dans toutesles analyses ne sont pasdes exclusions strictes
(toutes les espèces abondantes sont présentes dans quasiment tous les traits)
mais que ce sont les fortes abondances de chincllard, merlan bleu, petit
tacaudet sanglier qui s’excluent mutuellement.Lamodalité chincllard
”très abondant” est d’autre part entourée d’un grand nombre de modalités
”rare ou absent”, ce qui n’est pas le cas des autres espèces. Une ACM
sur les espèces benthiques et démersales met en évidence des gradients et
des liaisons qui semblent linéaires dans la distribution des espèces (merlu,
cardine, grondin rouge). Cependant ces relations semblent faibles. La con-
stitution de groupes d’espèces se révéle artificielle, le quotient des inerties
est faible. Il est important de remarquer que la classification n’est que très
peu reliée à la position des stations: sur la carte des stations, les différents
types semblent être disposés au hasard. De plus, le rajout dansles analyses
’ d’une contrainte de contiguïté ne change quasiment pas la constitution des
classes.
IV - DISCUSSION
103
a A une échelle locale, les dbplacements individuels et le comportement
agrdgatif induisent une variabilité dont les dchelles spatio-temporelles
sont beaucoup plus petites.
Une telle dichotomie ne s’applique certes pas de façon universelle: on peut
douter de son bien-fond6 si l’on considère des espkces hautement territori-
ales occupant des habitats très fragment&. Dms notre cas, les Ql6ments
marquants de I’op6ration sont l’absence d’h&t&ogéni\iti\d m s toutes les
variables abiotiques, l’absence apparente de corr6htion entre les captures,
l’absence de lien entre les structures multisp6cifiques et la varia.bles d’es-
pace; dans le même temps, une forte dispersion des captures est mise en
dvidence, y conxpris pour des espèces benthiques. Les fxteurs déterminant,s
de 19h6ti\rog6nditdopbrent donc à une dchelle spatio-temporelle inf6rieure
à I’dchelle d’observation (le trait de chdutj. Notre interprdta.tion est que
ces facteurs sont constituhs pa,r 1’a.grhga-tioninduite par le comportement
socia.1du poisson.
104
Deuxième Forum Halieume'trique, Nantes, 1995
Session II :Altalyse de l'information
-
1 INTRODUCTION
~~~~ ~ ~
- -
CNRS IFREMER, StationIFREMER Lorient
a Géographe halieute, chargée de recherche
(1) AIR2-CT93-1392 intitulé "Dmolved and Regional Management"
(2) Soit 35% des producteurs et68% de la valem de la production nationale
105
La pratiquem6thodologique associée B cette étude,endehorsdutravail
prialable classiquedebibliographie et de documentation, a essentiellement
consisté enenqu6tesdeterrain et analyse de données tant qualitatives que
quantitatives.
situations "humanisées" venant enrichir les notions structurelles que l'on avait
approch&es précédemment.
C- A ~ p k ~ c h
dee la ~ ~ ~ ~ X NCc~n~mique
U X X
106
Session II D. Lebon Le Squer
A- 25 ans d'intervention
Initialement centrées sur l'action à la première vente par l'exercice d'un prix
de retrait, leurs missions ont évolué depuis 25 ans tant en amont vers la gestion
de la ressource par attribution législative, qu'en aval dans lessecteurs de la
commercialisation et de la transformation des produits de la merdu fait de
stratégies et d'initiatives internes.
1) Internalités :les stratégies individuelles
Confrontées à des limites et à des blocages plus ou moins forts, les OP ont
été amenées à évoluer, à rechercher des solutions et, par là même, à sortir du
cadre portuaire. C'est le cas pour beaucoup d'entre elles, avec une implication
107
dans la distribution et la commercialisation par le biais decoopkrativesde
mareyage. Il s'agit 1% davantage de stratégies politiques et d'initiatives internes
aux organisations.
2) ExternalitCs : un renforcement des eompbtences
Les modifications de leur cadre d'intervention rkglementairesont allees dans
le sens d'un
renforcement
des
pr6rogatives
(augmentation des espkes
repertoriées dans les annexes communautaires, rkgle d'extensiondes disciplines
auxinorganisbs ...) et d'unélargissementenparticulierversl'amontavec
l'attribution d'une compêtence de gestion dela ressource (regimedes quotas)3 .
3) Un contexte de march6 6tendu
Le mouvement général d'internationalisation du marche et de concentration
des principaux distributeurs joue en faveur d'une offre concurrentielle Clagie
des produits, non plus seulement B l'échelle d'un port et de sa criêe avec son
amriSre-pays, mais B I'échellerégionale,nationale et internationaleavecdes
hinterlands étendus.
Les OP, pour remplir leur rôle d'organisation et de réplation des marchés,
sont amenées à s'adapter et il fonctionner B des echelles renouvelCes. Cela se
traduit par I'bmergence de fonctionnements en r6seaux et plus gCnéralement de
politiques concertées. A titre d'illustration, il est intéressant de s'attarder sur cet
aspect des interactions mis particulikrementenavant par i'actualite du
secteur au regarddes incitations politiques et de l'apparition progressive au sein
des OP d'une nouvelle échelle d'action rêgionalisee (observatoire des p&ches
artisanales du Grandouest...).
1) Interactions des OP avec les autres intervenants de la fi'alBre
Ce typedefonctionnementsed6veloppeasseznettement il traversdes
relations de partenariat notamment sous la forme de politiques contractuelles et
sous l'impulsiondes pouvoirs publics pourla mise en réseau des ophratems.
2).Interactionsdes OP entre elles
Plusieurs cas permettentd'illustrer les nouvelles collaborations entre OP
comme la concertation, plus ou moins conflictuelle mais indispensable, pour la
(3) Gestion des quotasd&l&guéaux OP depuis 1992d'après le règlement CE 3759 et dès 1990
par décision nationale
108
Session II Squer Le D. Lebon
109
Deuxième Forum Halieumgtrique,Nantes, 1995
Session II :Analyse de l'information
Jean-Claude Gaertnera
1-INTRODUCTION
La miseenoeuvred'approchesécologiquesvisant à approfondirles
connaissances sur l'écosystèmeapparaît comme une des voiessusceptibles
d'améliorer la gestion des ressources démersales en Méditerranée (séminaire
européen d'Ancone, 1992).Inscrit dans cette problématique, le présent travail se
focalise sur l'appréhension de la variabilité spatiale des ressources. Il propose
une caractérisation de la répartition des principales espèces du golfe du Lion à
partir de l'analyse conjointe desdonnéesdecaptures et desparamètresdu
milieu relevéslors de campagnes de chalutages.
II-MATERIEL ET METHOBES
111
de s’affranchir de ce problème, et d‘6largir le domaine d’6tude en autorisant une
typologie compm5e des individus et des groupes de variables. Le principe de
cette analyse repose sur la dkfinition d’un rkfdrentiel commun dans lequel il est
possible de décriresirnultanCrnentles individus parchacun des groupesde
variables pris s6pardment.
Une AFM portant sur les resultats groupés des trois campagnes est réalisée
afin d’amdliorerla caractdrisation de la rdpartition des espèces démersales. Cette
analyse porte sur deux groupes de variables : le groupe faunistique, concernant
les densitds par trait des 47 espkes sQectionnées, et le groupe géographique
composd des coordonnées gdographiques des traits et de leur profondeur. Deux
autres groupes (nature du substrat et strate d’échantillonnage), constitués chacun
par une variable qualitative; (comprenant respectivement 13 et 18 modalitds),
sont considerés ené16ments supplémentaires et n’interviennent donc pas dans la
formation des axes factoriels. Le groupe strate est par nature fortement carrelé
au groupe geographique.Sa prise en compte a pour seul objectif d’apprehender
la variabilité spatiale 5 une échelle différente de celle utilis6e lors de l’analyse
de la compositionspicifique par traits.
Les modalites des variables des deux groupes illustratifs sont reprksenties
aucentre de gravit6des traits dechalut correspondant dupointdevuede
l’ensembledesvariables(fig. l), et dechacun des groupes (fig. 2). La
reprdsentation des traits et des variables sur le premier plan de I’khP;nlf (fig. 1 et
2) met en évidence la préponddrmce du facteur d’Cloignement à la côte sur la
répartition des espèces.Le cortège faunistique varie progressivement le long de
cet axe qui est lie avec la nature du substrat (fig. 1) et avec la profondeur (fig.
2) . Les espèces c6ti8res (Trigla Zucerna (TWIU), Arnoglossus thori (APBNT),
Trachimm dracs (TRAH)’ Buglossidism Zuteum (BUGL), etc...) rarement
p$chCes au-delàde $0 m&es defond, sont opposees auxespèces du large
(Phycis blennoides (PHYI)’ Eepidorhombus boscii (LEF’M), etc.. .) courament
observees B des profondeurs supirieures B 150 mètres.
112
Session II J. C.Gartner
+ +
A t.x e 2 +
4 + . .
+ SCM4 ++
4 + 4 + 4
+ 4 m5 4 + 1 + +++
F1 + I+ + +
I + axe 1
:\
*
* *4
+L,*
/ j / B Z * + Y _ - .
P75
4
* *+
4
*
* ** c2 * * **
** *
I
Figure 1. Représentation destraits de chalut et des variables supplémentairessur
le premier plan factoriel de 1'AFM. Les symboles et 3(c représentent
respectivement lestraits de la région ouestet ceux dela région est. 1 = ouest, 2 =
est, A = zone des 3 milles, B = des 3 milles aux fonds de 80 mètres,
C = deS0à100m,D=de100à150m,E=de150à500m.
Une deuxième sourcede variabilité s'exprime selon un gradient est-ouestlui
même corrélé à la nature du substrat, mais indépendant de la profondeur. La
séparation des zones ouest (strate 1) et est (strate 2) lors du suivi de l'évolution
du gradient côte-large (strateA à E) est logiquement plus marquée lorsqu'on se
réfère aux variables géographiques (fig. 2). Elle subsiste lorsqu'on considèreles
variables faunistiques, exceptéence qui concerne la strate A. Cette strate
côtière ne semble pas présenter une différenciation des prises selon l'axe est-
ouest. Il est probable que l'influence terrigène (anthropique ou non) constitue
une source de variabilité qui perturbe la zonation longitudinale telle qu'on la
retrouve dans des zones plus au large.La distribution géographique des sources
d'influence terrigène(étangs,fleuves,ports, etc...) laissepenser que la
discrimination dugolfeenstratesest-ouestneconstituepas une échelle
113
d'observation suffisamment fine pour étudier la variabilite des espbces côti&res
le long de cet axe.
h AI
114
Session II J. C. Gartmr
La position de la majorité des espèces entre les bornesdéfinies par les strates
est et ouest traduit un mode de distribution non exclusif de l’une ou l’autre des
deux régions. Dans cette zone, les espèces situées au voisinage immédiat des
strates ouestsontcaractériséesparuneoccurrencerelativementplusforte à
l’ouest (Argentirta sphyraena (ARGE), Cepolu rubescens (CEPO), Boops boops
(BOOP), Pagellus erythrinus (PAGY), etc...) et inversement pour les taxons
situés à proximité des strates est (Lepidorhombus boscii (LEPM), Lepidotrigla
cavillone (LEPC), Citharus Zinguatula (CITH), Loligo vulgaris, (LOLI), etc..).
Plusieurs schémas(répartitionubiquiste,enmosaïque,exclusivementou à
dominance centrale,etc...) peuvent expliquer la distribution des espèces situées
à égales distances des strates est et ouest (Zeus faber (ZEUS), Urunoscopus
scaber (URAN), etc...), sans toutefois que l’MM permette de les distinguer.
IV-DISCUSSION
L‘MM apermis de confirmer la prépondérancedugradientcôte-large
identifié dans la phase préparatoire de ce travail, par des analyses factorielles
simples. De plus, elle a permis de mettre en évidence une deuxième direction
d’inertieexpliquant la distribution de certainesespècesselon un gradient
longitudinal. Cette étude mérited’êtrecomplétéeenconsidérantd’autres
115
groupes de vapiables (macrofaune, &bit du Rhône) susceptibles d'amtliorer la
comprihension des mécanismes de répartitiondesespècesdansl'espace.La
dCfinition de zones géographiques couvrant une surface plus réduite que celle
des strates d'échantillsnnage, ou la considgration de contraintes de voisinages
entre traits devrait permettre d'atteindre cet objectif.
116
Deuxième Forum Halieumktrique, Nantes, 1995
Session II :Analyse de l'information
1- INTRODUCTION
A- Étude biologique
L'aire de reproductiondel'Anguillese situe dans la merdesSargasses
(Gascuel D., 1987). Après plusieurs migrations transocéaniques, les larves, à
l'état civelle, atteignent leur zone de grossissement: les zones côtières et les
cours d'eau de l'Europe et de l'Afrique du Nord. On remarque principalement
que dans les zones estuariennes saumâtres:les civelles montent dans la colonne
d'eau durant le flot: la migration vers l'amont est portée, et elles s'enfouissent
dans le sédiment ou se plaquent sur le fond durant le jusant. Les principaux
facteurs abiotiques qui influent sur la migration, donc sur la capturabilité, sont:
la lumière,les coefficients de marée, les débits fluviaux,la température de l'eau.
Il paraît intéressant de mettre en évidence par des méthodes statistiques, les
formes desliaisons entre ces différents facteurs.
-
a Laboratoire de Mathématiques Appliquées URA-CNRS1204 - Université de Pauet des
Pays de l'Adour- 64000 PAU (FRANCE); Membresdu Pôle de Recherche surla Gestion
des Ressources Aquatiques en Environnement Sensible
117
1) L'Analyse CanoniqueMdtivariCe Classique
a) ~ ~ o b ~ ~ ~
On cherche ii mettre en évidence, Porsqu'elles existent, les liaisons linéaires
(ou affines) entre deux suites finies devariablesaléatoiresréelles(v.a.r.)
l,...,Xp)et Y=(Yl, ...,Y,). Si l'une des suitesest effectivement une fonction
linéaire de l'autre, dors oncherche à sp6cifiercetterelation. Dans le cas
contraire, onpeut envisager de construire une approximationlinéaire de l'une en
fonction de l'autre. II est alors nkessaire d'6valuer la qualit6 d'une telle
approximation.
L'analyse canonique multivmiée classique propose une mhthode d'évaluation
de
ces
approximations en
faisant
intervenirune suite dCcroissante
de
coefficients de corrdation linCaires dits canoniques qui serventd'indicateurs
pour évaluer la qualit6 globale des approximations ci-dessus en fonction de la
dimension retenue.
&) ~ o ~ ~ ~ o i ~
Soient : (resp. j r ; ~ )lamatricedescovariancesassoci6e à X (resp. Y)
et Pl2 lamatrice des covariances croisées.
On notera Fx (resp. FY) le sous-espace vectoriel engendré par les XI,...J-Cp
P
(resp.Y1,..., Y,). soit l'application: aX:
a H~ .a = a i x i et l'application
i=l
Qy correspondante pour Y.
c) Dbjiaitiorns etpropri&t&
Définitions:
1- On appelle coefficient de corrélation canonique maximal entre X et Y (ou
premier coefficientde corr6lation canonique), le rêel positif p Cgal au maximum
des coefficientsde cou6lation entre U et V otï UE Fx et &TEFy.
2- On appelle couple de variables canoniques,tout couple (U,V) de variables
centrkes r6duites qui rkalise le maximum.
3- On dira que (qv) est un couple de vecteurs canoniques associé au couple
de variables canoniques (U,V) si: U=@~ ( u et) V=@~ ( v ) .
On se rend compte que le coefficient de corrdation canonique maximal ne
suffitpaspour6valuer la qualité de l'approximation(au sens des moindres
carr15s)d'un élément de Fx 2 partir de ceux deFy. L'information apportée par ce
118
Session II N.Bru, S. Dossou-Gbété, B. Truong-Van
J
correspondre les applications, @, : a H a t .X, dt et respectivement CDy.
T
0
119
c) ~ ~ ~ de l'Analysa
~ ~ ~~~~~~~~~~~ ~ 1 ~ ~ 1 ~ ~ ~ ~i ~ ~~ ~
On définit de manière analogue ce qui précède le coefficient de corrélation
canonique maximal et
l'analyse
canoniquefonctionnelle (Eeurgarns S.E.,
Moyeed R A . et SilvermanB.W.91993):
%)&!nition:On appelle malyse canonique fonctionnelle entre les fonctions
aléatoires (X& T et (Y& T, la recherche des variables centrées réduites @ ~ ( u )
et eDy(v>telles que la corrdatisn entre ePpi(u) et @ y(v) soit maximale, avec
itérations sous contraintes de non corrélation.
On montrequelesrésultatsénoncés pour unefamille finie de v.a. se
génCralisent sous certaines conditions au cas des fonctions aléatoires et que l'on
a les relations de passage suivantes entre les fonctions canoniques.
120
Session II N. Bru, S. Dossou-Gbbté, B. Truong-Van
121
Deuxibnze Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information
-
1 POSITION DES PRQBLEMES
II - LA DEMARCHE SUIVIE
123
et par la variabilit6 V(t) des capturesautourde g(t)
II, imputable aux
conditions hydroclimatiques. Nous reprCsentons donc chaque @PUEB l’instant
(t) SOUS la forme X(t) = g(t) +V(t)+e(t) où e(t) inclut les autres
perturbations. On suppose ici que la variabilitk V(t) dCpend linCairement des
facteurs hydroclimatiques, que nous limitons pour l’instant à la marée et au
dtbit. Aucune mesure sur les flux n’Ctant disponible, 1’idEe est
“d’estimer” sa contribution g(t) dans les CPUE sous la forme g(t) = G(t,
G(X(t-s), ...,X(t), ..., X(t+s)). D’où le premier modèle:
(1) X(t) = m+ G(X(t-s),..., X(t+s)) + b M(t-d) + c D(t-d) +e(t) où M est la
maree, D le debit, d un dCcalage, s largueur de la fenêtre d’estimation , m, b et c
Ctant des paramètres.
Une estimation non-paamCtrique de G est en cours. Nous proposons ici des
choix simples suivantsde G :
(Ia) @(t) = al X(t-1) + a2 X(t-2) + ....+ a, X(t-s), où les aj sont des
paramètres;
(Ib) Ci est une moyenne mobile sur X(t-l),...’ X(t-s);
(Ic) G est une moyenne mobile sur X(t-l+s),...,
(Id) G est une puissancek ième de X(t-1).
