Actes du deuxihme forum halieumttrique,

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.

ISSN : 0767-2896 O ORSTOM 6ditions 1996

ISBN : 2-7099-1357-7
 Le Comité d'organisation du Deuxième Forum Halieumétrique adresse ses
vifs remerciements à tous ceux qui ont contribuéà la réalisation du Forum et
de ses Actes :
- La DirectionScientifiquedel'IFREMER,lesCommissionsScientifiques
"Hydrobiologie et Océanographie"et"Sciencesdel'Ingénieur et de la
Communication'' de l'ORSTOM, la Direction de l'Information Scientifique
et Technique de l'ORSTOM, et le Conseil Général de Loire-Atlantique pour
leur soutien financier.
- Le CentreIFREMER de Nantes pour son soutien financier et logistique.
- Marie-AnnickLegall,BrigittePrain,ChristineMaisonneuve,François
Gauthiez, Cédric Bacher, Christophe Béné, Olivier Berthelé et Jean-Marc
Guarini qui nous ont prêtémain-forte pour l'organisationpratiquedu
Forum.
- Patrick Grellier, Paul Bourriau, Jaques Massé et Daniel Halgand, grâce à
qui nous avons pu déguster des Anchois dûment préparés. Ces Anchois ont
été capturés et m i s au sel en juin 1994 à bord du navire océanographique
Thalassa, lors de la campagne "Ecologie et Recrutement de l'Anchoisdans le
Golfe de Gascogne" du laboratoire d'Ecologie Halieutique de I'JFREMER.
- Les animateurs des sessions, et leurs présidents Muriel Relandeau, Camille
Duby et François Valette, ainsi que les deuxcodérenciers de la table ronde
Sylvie Lardon et Jean-PierreTreuil,qui tous ont contribué à la qualité
scientifique des débats.
- Brigitte Prain, Christine Maisonneuve, qui ont assuré la mise en forme des
Actes du Forum.
- Anne Littaye, Marie-Hélène Durand etMarc Labelle pour leur participation
à la synthèse des communications pour les Actes du Forum.
- Pierre Porcheet la photothèque de 1'IFREMER pour les photographies.

i
 . -
' . I
..-

Le Deuxième Forum Halieumétrique s'est tenu à l'initiative et sous mandat

de l'Association,Française d'Halieumétrie. Cette société savante, née lors du
Premier Forum Halieumétrique en j u h 1993, a pour vocation de "contribuer
au dynamismedesrecherches--*concemantl'évaluationquantitativeet . la

modélisation des ressources vivantes aquatiques et des systèmes halieutiques"

(statuts de l'association, Article 3). Si, lors de l'Assemblée Générale-qui s'est
tenuependantleForum,les'discussionsontétévives autour du teime
"halieumétrie", le nombre et la qualité des contributions présentées montrent
que le dynamismeest au rendez-vous.
Le Comité d'organisation a CO~IÇU le Forum c o k e une .réuiion ouverte,
où toutes les tendances actuelles des différentes disciplines de 1'Halieumétrie
pourraient être représentées si ellesle souhaitaient. Aussi toutesles
'

propositions correspondant aux &èmes du Foi-uni et soumises dans les délais

ont été acceptées. Les résumés présentés dans ce volume n'ont donc pas été
relus par des arbitres indépendants, mais par le seul Comité d'organisation,
dans un souci de cohérence et derespectdesnormesd'édition. Il s'agit de
résumés étendus, afin de permettre aux auteurs de donner de leur contribution
un compte-rendu suffisant ; les auteurs qùi le souhaitaient ontpar ailleurs eu
la possibilitédesoumettreunarticlecomplet au joumal Aquatic-Living
Resources. 9 -

...
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

.DE CAShrNIAJOR Marie-NoElle . GAERTNER Daniel

LNRa - IFREMER - BP 3 - 64310 ST ORSTOM - HEA - O1 1. avenue Agropolis
PEE-SUR.-NTVELLE - BP 5045- 34032 MONTPELLIER
. D W L O Abdoulaye cedex

CENTRE NATIONAL, DES SCIENCES . GAERTNER Jean-Claude

HALIEUTIQUES de BOUSSOW~ - IFFC3MER - 1 rue Jean Vilar- 34200
CONAKRY - République de Guinée SETE

. DJABALLI Farid . GALZIN René

UBO/IFREMER - Laboratoire de - U.R.A.
Ecole Pratique Hautes Etudes
biologie des poissons- Sciences et 1453 CNRS - Université de Perpignan-
66860 PERPIGNAN cedex

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

ENSAR - Laboratoire halieutique- 65 .LAMBERT Patrick

route de St-Brieuc - 35000 RENNES CEMAGREF - BP 3 - 3361 1 GAZINET
. GUIBLIN Philippe cedex

CENTRE DE GEOSTATISTIQUE - 35 .LALOË Francis

rue St-Honoré - 77305 Orstom - HEA - BP 5045 - 34032
FONTAINEBLEAU MONTPELLIER cedex
. GUMO Nicolas . LARDON Sylvie
-
32 rue du Plessis BP 41 -944606 INRA - 17 rue Abbé de 1'Epée - 34000
SAINT-NAZAIRE MONTPELLIER
. GUILLOUET Jérôme .LEBON LE SQUER Donaïg
ENSAR halieutique - 65 rue de St-Brieuc IFREMER - Station de Lorient - 8 rue F.
- 35042 RENNES cedex Foullec - 56100 LORIENT
.HOLL Michel . LE FLOC'H Pascal
CONSEIL SWEREUR DE LA PECHE ENSAR-DEERN - 65 ruede St-Brieuc -
- 4 impassePasteur - 60200 35042 RENNES cedex
COMPIEGNE
. LE FUR Jean
.INEJIH Chekh Abdallah ORSTOM - HEA - BP 5045- 34032
CNROP Mauritanie - BP 32 - MONTPELLIER cedex
NOUADJ3BOU - RI de Mauritanie
. LE GALL Joseph
FEDOPA - 1 rue du Traict - 44490 LE
CROISIC

vii
.LE GUEN Jean-Claude .MASSKI Hicham
ORSTOM - Ifremer - BP 70 - 29290 F[FREMER Brest - DRV/RH - BP 70 -
PLOUW 29280 PLOUZANE

. LE PAGE Christophe . MAURY Olivier

ORSTOM LIA - 32 avenue Henri ENSAR - 65 rue de St-Brieuc - 35042
V a r a p t - 93 143 BONDY cedex RENNES cedex

.LE POMMELET Eve .MELLON Capucine

LTRA CNRS 698 - Station FREMER - BP 699 - 62321
Mkditerranéennede l'Environnement BOULOGNE SUR MER
Littoral - 1 quai de la Daurade - 34200
SETE
. MIZNARD Frédéric
ORSTOM LIA - 72 route d'Aulnay-
. LEK Sovan 93143 BONDY cedex
UPS - Labo bio-quantitative - 118 route
MOGUEDET Philippe
de Narbonne - 3 1O62 TOULOUSE cedex
FREMER - BP 477 - 97300 CAYENNE
. LESNOFF Matthieu - Guyane française
Village MaIlouet - 50400 GRANVILLE
.M O W Pierre
.LITTAYE-MAFUETTEAnne ORSTOM - BP 2528 - B 0 Mali
Kerchir - 56550 LOCOAL MENDON
.MOREE Eric
.LHOIvIMEFrd ORSTOM - BP 1984 - CONAKRY -
ORSTOM - BP 5045 - 34032 Rkpublique de Guinée
MONTPELLIER
. M O R E m Yvon
. MAGALPierre F E M E R Brest - BP 70- 29280
UNI\pEBSITE DE PAU et des Pays de PLOUmNE
l'Adour - 64000 PAU
.NAUDIN Stéphane I

. MARCHAND Jocelpe CEMAGREF - 3 bis quai Chauveau -

Université deNantes - Laboratoire 69336 LYON cedex
biologie marine- 2 rue de la Houssinière
- 44072 NANTES cedexO3
.NGUYEN-KHOA Sophie
107 rue Leblanc - 75015 PARIS
.MARTIN Delphine .PECH Nicolas
CEMAGREF - 50 avenue de Verdun-
ORSTOM - BP 5045- 34032
BP 3- 33611 GAZWET
MONTPELLIER
. MASSE Jacques .PELLA Hervé
IFFZWER - rue de ITle d'Yeu - BP 1105
- 44311 NANTES cedex 03
-
CEMAGREF 3 bis quai Chauveau-
69336 LYON cedex09

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

Pelletier D., Rochet M.J., Ferraris J.