Une autre approche consiste à considkrer la “variabilitC,“ des@PUEtraduite
soit parleursaccroissements a ( t ) = X(t) - X(t-1)’ soit par leurstaux
d’accroissementrelatifs TX(t) = dX(t) /(X(t-l)+r) où P est une constante
positive. On peut expliquer la variabilité des CIPLJE par les schémassuivants :
(II)dX(t) = m + a Xk(t-1) + b M(t-d) + c D(t-d) +e(t)
(IlUr) TX(t) = m+ a Xk(t-l) + b M(t-d) + c D(t-d) +e(t).
Le modèle ( I ll )est une extension de celui de Richards en dynamique de
populations.
124
Session II Truong-van,
B. S. Dossou-Gbété, N. Bru
2) Des résultats sur le modèle (1) sont reportés dans le tableau 2, où sY1 (resp,
sZ1)désigneunemoyennemobilesurX(t-1), ..., X(t-s)(resp. sur X(t-
l+s),...., X(t-1-s)). Les meilleurs choix obtenus sonts = 1 pour (Ia);s = 2, 3,
4 pour (Ib). Le modèle (Ic) ne donne pas de résultat satisfaisant. L’impact
des facteurs M et D sur X devientsensibleviacesmodèles. Selon les
critères R2et S.E, le modèle (Ia) fournit les meilleurs ajustements linéaires
mais les coefficients estimés sont moins précis. Par contre, le modèle (Ib)
donne, sur la plupart des séries, des estimations plus précises.
125
Facteurs Ipa S.E coef (M) coef (14) coef(G)
1) x1 3 8 1.50 .61 (.07)
plupart des serie, le meilleur choix de k est entre ?het ?A et le mod6le (%r>
réalise le meilleur compromis chercchk. Les taux d'accroissement relatifs TX
sont des notions utilisees en dynamique de population. Nous reportons dans
le tableau 4, les r6sultds des traitementsavec (III). Ils indiquent que le
meilleur choix de Ir del'ordre de 1/10, que ce modèleconduit i des
ajustements meilleurs que (II)mais donne des estimations des coefficients
moins prkcises.
126
Session II B. Truong-van, S. Dossou-Gbété, N. Bru
127
Il ressort des rksultats prisentés dans le tableau 5 que : (i) les meilleurs
modèles réalisant le compromis cherché sont (Ib) et (II) avec Ir entre 1 et 1/2,
(ii) le modèle (I)est adkquat pour l’estimation des flux de civelles B partir des
CPUE, (iii) le modèle (II) convient davantage il la prédiction.
Dans cette Ctude, nous avons adopté des modèles IinCaires, mais il apparait
que la dépendance entre CPUE et les facteurs est probablement non-linCaire.
Nous avons commencé des traitements avec des transformations (puissances,
polyn6mes homogènes de degr6 2 sur X(t-11, M(t-d) et D(t-d)).
Un autre effet pouvant affecter les estimations est la corrélation temporelle
des facteurs stochastiques. Le débit est bien reprisent6 par un processus AR(1)
(le facteur made est ici déterministe). Pour une validation des modèles, il sera
nécessaire d’introduirecet effet et d’utiliser des régressions pondkrées.
128
Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Acquisition de l’information
1 - INTRODUCTION
129
(ICareiva 1990). L’existence de non-linéarités est familikreauxCcologistes.
Cependant les méthodes statistiques rigoureuses permettant de les traiter sont
par contrerelativementnouvelles (Hastie and Tibshirani1990). Aussi les
méthodes
statistiques
récemment dt5veloppées fournissent des outils
partieulibrement utiles pourexplorer les relationspouvantexister entre
différents jeux dedonnées(BreimanandFriedman,1985,Buja et al. 1989,
HastieandTibshirani 1990, Gifi 1990). L’application de cestechniques
d’analyseestenvisageeicienprenantl’exemple de l’abondancedes larves
d’anchois de Californie et ses relations avec les fluctuations de l’upwelling et
de la biomasse parentale.
130
Session II P. Cury, C.Roy
faire d’a priori sur la forme des transformées si ce n’est sur les critères de
lissage. L‘identification empiriqueet objective de relations dans le domainenon
linéaire est ainsi rendu possible. Dans le principe ces techniques sont simples.
Le modèle linéaire multivarié pour une variable prédictrice Y en fonction de p
variables explicatives Xi ’ où i=l,...,p, et pour n observations,où j=1, ...,n,i est
donné parla formule classique:
D
P
S(Y(j))= xbiTi(Xi(j)+ w(j)
i=l
Le modèle de régression non-linéaire (modèle additif généralisé est donné
par:
P
i=l
où les fonctions S(Y) et Ti(X) sont inconnues et doivent être estimées de
façon non-paramétriqueà partir des données. Plusieurs algorithmesexistent qui
font différentes hypothèses concernant le critère d’optimisation et la façon de
calculer les lissages, citons parmi les plus utilisés: alternating conditional
expectations (ACE) (BreimanandFriedman1985);additivityandvariance
stabilization (AVAS) (Tibshirani 1988) andgeneralizedadditiveinteractive
modelling (GAIM) (Hastie and Tibshirani 1990). L’approche du problème est
commune à chacun des algorithmes itératifs où à chaque itération, et étant
donné les estimations S ( ) et de Ti() , i=k (où i, k est égal à 1 à p), le résidu
partiel
D
[=1’
est calculé, et la transformationTkO est calculée comme l’espérance
conditionnée du résidu partiel sachant Xk . Cette espérance conditionnée est
estimée à partir des donnéesen utilisant deslisseurs. Comme les bi sont
simplement des facteurs d’échelle, ACE and AVAS introduisent ces bi dans la
fonctionTi() , alors que GAIM estime les bi afin de calculer des tests de
calculs de variance sur les paramètres. Les algorithmes convergent vers des
131
solutionsoptimales Ctant donne le critèreretenu(comme le coefficientde
corrélation maximum entre la variable B pr6dire et les variables prédictrices
dans le cas de ACE).Chacundecesalgorithmesposs2dent ses propres
méthodes de lissage et ses propres critères de convergence. 111 y a un véritable
compromisentre biais et variancequipeut-&tregouverne en ajustant les
paambtres de lissage. Une faible valeur du paramètre de lissage produitun
ajustement presque parfait mais fortement biaise. Inversement une forte valeur
du paramètre delissage produit un ajustement très lisse qui est non biaisé mais
qui possède une forte variance.
1.
Ainsi les resultats d’un ou de l’autre des algorithmesdoivent etre considérCs
avecprecaution. Comme avecl’utilisation de toute methode statistique,
l’inteqr6tation doit tenircomptedesbiaispotentiels lit% L l’utilisationdes
techniques. Une f a p n de proc6der est d’utiliser différentes techniques sur un
même jeu de données afin de testerla robustesse des résultats. Lorsque chacun
des algorithmes produit des résultats similaires on peut alors accorder plus de
poids auxanalyses. Ce qui n’emp6chebienevidemmentpas de validerles
r6sultats obtenus B l’aide d’une connaissance écologiquefine et th6orique.
132
Session II P. Cury, C.Roy
A B C
P l 11
SMOOTH FIT
-2 -
0.5 1.0 1.5 2.0
UPWELLING INDW. ORIGINALVALUES
2.5
133
On se reportera ii Cury et al. 1995 pour une interprktation Ccologiquede ces
rCsultats qui sugg5rent que le nombre de larves d’anchois a une relation en
forme de dôme avec l’upwellinget une relation asymptotique avecla biomasse
parentale. Ces rksultats confirment que l’upwelling peut avoir tantôt un effet
positif ou nCgatif sur le recrutement, selon son intensiti (Parrish et al. 1981;
Lasker 1975; Peterman and Bradford 1987; WroblewsluandWichman 1987,
Cushing 1990). Les effets densito-dépendants peuventêtre m i s en Cvidence, par
exemple des effets seuils (Mendelssohnand Cury 1987; CLWY et Roy, 1989).
De nouvelles mCthodes statistiques permettentl’explorationde relations
non-linkairespouvantexister entre les fluctuationsenvironnementales et les
réponsesdespopulations. En Ccologie ces
nouveaux outils (Efron and
Tibshirani1991)
prodiguentde
nouveauxregards sur les données et
renouvellent nos visionsendynamiquedespopulations(Mendelssohn and
Cury 1987; Cury and Roy 1989, 1991). Cependant la détection d’effets
environnementaux non linéaires en dynamique des populations se heurtent i
diffkrentes limitations:
(1)Plusieurs dieennies de donnCes sontnecessaires et sont souvent à
considerer i une Cchelle de temps annuelle, ne permettant ainsi que le
traitement de quelques points. Ceci est une limitation certaine notammentpour
explorer d’Cventuelles relations non linéaires qui recquièrent toujours plus de
donnies qu’une exploration dansle domainelinCaire.
(2) La rCcolte de donnees environnementales et Ccolsgiques au niveau d’un
Ceosyst2me durant plusieurs décennies est laborieuse et pknible. Obtenir des
financements surle long termeest toujours dklicat.
(3) L’homogBnCitC des series temporelles sur une longue pCriode est souvent
remise en cause: des changements qualitatifs etquantitatifsaffectent leur
qualitk.
(4) L’absenced’uneprofondecomprehensiondesmécanismes causaux
entraîne un choix empirique de variables; ce choix peut ou ne peut pas être
judicieux en terme de dynamique des populations.
(5) Des corrélations entre la vxiabbilitC climatique et les rCponses des
populationsserontplutôt faibles qu’6levCes,rendanttoutegénéralisation
difficile à Ctablir.
134
Session II P. Cury, C.Roy
BIBLIOGRAPHIE
BAKUN (A.), 1973. Coastal upwelling indices, West Coast of North America
1946-71. U.S. Dep. Comm., NOAA Tech.Rep. NMFS SSRF-671. 103p.
BREIMAN (L.) AND FRIEDMAN.(J.H.) 1985.
Estimating
optimal
transformations for multiple regression and correlation. J. Am. Stat: Assoc.
80 (391):580-619.
BUJA (A.), HASTIE (T.) AND TIBSHIRANI (R.), 1989.Linearsmoothers
and additive models (with discussion).A m . Statist. 17 :453-555.
CURY (P.) AND ROY.(C.), 1989. Optimal environmental window and pelagic
fish recruitment success in upwelling areas. Cam J. Fish. Aquat. Sci. 46:
670-680.
CURY (P.) ET ROY (C.),(eds).1991. Pêcheries ouest-africaines: variabilité,
instabilitb et changement. ORSTOM, Paris. 525p.
CURY (P.), ROY (C.), MENDELSSOHN (R.), BAKUN (A.), USBY (D. M.),
AND PARRISHR.(R. 1995.
Moderate is better:
exploring
nonlinear
climatic effects on the Californian anchovy(Engraulis mordax). In Press in
Can.J. Fish. Aquat. Sei. 1995.
CUSHING (D.H.), 1990. Plankton production and year-class strength in fish
populations: an update of the matcWmismatchhypothesis. Advances in
Marine Biology Academic Press 26: 249-293.
EFRON (B.) AND TIBSHIRANI(R.) 1991. Statistical data analysis in the
computer age. Science 253: 390-395.
GIFI (A.), 1990. NonlirzearMzdtivaariate Analysis. JohnWiley and Sons,
Chichester. 579 p.
HASTIE (T.) AND TIBSHIRANI (R.)1990. Generalized Additive Models.
Chapman and Hall, London. 335p.
JACOBSON (L.D.) A N D (N.C.), L0.1991. Spawning' biomass of the northern
anchovy in 1991. NMFS, SWFC Admin. Rep. LJ 91-19.
135
RENA (P.M.), 1990. Stability fromvariability. Nafz~re344: 111-112.
between onshore chlorophyll maximum layers and successful first feeding.
Fish. Bull. 7 3 : 453-462.
LASKJ3R (R.) (ED.) 1981. Marine jïsh lnwae. Morphology, e ~ o l o g -and
~~
relation tofisheries. University of Washington Press. 131p..
LASICER (R.) 1985. What limits clupeoid production ? Can. 9. Fish. Aqzeat.
Sei. 42 : 31-38.
MENDELSSOHN (R.) AND CURY.(P.), 1987.FLUCTUATIONS OF A
FORTNIGHTLY A B W D M C E index of the Ivoirian csastal pelagic
speeies and associated environmental conditions. @an. J. Fish. Aqztat. Sci.
44: 408-428.
METHOT1989. Synthetic estimates of historical
abundance
and
mortality for Northern anchovy. American Fisheries Symposium 6: 66-82.
, PARRISW (R. En.), NELSON (C.S.) AND BAKUEd (A.) 1981. Transport
mechanismsandreproductivesuccess of fishes in the California current.
Biol. Oceanogr. 1 (2): 175-203.
PARRISH (R.H.) AND MACCALL (AD.) 1978. Climattic Variation and
exploitation in the Pacific mackerel fishery.Fish Bull 167 : 1-118.
P E m M A N (M.R.), BRADFORD (M.S.), LO (Pl",. AND METHOT. (R.D.)
1988.Contributionof
early life stages to interannual variability in
recmitment of northern anchovy (Engraulis msrdm). @an. 9. Fish. Aquat.
Sci. Vol. 45: 8-16.
SISSE- (M. P.), 1984. Why dofishpopulations v q ? In R.M.
May.(ed.).Exaloit~tion of marine comnaunities, Dahlem Konferenzen.
Springer-Verlag, Life Science Research Report 32: 59-94.
NI (R.), 1988. Estimating transformations for regession via
additivityandvariance stabilization. J. of the Amer. Staf. Am. 83 (402):
394-405.
TYLER (A. V.), 1992. A context forrecruitmentcorrelations : whymarine
fisheries biologists should still look for them. Fisheries Oceanograplzy : 1
(1)~97- 107.
WRBBLEWSKI (J.S.) AND WICmAN.(J.@.), 1987. The non-linear response
of planktontowind mixing events - implications for survy of laval
.
northern anchovy J. Plankton Res. 9 (1) : 103-123.
136
Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information
1 - INTRODUCTION
II - D O N N E E SE TM E T H O D E S
Le jeu analysé ici consiste en des estimations de rendements de pêche con-
cernant 25 espècesdébarquées dans deux ports de la côte Sénégalaise (Saint-
Louis et Kayar). Ces rendements sont donnés par quinzaine de 1975 à 1991.
On dispose ainsi d’un tableau ou matrice Y de 816 lignes et 25 colonnes.
Chaque colonne (ou variable) contient les rendements d’une espèce, et
chaque ligne (ou unité d’observation) les rendements de 25 espèces pour
une année, une quinzaine, et un port donnés.
T e n t r e ORSTOM, HEA, B.P 5045, 34032 Montpellier Cedex 1.
137
En plus des variables d’intdrgt consignées dans la matrice Y on peut
relever sur les memes unités d’observation un ensemble de variables dites
de structure : les indicatrices des ports, des années et des quinza,ines.
Considérons Y‘ ? la colonne I du ta,bleau Y (préalablement centrh et
réduit par colonne). On peut alors représenter Y‘ en utilisant les variables
de structure aumoyen d’un modGle d’analyse de variance (Draper et Smith,
1981). L’estimation des pa.ramktres par l’estimateur des moindres ca.rrés
conduit B décomposer Y‘ en:
Y[= Y; El (1)
zaine et ; ,
YQ sont respectivement les in-teractions es-
timéesAnnéexPort,AnnéexQuinzaine,Portx Quinzaine, et Annéex
Port x Quinmine.
G6ométriquemen-t chacundes vecteurs de la. somme est obtenu en pro-
jetant Y ’ sur le sous-espxe vectoriel engendré par l’effet corresponda.nt.
Le plan éta.nt 6quilibr4, les vecteurs entrant da,ns la dkomposition(1)sont
deux à- deuxorthogonaux.D’autre
h
part, le modèleest ici saturé, donc
= O. L’orthogonalité a pourconséquence l’a,dditivité des variances de
chacun des effets considérés.
Le modkle d’analyse de variance que nous avons &rit pour une wri-
able se généralise pour les 25 espkces en un modèle d’analyse de variance
multidinlensionnel (Arnold, 1981) :
III - RESULTATS
Les 7 ACPVI associées à chacun des facteurs ont été réalisées. Dans la
représentation par le plan principal (figure 2 pour 1’ACVI Y/Quizaine),
chaque espèce estreprésentée par son code. Ladistanceau cercle de
corrélation permet de juger de la qualité de la reconstitution, comme pour
1’ACP. La distance au centre du cercle est en partie soulignée. La propor-
tion de la part non soulignée de ce segment est égale à la racine carrée dela
variance due au facteur. Ainsi, on peut comparer le comportement saison-
nier des variables en tenant compte de l’influence du facteur sur chacune
d’entre elles. Les représentations dansles plans principaux permettentainsi
des regroupements d’espèces relativement à plusieurs des effets définis. Ces
regroupements sont interprétés à la lumière de la reconstitution de cer-
taines variables par les axes des ACPVI correspondantes (figure 3). Ils per-
mettent une caractérisation de plusieurs comportements types: oppositions
I<ayar/Saint-Louis, saison froide/saison chaude, tendance interannuelle à la
baisse/tendance interannuelle à la hausse, interactions Saint-Louisxsaison
chaude/Kayar xsaison chaude, ...
IV - DISCUSSION
Nous pouvons alorsnousdemander sices ” comportementstypes ” ne
peuvent pas être utilisés pour décrire notre jeu de données initial au moyen
d’un modèle statistique, c’est à dire une description des données sous la
forme d’un effet systématique plus un résumé sur la na;ture et l’ampleurdes
variations inexpliquées (Mac Cullagh et Nelder, 1989). Nous avons cons-
truit plusieurs modèles statistiques appartenant à la famille des modèles
139
linéaires multidimensionnels où la. résiduelle estimée n’est plus nulle, et 05
les variables explica,tives sont définies à pa.rtir d’un ensemble de restrictions
des 3 effet,s principaux.Enutilisantuncritère (AICc) de sélection de
modèles multidimensionnels construit à partir du critèred’Akaïke (Bedrick
et Tsai, 1994), le modèle (99 ddl) quiminimise le critère (figure 4) est a.lors
sélectionné. Ce modèle constitue notre synthèse du tableau initia.1.
BIBLIOGRAPHIE
GER.AR.D (M.), & GREBER (P.), 1985 - Ana.lyse de la. pêche artismde
auCap Vert: description etétudecritiquedusystème d’enquête,
Centre OR.STOM de Daka.r Thiaroye, DOC. Scient. Cen.t. Rech.