Aperçu sur les méthodes d'etude des systèmes halieutiques et aquacoles :
synthèse
communications
des et débatsDeuxième
du Forum
Halieumétrique. .......................................................................................... 1

SESSION 1 :ACQUISITION DE L'INFORMATION

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

Mod6les linkaires génkrauxet capacité de re r6sentation ............................ 59

Badia J., Faivre R., Charron M.H., Pronzet
Estimation de probabilités par le modèle linéaire génkralisk. Application au
saumon (Salmo salwr L.). ........................................................................... 65 I~

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 '

Gauthiez F., Poulard JE., Ksutsikopoulos C.

halyse de la distribution spatialeb petite échelle des poissons benthiques et
d6mersaux en Mer Celtique......................................................................... 99
Lebon Le Squer D.
h d y s e et prospective sur la situationdesorganisationsdeproducteurs
&ançaises ................................................................................................... 105
Gaertner J.C.
Etude de la répartition spatiale des associations d'espkces démersales dans le
Golfe du Lion par mithodees factorielles simples et multiples ........................ 111

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-

e dela sole du Golfe de Gascogne ...................... 191

Lmbelr&P.,Rockard E., EIlie P.
Présentation d'un simulateur individus-centré de migration estuarieme de
civelles ....................................................................................................... 199
Le Page @.
Dynamique des populationset vie artificielle............................................... 205
Dumas J., Faivre R., Gharrora M.H., Badis J., D a v ~ n P e., Promet B.
Modeisation stochdcpe du cycle
biologique du saumon atlantique
(SaZrno sdar L.) : bases biologiques, hplhentation infiomtique et
hbqrh~on...............................................................................................
a u q o.
Une relation stock-recrutement gdneraliséeajustk la produdion observée :
hplicztions sur la dynamique du recrutement ............................................ 219

A propos des relations stock-recrutement.................................................... 225

Chaboud C.
Un modèledesimulationbioéconomiqueautorégénérant : application à
l'étude des sources de variabilité dans les pêches.......................................... 23 1
Sciandra A., Lobry C.
Modèles de croissance d'une population de filtreurs ..................................... 241
Le Floc'hP., Boude J.P., Daurès F.
Une illustration du problème de traduction des gains de productivitéen gains
de rentabilité dans l'activitéchalutière ......................................................... 247
Romagny B., Lobry C.
Variations sur le thème de la modélisation de la "tragédie" du libre accès
aux ressources renouvelables .................. :. .................................................. 253
Le Fur J.
Simulation de l'exploitation artisanale sénégalaise ....................................... 259

TABLE RONDE : APPORT DES NOUVEAUX OUTILS

INFORMATIQUES ET PRISE EN COMPTE DE LA
DIMENSION SPATIALE

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

APERçU SUR LES METHODES D'ETUDE DES SYSTEMES

HALIEUTIQUES ET AQUACOLES :SYNTHESE DES
COMMUNICATIONS ET DEBATS DU DEUXIEME FORUM
HALIEUMETRIQUE
Dominique Pelletier, Marie-Joëlle Rochet, Jocelyne Ferrarisa

-
1 INTRODUCTION

Afin de favoriser les échanges entre les disciplines diverses concernées

par
la dynamiquedessystèmeshalieutiques et aquacoles,ledeuxième Forum
Halieumétrique a étéconsacré aux aspectsméthodologiques.Eneffet,les
différentesdisciplinesdel'halieutiquesontamenées à utiliserlesmêmes
méthodes, et il a semblé intéressant de confronter les expériences sur le plan
des outils et des démarches. De plus, une méthode peut poser des problèmes
d'application différents selon la discipline ou le thème de recherche concernés.
Le Forum étant par essence pluridisciplinaire, son public est constitué de
chercheurs dedisciplines aussi diversesque la biologie,l'océanographie,
l'écologie,lesmathématiques,lesstatistiques,l'économie,l'informatique, la
géographie... Il avait donc été demandé aux auteurs de penser à s'adresser à
toutes ces personnes à la fois. Le sujet du débat était la méthode en tant que
point de rencontre entre une problématique et une réalité, et non la méthode
pour elle-même ; lepointcommunentrelesparticipantsrestant,bien sûr,
l'halieutique.

Le Forum a été structuréen trois sessions relativesaux méthodes utilisées :

1. - pour l'acquisition de l'information : collecte, stockage et nature
des données...
II. - pour l'analyse de l'information : analyses de données, traitements
statistiques...
III. - pour la modélisation et la représentation des connaissances :
modèles mathématiques,
modèles
stochastiques,
intelligence
artificielle,
informatique en général...
a Laboratoire MAERHA, rue delTle d'Yeu, BP 1105,4431 1NANTES Cedex 03

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.