Oce‘ano. 98, 77p. 1-
140
Session II N. Pech
141
Anndc 2.98 0.186
Total ~
2.5 0.031
Axez. 23 V o
.I O -05 O0 05 10
142
Session II N. Pech
5 'O 15 20
143
Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information
1- INTRODUCTION
-
a Cemagref Antony, division qualité des eaux, 14 avenue de Saint-Mandé, 75012Paris
- Cemagref Antony, division électroniqueet intelligence artificielle, Parcde Touvoie, BP
121,95185 Antony Cédex
145
cornunautés et de tester l'impact de diffirentes perturbations. Pour y parvenir,
la moddisationserait d'un grand recoursmaiscelle-ciseheurte B l'extrême
complexité des syst6meskh&és.
C'est pourquoi nous avons tenté d'utiliserdesréseauxconnexionnistes,
capables de rksoudre des problemes non-linéaires et robustes vis-&vis jeux
de de
domkes bruitkes ou imcompl&es, & de predire la composition d'un peuplement
piscicole en fonction des caractéristiques du milieu ibldie.
146
Session LI P.Boet, T.Fuhs
III- RESULTATS
Eprouvée à l'échelle du bassin de la Seine et en fonction dedescripteurs très
globaux de la qualité du milieu aquatique (8 variables synthétiques d'entrée), la
prédictiondelaprésenced'espèces par des réseauxconnexionnistesmulti-
couches s'avère pertinente.
Bien qu'il soit en théorie possible de traiter toutes les espèces ensemble, le
calage des paramètres, qui, outre des temps de calcul considérables?aurait exigé
un plus grand nombre d'exemples,a entraîné la nécessité de construireun réseau
par espèce.
18 ont été testées, choisiesparmi les plus représentativessur le bassin.
Le nombre de neurones requis dans la couche cachée varie selon les espèces
(de 3 à 8), révélant ainsi différents paysages d'erreur, constitués de régionsassez
stationnaires pour de nombreuses espèces ou plus tourmentées pour certaines,
paraissant pouvoir se rapporter à leur écologie.
Alorsquelesdonnées d'entrée sontassezfortementbruitées,les taux de
réussite en généralisation varient de 70 à plus de 85 % selon les espèces, ce qui
représente des performancestrès appréciables?excepté pour le goujon etla truite
arc-en-ciel, à cause de leurs particularités écologiques.
147
Ces résultatssonttrèsencourageants car l'heureactuelle,iln'existe pas
encore de mod6les prédictifs "poissons"5 l'é&elle du bassin fluvial.
Ces résultats se concentrent sur la prédiction d'une espèce donnée, dors que
nous aspirions à travailler directement sur le peuplement. Ceci ne pouvant 6tre
fait avec toutes les especes en m6me temps, il fau&ai.t retraiter les domees des
pgches .afin d'identifier les différents types de peuplement en place et entraber
ensuitedesréseauxmulticouches oii la sortiene serait plusuneespèce
particulière mais un peuplement dome. Les problèmes sont donc avant tout de
d6fhir écologiquementces peuplements.
Dejà très satisfaisantscomptetenu de la nature des données traitees,ces
r6sulbts devraient pouvoir 6tre encore améliorés. En particulier,malgré
l'influence connue des fadeurs régionaux sur la composition du peuplement, le
parmètre "région écologique" n'a pas kt6 pris en compte i cause des problèmes
de codage liésà son caractère purementqualitatif Mais il conviendrait cependant
de vérifier la qualité des r6sulQtsen a j o u ~cet parmètre.
En outre, l'importance relative de certaines variables d'entree vis-à-visdes
différentes esphces mCrite encore d ' é e précisCe. La considération des classes
d'abondmce relativedesdifférentesespècesdevraitégalementconduire à de
meilleures prédictions.
Néanrmnontns il serait d'ores et de@ intéressant &étuelieravec un tel réseau
c o m e i o ~ s t eles
, conséquences de changements de milieu d'origine naturelle ou
anthropique sur la composition des peuplements de poissons A I'6chelle du bassirn
hydrographique. P d lesvariablesd'entrée c m h h e s décriventen effet la
morphologie du milieu ou sa position dans le gradientamont-aval et onL LUI
caractère figé. D'autres au contraire traduisent une perturbation (physique ou
chimique) et sont susceptibles de constituer un premier élément du diagnostic
d'unéventueldéséquilibredupeuplementpiscicole en place ; encore très
synthétiques actuellement, c o r n e par exemple la note de qualit6 de l'eau, elles
pourraient etre d&mnpos&es a h d'a%ner un tel diagnostic.
A terme, des applications concrètes pourraient être envisagées comme par
exemple é b l i r le peuplement théoriquede référence en un lieu domé, permettant
de mesurer ensuite d'éventuels dkalages, ce qui constituerait alors LUIprécieux
outil de gestion.
148
Session II P. Boët, T. Fuhs
BIBLIOGRAPHIE
BELLIARD (J),. 1994- Le peuplement ichtyologique du bassin dela Seine : rôle
et signification des échelles temporelles et spatiales. Thèse Doct. Paris VI, :
197 p.
FAUSCH (K.D.), LYONS (J.), KARR (J.R.) & ANGERMEIER (P.L.), 1990 -
Fish communitiesas indicators of environmental degradation p. 123-144, In :
S . M. Adams (Ed.), BioZogicaZ indicators of stress inJi&, American Fishery
Society Symposium8.
RUMELHART (D.E.) & MCCLELLAND (J.L.), 1986 - ParaZZeZ distributed
Processing, MIT Press, Cambridge, MA.
149
Deuxidme Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l'information
1 - INTRODUCTION
-
a Laboratoire d'Ingénierie agronomique, équipe Ichtyologie appliquée, ENSAT, 145 avenue
de
Muret, 3 1076 Toulouse, FRANCE.
-
b Laboratoire de Biologie quantitative,Univ. Paul Sabatier, 118 route
de Narbonne, 31062
Toulouse cedex, FRANCE. E-mail: lek@cix.Cict.fr
151
- Traitement des donnees
gresdora linkaire multiple
La technique de Rh4 progressive a été utiliste. Nous effectuons également la
FWI avec la totalité des variables (pour une comparaison avec les FOJ - réseaux
des neurones-). Les calculs onté.té effectués avec le logiciel Systat.
2) Resesnu de neurones
Nous proposons ici une méthode de modélisation basée sur l’un des principes
de réseaux neuronaux, l’algorithmede retropropagation (Wumelhatet aZ., 1986).
Nousutilisonsunréseaude 3 couches : unecouched’entréede 10 neurones
codant 10 variables explicatives, une couche de sortie d’un seul neurone codantla
variabledépendante(densitéde frayères) et entrelesdeuxunecouche
intermédiairedontlenombredeneurones est choisiempiriquement. Tous les
neurones d’une couche donnée, sauf ceux de la dernière couche, émettent un
axone vers chaque neurone de la couche en avd. A chaque connexion entre les
neurones de deux couches successives est asociC un poids modifiable au cours
de l’apprentissage (itkrations successives) en fonction des domées en entrée et en
sortie.
La technique de rétropropagation s’apparente B un apprentissage supervisé
beur apprendre, le réseau doit connaître la réponse qu’il aurait dii donner). Elle
modifie ensuite l’intensit6 de connefion de manière B minimiser l’erreur de la
réponse considérée. Pourévikr les phénomène de surapprentissage (modélisation
du bruit), nous avons utilise un réseau A 8 neurones intemkdiaires e.t nous avons
am&é l’apprentissage B 1000 itérzhns.
3) Techniques de mod6lisatisn
La modélisation sefait selon deux étapes:
a dms lepremiertemps,nous modklisorms avec la to.talit6des 205
enregistrements disponiblesdans le jeu de domées.
dans le deuxième temps, nous avons procédé & des tirages aléatoires pour
obtenir chaque fois un ensemble d’apprentissage (Yi des enregistrements, soit
154) et un ensemblede validation (% desenregistrements,soit 5 1) sur la
totalité des obsxvations. L’opération a ét6 répétée 5 foisdonnantlieu a 5
épreuves que nous étudions enRN et en Rh/l. pour chacun de ces 5 jeux, nous
effectuonsuncalagedumodèleavecl’ensembled’apprentissage et nous
testons ensuite ce modèle avec l’ensemble de validation.
152
Session II M Delacoste, SLek, P.Baran, 1Dimopoulos, JL. Giraudel
III- RESULTATS
A- Calage du modèle
En RM, les valeurs du coefficient de détermination( R2) indiquent une nette
amélioration du modèle après transformationdesvariables(tableau 1). Cette
dernière opération améliore en effetla linéarité entre les 'différentes données. En
incluanttoutesles variables explicativesdisponibles dans le modèle,nous
n'avons qu'unetrès légère augmentation deR2.
En RN, les modèles établis avec les mêmes variables, montrent unetrès nette
amélioration des résultats,surtout dans le cas des variables nontransformées.
Tableau 1. Coefficients R2 obtenus par les modèles RM et RN en fonction du
nombre de variables explicatives (transforméesou non).
1 Nb deVariables 1 AvecTransformation 1 Pas de Transformation 1
explicatives
RM RN RM RN
4 O. 643 0.741 0.444 0.928
10 0.650 0.811 0.469 0.958
En RM, on a unesous-estimationdesfortesvaleursetsurestimationdes
faibles valeurs (fig. 1). Soulignons également la diBiculté pour le modèle RM à
prédiredesvaleursnullesquisonttraduites sur legraphique par unebande
verticale. Il faut noter enfin la prédiction de valeurs négatives, surtout pour les
faibles valeurs.
En RN avec4 variables explicatives,onobtientunesousestimationde
nombreuses fortes valeurs. Comme dans cas le de RM, le modèlea des difficultés
à prédire des valeurs nulles, mais uniquement lorsqu'on transforme les variables.
Dans le cas des variables non transformées, les points sont mieux ajustés. En RN
aveclatotalitédesvariables,leproblèmeresteposéavecles variables
transforméespourlesvaleursnulles,ainsiquecertainesfaiblesvaleurs. Par
contre,pourle cas des variables non transformées(donnéesbrutes),nous
obtenons un excellent modèle capable de restituer les valeurs observéessur toute
l'étendue de la variable dépendante. Notons enfin que le RN, contrairement à la
RM, ne prédit pas de valeurs négatives.
En conclusion, pour obtenir le meilleur modèle, il faut utiliser un réseau de
neurones avec la totalité des variables disponibles et sanstransformations.
153
-0.5 -
-0.5 1.5
2.5 0.5
OBSERVED VILLUES
-1 v
- 1 0 1 2
OBSERVED VALUES
3 4
4 --
3 --
0
O
2 --
1 --
-
-0.5 u
-0.5 O 0.5 1.5
1 2.5
2
O--
-1
- 1 0 1 2 3 4
OBSERVED VALUES OBSERVED VALUES
-0.5 h
-0.5 O 0.5 1.5
1 2 2.5
- 1 0 1 2 3 4
OBSERVED VALUES OBSERVED VALUES
154
Session II M Delacoste, SLek P.Baran, I.Dimopoulos, JL.Giraudel
B- Test du modèle
Lesrésultatsobtenussontprésentésdans le tableau 2. Lapuissancede
prédiction
des
différents
modèles
déterminés à partir de fractions
5
d'apprentissage a été testée sur 5 fractions test indépendants.
En RM, les R2 sont faibles dans les 2 jeux. Ri,, est en moyenne de 0.468
pour l'ensemble d'apprentissage et Rist = 0.371 dans l'ensemble de validation.
En RN, le R2 est élevé aussi bien dans le jeu d'apprentissage que dans lejeu de
validation (moyennes de RL,, = 0.81 et de Rist= 0.785 ). Les valeurs de R
dans les deuxjeux sont élevées et leurs différences sont faibles.
IV - CONCLUSION
Enécologie, la régressionmultipleestundesprocédésdemodélisation
prédictive le plus utilisé à l'heure actuelle. Elle est simple à mettre en oeuvre si
les relations entre les variables sont linéaires. Si ces relations sont non-linéaires,
un travail préliminaire de transformation des variables est nécessaire. On peut
également combiner des variables ou en éliminer certaines pour essayer d'aboutir
à unmodèlecapablededonnerunemeilleureprédiction.Malgrétoutesces
transformations, les résultats obtenus sont souvent insatisfaisants (prédiction de
valeurs négatives, dépendance des résidus, ...).
Les réseaux neuronaux constituent une nouvelle approche en écologie. Ils sont
capablesdetravailleravecdesvariablesenrelationsnon-linéaires.Ilssont
relativement faciles à mettre en oeuvre et ne posent aucune contrainte sur les
variables (normalité, linéarité, etc.). Si la transfonnation des variables permet
d'améliorer les résultats en réseaux multiples, les réseaux neuronaux donnent de
155
meilleurs résultats avec des variablesnom transformées.
A trmers cet exemple empmté l'ichtyologie, les
rkseaux
neuronaux
apparaissent comme me alternative puissante et performante aux mkthodes
traditionnelles de régressions multiples.
156
Deuxième Forum Halieumétrique,Nantes, 1995
Session II :Analyse de l'information
I- INTRODUCTION
157
Lesmithodesdeclassificationautomatique possaent une cmctéhis~que
essentielle : les groupes sont obtenus en agrkgemt des individus présentant de
fortes ressemblances, celles-ci étant évaluées st4r lknsemble des attributs. On
qualifie parfiois les groupes obtenus par ces techiques de polythétiques pour
traduire le fàit qu'il n'est pas possible de les caractériser par un ensemble de
propk&tés vérifiées par la &dité des individus du groupe (caradhisation
monothd~iq14e).
L'hterpr2htion foumie par les logicielsstandards d'mdyse de données qui en
résulte est parfois délicate dans la mesure o~ il est difficile de retrouvercomment
sont combinées entre elles les diff6rentes modalités caractéristiques de la classe.
En d'autre ternes, le problème peut6h-e fornulé c o r n e suit : come11t mettre en
évidence au sein d'me classe de nature polflktique des liaisons ou dépendances
logiques entre modalités- d e f i s s u t des groupes de type monoht5tique- aiin de
foumir une descriptionplus explicite de l'ensemble ?
158
Session I E.Périnel H.Tong,
Ondisposeinitialementd'unepopulationpartitionnéeendeuxgroupes
respectivement appelés exemples ( E ) et contre-exemples (CE). L'objectif est de
fournir une description du goupe E. Le principe consisteà rechercher de manière
itérative des sous-populations de type monothétique ;ceci jusqu'à avoir recouvert
l'ensemble des éléments de E. La recherche de la première sous-population est
effectuk comme suit :
1. De manière naturelle, on essaie de construire en priorité une description
satisfaite par le plus grand nombre d'éléments deE. Pour cela, on sélectionne
l'individu w* "lepluscaractéristique"de E, i.e.celuidontlesmodalités
composant sa description possèdent globalement un meilleur score au sens de
la valeur-test morineau et al. 951 (indicateurstatistiquedesignificativité
fournie par le logiciel SPAD.Nau niveau del'interprhtion des classes).
2. On retient lesK meilleures modalitésmkdécrivant w*. Chacune d'elle va
constituerunpointdedépartpossiblepourformer la premièremeilleure
caractérisation deE.
3. Onévalue tout d'abord la qualité (ou pouvoirdiscriminant)d'une
modalité mkde la façon suivante : chaque modalitémk définit une propriété qui
est satisfaite par un sous-ensemble d'individus de E, appelé extension de mk
dans E et noté Ext,(md, ainsi que par un sous-ensemble d'individus de CE
noté ExtcE(md ;on calculealors le rapport suivant:
"Cd (Ext E (mk )
R=
tard (ExtE (m,)) + tard (Ext CE ( % 1)
ce rapport est d'autant plus élevé quela proportion d'individus de E possédant
la propriété mk dans la population totale est grande.
4. Si R ne dépassepas un seuil donnéa (choisi par l'utilisateur), on cherche
alors une seconde modalité mi parmi les K-I restantes de telle sorte que la
conjonction mi A mi maximise le rapport R. On réitère ainsi la phase 4 tant
que RQ.
5. Les étapes 3 et 4 sont effectuées pour chacune desK modalités m k et on
retient parmi les K conjonctions obtenues celle, notéea* qui permet d'obtenir
le plus grand recouvrement de E (i.e. celle dont l'extension sur E est la plus
importante).
6 . On retire de l'ensemble E les éléments vérifiant la conjonction a* et on
réitèrelesétapes 1 à 5 jusqu'àavoirentièrementrecouvertl'ensembledes
exemples.
159
partir de cinq groupes homogoebnes de eompodemenb de peche
obtenus par classification automatique
pour les domees de
l'application de cet algorithme a penmis d'extraire c o r n e caractérisation du
quahi6me groupe les deux descriptions suivantes:
al = [ cibb I = thiof] A [ en@ = PM%1
a2 = [ cible 1 = thiof ] A [ cible 2 = aucune ] [ kqzaipage = 4 ]
La tactique dep8che asssociie au groupe4 s'exprime ainsi 5 travers deux
conjonctions logiques de propriétés ; elles sont formalisées ici dans le langage
des objets symboliqzes de type booléens [Diday9.21.
160
Session I H. Tong, E.Périne1
n
48,49,11
90,125
cible 1
. 118,71 non
Chaque chemin de l'arbre (de la racine à une feuille) est une conjonction de
propriétés décrivant une sous-population ; celle-ci est étiquetée par le groupe
représentémajoritairementdans la feuille.Onparledenœudterminal"pur"
lorsque la totalité des individus de la feuille sont issus du même groupe. Dans le
cas général, il subsiste cependant un certain mélange des groupes (& qui peut
être représenté et formalisé au sein d'une assertion de type probabiliste [Diday.
921. On décrira par exemple la feuille à l'extrème gauche de l'arbre, étiquetée
par
4, Par
[ cible 1 E {48,49,83,181,116} ] A [ lieu E L1 ]
A [ groupe = 0.97(G4), 0.03 (G5) ]
pour traduirele fait que 97% des individus de la feuille proviennent du groupe4
mais que3% sont des individus du groupe5.