LeForum a aussi étél'occasion de faire lepoint sur deuxthèmes

transversaux, concernant des outils et desdémarchesactuellement en plein
développement : f-

- la prise en compte dela dimension spatiale

- les nouveauxoutilsinformatiques (intelligence
artificielle,
réseaux
neuronaux,
systèmes
d'information
géographique,
de
bases
connaissances...).
Les comunications portant sur l'un de ces deuxthèmesont été plus l

spécialementencouragées.Deuxconférenciersexqérieurs .& l'halieutiqueont

été
invités poa~r des
points
de
vue
exqérieurs sur l'avancement des
problémztiques et des méthodesdans ces domaines. Une table ronde a permis
à chacun de s'exprimer sur ses expériences et ses attentes par rapport B ces
thkmes.

SION 1 :ACQUISITION DE E'HWFQ

t.
Les cornunications présentées au cours de la première session concernent
pour la plupart les questions
liées au développement des
systèmes
1.
d'information. L'exposé introductif de M. Relandeau, informaticienne, aborde
successivement plusieurs problèmes qui ont tous été soulevés égalementdans
les communications.
Premièrement, il s'agit dela définition des limites du syst2me et du cahier
deschargesdusystèmed'it6ormationenfonctiondesesobjectifs. Par
exemple, Chavance et Diallo exposent les résultats d'une enquête préliminaire
destinée a évaluer la pertinenced'unprojetd'observatoiredespêchesen
Guinée.
Le deuxième problème abordé a trait à 1% variéte et i I'hCtCrogCnCit6 de
l'information que l'on désire inclure dans un système d'informxtion. Ainsi, la
présentation par Bertrandd'unprogrammeinternationaldecampagnesde
chalutages
en Méditerrade (MEDITS), démontre la nécessité d'une

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.).

Lescommunicationsprésentées au cours decettesessionmettenten

évidencedeuxpréoccupationsprincipales : la descriptiondes structures
spatiales et les relations entre facteurs environnementaux et caractéristiques
de pspula-tions.
En cequiconcerne la description des structuresspatiales, ils'agit
essentiellement de trouver des statistiques appropriéesB la caractérisation des
structures spatiales,avecéventuellement un objectifsupplémentairede
cartographie de la ressource.Plusieurs cornunications s'intéressent aux
techniques géoshtistiques. Guiblin et al., ainsi que Bea et al. proposent des
outilsméthodologiques adaptés A certainesspécifici-tésdes données de
chalutages et $'kchsintégratisn issues de campagnes i la mer. Morize applique
B des donnCes de chhalutage des techniques géostatistiques classiques, afin de
cartographier la distribution des poissons démersaux de la ZEE guinéenne.
Deux autres communications se fondent sur des analysesfactorielles
multivariées : Le Bon etudie la structuration, les modes d'intervention et les
strategiesdesorganisations de producteursdes psches aux échelleslocale,
régionale, et sur toute la fagade Mancheet Atlantique. A partir de données de
chalutages enmer,Gaertnermeten éidence desassociationsd'espbces
démersalescaractérisées par leurrépartition spatiale (distance .i la @Cite,
gradient
est-ouest). Enfin, deux
communications
s'interessent plus
particulièrement aux distributions spatiales à petite échelle. Gauthiez et nl.
utilisentdivers tests statistiques pour identifierlesarrangements spatiaux
d'espèces capturées lors de chalutages scientifiques. Età l'inverse de toutes les
approches descriptives précédentes, Gauthiea privilégie la prise en compte du

4
Introduction D. Pelletier, M J Rochet, J Ferraris

processus de capture pour estimerlespuissancesdepêchedesdifférents

navires de recherche intervenant en Mer du Nord ; ce grâce à unmodèle
probabiliste.
Ledeuxièmegroupedecommunicationss'intéresse aux relationsentre
facteursenvironnementaux et caractéristiques de populations, et à la
hiérarchisation deces facteurs dansle déternirisme de phénomènes
complexes. Des modèles explicatifs des variations observées sont recherchés
grâce à diverses méthodes qui se rejoignent parfois dans leur principe. Ainsi,
les
techniques
connexionistes basées sur les
réseauxneuronauxsont
appliquées à l'étude des relations entre facteurs hydroclimatiques et captures
de civellesdans l'estuaire de l'Adourpar Truong-van et al., ou pour prédire la
composition spécifique de peuplements piscicoles du Bassin de la Seine par
Boët et Fuhs. Delacoste et al. comparent réseaux neuronaux et régression
multiple pour la prédictionde la densité de frayères de truite à partir de
variables abiotiques de l'habitat. Des techniques de régressionet des modèles
linéaires au sens large sont par ailleurs présentés : Cury et Roy montrent à
partir deplusieursméthodesrécentes,que la relationentreabondancede
larves d'anchois, biomassetotale et indice d'upwelling est mieux décrite dans
un cadre non linéaire. Laloëet al. proposent divers moyens pour intégrer des
effetsspatio-temporelsdansun modèle linéairedécrivantlerendementde
pêcheenfonctionde la capturabilité et del'abondancesous-jacentede
poissons. Badia et al. utilisent les modèles linéaires généralisés pour relier les
captures de saumons et d'aloses aux conditions climatiques dans l'estuairede
l'Adour. Le troisième type deméthodesprésentéesregroupelesanalyses
multivariées. Bru et al. ont recours à l'analyse canonique fonctionnelle pour
relier captures de civelles et facteurs hydroclimatiques.Pechprésente
l'analyse en composantes principalessur variables instrumentales dans le cas
de données de rendements de pêche par espèce pour deux ports sénégalais.
Galzin et al. présentent la technique du "quatrième coin" pour interpréter des
donnéesfaunistiques
et
environnementales collectéesen
milieu
récifal
polynésien.
Enfin, un petitnombredecommunicationsnerentre pas dans la
dichotomie présentée ci-dessus.Il s'agit de Tong et Périnel qui présentent deux
algorithmes,l'un desegmentation,l'autred'apprentissagesupervisé,qui
permettent de formaliserdestactiquesdepêche artisanale sous la forme
d'objets
symboliques, plus complexes et plus riches que
de
simples
descriptions numériques. Dans des registres totalement différents, Naudin et

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

régressionmultiple au senslarge, etmêmemodèleslinéairesgénéralisés

apparaissentclairement.Plusieurscommunicationsintègrentdestechniques
d'intelligence artificielle et des méthodes statistiques (Tong et Périnel, Boët et
Fuhs, Delacoste et al.).
La problématique spatiale abordée est diversement, et pas
systématiquement.L'espacen'estsouventqu'unsupportdereprésentation
(voir la plupart des communications sur la caractérisation des distributions
spatiales).Cependant, la dimensionspatialepeutconstituerelle-mêmeun
facteur explicatif (Gaertner, Pech, Laloë et al.), ce qui renvoie à l'exposé de
Lardonlors de la - table ronde(voirplusloin).Deuxcommunications
considèrentplusieurséchellesspatiales afin d'évaluerlesconséquences
globales de processuslocaux (Gauthiez, Le Bon).

IV - SESSION III :MODELISATION ET REPRESENTATION DES

CONNAISSANCES

Cette session apparaît plus centrée autour de problématiques biologiques,

peut-être parce que dans le domaine de la représentation des connaissances il
est plus difficile d'évoquer séparément l'outil et son objet d'étude. F. Valette
encourage ainsi dans son introduction les halieumètresà ne pas se faire plus
"mètres" qu'halieutes, et à ne pas occulter les vraies questions halieutiquesau
profit dela biométrie.
La principale distinction entre les communications qui semble ressortir de
l'ensembledecettesession est l'oppositionentrereprésentationssimples et
complexes.Sonteneffetprésentésplusieurs modèlessimples centrés sur
certains processus bien particuliers: la relation stock-recrutement par Maury,
Touzeau et Gouzé ; la croissance d'une population de filtreurs par Lobry et
Sciandra ; la question du libre accès aux ressources par Romagny et Lobry ;
et enfin les gains de productivité et de rentabilité des entreprises de pêche par
Le Floc'h et al. Ces modèles sont comme on peut s'y attendre abondamment
critiqués pour leurs hypothèses (trop) simplificatrices. Ils reposent en général
sur desoutilsmathématiquesclassiques(systèmesdynamiques,théoriedes
jeux). Cesmodèlessimplessontcependant très utilespourétudierdes
mécanismes dominants, définir les limites et les ordres de grandeurcertainsde
processus,prévoirlesconséquencesd'unehypothèse oud'unchangement
d'hypothèse.

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

communications, et si certaines solutions sont proposées, il semble qu'il s'agit

d'un domaineoù les progrès sont possibles.
Dans le cas desapprochesnonmathématiques,l'absenced'équations
explicites entraîne un certain manque de transparence de l'outilet de contrôle
du modélisateur sur ce dernier (voir ci-dessousla question poséeà Treuil à ce
propos). Selon Valette, la richesse des comportements décrits par les modèles
complexes est à même de susciter une fascination dangereuse pour l'outil lui-
même, détournant ainsi l'utilisateurde l'objet d'étude réel décritpar le modèle.