V- DISCUSSION
A partird'untraitementstatistiquemultidimensionnel(numérique),nous
avonsproposédeuxapproches,qualifiéesdesymboliquespermettantde
construiredesdescriptionsexplicitesdesclassesd'unepartitiond'objets.En
effet, dans la deuxièmephase, à la différence des traitements "classiques" de
l'analyse
des
données(classifications,
analysesfactorielles),
les
synthèses
d'information sont obtenues sur la base d'une propriété couramment utilisée en
161
I.A., la notion d'hkritage ; celle-ci consiste h caractériser des groupes en d l m t
d lP h S @ h h i 1 LIU p h S&@iqUe.
La structure parfois complexe des irnfsrmations extraites par ces techiques
(prise en compte de valeurs multiples, fikquences pondkrmt les modalités) est
clairement exprimkeA travers le formalisme des objets symboliqes(boolkns ou
probabilistes). De mmibre plus générale, cette approche peut se plongerd m s le
cadre théo~quetr6s g k n l de l'analyse des domhs symboliques dont l'objectif
est d'étendrelestraitementusuelsdel'analysedes dom6es A des objets plus
complexes tels que les objets tactique de pêche construits dans le cadre de cette
appliczhon.
DIDAY m.) 1992. Probabilist, possibilist and belief objects for a lcnowledge
malysis. Cahiers du ceremade, Universite Paris ix-Daupbe.
FE 6: (J.) 1994 Compte-rendu 90L0709 MRT - opération de recherche,
février 94.
FE S (J.), LE FUR (J.) 1993. Mkthodesd'analyse et de représentation
d'un sgrsttme d'exploitation : synergies et r d o n h c e s . 6~ T e s recherches
franpises en &volution quantitative et rnoddisati0va des ressoz4rces et des
s y s t h e s halieutiques" Gmcuel (941, Durmd (JL) et Fonteneau (A), Ed.
Colloques et Skmhires ORSTOM. pp. 347-373. I-..
162
Session I H.Tong, E.Pkrine1
163
Deuxième Forum Halieumdtrique, Nantes,1995
Session II :Analyse de l'information
1- INTRODUCTION
L'analyse d'images trouve de nombreuses applications dans le domaine de
l'halieutique: reconnaissance d'espèces pêchées ou en transit dans des passes à
poissons, comptage de poissons en flux continu, suivi de leur croissance, étude de
prélèvements planctoniques. Cette technique d'exploitation informatisée d'images
permetd'envisager
beaucoupd'autres
applications
en
et
particulier la
déterminationprécocedesmalformationssurvenantencoursd'élevage.Des
résultats chez la carpe sont en cours de publication (Geurden et al., 1995, sous
presse).
Nos deux laboratoires ont repris le problème de facon plus approfondie en
étudiant les déformations pouvant apparditre en cours d'élevage chez les larves de
deux espèces de poisson d'eau douce : le danio (Brachydanio rerio H-B.) et la
carpe (Cyprinus Carpio L.). Des malformations précoces ont été observées chez
le danio à la suite de stress physico-chimiques, et chez la carpe soumise à des
régimes nutritifs mal équilibrés. Pour déceler la présence de larves atypiques,
nousavons conjugué. lespossibilitésdedeuxlogicielsd'analysed'images
auxquels il a été ajouté un algorithme de calcul spécialement développé pour
cette problématique.
165
escription du mateCriel
La configuration de notre installation d'analyse d'images est schémztisee sur
la figure n.1, Les larves (igCes de 10 jours pour le &mis et 28 jours pour la
carpe) sont placees sur m e table lumitneuse, dans wp rkipient transparent. Nos
deux laboratoires sont 6quipCs chacun d'un logiciel d'analyse d'images différent:
%CPemde
-
1 table lumineuse
2- tchantillon
3- cadra et objectif
4- ordinateur
5- moniteur de visualisation
des images
6- moniteur "logiciel"
7- disques stockage
Figure nO1.Installation d'acquisition et de traitement des images
~~ ~
-
(I) Visilog 4.1 (Noesis, France ); Optima 4.1 (Bioscan, USA)
166
Session II S. Naudin, H. Pella, N. Charlon, JI Garric, P. Bergot
Des images de ces larves ont été saisies et traitées par les fonctions de deux
logiciels d'analyse d'imageset parun algorithme de calcul spécifique. Les valeurs
des septdescripteursontd'abordfaitl'objetd'uneanalyseencomposantes
principales (ACP) de manière à faire ressortir les capacités discriminantes ainsi
que la redondance de nos descripteurs avant de procéder à l'analyse numérique.
III- RESULTATS
Après avoir pris connaissance des tendances révélées par I'ACP, une analyse
numérique a révélé des diEérences nettes au niveau des moyennes de plusieurs
.) mais avec des chevauchements
descripteurs (e.g. facteur de forme, excentricité..
importants des valeurs minimales et maximales.
Le descripteur d'élongation s'est révélé capableà lui seul de séparer les deux
groupes de larves de danio. Dans le cas des larves de carpe, après une première
séparation grâceà ce descripteur, une analyse plus fine à l'aide du descripteur de
rectangularité a permis de reconndtre les larves anormales de cette espèce. La
signification mathématique de ces descripteurs est la suivante:
- rectangularité= surface de l'objet/ surface du rectangleminimum
d'encadrement (RME),
- le RME entoure l'objet parallèlementà ses axes principaux,
- élongation = longueur duRME / largeur du RMEL
La séparation des groupes de larves est schématisée dans le tableau
1.
Tableau 1. Schéma de séparation des groupes de larves
larves de danio
élongation
>5,4 a oui a danios normaux
U non- danios
anormaux
larves de carpes
élongation >5,08 a oui a carpes
normales
U lt
non oui
U lt
élongation >3,7 a oui 3 rectangularité>Q,54
U .II
non
U
carpes
anormales
167
Les performances de la méthode de séparation de nos individus i partir des
disponibles9 sont prksentéesdms le tableau 2.
seuils choisis (selon les marges
Notre m6thode permet donc une bonne séparation des larves avec seulement
un cas de faux classement pour une larve de carpeprésentantunefaible
dkformation vertébrale.
Par ailleurs, si l'on veut skparer les larves en faisant abstraction de l'espkce,
l'emploi du descripteur d'élongation avec un seuil choisi a 5,68 conduit B des
erreurs de classement impomLes montrant la nécessité d'adapter les seuils de
partage pour chaque espèce.
Nous n'avons trait6 que le cas des larves de deux espèces et l'ktude d'autres
poissons (larvesouadultes)nécessiterait s a s doute la considération d'au~res
descripteurs parmi ceux que nousavons étudiCs.
D a le cadreprécisquenous nous éions fixé au départ,l'analyse
morphométriqueobtenueppincipalementgrgceauxdeuxlogicielsd'analyse
d'images nous a permis une d6tection des I m e s anomales avec LUItaux d'erreur
minime.
168
Session III
Intervenants :
P. VALETTE
M. GOUJON, R.B. DERISO& R.G. PUNSLY
E. FOUCHER (présenté par D. GASCUEL)
O. ARIN0 & C. KOUTSIKOPOULOS
P. S I L A N , M. LANGLAIS & C. BOULOUX"
P. LAMBERT, E.ROCHARD & P. ELIE
C. LE PAGE
J. DUMAS, R. F A I W , M.H. CHARRON, J. BADIA,
P. DAVARrJE & P. PROUZET
O. MAURY
S. TOUZEAU, J. L. GOUZE
E. PREVOST, J.L. BAGLMIERE, A.NIHOUARN &
G. MAISSE**
c. CEtABOUD
A. SCIANDRA & C. LOBRY
P. LE FLOC'H, J.P. BOUDE & F: DAURES
B. ROMAGNY & C. LOBRY
J. LE FUR
169 I
Deuxième ForumHalieumétrique, Nantes, 1995
Session LII :Modélisation etreprésentation des connaissances
François VALETTEa
1 - INTRODUCTION
Ayant côtoyé au CNRS, une grande diversité d'approches modélisées, ce n'est
pas sans plaisir que j'ai retrouvé la même richesse dans ce forum. Elle s'impose,
bien sûr, devant un objet scientifique aussi "impressionnant" que l'halieutique,
lieu de préoccupations variéesautour de ressourcestrès diverses, se situant elles-
mêmes dans un milieu fort complexe que l'homme, par nature, est de plus peu
apte à bien c o d t r e .
171
autrement de leur milieu, quelle part peut-on prendre sans compromettre ni leur
survie, ni les équilibres de ced i e u ?...
- des questions pour les sciences dites "dures": de quels parmktres physics-
chimiques dépend le plus leur développement 1...
- des questions pour les sciences humaines e.t sociales : qui en mange2où,
quand, cornent, lesquels et en quellesquantités : cornent et selonquels
facteurs les demandes correspondantes vont-elles kvoluer ?
- des questions pratiques, e& : d'oG viennent-ils, oG sont-ils et oG vont-ils,
cornent les prendre?...
Aude18 de la diversité des questions, la diversite des espèces étuefiées et des
modesd'exploitation
ne fkit qu'aggraverce constat de
"richesse"de la
problémxtique halieutique. Sans signifier qu'il faille renoncer A l'aborder par les
mod6les, ce constat peut aider A adme~re,avant d'aller plus Ioh, l'idée qu'aucun
modèle aussi "g1obal"et "complexe" soit-il, nesaurait totalement latraiter.. .
-
REGRESSIONS IDENIIFICATIONDE
ANALYSEDEDOMJEES 1 h-MFsou
- SIRucrVREs
D P
--
PROGRAMMATION&DEAIRE JDENIIFICATION
0UNON)MODELES D'EQIJE.IRREs.PROSPECrrve
STATIQLES
-
DYNAMIQUE GLOBALE MODELES DWOLUnON SIMUIATION DEL W O L U n o N
DE STRucIUw COMPLEXES
VISUALISATIONDES
RELAnoNsprmE
VARUBLES ET ESPACF.
REPRODUCIIONDE
COMPOR-.
- DIAGNOSTIC, DECISION
, TACHES COMPLEXESNON
, NEGRABLESPIUNESEULE
- APPROCHE..
- enfin, face aux besoins d'un nombre croissant d'utilisateurs, d'autres outils
sont apparus dans le domaine de l'intelligence artificielle
et des systèmes experts:
173
voire7 plus ricement, h s le domaine de la logiquefloue et des systbmes
d'idomation géographique...
La typologie d'approchesmod6liskes présentéepar le tableau 1 ci-dessus akt6
coque pour des problbmes de gestion des ressources naturelles(I1. Elle s'applique
donc assez bien A l'analyse évoquée b propos de l'halieutique, en s'attachant it
reconnaître la diversitédestraitements,des domees et des r6sultats. Les six
premibres catigories qu'elledéfinitont l'fntért5tde pouvoir Gtreen pratique
associ6es A des logiciels disponibles représentant l'essentiel dela "boîte i outils"
visée.
174
Session III i? Valette
175
Figure 1 : Positionnement par rapport aux types de modCles (aspect
"instmental") (chaque vpe de modtYisatisn pouvant s'appliquer à divers
niveaux d'organisation)
176
Session III F. Valette
I (Entrées)
Imputs 1 (outputs)
Sorties
Système 1
- la démarche "statistique" tend en généralà reconstituer de l'information sur
le système et/ousur ses entrées, sur la base dela connaissance d'unepartie de ses
sorties donc à résoudre soit des problèmes d'identification de système (O+I>S),
soit des problèmes dits "inverses" (O+S > 1), soit des problèmes hybrides.
- la démarche "simulation" elle, tend le plus souvent à décrire à des fins de
vérification d'hypothèses sur le fonctionnement du système ou de prévision, une
partie des sorties en connaissant une partie des entrées et certaines parties du
système. Elle s'apparente donc aussi, souvent,à une résolution de problèmes dits
"directs" (I+S>O).
Sur leplaninstrumental comme sur le plandesdémarches et cultures
scientifiques mises en oeuvre, ces approches sont toutefois très différentes au
point de pouvoir parfois sembler s'opposer :
- les approches statistiques exigeantes en termes de bases de connaissances en
mathématiques du côté deleurs auteurs permettent de construire les assemblages
d'équations et de logiques
suffisamment complexes
pour
simuler
des
"comportements" eux-mêmes complexes des systèmes envisagés.La question qui
peut alors se poser est de savoir si la complexité apparente de ces résultats ne
vient pas de la complexité des modèles eux-mêmes plutôt que d'une réduction
satisfaisante par lesmodèlesde la complexitédespropriétésdusystème.Ces
risques d'artefacts sont parfois difficilesà maîtriser et, en tout état de cause, de
nombreux scientifiques?faute de bases mathématiques suffisantes pour se forger
une opinionsur ce planse sentent quelque peu exclus des débats correspondants.
- les approches par simulation, en apparence plus faciles à mettre en oeuvre
posent des problèmes denatures très différentes. Elles peuventse fonder sur des
perceptions plus intuitives des réalités à décrire en permettant commodément à
177
leurs auteurs demettreenplace autant d'éléments (stocks, transformateurs,
flux...) que nécessaire pour rendre compte de leur vision des systèmes. Leurs
limites nesesituentdonc pas tant auniveaude la complexitédessystèmes
étudiits qu'8 celui des capacites des auteurs& mdtriser le fonctionnement de leurs
modèles... Ces approches sans doute moins exigeantes que les précédentes sur le
plan des connaissances en mathematiques exigent donc vite, dès que les modèles
deviennent complexes, d'autres -taleuts pour les contrbler. En permettant en outre
de contourner maintes difficultés d'infb-mation par recours i des parmètres de
circonstancedifficilementcontralablesouinterprétablesdanslaréalité,elles
doment parfoisl'impressiondepermettredesimuler"n'importequoi", ou
d'obtenir n'importe quel résultat attendu jouant en sur ces paramètres.
Les risques d'artefacts, de "suFarmétrage" et ou de perte de contrale des
modèles sont donc grandsdans un cas c o r n e dans l'autre, remettant en cause les
vertus de démonstration, qualification d'hypothbses ou prévision qu'on aimerait
parfois pouvoir accorderaux efforts correspondants.
Sur LUI autre plan,l'interventionde ces modèles et
de leursupport
instmmenhl ouvre la voie 1 des dérives sin les modèles tendent B se substituer,
aux yeux de leurs auteursethu utilisateurs, i la realité qu'ils étudient : d'un caté?
lerisqueprincipalestceluid'unecertainefascination par un appareillage
mathématiquesophistique dans upp environnementculturel oin le"poids"des
mathématiquesreste6norme ; del'autre,il est celuidelaséduction par la
confiofmieé apparentre entre les "images" que l'on présente des modèles et celles
que l'on peut par ailleurs percevoir de la réalité ; et dans les deux cas, le risque
existe d'me fascination par leréalismeapparentdesrésultatsautourde
l'impressiond'intelligenceartificiellequi se dégagedufonctionnementde
l'ordinateur quand il delivre avecla puissance de debit qu'on luisait, une variété
de résultats ou d'images aussi grande, voire plus grande que celle que l'on se voit
soi-meme capable d'émettre sur la rhlite.
Les pièges donc ne manquentpas dans tous ces exercices sin l'on peut perdre
de me les réalités autant que les intentions initiales de leur représentation pour ne
plusvoirlesmod&lesqu'en tant qu'eux-mêmesobjets d'étude, voirede jeux
autour LI réel.
Ces remarques "de précaution" ne sauraient cependant faire oublier les atouts
que la modélisation apporte aux chercheurs. Quelle qu'en soient les voies, il y a
assurkment un grand inté& .5 faire en sorte qu'elles coopèrent. L'idéal bien sûr
serait que cette coopération se réalise au niveau de chaque chercheur, chacun
s'efforqant d'intégrerdans sa recherche une grande diversité d'approches. Mais ce
178
Session III F. Valette
... Et ce n'est
n'est sans doute pas facile pour des questions de temps, de formation
peut-être pas nécessaire : ilpeutsuffirequelesadeptesdechaqueapproche
coopèrent entre eux.
Et dans cetteimagerie, si onlesvoitséparés,ilconvientderéaliserque
chacun pourrait souvent être,par rapport aux deux sortes de dérives évoquées, le
"garde-fou" de l'autre.
179
Deuxième Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
1 - INTRODUCTION
Audébutdesannées1990, la CommissionInter-AméricaineduThon
Tropical (IATTC) a envisagé la miseenplacedemesuresderéductiondes
captures de dauphinspar les senneurs du Pacifique tropicalest. Afin d'en prévoir
les conséquences sur les captures de thons, I'IATTC a essayé de modéliser la
pêcherie(ressource et flottille).Unesimulationdumouvementdesalbacores
utilisant un modèlemarkoviendemouvement à trois paramètres, a donc été
développée sousla direction scientifique deR. Deriso.
II - MATÉRIELS ET MÉTHODES
A- Utilisation d'un modèle de mouvement
Les données de base proviennent d'unepart de l'IATTC, pour ce qui concerne
les captures et fiéquences des longueurs d'albacores pêchésà la senne, et d'autre
part du National Institute of Far Seas Fisheries of Japan, pour les captures et
fi-équencesdeslongueursd'albacorespêchés à la palangre.L'analysedes
cohortes permet d'obtenir la mortalité par pêche mensuelle pour chaque groupe
d'âge. La combinaisondes taux de captures par cellulesde2,5Ox2,5' et des
abondances obtenuespar l'analyse des cohortes permet d'obtenir pour chacune de
cescellulesdesabondancesestiméesmensuelles par grouped'âge(Punsly et
Deriso, 1991). Le Pacifique tropicala donc été divisé en327 cellules de 2,5 x2,5
. Une moyenne des abondances estimées sur la période 1980-1986 (en excluant
1982 et 1983 à cause du ElNiiio).
181
La simulation du mouvement des albacores utilise le modde dynamique décrit
par Deriso,Punsly et Bayliff (1991), illustré par la figure1. Le modèle est
construit sur trois parm6tres a , Vet D. A l'instant t, les poissons occupent une
surfaceunitairereprésentke par le c m é central. A l'instant t+l, ilsesont
déplacés dms une direction cxactérisCe par l'angle a , B une vitesse Y (vecteur
OS'), en se dispersant sur une surface ( c m & hachuré) definissant le facteur de
di-ffusionD.