V - DISCUSSION-CONCLUSION : DIMENSION SPATIALE ET

APPORT DES NOUVEAUX OUTILS INFORMATIQUES

Selon J.P. Treuil, l'informatique a plusieurs objectifs : observer (ce terme

incluant les typologies et les études statistiques descriptives), raisonner (c'est-
à-direcalculer),représenter(c'est-à-direreprésenterl'information et la
communiquer, par exemple autravers de bases de données, voire de systèmes
multimédia...), et enfin simuler (pour éventuellement prédire). Cette typologie
possible pour les communications diffère de celle adoptée jusqu'à présent au
cours de ce Forum. Ainsi,en tant que discipline, l'informatique apporte sa
propre vision de l'halieumétrie. Les 12 communications, sur un total de 43,
qui
s'intéressent aux nouveaux outils
informatiques,montrent
que
l'informatiqueen tant quesciencede la représentationdesconnaissances
contribue à faire évoluer les modes de pensée, au delà des effets de mode dont
peuvent bénéficier certains outils. Une inquiétude s'est toutefois exprimée face
au foisonnement de nouvelles méthodes: comment les utilisateurs peuvent-ils
connaître et s'approprier les outils nouveaux ?
Par rapport aux possibilités de simulation offertes par les modèles multi-
agents, a été posée la question de la liberté des acteurs (les agents) dans ce
type d'approche. Selon Treuil, il semble que même une fois les règles définies
dans le modèle, la complexité et l'impossibilitéd'appréhendertoutesles
réponsespossibles dusystème fontqueleconcepteurdumodèlenepeut
maîtriser totalement les comportements des agents qui peuvent émerger de ce
type de modèle.
Treuil explique comment les langages orientés-objet peuvent prendre en
compte la dimension spatiale. Dans cette optique, l'espace est présenté trois de
faqons : la localisation en tant que propriété (attribut) d'un objet, les relations

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

d'appréhension des systèmes).

Bienqueles debats concernant la dimension spatiale aient kté assez
prolongCs, il semble possibled'en dresser une synthèseportant sur un nombre
limité de points. Les participants au débat se révèlent finalement en accord
pour considérer qu'un aspect important des distribu-tions spatiales a trait aux
processus sous-jacents qui les expliquent, ce qu'un participant résume d'une
formule : "Pourquoi les poissons sont-ils lh ?".
Bar ailleurs,les participants débattentlonguementdel'oppositionentre
l'espace et le temps, et se demandent s'il faut privilégier l'un par rapport B
l'autre ; ils interprètent diversement l'histoire de l'halieutique, disant qu'on a
négligé les variations spatiales ou au contraire9 qu'on lesa prises en compte.
Plusieursintervenantsaffirmentquel'espaceestdepuislongtemps pris en
compteimplicitementenhalieutique,notamment h travers lesnotions de
stock, de flottille, etc... Toutefois, on peut remarquer que cette vision limite
l'espace h un support, et ne peut en faire une variable explicative du système,
pour reprendre la terminologie de Lardon citée précédemment. De facto, un
certain nombre de problématiques spatiales ne pourront donc être abordées de
cette manière. Le problème en halieutique est plus de produire une réflexion
sur lerôlede la dimensionspatiale,quedeselimiter ti cartographier ou
géoréférencer les données. Comprendre l'utilisation de l'espaceet son contrôle
pour différentsusages,expliquerledéterminismedesdistributionsdes