L'unit6 de temps (période) a 6té fixée B un cinquikme de mois de façon B ce
que lesthons ne se déplacent pas de plus d'une cellulepar unité de temps.
abondance prédite
à la fin de la périodej dans la cellulei
I
abondance prédite
à l a j n de la dernière période
183
Pour les cellules dont le résiduA est positif, ou proche deO, ou qui sont leur
propre cible, la velocite est nulle et le facteur de difiûsion égal & 1. Pour les
autreses,l'angle a du mouvement est défini c o r n e celui entre la cellule source et
%acellulecible.Lesvaleursde Y et D sont alors calcultes enfonctiondes
abondancesattendues,desdistances et des A descellulesvoisines;cecalcul
faisant intervenir des tests sur l'augmentation de l'effectif dans la cellule cible et
l'effort de pêche réalisédans la cellule sourceet des fonctions parmktrées
Pour les périodes suivantes, le mgme processus est appliqué en partant des
abondancesobtenues B la fin de la pCriode précédentepourcalculerles
abondances attendues.
Ceci est réalisépourchaquegroupe d'iige d'Albacore et chaquemoisde
l'année B partir del'abondancesimulée par lemois préddent (Si Ml estle
premier mois estimk 8 partir d'abondances estimées, M2 est estimé à partir de
Ml, hiI3 àpartir de M2, etc... Enfin, MI est ré-estid àpartirde M12).
- 1
184
Session III M.Goujon, R.B. Deriso, R.G. Punsly
IV- DISCUSSION
Si l'expressionmathématiquedudéplacement apparait assezsimple, la
résolutionduproblème sur unensembledecellulesinteragissantentreelles,
limitées par un contournonrégulier et présentantunerégionalisationdes
mouvements, demeure compliquée. Cependant, les résultats de cette simulation
permettent d'obtenir une distribution des abondances proche de celle que l'on peut
estimer à partir des captures et de l'analyse des cohortes. Les erreurs pour les
groupes d'âge les plus exploités restent faibleset peuvent sans doute être réduites
par l'utilisation decoefficientsdifférentspourchaquerégiondansles tests et
équations qui permettent le calcul de Vet D.
185
Enfin l'utilisztion de ces paramètres de mouvement dans la simulation de la
p6cherie mentionnke en introduction, a abouti à des rksultats cohérents en terme
de captures de thons : dans le cas d'une distribution de l'effort identique A celle
observb pour les dernièresmkes, les résultats sont proches dela réalité et dans
le cas d'une modification de l'effort due A des limitations des captures de thons
associés avec des & u p b s , les rksultats sont identiques ti ceux obtenus & l'aide
d'autres methodes prospectives.
Avant d'aller plusloin e'lans l'utilisation de cette population simulée, plusieurs
ktudes pourraient Etre menées. Au lieu d'utiliser une distribution moyenne sur
plusieurs m k e s , la compamison des paramètres de mouvements obtenus pour
chacune des m b s pourrait s'avbrer intkressante. Une étude de sensibilité plus
approfondie pourrait porter sur le choix de l'unit6 de temps, et sur l'utilisation
d'autres tests et fonctions pour le calcul desparm&tresdu mouvement.Enfin, les
albacores du Pacifique ne présentant pas de migrations très nettes, il serait sans
doue très intéressant d'appliquer ce modèle aux albacsres de l'Atlantique, pour
lesquels desschkmas de migrations ont pu 6tre décrits.
186
Deuxième ForumHalieumgtrique, Nantes, 1995
Session III : Modélisation et représentation des connaissances
1 - INTRODUCTION
Afin d’estimer les flux de migrations entre zones, on présente une nouvelle
méthode faisant appel aux concepts de l’intelligence artificielle : il s’agit d’un
système expert simple, capable de générer des flux de poissons entre différentes
zones de pêcheà partir des estimations locales des effectifs. L’objectif recherché
ici est ainsi demontrerqu’uneméthodedistinctedesméthodesclassiquement
employées en dynamique des populations permet d’offrir une alternative dans
l’étude des migrations. Le système expert proposé est appliqué au cas du listao
de l’Atlantique Tropical Est. Des flux de migration entre zones sont quantifiés.
Ces flux sont ensuite analysés,et comparés avecles schémas globaux connus des
migrations du listao.
II - MATERIELS ET METHODES.
MIGRATHON est un systèmeexpertsimple,qui fait intervenirdes
migrations de poissons entre 5 zones catières adjacentes. Le modèleest appliqué
au cas du listao de l’Atlantique Tropical Oriental.
187
La seconde estimation est calculCepar le modkle, au fbr et B mesure de la
progression chrsmslogique des périodes de temps, en appliquant la relation :
&l7z = ( w T - l , z .exP(-Ma-l)) - “ H , Z
188
Session III E. Foucher
zonescentralesduLibéria et duGhanaaucoursdupremiertrimestre,qui
donnent naissanceà des flux de poissonstrès intenses qui se développent à la fin
du premier et au cours du second trimestre, l’un vers le Sénégal, l’autre vers le
Cap Lopez.Deuxgrandsgroupesdelistaosseconstituent alors : celuidu
Sénégal composé essentiellement de pré-adulteset d’adultes de 3 ans, et celui du
Cap Lopez en majorité de juvéniles. Puis ces deux migrations s’inversent, les
poissons convergeant vers les zones centrales, en particulier vers la zone Libéria.
III - DISCUSSION
189
nkcessaire reside en fait dans l’expertise irnitide du systiime. Les rkgles employkes
étant indkpendantes les unes des autres, il ne serait pas non plus utopique de
dkvelopperl’expertise dmms d’autresdirections pour mieuxcomprendre la
dynamiquedu systtke, n o m e n t en intégrantdesdonnees concernmt le
comportement des flottilleset des peckeurs, ou des données environnementales.
Par ailleurs, MI ON devrait B termeévoluervers une plusgrande
imrteractivit6, en &ablissrnt un didogue entre le système expert et l’utilisateur. A
chaque étape chronologique, ]Le s y s t h e expert pourrait ainsi poser toutes les
questions ad hae 5 l’utilisateur : prises réelles par 2ge et par zone, mortalités
naturelles, domks économiques eten$rironnemenhles...
I.
190
Deuxième Forum Halieumétrique, Nantes, 1995
Session IV :Modélisation et représentationdes connaissances
1 - INTRODUCTION
191
des stades larvaires se fait durant le rt$chauffernent printanier, nous constatons
quel'âge à la métamorphose varieenfonction de la date de naissance(les
individus nés en avril arrivent B la métamorphose plus vite que ceux pondus en
février car les températures sont plus élevées). La conséquence de ce phénomène
est complexe : si le taux de mortalité est indépendantde la saison la probabilité
de s u h e au stade de la mé-orphose est plus forte pour les individus nés
tardivement mais leur probabilitb d'arrivke h la c6te par un processus di&sif
est plus faible car le temps disponible pour effectuer le trajet est plus court. La
probabilité p d'unedispersionréussie est égaleauproduitde la probabilité
d'arrivée A %ac6te pf et de la probabilité de survieps Cp = pt'vs). La résultante
des interactions citées précédemment méritem e attention particulière. Durantla
saison de ponte (janvierA amil), peut-m détecter une périodecaractérisée par un
p plus élevé?
La soleduGolfedeGascogne a touteslescaractéristiques des "espèces
dépendantesdesestuairesoubaiesabritées".Ainsi la grandemajorité des
juveniles continue sa croissance dans lesnourriceries&ti&res qui sonten
général des zones géographiquement bien identifiées.Au moment de la maturité
sexuelle (A 1'5ge de 2-3 ans) les individus quittent le secteur catier pour migrer
vers les fraykres du large. L'analyse des résultats des marquages de l'opération
"SIDON", effectués en 1992 dans les nourriceries de la baie de Vilaine et des
Pertuis pour I'étude de la liaison nourricerie-frayère confme les rksultats des
années1980-81. La migration appardt enphase avec l'évolutisn de la
tempkrdure dans le secteur côtier. Les individus se déplacent vers le large oG la
température en pkriode hivernale est plus élevke. Il ne semble pas y avoir de
direction privilégic5e B la sortie des nourriceries vers les frayères. Ceci met en
évidence un autre processus di&sif à cette étape du cycle de la vie de l'espèce
dans le Golfe de Gascogne (dans ce cas la dispersion est due au déplacement
actif des individus sur le fond mais les m h e s lois de la diffusion s'appliquent
avec comme seul changement le coefficient de diffusion). Durant la phase adulte
(de 2-3 B +10 ans) la dispersion continue et les principaux Cléments qui semblent
intkressants 5 considérer enm2me temps quel'kvolution des effectifs en fonction
de l'âge sont l'évolution de la fkconditC avec 1'Pge et un éventuel processus de
concentration des individus dans les lieux des fraykres.
192
Session III . O.Arino, C.Koutsikopoulos
II - LA BASE DU MODELE
Il s'agit d'une description de la structure
du modèle avec ses compartiments et les
fonctions
caractérisant
les
processus
considérés.C'estunepremièreapproche
qui
permettrad'évaluer
l'importance
relative des différentes composantes. Elle
est volontairement simplifiée pour aider le
dialogue entre disciplines et pour faciliter
uneanalysequiestnécessairepourles
étapesultérieures.Danscettepremière
tentative nous avons décidé de traiter le
problème à uneseuledimension : legradientcôte-large. L'espaceestdonc
'
r2
M(a,t,x) : adultes par unité d'âge (a) et d'espace (x), à l'instant t, d'âge a, à la
position x. JaM( a, t,x)dxda : nombre d'adultes qui,à l'instant t, ont un
al XI
âge entrea l et a2 et sont situés dans la zone [x1,x2]
L'âge des larves est l'âge depuis la naissance. L'âge des juvéniles est l'âge
depuis l'entrée dans le stade juvénile. L'âge des adultes est l'âge depuis l'entrée
danslestadeadulte.Leslarvesentrentdanslestadejuvénilequandelles
atteignentunetailleseuill*.Lataille à la métamorphosevariepeuet par
conséquent le temps nécessaire pour atteindre cette taille change en fonction la de
193
saison (croissance enenvironnementchangeant). La croissanceentaille des
larves suit la loi : Wdt = f(t) ce qui donne: 1(a,t) = j f(t)dt .
t
t-a
1) Production desoeufs
B(t,x) = jO~la,t,.)w(a)M(a,t,.)da
P(a,t,x) : proportion par unit6 de temps, d'adultes d'âgea, i la position x, qui sont
en phase de ponteB l'instant t. w(a) : nombre d'oeufs "viables" ponduspar adulte
d'iige a.
2) Dynamique des larves(sunie et migration)
J(O,t) =
(1- a* (t)) j; L(a*(t),t,x)dx
XO
J(a,O) = JO@) (JI3
p.J(a) est la mortalité des juvéniles.Lemodélesupposequelesjuveniles se
répartissentde maraièrehomogène dans la nourricerie [O,XO]. E'équation (J)a
prendenconsidkrationl'hypothèseselonlaquelleseulesles larves passant au
stade juvénile dans lanourricerie sont viables.L'équation (J)3 donne la
distribution des juvéniles8 ]l'instant initial (+O). Les juvkniles deviennent adultes
à 2 ans (âge à difinir avec plus de précision).
194
Session III O.Arino, C.Koutsikopoulos
195
globalement ellsu de m d s e r la survielocalement ? Est-il obligatoire de
considérer un processusd'attractionetdeconcentrationdesindividusadultes
dmns le secteur des.frayères pour maintenir la structurztion spatiale SC le passage
obligatoire par des nourriceries géographiquement bien d&e&ées est suffisant?
1.
1, elle va versl'e&xtion. Dans la réalité, le rayon varie probablement autour de
1, avec 1 c o m e valeur moyenne. Les variations sont dues aux variations des
paramètres (iempérature, difhsivite, mortdit& etc.). C'est l'un des objectifs du
travail de déterminer l'impact (positif ou négatif) des param6tres sur l'évolu-tion
du rayon spectral. Ceci suppose la dt5termination d'une tquation caractéristique
ayant le rayonspectral pour racine.
@- Perspectives
63 développer un modèle prenant en considération l'hétérogénéité Nord-Sud et le
décalage qui en résulte entre les périodes de reproduction et étendre à ce
modèle lesrésultats du modèleà une dimension d'espace.
0 éhdier ler6le de I'advectionprovoquée par l'interactiondescourants de
marée avec le comportement des larves. Les conséquences de ce processus
196
Session III O. Arino, C. Koutsikopoulm
BIBLIOGRAPHIE
Des détails sur les échelles spatiales et temporelles ainsi que sur les processus
majeurs du cycle de vie de la sole dans le gove de Gascogne sont présentés
dans :
BOUHLIC(M.),GALOIS (R.), KOUTSIKOPOULOS(C.),LAGARDERE
(F.), PERSON-LE RUYET (J.) 1992 - Etat nutritionnel, croissance et survie
des stades pélagiquesde la sole, Solea solea (L.), du Golfe de Gascogne. Ann.
Inst. océanogr., Paris, 68 (1-2) : 107-115.
CHAMPALBERT (G.), KOUTSIKOPOULOS (C.),1995. Behaviour, transport
and recruitment of Bay of Biscay sole (Solea solea): Laboratory and field
studies. J mur. biol. Ass. U.K., 75 : 93-108.
DOREL o.), KOUTSIKOPOULOS (C.), DESATJNAY (Y.), MARCHAND (J.),
1991 - Seasonal distribution of Young sole (Solea solea L.) in the nursery
ground of the bayof Vilaine (Northern Bayof Biscay). Netherlands Journal
of Sea Research, 27 (314): 297-306.
KOUTSIKOPOULOS, (C.), DESATJNAY,(Y.), DOREL, (D.), MARCHAND (J.),
1989 - The role of coastal areas inthe life history of sole(Solea solea L.) in
the Bay of Biscay. Topicsin Marine Biology, Ros J. (ed.), Scient. mur. 53 (2-
3): 567-575.
KOUTSIKOPOULOS (C.), FORTIER (L.) AND GAGNE (J.A.), 1991 - Cross-
shelf dispersion of Dover sole eggs and larvae (Solea solea) in Biscay Bay
and recruitmentto inshore nurseries.Journal of Plankton Research, 13: 923-
945.
KOUTSIKOPOULOS (C.),LACROIX m.),1992 - Distribution and abundance
of sole (Solea solea, L.) eggs and larvae inthe Bay of Biscay between 1986
and 1989. Netherlands Journal ofSea Research, 29 (1-3): 81-91.
197
KOWS%KOPOeTEBS(C.),DOREL (D.), DESAmAY (Y.), LE CANN (B.),
FOREST (A.) 1995. Interaction entre processus physiques et comportement
individuel : conskquences sur l'organisdion et le fonctionnement du stock de
sole du Golfe de Gascogne. In : (Gascud D.), Durmd (J.E.) alcl Fonteneau
(A.) (eds), Les recherches Frmpises en éval~mfion quanntative et
moddlisation des ressozmxs ef des syst2mes halieufiques.Editions
ORSTOM, pp 49-74.
KOWS%I<OPOULOS(C.),D O E L (Il.),DESAWAY (Y.), 1995. Movement
in Bay of Biscay: Coastd enviroment and spawning
of sole (Solea solea) the
migration. 9: mar. biol. Ass. U K 75 : 109-126.
LE C M W (B.), KOUTSIKOPOUEOS (C.), LACROIX m.),
@IQhl"vfPLBERT(G.l9 1992 - Interactionsdesprocessusphysiques et
biologiques dans la dynamique des stades pdagiques de la sole sur le plateau
continental du Golfe de Gascogne, France. Ann. Inst. océanogr. , Paris, 68
(1-2) : 11 17-139.
198
Deuxi2me Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
1- INTRODUCTION
La compréhension de la migration
estuariennedes
civelles
d’anguille
(Anguilla unguilla) constitue actuellement un enjeu écologique, économique et
scientifique
important
comptetenu
de
l’apparente
diminutiondu
stock
continental. Du fait de la complexité du
phénomène à observer et de
llimpossibilité de reproduire en laboratoire des conditions naturelles, l’approche
par modèle semble être une voie d’investigations complémentaires des travaux
menés sur le terrain et intéressante pour proposer des mesures de gestion. La
modélisationindividus-centrée
correspond à une approchemécanistedu
fonctionnement d‘un système (LEPAGE, 1995) et est à même de répondre à la
volonté de compréhension des phénomènes complexes. Ce type de modélisation
cherche avant tout à intégrer les mécanismes sous-jacents gouvernant le système
afin deparvenir à le décrire dans sa globalité(SCHOENER,1986).Elle
complète donc l’approche phénoménologique, la plus souvent adoptée dans les
différentes modélisations dela migration des civelles (LAMBERT,1995) et dont
le principe est de modéliser les données directement observables d’un système.
Un simulateur basé sur une approche individus-centrée permet d’organiser les
connaissances acquises sur un sujet, de progresser dans la compréhension du
phénomèneentestantdeshypothèses et éventuellementderéaliserquelques
prévisions en fonction de scénarios.
-
a CEMAGREF de Bordeaux, Division Aquaculture et Pêche, BP 3,3361 1 Gazinet cedex
199
migration. Pour sa rkalisation nous avons utiliséla progrmxtion orientée-objet.
Cette technique estadaptie à la représentation d'une part, de processus baséssur
descomportementsindividuels et d'autrepart, d'unehétérogéneitkspatiale.
L'engouement actuel pour ce type de modélisation réside dans un parall6lisme
entreobjet du programmeetagentdumodèle, la traductiondesdifférents
comportements sef ~ s a nalors
t naturellement (LE PAGE, 1995).
III - RESULTATS
La durée moyenne de la traversée estuarienne simulée, pour les conditions
environnementales testées, est de175h, ce qui est cohérent avec les résultats
d’expériences de marquage (CANTRELLE, 198 1) ou de suivis de ” vagues de
migration effectués sur le même site (ROCHARD, 1992).
Des courbes d’abondance (figure 1) ont été calculées, de faqonà pouvoir être
comparées à l’activité de pêche d’un navire durant une journée, en supposant que
la capturequ’ilréaliseestnégligeable par rapport au stockprésent dans la
cellule.Onremarqued’une part, quecescourbessontencoreprochesde la
courbed’entrée, la déformationinduite par lesméthodesdemigrationreste
faible. D’autre part, des densités plus faibles sont calculées pour
la cellule amont
ceciestdû à la morphologiedel’estuairequi,enseresserrantversl’amont
entraîne une augmentation des vitesses de courant et donc une durée de séjour
plus faible des civelles
sur les cellules amont.
1600 T
1400 -cellule amont
+
5 1200
a
=
1000
800
-cellule médiane
.
0
I
600
P
s 400
200
O
15-
15- 16- 16- 16- 18- 19-
18-
oct nov jan
déc fév mai
avr
mar
date
Figure no 1. Courbes d’abondance issues dela simulation (en nombre de
civelles comptéespar jour dans une cellule), pourtrois cellules de surface.