10
Introduction D.Pelletier, 1M.J Rochet, J. Ferraris

populations observées sont

cités
comme exemplesde
problématiques
spatiales.
Même si la dimension spatiale est reconnue comme un thème central en
halieutique
actuellement,seulement un tiers des exposés
aborde la
problématique spatiale '(y compris ceux qui n'utilisent pas une méthode ad
hoc). La prise en compte de cette problématique est favorisée ces dernières
années par deux évolutions (révolutions?) complémentaires. Premièrement des
outils
appropriéssont
devenus
disponibles
(Systèmes
d'Information
Géographique,géostatistiques,simulateurs. ..). Deuxièmement,desmasses
d'informations spatialisées deviennent accessibles plus facilement grâce à des
satellites, à dessystèmesdepositionnementfiables,etellespeuvent être
stockées dans desbasesdedonnéesgéoréférencées.L'inconvénientde la
plupart des nouveaux outils réside dans leur complexitéet une mise en m v r e
relativement lourde et coûteuse. Au delà des problèmes d'accès matériel, vient
se greffer la nécessitéd'uneformation à l'utilisationdecesoutils.Ces
difficultéspeuventainsiexpliquerl'absencedecommunication sur les
Systèmes d'Information Géographique, et plus généralement sur l'acquisition
d'information spatialisée dans la session 1. Le grand nombre de
communicationsportant sur la dimensionspatialedans la sessionII par
opposition aux deux autres sessions semble s'expliquer par le fait queles
premières approches de la dimension spatiale reposent d'abord sur l'analyse
d'information préexistante, notamment dans un but descriptif. Ces approches
n'ont pas encoresuscitédevéritableremise enquestiondesprotocoles
d'acquisitiondel'information, et peude travaux de représentation des
connaissances.
Plus généralement au cours du débat, il se dégage une certaine opposition
entre ceux quis'inquiètentd'unrecours trop systématique aux approches
quantitatives pour résoudre des questions halieutiques, et ceux qui voient dans
les méthodes quantitatives, et dans l'informatique un outil de communication
entre disciplines. Cette deuxième vision correspond d'ailleurs à l'esprit dans
lequel le Forum avait été organisé.La plupart des communications concilie en
effet une science dela représentation des connaissanceset soit sciences de la
vie, soit scienceshumaines. Mais il est vrai que l'abus de "langages
quantitatifs" peut rebuter a priori un nombre important de chercheurs, voire
même dénaturer le débat halieutique... Pour ce qui est de ceForum, la moitié
des communications seulement émane de représentants des sciences de la vie
et desscienceshumaines. Il semblequ'on aurait pus'attendre à uneplus

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

Président : M.RELANDEAU Animateurs : C.MELLON

P. MORAND

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

* Communication non résumée : "Système d'informationet interdisciplinarité : la base de

données relationnelleECORDRE et ses applications en milieu marin".

13
 Deuxième Forum Halieumétrique, Nantes, 1995
Session I :Acquisition de l'infovnnation

PERENNITE ET QUALITE DU SYSTEME D'INFORMATION :

A QUELLES CONDITIONS ?

Muriel Relandeau, AlainLe Magueressea

Un systèmed'information est constituéd'unensemblecomplexed'éléments

matériels,logicielsethumainsorganiséspourremplirunefonctionprécise.
L'expérience montre que la pérennité et la qualité du système d'information sont
indissociables.

1 - LE SYSTEMED'INFORMATION

Trois Cléments essentiels concourent8. la définition du système d'information.

A - Les limites du système d'information

Un système d'information doit être''borné", c'est une des premières conditions
de son existence.
Queldomained'application,quelsobjectifs,quelsacteurs,quelleduréede
vie? Sera t-il en interaction avec d'autres systèmes d'information ? Dansquel
environnement technico-culturel s'insère t-il ? A qui appartient-il, qui paie, qui
paiera ?

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 ?

a - Sismer, Ifremer, BP 1105,44311 Nantes cédex

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.

Un système d'infiormation ne peutetre m i s en place qu'avec une organisation

adéquatecouvranttouteslesphases du projetde la conception à la mise en
exploitation. Une structure de type "projet" est généralementchoisie.Ce type
d'organisation présente souplesse, réactivité, et mélange de fait, thématiciens et
informaticiens, qui doivent apprendreà travailler ensembles.
Elle dépend dans sa structuration des caractéristiques de l'entreprise, de la
nature et de l'ampleur du système d'information mais quelques points invariants
contribuent & la pCremité et à la qualité.

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, ...).

Dans le cadre d'une "démarche qualité", les normes doivent

être fuées :
plan qualité, normes de développement, normes d'ergonomie, règles de
documentation, ...
D - Planification
La conduite du projet peut s'appuyersur des outils spécifiques de gestion. Des
points de contrôle permettent dejuger de l'avancement et dela tenue des objectifs
éventuellement
et d'adapter
l'organisation
projet
duconséquence.
en

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

UN OBSERVATOIRE DES PECHES, POURQUOI ET COMMENT ?