201
Cette approche en synthétisantl’ensembledesconnaissancesconcernant
B des simulations avec desjeux
l’écologie de la civelle en migration, permet griice
de domkes environnementales réelles, de tester le mode d’action des différents
facteurs du milieu. En organisant dms UII cadre unique des résultats issus de
disciplines différentes, cetype de modele constituem point de rencontre entre les
chercheurs et permct assez rapidement de faire progresser la rkflexion sur des
phénomènes complexes. Il ne s’agit pour l’instant que de la presmibreversion
fonctionnellede ce simulateur,l’actiond’autres facteurs importantspourla
migration doit 2tre prochainementintégrkyet un nouveau modele hydraulique de
l’estuaire dela Gironde denait améliorer la pertinence des calculs. Cependant les
premiers r6sultats incitentà la poursuite du projet, en particulier & la réalisation
d’expérimentations pour confirmer ou préciser les méthodes de migration. Trks
satisfaisant au niveau conceptuel, cette approche admet c o r n e principe que tous
lesindividusdifférent par leurcomportement et leur physiologie,ceux-ci
résul-ht d’mecombinaison unique d’influences génétiqueset environnementales
(HUSTON et al., in LIEPAGE, 1995).Ils’agit d’un type demoddisation
relativementaccessible et t&s évolutif, par contre2 par son absence de cadre
mathématique rigoureuxil semble relativement difficile à ajuster.
202
Session III P. Lumbert, E. Rochard, P. Elie
recherchesfrangaisesenévaluationquantitativedesressourcesetdes
syst4mes halieutiques,Ed. 0RSTOM.pp 127-139.
ROCHARD (E.), 1992. Mise au point d'une méthode de suivi de l'abondance
des amphihalins dans le système fluvio-estuarien de la Gironde, application
à l'étude écobiologique de l'esturgeon Acipenser sturio. Thèse de doctorat,
Université de Rennes YCEMAGREF,3 15 p.
SCHOENER (T.W.), 1986. Mechanistic approaches to community ecology : a
new reductionism ?Amer. Zool. 26, 81-106.
203
Deuxi2nze Forum Halieumhtrique,Nantes, 1995
Session III :Modélisation et représentation des connaissances
Christophe Le Pagea
~ ~~ ~~ ~
-
a ORSTOM, LIA, 32 av. H. Varagnat, 93143 Bondy cedex.
205
C- La "vie artificielle": un outil ~~~~~~~~~~
206
Session III C. Lepage
A- Un modèle en amont
Un modèle de Vie Artificielle impose au modélisateur de définir un système
ex nihilo. L'étape la plus délicate concerne l'identification et la retranscription
des éléments et des processus fondamentauxdu système. Cette étape correspond
à la phase préliminaire de l'étude d'un système, équivalente à une analyse de
sensibilité grandeur nature.
Dans le cadre de SeaLab, une part importante du travail a consisté à définir
la manièrederetranscrirelesdifférenteshypothèsesthéoriquesque l'on
souhaitait tester. En quelque sorte traduire des concepts par des comportements,
207
ou tout au moins proposerdestraductionspossibles. On s'aperçoit très
rapidement que cette phase est la phase essentielle de modélisation, celle dont
dkpendra toutes les ktapes suivantes, et en particulier la phase d'exploitation du
modele (simulation propremen-tdite). On propose ici unem#nibre de retranscrire
le concept de Z'optimnlité dans la relation entre la performance d'une espèce et
l'intensité d'une condition environnementale. On montre alors que selon le degré
despécialisationd'unepopulztionvis A visd'uneconditionenvîromementale
(exprime par kart-type d'une fonction de sucds reproductif de forme
Normale),l'hypothèsedecomportementreproductif obstiné conduit à des
résultats très différents (en terme de survie de la population) de ceux obtenus
avec l'hypotlslnse de comportement reproductif opportz4niste: pour
une
spécialisation peu h p o h t e , le comportement opportmiste dorme de meilleurs
rksultats, alors qu'aucontraire, pour unespécialisationplusmarquke, le
comportement obstiné l'emporte.
208
Session III C.Lepage.
BIBLIOGRAPHIE
209
Deuxième Forum Halieumétrique,Nantes, 1995
Session III :Modélisation et représentation des connaissances
1 - INTRODUCTION
La dynamiquedespopulationsdesalmonidésmigrateursanadromesest
influencée par diverses contraintes environnementales naturelles (caractéristiques
des bassins versants et des habitats des cours d'eau, climat et débits, abondance
des compétiteurs et des prédateurs) ou anthropiques (aménagement de barrages,
pratiquesagricoles et industrielles,urbanisation,repeuplements,pêche).Ces
contraintes
agissent en
rivière sur les
différentes
phases
du
cycle
de
développement des espèces par modification de la qualité de l'eau, des zones de
fiai, de production des jeunes, de stabulation des adultes, sur leur accessibilité et,
dans le cas des repeuplements ou dela pêche en meret en eau douce, directement
sur les stocks. Elles conditionnent l'abondance des populations, leur gestion et
leur exploitation.
Lesmodèlesdéterministesnepermettentpasdeprendreencompte la
variabilitéinhérente à tout phénomènebiologique(PROUZET,1994). Afin
d'atteindre une meilleure compréhension des relations entre ces contraintes et les
populations, un modèledefonctionnementducyclebiologiqueduSaumon
atlantique,adaptédeceluideGROS et PROUZET (1988) est proposé
(CHARRON, 1994). Il est de type stochastique pour certaines caractéristiques de
la dynamique des stocks jugées les plus importantes par les biologistes.
a -
INRA, Station dWydrobiologie,BP 3,64310 St Pée sur Nivelle
b - INRA, Station de Biométrie et Intelligence artificielle,BP 27,3 1326 Castanet Tolosan
c - IFREMER, Station d'HydrobiologieINRA, BP 3,64310 StPée sur Nivelle
211
ases biologiques
212
Session III J. Dumas, R. Faivre, M.H.Charron, J. Badia,
P. Davaine, P. Prouzet
213
D-Le msd&leinformatique
,Un bgiciel informatique (CBS pour CycleBiologique du Saumon) a été
réal.isC,ig& .du logiciel S-plus E, 1992) et du 1
progmmme interactif permet de modifierla valeur des paramètres dumodèle, de
c.hoi$ir les ,s-muh~om& réaliser, de gérer leur archivage et de visualiser les
résultats. La simdz&ion d’une trajectoire est basée sur le principe suivant : les
différentes fc;ia;i&ons sont
appliquées
séquentiellement aux classes de la
population et dans l’ordre chronologique de leurs actions. Ce cycle annuel permet
d’enchaîner plusieurs années& la demande. Ces fonctions nécessitent des valeurs
des paramètres. Pour chaque étape du cycle, la valeur du paramètre actif pendant
cette période est simulée,si nécessaire, selon la loi approprike (spécification lors
de l’entrke des valeurs des parmktres). Les effectifs des populations d’intért5t
sont conservés sur demande et l’analysegraphiquedesrésultatsest dors
envisagée. Un autre logiciel (ACB pour Analyse de Cycles Biologiques) a été
réalisé permettant d’analyser la sensibilité des valeurs simulées aux parmètres
de l’étude.
RMT11 RMT11
1970 1930 1800 2000 2010 2020 1000 1960 1970 2OCO 2010 2020
simula!ion de annees
annees de simulation
RMTl2
OSb.l0/0.5?~.10o~.25%.50%.75%.90%,959~.99W.1009/0
19701990 1980 2000 2010 2Q20 1080 1970 19’10 2000 2010 2020
annees de simulation annees de simulation
215
Si des études de calibration plus poussées doivent être entreprises notamment
pour affiner certains parmètres ( d u e n c e du bassin versant sur le colmatage
des frayères), il est intéressant déj8 d’analyser l’impact de certains facteurs sur
les probabilités des événementskturs. Sur le simple exemple présenté plushaut,
on a pu graphiquement et très rapidementanalyserl’impactde certaines
conditions environnementales. En effet, des aléas comme les crues hivernales ne
peuvent être appréhendés par la seule valeur moyenne de leurs conséquences. La
possibilitédepouvoirréaliserces malyses interactivementrend CBS fort
pratique. D’autrepart, la conception du cycle du saumon ainsi que la description
des parmètres par les sous populations sur lesquelles ils interviennent rendentce
logiciel transposable B d’autres sites. Le cas du bassin Adour-Gaves sera très
prochainement appréhendé. Pl suffit alors d’introduire les parmètres spécifiques
au nouveau site. Ce logiciel permetaussi d’analyser les conséquences de l’impact
sur le devenir des populationsde plans d’ménagement (par exemple, contmction
de passespoissonsquiaugmentent la surface de production) et ce, mon
seulement sur l’espérmce de leurs conséquences,maiségalement sur la
probabilité des événementsfaturs.
216
Session III J. Dumas, R. Faivre, M.H. Charron, J. Badia,
P. Davaine, P. Prouzet
DAVAINE(P.),PROUZET(P.),1994. La viemarineduSaumonatlantique
dans son aire géographique.In GUEGUEN J.C., PROUZET P. (Eds), 64-85,
Le Saumon atlantique, IFREMER, Plouzané.
DUMAS (J.), 1985 à 1995. La population de saumons adultes de la Nivelle en
1985, ..., 1995. Rapp. k u e l s , Station d’Hydrobiologie, INRA, St Pée sur
Nivelle.
GROS (P.), PROUZET(P.),1988.Modèlestochastiqueprévisionneldes
captures de saumons de printemps(Salmo salar L.) dans l’Aulne (Bretagne) :
éléments d’aménagement dela pêcherie. Acta Oecologica, Oec. Applic., 9, 3-
23.
HELAND (M.), DUMAS (J.), 1994. Ecologie et comportement des juvéniles.In
GUEGUEN J.C.,PROUZET P. (Eds),29-46, Le saumon atlantique,
IFREMER, PlouZané.
PROUZET 1994. La dynamique
(P.)? des
stocks. In GUEGUEN J.C.,
PROUZET P.(Eds), 155-174, Le saumon atlantique, IFREMER, Plouzané.
217
Deuxième Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
Olivier Maurya
1- INTRODUCTION
Le recrutement observé connaît une telle variabilité qu'il est dans la plupart
des cas impossibled'yajusterunmodèlederelationstock-recrutement.En
revanche, la production observée (Y) dépend de plusieurs cohortes et donc de
plusieursrecrutements ; elle est doncenquelquesorte la combinaisond'un
lissage du recrutement d'une part et de l'effet de la mortalité et de la croissance
d'autre part. Celissageest tel qu'onpeutajusterunecourbe aux pointsde
production observés : c'est la courbe de production à l'équilibre Ye des modèles
globaux.
Une méthode de détermination de la relation stock-recrutement fondée sur la
comparaison d'un modèle global et d'unmodèlederendements par recrue est
proposée ici.
II- METHODE
Les modèles globaux qui expriment la production équilibrée en fonction de la
mortalité par pêche (Ye(F)) contiennent implicitement de façon heuristique les
effets du recrutementet ceux de la mortalité et de la croissance (Gulland, 1977 ;
Sissenwine et Shepherd, 1987). Le principe proposé est, à l'aide d'un modèle de
rendements par recrues (Y/R(F)), d'isoler les phénomènes de densité dépendance
prisencomptedanslesmodèlesglobaux. En faisant l'hypothèselargement
admise aujourd'hui que la densité dépendance s'exprime essentiellement au niveau
des stades pré-recrutés, on peut écrire
:
Y
m F ) =-(F).Re(F)
R
219
soit : R(2q = -mm
Xa( r n
Par analogie avec le rendement par recrue,on calcule par ailleurs la biomasse
féconde par recrue en fonction deF. On en déduit la biomasse féconde équilibrée
BFe correspondant au recrutement équilibré Re:
Connaissantlerecrutementéquilibré et la biomassefécondeCquilibrée
exprimés en fonction du même multiplicateur de la msrtali-tépar p&che,on trace
la courbe parmktrée du recrutement équilibré en fondion de la biomasse féconde
kquilibrée. Cette courbe correspondB la relation stock-recrutement implicitement
contenue dans le modèle de production ajusté.
Considérons maintenantlerecrutementcommerésultamtdel'effetd'une
relationstock-recrutementintrinsèque à la populationétudiée et d'un bruit
environnemental pemment extrinsèque (biotique
et
abiotique).
Le
bruit
environnemental est dans la plupart des cas important, voire détermirmant dans
l'kvolution du recrutement ; la relation stock-recrutement demeure
ainsi
"invisiblett. Pour cette raison, l'évolution du recrutement et de la biomasse
féconde vers un ékt d'Cquilibre Re et BFe demeure improbable enpratique et ne
garde qu'un intér6t thhique. Némoins, par d6finitioq le recrutement Cquilibré
Re (F) parcourt la courbe de la relation stock-recrutement quandF varie (Moran,
1950 in Gulland, 1977) (fig. no 1) ; la courbe de recrutement équilibré obtenue
est donc aussi la courbe de la relation stock-recrutement (WBF). La relation
stock-recrutement ainsi d&rmiwCe ne fait done plus r&f&enee ii un
quelconque Cquilibre avec la mortdit! par pCche qui ne semait qnvB
parcourir la courbe thCorique de recrutement kquilibrk.
220
Session III O.Maury
BFe
bkmclssef " m b
III-RESULTATS
A- Relation stock-recrutement obtenuedans le cas général
Un exemple est présenté icià titre d'illustration : le lieu noir dela zone CIEM
V a (ouest écosse) évalué en1991.
o w Q 4 w o b l
F
221
L'intér2t de la méthode est depermettrel'ajustementd'unerelationstock-
recrutement "intrinsèque" B des données de recrutement apparemment erratiques
exprimantsimultanément me tendance "htrinsèque" et desperturbations
environnementdes "extrinsèques".La figure n"2 illustre bien l'alluresatisfaisante
de la relation stock-recrutement obtenue malgré l'impossibilité d'ajuster a priori
une courbe au recmtement observé.
Pour desvaleursréalistesdesparamètres,larelationstock-recrutement
obtenue se déforme jusqu'i former une boucle. A une même biomasse fkconde
correspondent alors deux valeurs de recrutement équilibré possibles.
Une relation stock-recrutement en forme de bouclepermetd'envisagerdes
évolutions
complexes du
recrutemenbcomportant
une composmte non
déterministe B deux modalités. Celui-ci pourrait en effet passer d'une situation de
fluctuationsextrinsèques autour d'unesituationintrinsèque"haute" 8 une
situation de fluctuationsautour d'une situation intrinsèque "basse" (fig.
11'31.
La relationstock-recrutement
peut
&re
définie c o r n e représentant
l'espérance du recrutement en fonction de la biomasse féconde. Le recrutemènt
observkdoit dors êtreconsidérecomme résultant de la combinaisonde
l'espérance intrinsèque et des facteurs extrinsèques. La méthode proposée est
fondée sur l'ajustement d'un modèleglobal associé B la connaissance d'une courbe
222
Session III O.Maury
223
BEVERTON (R. J. H.) et HOET (S. J.)> 1957 - On the dynanaies of exploited
jshpopulntiom ;Fishery Invest., Eond., Ser.2, 19: 533p.
CUSHING (D.H.)y 1971 - Thedependence of recruitment on parent stock.
J Fish Res. Bd car^.^ 30: 1965-76.
DEMSO (RB.), 1980 - Hawesting Strategies and Parmeter Estimation for an
Age-Structured Model. Cnn. 9.Fish. Aqzaat. Sei. 37: 268-282.
OD (D. J.) et JONES (B. W.)g 1974 - SLoclc a d reeruitment relationship
in the northeast M i e eod stock and the implications for management of the
stock, J Cons. int. fiplor. hier236(1): 35-41.
"LLAND (9. A.), 1977 - The stability of fis11 stoclts, J Cons. int. Explor.
MW, 37(3): 199-204.
K." (D. K.), 1988 - Stock-recruitment cuwes as used in the stock-
reductisn malysis model, 9: Cons. int.fiplor. Ader, 44: 253-258.
NCKXR (W. E.), 1954 - Stock md Recruitment, J Fi&. Wes. Bd. Canada, 11
(5).
SHEPHEIPD (J. 1982 - A versatilenewstock-recruitmentrelationship for
fisheries, and the constructionofsustainableyieldcurves, J Cons.int.
Explor. Mer, 40( 1): 67-75.
S I I S S E m E (M, P.) et SmPmm (J. G.)y 1987 - An Alternative
Perspectiveon Recmitment Bverfishing and BiologicalReference Points,
"an. J Fish. Aqunt. Sei. 44: 913-918.
224
Deuxième Forum Halieumétrique, NaHtes, 1995
Session III :Modéhation et reprisentation des connaissances
I - POSITION DU PROBLÈME
Lorsqu’en pêche, on souhaite modéliser l’ensemble du cycle vital des pois-
sons, il est nécessaire d’exprimer le recrutement (i.e. l’entrée dans la phase
exploitable).Certains modèles fontappel à un recrutement constant ou
purement stochastique, afin de rendre compte de l’influence des fluctuations
environnementales. Une autre manière de faire est d’introduire une relation
stock-recrutement, qui détermine le recrutement à partir de l’effectif ou la
biomasse du stock fécond (Laurec et Le Guen 1981).
Les deux relations classiques les plus utilisées sont celle de Ricker, et
celle de Beverton et Holt (Clark 1976). Cependant, les comparaisons entre
ces relations et les données expérimentales sont souventdécevantes (Hilborn
etWalters 1992, pp. 243-2G8). Pour clarifier ces modèles, nous avons
modélisé la dynamique de la phase pré-recrutée, en nous inspirant des hy-
pothèses utilisées par Ricker ainsi que Beverton et Holt pour élaborer leur
relation.
En première approche, nous considérons que l’effort de pêche est main-
tenu constant et intégré dans le terme de mortalité.
II - PRÉSENTATION DU MODÈLE
+ cjiZiXi(t) - C P i X i ( t ) X O ( t )- p o x o ( t ) 2
n n
Xo(t) = -aXo(t) - moXo(t)
i=l k l
“Théorie des systèmes et, du contrôle, INRIA, Projet Comore, BP 93, 06 902 Sophia
Antipolis Cedex.
225
C h q u e stade i [O B n.) du stock est soumis à, mortalité (mort na.turelle
et p6che : mi) et passa.ge (a) dans la cla.sse supérieure.
A ce modèle linéairetr&ssimple, on greffe au niveau du stade pré-recruté
un terme de ponte, supposée continue, permettant de boucler le système,
ainsi que des termes de mortalité spécifiques aux pré-recrutés. Ces derniers
sont issus des hypo%h&sesde IPjcker a.iinsi que de Beverton et Holt.
Plusprécisément,lenombre d’ceufs (pa,r unitédetemps)introduits
dans le stade O est donné par lasomme des (f;Z&), où fi es-tla proportion
d’individus féconds, et Zi le nombre moyen d’ceufs émis par un tel individu.
Les juveniles sont a.ussi éventuellement soumis à de la prédation parentale
du sta.de i (p;-Yi.Sro) et de la compétition (poX;).
indice : 0 1 2 3 4
O! 0.79
1000 2000
I 0.2
1500
1
On remarque que, da.ns cet exemple :
- la “relation ~tocl~-recruternent~’
n’est pas une fonction : à un stock fécond
donné correspondent plusieurs recrutements possibles,X f = f ( R )n’est pas
défini de manière unique ;
226
Session LII S. Touzeau, JI,.Gouzé
"11
1s -
13 -
rf :stock femnd
II 13 1s 17 19 21 23 2s
227
A - Commentaires
Ces résultats mettent enévidence qu’il n’existe pa.s nécessairement de “fonc-
tion ~tock-recrutement~~ a.u sens math8ma.tique du terme,ce qui ne signifie
pas que qu’il n’y a. pa,s de relation entre ces deux entités. Vouloir r6sumer
en une simple relation fonctionnelle une part,ie du cycle de vie des pois-
sons, la croissance des e u f s jusqu’au recrutement, sous-.tend deshypothèses
d’uniformité très fortes.
Dans le cas de notre modèle, cela. revient presque B réduire le stock
à deux sta.des : ceux qui pondent et cannibalisent leur progéniture (pour
lesquels fa.= f,p; = p , 2; = Z) et les autres qui ne doivent pas interagir avec
les juv6niles (pour lesquels f; = pi = 2i = O) ; seuls les termes de morta.lité
permettent dors de différencier les classes d’âge entre elles.
Il fa.ut noter en outre que les perturbations dues au milieu et agissant
sur le recrutement, ont 4td négligdes da.ns ce modèle. Mais comme le mon-
tre la figure 1 où seuls quelques points de l’ensemble des couples (Xj,R )
sont représentés, on peut obtenir un nuage de points à pa.rtir d’un modkle
déterministe, sans prendre en compte 19environnement.
B - Extensions
A la suite deces considérations, nous comptons développer ce modèle a,fin
de pouvoir faire du contrôle sur le système, et le caler sur un stock réel.
Pour mieux int,égrer 1 s p k h e , on peut introduire au niveau des termes de
mortalité, un contrded6pendan.t du temps, l’effort de pi?che E ( t ) ,tel que :
+
m; = mi q ; E ( t )
mi étant le taux de morta.lité naturelle et qi la, capturabilité du stade i.
Par ailleurs, la pêche étant un phénomène saisonnier, on peut introduire
au niveaudes termes de ponte une varia#bleforçante périodique s ( t ) , de
période une année. On obtient a.insi une saison de ponte de durée T d a m
19année, en dehors de 1a.quelle a.ucun e u f n’arrive en phase pr6-recrutée.
BIBLIOGRAPHIE
228
Session III S. Touzeau, J L . Gouzé
229
Deuxième Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
Christian Chabouda
23 1
il s’agitd‘unmodèlemono-spécifiqueavec un seulmktierquireprendles
hypothtises classiques d’analyse des pecheries unitaires.
La figure 1 présente le schéma général des interrelations présentes, au cours
d’un cycle de simulation.
Le modèle comprend ainsi deux composantes :
- UnmoduleCconomique si sontprésentes,sousformeschématique,les
principalesrelations entre lesquantitks et les prix (fonctionsdedemande), %a
formation des cocts, du profit privé et dela rente économique, les instruments de
la politique de gestion,la fonction d’entrée etsortie daans la pscherie.
- Un modkle biologique malytique qui co&prend les relations habituelles en la
matiCre : fonction de croissance, relation entre le poids et la longueur, équation de
mortalité totale etpar peche, relation entrele stock fécond eL le recrutement.
Le modèle développé fonctionne sur un ordinateur detype PC. Une interface
permet de préciser les parmètres de simulation au moyen de menu, et de suivre
le déroulement dela simulation sur l’ensemble des périodesau moyen de graphes
dynamiquesquireprésententl’évolutiondesprincipalesvariablesd’étatde la
pêcherie.
232
Session III C.Chaboud
variabilitépeutégalementêtretestée,enfonctiondesvaleursdesdifférents
paramètres. des composantes économiques et biologiques.
IV - CONCLUSION
Cetterapideprésentation dumodèlebioéconomiqueavaitpourobjectif
principal d‘en présenter les
principes
générauxquelques
et résultats
caractéristiques. En dépit des critiques souvent adressés à ces modèles il nous
semblecependantqu’ilsconstituentencoreunevoieintéressante pour la
représentation de la dynamique des pêcheries (et non pas seulement pour leur
optimisation). Le développement d’outils informatiques puissants et néanmoins
233
conviviaux permet désormais de mettreau point des modèles de fapn plus aisée
et de simuler la dynamique des systèmes halieutiques en fonction de nombreuses
hypothèses. A termecegenredemodélisationdevras’orientervers des
simulxtionsrépktées ( M é ~ o d edeMonteCarlo)et,pourquoi pas, versde
nouvelles m6;thsdes d’aide B la décision moins mCeanistes et dkterministes que
celles retenus jusqu’icielans le domaine des pêches.
234
Session III C.Chaboud
/ \
235
Figure mo2 : simulation n"1. Evolution de quelquesvariables d'kt& en
fonction de mesures de gestion.
236
Session III C. Chaboud
BIOMASSE R C O N D E
BIOMASSE RCONDE
237
...
RECRUTEMENT
238
Session III C.Chaboud
MOIS
Figure n06 : simulation n"2. Suivi de l'effectif des cohortes durant les 20
premières années de simulation.
239
Deuxième Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
A. Sciandraa et C. Lobryb
1 - INTRODUCTION
Le colloque organisé lors des journées OXYTHAU (mai 1994) a révélé la
complexitédeséchangesdematièreinhérents à toutsystèmebiologique
diversifié.Même si touteslesespèces ougroupesfonctionnelsn'ontpas été
identifiés, on peut admettre que l'étang de Thau est le siège de la plupart des
processusdetransformationqu'onpeutidentifierdansunmilieuocéanique :
productionprimaireautotrophe et hétérotrophe,nitrification,dénitrification,
reminéralisation, etc... Les résultats théoriques issus de modèles mathématiques
(Bacher et al., 1995), et les bilans d'azote qui ont pu être effectués suggèrent
qu'une source importante de l'azote finalement converti en huître proviendrait du
sédiment.Bienquelesorganismesde la bouclemicrobiennen'aient pas fait
l'objet d'investigations poussées, on peut penser qu'une partie non négligeable de
la production végétaleest d'origine régénérée.
La production de bivalves est étroitement associée à la production primaire,
nouvelle ou régénérée, en raison de leur efficacité de filtration. Toutes les voies
d'échangeetdetransformation au seinduréseaumicrobienaboutissent
finalement à une production de matière que l'on extrait annuellement de l'étang.
Pour quecetteproductionpuisseperdurer,lesprélkvementsdoiventêtre
compensés par desimportationseffectuéesgrâce aux échangesavec la mer
ouverte, aux apports des bassins versants, la matière piégée dans le sédiment
pouvant elle-même être recyclée.
Bien que ce point resteà préciser, l'essentiel des apports énergétiques externes
est en dernier ressort constitué par de la matière inorganique dissoute. La part
détritique
pouvant être
amenée par lesbassins
versants
les
etvoies
communiquant avecla mer, sédimente ou est reminéralisée.
Ce constat nous amèneà considérer que les sels nutritifs, indépendamment des
voies de transformation ultérieure, constituent une variable d'entrée primordiale
-
a Ecologie du Plancton Marin Station Zoologique, BP28,06230 VilleEanche sur mer
Mathématiques - Système Dynamiques- Même adresse
24 1
dans lesysteme.Onpeut donc se poser la question de savoirquel est le
rendementdeconversiondel'azoteintroduit dans l'etmg de Thau enmasse
d'huître. A cause de lamultitudedesespècesprésentesetdesprocessus
d'echmges de matière opérants, un tel bilan est très difficile i établir i partir
d'une estimation approximativeet parcellaire desflux associés.
Ceci nous amène & concevoir le problème dela conversion des sels nutritifs en
huitres sous un autre angle.Pour repondre A la question simple posee, ilfaut que
celle-ci se rapporte A un système idéalisé. Etmt domé le rôle prépondérant joué
par les sels nutritifs, le phytoplancton et les bivalves, et que la question met en
cause directement ces variables, il est possible de traiter leproblèmeenleur
faisant uniquement référence.
Une des particularités de l'&mg de Thau est la répartition spatiale des zones
degrossissementdeshuîtres implantées essentiellementle long de la bordure
continentalede l'étmg. La dispositondes tables échelonnéesrégulièrementet.
traversées par un flux de phytoplancton et de sels nutritifs confère ii l'ensemble
dusystèmedespropriétésparticulières : l'alternanced'aires où la production
primaire et la filtration sontdiffdremerxt favoristes n'est probablement pas sans
effet sur la production d'huîtres, et sa stabilité. A titre d'exemple, les zones sans
bivalve peuvent constituer des refùges pour leurs proies, où une biomasse de
phytoplancton peut etre maintenue et export& vers les tables si les mouvements
advectifs le permettent.Par ailleurs, si la prédation est importante au niveau des
tables, l'excrdtiond'ammoniaque et la reminéralisationdesfècespeuvent
kgalement intedérer avec la production de phytoplancton.
Encontrepartie,lesespaces non occupés par lestables sont evidement
improductifs. Que se passerait-il si des huîtres etaient plackes dans ces zones ou
si l'espacement entre
les
tables était plus faible ? Observerait-on une
augmentationglobale et sigmflcativede la productiondebivalvesouau
contraire, un épuisement de la production végét.de ? Il n'y a pas, d priori, de
solutions simples car la productivité d'm .tel système, spatialement hkterogène,
&pend de la esmbinaison des facLeurs biologiqueset hydrodymmiques : taux de
croissance du phytoplancton, taux d'ingestion des bivalves, de reminhlisation,
vitesse et direction des courants, niveau d'enrichissement en sels nutritifs. Sans
m6me vouloir inclure tous les détails des mécanismes biologiques évoqués plus
haut, on s'aperçoit que la question posk uniquement en termes globaux n'a pas
de réponse immédiate car elle se rapporte à un système qui,par sa structure, peut
avoir une dynamique complexe. Intuitivement, on peut considerer que les espaces
sans huîtrevontêtrelesièged'uneproductionprimairequine pourra se
242
Session III A. Sciandra, C.Lobry
développer que si le temps de résidence dans ces espaces est suffisant et si les
conditions d'enrichissementle permettent.
La dimension spatiale n'est pas simple à prendre en considération car elle
présuppose une bonne connaissance des conditions aux limites et des processus
hydrodynamiques.D'ailleurs, il est danslesobjectifs fhturs duprogramme
OXYTHAU d'évaluer le type de circulation régnant autour et à l'intérieur des
tables. Ce n'est qu'après cet effort qu'une tentative de modèle hydrodynamique
appliquée à la zone pourra êtrefaite.Mais dans unpremiertemps,il est
nécessaire de s'attacherà l'étude de cas d'école qui ne tiennent compte quefait du
qu'ilexisteunehétérogénéitéspatiale,sansnécessairement la représenter
physiquement, ne serait-ce que pour évaluer son importance sur la production.
Cette approche ne nécessite pas de moyens de calcul importants. Par contre, elle
peut donner des indicationssur ce que l'on est en droit d'attendre des effets de la
spatialisation, pour peuquel'onconnaisselesgrandeurscaractéristiquesdes
phénomènes impliqués.
Nous pensons qu'uneh d e théorique du système ou d'une de ses composantes
doit être menée simultanémentà une approche descriptive des processus, chacune
d'elle apportant des informations de nature différente et donc complémentaires.
Commenousl'avonsdéjàévoqué, la quantitéd'informationsdisponibles sur
l'écosystème de l'étang de Thau est très importante, et à cause de cela, difficileà
utiliser. Afin d'être guidés dans l'élucidation de certaines questions, nous devons
nous attacher à l'étude de systèmes dynamiques simplesau départ, bâtis sur des
hypothèsessimplificatricesdoncfortes.Nousn'avons pas pourambitionde
répondre par ouiou par non à desquestionsdutypeprécédentmaisde
sensibiliserlesrecherchesexpérimentales aussi bienquelaformalisation
mathématique sur certainspoints, en apportant uneinformationdépourvue
d'ambiguité. L'avantage de l'analyse mathématique des systèmes dynamiques est
d'aboutir à des conclusions sans avoir à effectuer de simulations numériques. En
effet, un modèle numérique dit "réaliste" du système de production comporterait
au minimum un nombre important de variables jugées essentielles: sels nutritifs
(1 paramètre au moins), phytoplancton (2 paramètres), huîtres (2 paramètres),
répartition spatiale (2 paramètres),advection (1 paramètre). Une démarche
pourrait consister à chercher à déterminer le jeu de paramètres qui maximise la
production d'huître. En fait, il n'existe pas d'algorithme approprié dont on puisse
garantir la fiabilité.D'un autre côté,prendredesdécisions à partir des
simulations est illusoire,comptetenudugrandnombredesortiespossibles
résultant dela combinaison de huit paramètres.
243
Deux questions peuvent être abordees suivant cette optique :
. Compte tenu d'un certain nombre d'entrees dans le syst6me (enrichissement,
rerninkralisation, etc...)? quel peut 2tre le taux de conversion des sels nutritifs en
hultres ? Dans quel domaine de variation ce taux de conversion: peut-il evoluer
gour elifferentes combinaisons d'entrees?
. L'effet de la spatialisation des zones de production d'huîtres est-il favorable
ou défavorable ? La repartition actue%leest-elle optimale pour la production et
pour l'kcosystèmede l'etang de Thau dans son ensemble ?
XI
x ' , =- SI
x, -Y - dx,
1 +SI eix,
2.44
Session III A. Sciandra, C.Lobry
Ce modèle est identique au modèle (1,1) à ceci près que les filtreurs ont été
supprimés dela première régionet leur quantité a été doubléedans la seconde.
BIBLIOGRAPHIE
245
Deuxi&meForum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
1 - INTRODUCTION
La non-compatibilité souvent observée entre productivitéet rentabilité repose
sur la formation et la répartition du surplus de productivité d’une part, et sur la
capacité de financement de nouveaux équipements d’autrepart. Dans cet article,
nous nous proposons de recenser et d’évaluer les Cléments susceptibles de faire
diverger la mesure des deux indicateurs de perfomance des stratégies mises en
oeuvre par les entreprises de pêche.
II - MATERIEL ET METHODES
247
Lorsquel'efficacitCproductive d'un secteurlaisseapparaftre de fortes
differences avec la rentabilite de ce m&me secteur, il existe alors une marge
importante pour la politique de prix afin d'Cviter une Crosion des profits. Le
pouvoir de marche et les effets de différenciation d'une entreprise manifestent
un intérst marquC de la firme pourdégager de son activité une capacit6
financikre plus Clevéeque celle de ses concurrentes.
Le facbrw ~ ~une indkcisisra
$ sur
~ la ~ ~~ ~ entre
~r ~~ ~~ r i ~s ~
etr ~i t~~
248
2) Balance des Cckmges de 1990 1 1991 de l'armement 2
1 Apports perquspar l'armement Avantages répartis par l'armement
Marins 1523 Clients 12636
5226 Fournisseurs Matières 287 Proprietaire
SPG 6485 Fournisseurs Services 257
Etat 54
Solde 13234 132341 Solde
L'analysedescomptes de surplus fait apparaitre un gain deproductivite
nettement plus important pour ce second armement, soit 6485 milliers de fiancs.
Or, la d&mnposition par produit et par facteur illustre la forte ponctionimposCe
aux equipagesdesnavires(1523 KF) ainsiqu'aux actionnaires-proprie~ires
(5226 W).
250
Session III P. Le Floc'h, J.P. Boude, F. Dawes
IV - DISCUSSION
L'obtentiondegainsdeproductiviténesembledoncpasunecondition
suffisante pour justifier le rôle déterminant des équipements techniques (anciens
ou nouveaux) dans la combinaison des facteurs de production. Au contraire, la
décomposition desfacteurs et des produits en termes de volume et de prix montre
qu'une entreprise en difficulté financière choisit spontanément une sortie "vers le
bas" (baisse des rémunérations salariales).
BIBLIOGRAPHIE
25 1
Deuxième Forum Halieumbtrique, Nantes, .I995
Session III :&fodéhationet représentation des connaissances
1- INTRODUCTION
L'objectifdecetarticleest de démontrer que le diZemmedu prisonnier,
formalisation standard de la "Tragédie des communaux" annoncée dans le
célèbre texte de Garrett Hardin (1968), n'est pas un outilpertinent pour
modéliserunetellesituationcomplexe,soumise à la variabilité biologique et
économique, ainsi qu'à l'incertitude.La 'Tragédie des communaux': qui apparaît
être plutôt une "tragédie" du libre accès aux ressources, a trouvé auprès de la
théorie des jeux une formalisation qui lui conf"ere implicitement un caractère
d'analyse scientifique.
En effet, il est traditionnellement admis quele jeu du dilemme du prisonnier à
N joueurs est une bonne synthèse des préférences individuelles impliquées dans la
"Tragédie des communaux". Ce jeu à un coup ou répété un certain nombre de
fois, que l'on représente habituellement sous la forme simplifiée d'une matrice
2 X 2 dans le cas où il y a deux joueurs (cf. tableau l), stipule que les individus
confrontés à deux stratégies (ajouter un animaune pas le faire, trahir/coopérer
etc.) possèdent une stratégie dominante qui sera de toujours faire cavalier seul.
Ainsi, les exploitants rationnels d'une ressource n'appartenantà personne seront
enfermés dans unelogique de compétition,quilesconduira à préleverle
maximum, le plus rapidement possible,tout ce qui n'estpas pêché par l'un le sera
par unautre. Ce processusse déroule dans uncadre non coopératif? ce quiexclut
toute entente préalable entre les joueurs. Ledilemmeprovientdu fait que la
rationalité
individuelle conduit
les
deux joueurs à choisirleur stratégie
dominante? cette dernière permettant à chacun d'obtenir un gaininfiérieur à celui
qu'il aurait eu en adoptantla stratégie coopérative.
-
a C.E.MA.F.L, Faculté de Droit, des Sciences Economiqueset de Gestion, 7 av. R.-Schuman,
06 050 Nice Cedex
b - U.N.S.A., Faculté des Sciences. Parc Valrose.06 O00 Nice
253
Ce ne sont pas tant les valeurs absolues des paiements associes aux deux
stratégiesindividuellesquiimportent,maisplutôt la hiérarchiedesdifférents
gainsentreeux. En effet, toute la logiqueinternedudilemme du prisonnier
repose sur deux conditions fomulCes en termes d'inégalitis : T > R > P > S et
W > (S+T) / 2.
Soit SI,la quantité en mase (biomasse) d ' d a u w sur le prk. Pendant une
période (une année par exemple, qui correspond bien avec les rythmes agricoles),
le préva "produire" unecertaine quantité d'animaux qui dépendra dela fonction :
F(.) = x(1 +yf (x) (1)
o~ ~ ( xest) une fonction qui in&que l'accroissement en poids sur une période.
Une telle kcriture de la fonction F(x), lorsque l'on développe l'expression (l),
permet de mekre clairement en evidence le gain du pré, x y ( x ) , c'est B dire la
masse initiale d'animaux dans le pré multipliée par l'accroissement en poids sur
une
période.De
plus, il convientderemarquerque ~ ( x exprime
) un
accroissement relatif,par unité de masse,et non un accroissementabsolu.
Par hypothèse w '((x)< O. Une telle fonction traduit simplement le fait que la
ressource, le pré, est fixe. La croissance sera forte quand il y a peu d'animaux.
Plus x estgrand et plus la croissance desanimauxestfaible, pour devenir
254
Session III B. Romagny, C. Lobry
négative quand x> 1. Il existe donc une relation entre la croissance des animaux
sur le pré (en masse) etla densité de la population. Nous sommes par hypothèse
dans un milieufermé : lesbergersmisenttotalement sur cechamppour
l'alimentation du bétail. L'optimum dupré x,, ,sera tel que : F'( xo) = O.
Notre démarche sera alors la suivante : en fonction d'une allure "raisonnable"
de la fonction ~ ( xque
) l'on se donneau départ, nous calculons l'optimum du pré
x,, et le gain associé à celui-ci (G,( x,) = x , ~ xo)).
( Si on fait l'hypothèse que
deux bergers identiques (BI et Bz) ont accès au champ, on peut formuler à leur
égard
une recommandation en terme de
masse
d'animaux à mettre
individuellement sur le pré (XI et x ~ :)x1 = x2 = ~0 / 2. Il est alors facile de
calculer les gains individuels associésà x1 et x2 , si les deux bergers suivent la
recommandation : Gxl = G a = Gp(h) / 2. Notre problème est donc de calculer
lesgainsassociés aux différentesstratégiesdesdeuxbergers : suivrela
recommandation ; ou bien rechercher la meilleure "trahison" possible pour
un desjoueurs,sachantquel'autresuit la recommandation.Enexprimant
l'ensemble des résultats sous la forme de matrices des gains habituelles en théorie
des jeux, nousmontrerons alors quelesvaleursquisontdanscesmatrices
dépendent étroitement des allures que l'on peut donner à la fonction ~ ( x et) donc
de la réponse du champ à la pression humaine. Nous traiterons ainsi plusieurs
casquisoulignentquel'inévitable"tragédie"formalisée par ledilemmedu
prisonnier n'est pasun fait inéluctable.
III- RESULTATS
A- Cas no 1 :Un cas linéaire simple ~ ( x= )1-x
Dans ce cas,la recommandation~0 vaut 1/2. Chaque berger devra mettresur
le
champ X I = x2 = 4 2 = 1/4. Lesgains
individuels
associés à la
recommandation sont égauxet valent chacun8/64.
255
On obtient alorsla matrice suivante:
Tableau 2. Matrice des gains des deuxjoueurs dans le cas linéaire. Les gains du
joueur de la colonne smt donnés en premier. Les valeurs de la matrice sont
simplifiees (par exemple: 8/64 = 8). Cette convention sera respectéepar la suite.
256
Session III B. Romagny, C.Lobry
L'analyse dujeu à deux joueurs sur un pré donne donc des matrices des gains
et desconclusionstotalementdifférentes,selonlesalluresde la fonctionde
"rendement biologique" du pré. Celle-ci étant inconnue et non observableex ante,
probablement variable d'une année sur l'autre, l'utilisation d'une matrice 2 X 2,
aux valeurs spécifiées de faGon ad hoc, pour argumenter la "tragédie" du libre
accès paraît illusoire. Une argumentation sur des allures variablesde la fonction
~ ( xsemble
) plus utile, mais reste cependant délicate.
BIBLIOGRAPHIE
257
Deuxithe Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances
Jean Le Fur a
1- INTRODUCTION
-
a Orstom, BP1386, Dakar, Sénégal
259
A cette problkmatique vise à mieux suggérer, à travers des jeux de simulation,
quelles pourraient 6tre les conséquencesd'un changement (ex: mesure de gestion,
fluctuation d'unstock, apparition d'un marché)sur la dynamique de l'ensemble de
l'exploitation.
260
Session III J. Le Fur
26 1
changements peuvent6tre
ainsi
abordéspour
unscénario donné (ex:
apparitions deflottille,d'espèce,demarché;modificationsderendement,de
prix, de laconsomation; changement d'habitude;taxes, subventions).
Un exempledesimulation est présent6 portant sur lecomportement et
l'activité des cornunautés de l'exploitation sénégalaise face à divers types de
changements et le suivi de ces effets it un niveau global.
Le système (modelisé) ne peut encore satisfaire entièrement les objectifs liés&
la problématique. Il seraitpar exemple nécessairede prendre en compte le secteur
de la transformation, certaines fluctuations saisonnières, les créations ou pertes
d'emplois, une diversification plus importante du choix des acteurs (ex: changer
d'espCcecible,investirdansde nouvmux équipements,explorerdenouvelles
filières commerciales, etc.). Sur un autre plan, la calibration de ce modèle, bien
que pe~edible,apparaît difficile du fait de l'interdépendance des mécanismes
représentés, du nombre important de parmètres pris en compte et des lacunes
existant dans les données disponibles.
La méthodologiedéveloppéepourabordercetteproblématiquepermet
d'envisager l'étude de l'exploitationSOUS plusieurs angles etii travers diverstypes
de problématiques (éconormie, comportement, gestion) à partir d'un meme cadre
de simulation.
Le modde est défini sur uneCchelle structurelle locale (ex: communautés,
véhicules, zone de p2che) et fonctionnellelocale(ex:proc%ssusdedecision,
transaction de gr6 A gré, diplacements, sortie de p&che).Il est ainsi apte ii rendre
compte de changements exprimésà cette échelle.
Enfin, les informations produites sur le fonctionnement de l'exploitation, sur
lesinterrelationsexistantentresesdifférentescomposantespermettent, par
agregationssuccessives,
d'envisagerl'étude
du
comportement
global
de
l'exploitation.
Dans leslimitesde sa validité,l'association scennario-modèle-s~u~ateurse
présenteainsi comme une exploitationvirtuellesurlaquelledeschangements
peuvent être introduits et leursconséquencesobservées sur cliverseséchelles
spatiales, temporelles ou fonctionnelles.
262
Session III J. Le Fur
BIBLIOGRAPHIE
263
Table ronde
Intervenants :
J.P. TREUIL
S. LARDON
265
Deuxième Forum Halieumitrique, Nantes, 1995
Table ronde :Nouveaux outils informatiques et dimension spatiale
Sylvie Lardona
1 - PROBLEMATIQUES SPATIALES
A - Les thématiques
A l'INRA, au département Systèmes Agraireset Développement, les champs
de rechercheconcernent les exploitationsagricolesdansleurscapacités
d'innovation et de transformation, les filières et les dispositifs de coordination
de la production et les territoires, dans la dynamique des paysages et des formes
d'organisation sociale.
L'espace est souvent une composantedesphénomènes étudiés, quel'on
s'intéresse à la répartition des productions,la transformation des paysages ou la
différenciation des espaces ruraux.
L'espaceestaussi un facteur, une variableactivedanslesdynamiques
étudiées, telles queles structures de la montagne pourla conduite des troupeaux
en alpage ou la proximité des villes pour le développement de la pluri-activité
agricole.
L'originalité de nos travauxest que nous utilisons l'espace comme moyen de
compréhension des phénomènes, de communicationentredisciplines,de
généralisation des connaissances et de raisonnement sur les processus. Ainsi,
nous construisons des modèles de représentation et nousélaboronsdes
indicateurs spatiauxde fonctionnement pour imaginerdes formes d'organisation
adaptées aux systèmes complexes à gérer.
-
B Les objectifs
Les travaux portent sur différents objets, dans une perspective de maîtrise,
parlesacteurs, des processusbio-techniques et socio-économiques.D'autres
approches se focalisent sur les projets et les savoir-faire des acteurs, l'approche
267
parl'espaceentreparlarCsultante des strategies et la réalisationdes faits
socio-techniques.
insi, nous raisonnons sur des entites spatiales qui sont locdisCes, qui ont
une forme et qui ivoluent. Trois types de questions se posent : Quelles sont les
structures de l'espace Ctudié ? Quelles formes sont produites et quel impact
ont-elles ? De quels processus sont-elles le si&geet comment les maîtriser ?
Il s'agit doncdesedonner des outils de description,d'analyse et de
mod6lisation, non seulement pour connaître "ce qui se passe" mais aussi pour
proposer"commentfaire".Cela demande desuivre les processus,mais aux
niveaux d'organisation pertinentspour leur gestion.
-
A Description spatiale
Tout d'abord, il s'agit de choisir les niveaux d'organisation, de spécifier les
objets spatiauxet d'identifier les variables pertinentes. Cette étape demande dese
construire u%1 modèlede représentation de larkalitéquipeut être instrumenté i
268
Table S. Lardon
B - Analyse spatiale
Ensuite, il faut caractériser les formes produites et identifier des indicateurs
de structure et de fonctionnement. L'espace est le support de mesures, tels que
des indices morphologiques, de répartition, de connexité, de coïncidence, mais
aussi de flux, de transformations,deséquences,deressemblance.Les
statistiques spatiales, la morphologie mathématique et l'analyse d'images sont
les outils de base de l'analyse en mode raster et la géométrie et la topologie le
sont en mode vecteur. Il s'agit alors de mettre en relation ces indices et de
mesurer leur impactsur les processus (Tribouletet al., 1994).
L'interprétation relève de la mise en correspondancedes structures spatiales
et desmodes de fonctionnement et l'évaluation se fait parcomparaisonde
situations
observés. A partir de ces
relations
spatiales,
agencements,
configurations mises en évidence, il faut remonter aux mécanismes qui les ont
produits, si l'onveut connaître lesmarges de manoeuvrepossiblespour
modifier leurs impacts.
Les difficultés rencontrées concernent alorsle choix de l'échantillonnage, la
validité statistique des résultats lorsque le nombre de répétitions est faible et
l'absence, dans certainscas, de distributions théoriques. On peut avoir recours à
destechniques de simulation pouranalyser des distributions et caler les
estimateurs.
C - Modélisation spatiale
L'étape à proprement parler de modélisation nécessite bien sur des allers-
retours avec les phases précédemment décrites. Sa spécificité est que l'espace
intervient dansle déroulement d'une activité, non seulement comme support du
processus, maisaussi comme facteur actifde la transformation. On ne peut pas
leconsidérercomme une structurestable à décrire et à expliquer. Il faut
269
modkliser conjointement la transformation d'une entité dans le temps et dans
l'espace. Le temps et l'espacepeuventêtreconsidérésencontinu(duree,
étendue) et l'onCvalue des intensités et des densités, ou bien discrétisCs
(événement, pCriode, lieu, zone) et l'on caractérise des états et des différentiels
(GuCrin et al., 1994). Il s'agit de modélisation dynamiqueet systémique, encore
peu instrument& (Cheylan et al. , 1995).
Les modèles serventB différentes actions:
- Evaluer : estimer les paramètres du modèle pour caler les informations
observies.
- GCnCraliser : extrapoler B d'autres situations les connaissances obtenues
sur un jeu de données localisées.
- Reconnaître : constituer de nouveaux objets par combinaison formalisCe
et interprétée d'objets élémentaires.
- Simuler : prédire des résultats par application d'un même mécanisme h
des situations différentes, dansle temps ou dans l'espace.
- Raisonner : construire de nouveaux scénarios entestantdifférentes
alternatives.
Cela soulbve des difficultés non encore résolues, en particulier du fait de
l'explosion combinatoiredes solutions recherchCeset des boucles de rétroaction
inhérentes aux processusétudibs. Les principesmême de la démarche
exp6rimentale sont mis B défaut : existence de facteurs contr61és, répCtabilité
des expbriences, tests des résultats, De plus, cela demande d'intégrer differents
points de vue,d'articulerdifférentsniveauxd'organisation et de combiner
différentes approches. En effet, il faut tenir ii 1%fois le niveau élémentaire et le
niveau global, suivre des processus qui se déroulent ii des temporalités et des
spatialités diffhmtes, tenir compte des enjeux et des potentialites (Osty et al,
1994).
On peut se demander si les nouvelles m6thodes de la 'Vie Artificielle' ne
pourraient pas rCpondre aux fonctionnalités de récursivité et d'interactivité
nécessaires pour étudier des phénom6nes complexes, labileset irréversibles.
270
Table ronde S. Lardon
BIBLIOGRAPHIE
CI3EYLA.N (J.P.), LARDON (S.), MATHAN (H.), SANDERS (L.), 1995. Les
problématiquesliéesautemps dans lesSIG. Revue intermtionale de
géomatique. Hermes, Paris, 4 : 287-305.
GUERIN (G.), LARDON (S.), OSTY (P.L.), TRIBOULET (P.),
1994.
Comprendre et représenterl'organisation spatiale dessystèmestechniques.
L'élevage ovin extensif du Sud du Massif Central. Symposium International
Recherches-système en agriculture et développement rural. Montpellier, 119-
124.
LARDON (S.), 1994.Le SIG : un outilderecherche ? In : GEOPOINT,
Avignon, 13p.
LARDON (S.) , TRIBOULET (P.), 1994. SIG et démarchedemodélisation
spatiale. In : Codérence ESRI, Paris, 1Op.
LARDON (S.), OSTY (P. L.), TRIBOULET (P.) 1995, Elevage et éleveurs du
Causse Méjan (Lozère). Dynamique de mise en valeur et contrôle de l'espace.
In : Grands Causses. Nouveaux enjeux, nouveaux regards. Fédération pour la
vie et la sauvegarde du pays des Grands Causses. Millau, 219-242.
OSTY (P. L.), LARDON (S.), LHUILLIER (C.), 1994. Systèmes techniques et
gestion de l'espace : quelle qualité de l'organisation spatiale ? Les élevages
ovins du Causse Méjan. Etudes et Recherchessur les Systèmes Agraireset le
Développement, 28: 211-218.
TRIBOULET (P.), LARDON (S.), OSTY (P.L.), 1994. Gestion de l'espace par
l'élevage ovin sur le Causse Méjan.In : Conférence ESRI, Paris, poster.
271
Deuxikme Forum Halieumétrique, Nantes, 1995
Table ronde :Nouveaux outils informatiques etdimension spatiale
Jean-Pierre Treuil a
-
1 INTRODUCTION
-
a Orstom, laboratoire d'informatique appliquée
32, Avenue Henri Varagnat,93143 Bondy Cedex,France
273
Lespremiersordinateurssontnésaveclaparticipationeffectivede
mathématiciens et delogiciens qui, suiteauxtravauxdeGtidel sur les
fondements des mathématiques,avaient dCgaggC les basesthéoriques de la
programmation (Ganascia, 1990). Tout programmeur s'est au moins une fois
posé cette question: de quellesinstructions mon langagedoit il disposer au
minimumpour que je puisseprogrammer le calculden'importequelle
fonction, aussi compliquCe soit elle. La réponse est donnCe par la théorie de la
calculabilité. Cette dernière fournit un ensemble de modbles de calculateurs -
tels la machine de Türing - et en montre Equivalence formelle. Cet ensemble
de modkles 6quivalents définit un horizon semble-t-il indépassable (thèse de
Church) en matière de calculs, et fixe ainsi de fagon formelle ce qu'e.stune
fonction calculable.
Tout langage de programmation se conformant à ces modèles est universel.
Il permettra de calculer en un temps fini la valeurF(x) d'une fonction calculable
definie en x.Mais ce temps fini n'estpas nicessairement un temps raisonnable,
à l'échelle humaine, nimême à l'échelle de l'Univers.E'algorithmique,la
thCorie de la cornplexit6 des algorithmes, a précisCrnent pour objectif de cerner
l'ordre de cornplexit6 d'un problbme et d'estimer l'ordrede grandeur du nombre
d'opérations nécessairesà sa solution. C'est là un apport à ne pas négliger.
275
Le thème des Syt6mes B Base de Connaissances (langages de reprbsentation
des domaines, modkles de raisonnement) fait l'objet de recherches intensives en
IA. Les problkmes de diagnostic (et, dans les domaines naturalistes,
l'identificationdes espEces) constituentun de leurchampsd'application
privilegide.
276
Table ronde JP.Treuil
277
par malyse rnath&mateique,et rn&m lorsque de telles analyses sont possibles,
l'expérimentationde fait desph6nomknes peut s'avérerindispensablepour
Ctudier certains aspects et en explorer la variabilité. La methode des mondes
artificiels s'avbrealors particuli6rement adaptee.
278
ORSTOM éditions
Dépôt légal : décembre 1996
ORSTOM éditions
213, rue La Fayette
F-75480 Paris Cedex 1O
Diffusion Photos de couverture :
32, avenue Henri Varagnat For~dssous-marinset bancs de poissons
F-93143 Bondy Cedex Cliché :IFREMER / O. BAREAROUX
ISSN 0767-2896 Bateaux de pêche ci Sairtt Gilles Croix de Vie
ISBN : 2-7099-1357-7 Cliché :IFREMER / O. BARBAROUX