Pierre Chavance et Abdoulaye Dialloa

1 - INTRODUCTION

Suite à une période caractériséepar des programmes de recherche diversifiés

concernant à la fois l'étude des contraintes biologiques, économiques et sociales
dudéveloppementde la pêcheartisanaleenGuinée,leCentreNationaldes
Sciences Halieutiques de Boussoura en collaboration avec l'Orstom s'est orienté
vers la mise sur pied d'un système d'information durable sur le secteur de la
pêche : l'observatoire desPêches.Corrélativement à la miseenvaleurdes
multiplesconnaissancesamasséeslorsde la périodeécoulée,onattenddece
dispositif une meilleure efficacité de la Recherche berthence des programmes,
cumulativité des connaissances, amélioration des compétences) et de la Gestion
(identification des objectifsde gestion, mise en place des aménagements, respect
des réglementations, minimisation des conflits) (Chavance et Diallo, 1993).
Nedisposant pas sur placede toute l'expertisenécessaire et la notion
d'observatoire en Halieutique revêtant un certain caractère de nouveauté, nous
avons fait appel à la collaboration de collègues scientifiques et de gestionnaires
en leurposant la série de six questions quisuit :
- Quellessont,d'aprèsvousetd'aprèsles résultats devosrecherches,les
évolutions du secteur de la pêche que vous avez identifiées et qui mériteraient
d'être suiviesdans le cadre d'un dispositif de type Observatoire ?
- Selonvous,quelssontlesindicateurs(variablesoucombinaisonsde
variables) les plus pertinents qui mériteraient d'être collectés de façon récurrente
dans le cadre d'un Observatoire des pêches pour une comprehension et un suivi
satisfaisant de ces évolutions.
- Selonvous,quelssontlesproblèmesderecherchequi'constituent
éventuellenlent un obstacle à la mise sur pied d'un
dispositif
de type
Observatoire? Ou plus à la notion même d'observation continue dans le secteur

a ORSTOM, BP 1984, CONAKRY, République de Guinée

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.

A - Les Cvolutions pertinentes, les indicateurs

Sept évolutions du secteur de la pêche ont paru devoir, en priorité, xttirer
l'attention del'observatoire des pêches.Il s'agit de :
1/ L'environnement. La productivité du
milieu marin et celle
des
ressourcesmarinessontlerésultatd'équilibresdynamiquescomplexes.Des
changements, même subtils dms les paramètres de base de cet environnement
(température, salinité, vents, courants, débit des fleuves, upwelling) peuvent
avoir des conskquences notables sur les ressources et leur disponibilité. Ces
changementsdoivent être suivisde fapn A pouvoirdistinguerparmiles
modificationssurvenuesdans I'état des stocks, cellesliées A l'exploitation
susceptible d'etreadaptée et celles d'origine environnementale.

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

2/ L'état des stocks. Les ressources exploitées subissent des modifications

suite à l'exploitation et l'objet même dela gestion rationnelle des stocks est de
permettre de ne préleversur la ressource qu'une partiede la biomasse produite.
L'exploitationinduitdeschangementsdansl'abondancedesstocks,dans
leur structure démographique même et parfois dans leur répartition spatiale.
Par le jeu desstratégiesdepêcheetdesespècesciblesdesdifférentes
pêcheries,deschangementsdanslescompositionsspécifiquessont aussi à
attendre. Un suividel'étatdesstocksdoitpermettredepercevoirces
changements dans l'abondance, la répartition,la composition et la structure de
ces stocks.
3/ Les systèmes techniques et les pratiques de la pêche. La capacité des
pêcheurs à prélever la ressource halieutique et donc à induire des mortalités
par pêche peut se modifierde façon importante. Ces changements, s'il sont
incorrectementappréciés,nousinterdisentd'évaluerdefaqonsatisfaisante
l'impactde la pêche sur lesressourceshalieutiques.Il est indispensable
d'observer ces évolutions qui peuvent également nous interdire de percevoir les
modificationsencoursdanslesconditionséconomiques et socialesde
l'exercice de la pêche.
4/ L'économie de la pêche. La pêche et toutes ses activités connexes sont
des activités à caractèreéconomique. La rentabilité financière des activités
liées à la pêche constitue une des clefs de la dynamique du secteurà travers les
diverses opportunités d'investissement perques par les opérateurs. Le secteur
des pêches crée une certaine quantité de richesse qui est ensuite répartie, de
faqon plus ou moins satisfaisante entre les différents acteurs du système. Ainsi
lesconditionséconomiquesde la pêchedoiventêtreattentivementsuivies :
elles constituentle moteur dela dynamique du système.
5 / Les conditions sociales de l'exercice de la pêche.Les activités liéesà la
pêche sont pratiquées par différents groupes sociaux, tant au sein du système
productif que de la transformation et de la commercialisation. Ces groupes
relèvent de logiques identitaireset de fonctionnements qui leur sont propreset
entretiennententreeuxdesrapportssouventoriginaux.L'ensembledeces
particularités intra et inter groupes crée des contraintes et des synergies qui
déterminentenpartielesdéveloppementssusceptiblesd'intervenirdans le
secteur. La méconnaissancedesconditionssocialesdesactivitésliées à la
pêche est à l'originedebiendeséchecsdeprojetsdanslespaysenviede
développement.

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

constitue un cadre et un appui remarquable pour le développement de recherches

et ceci avec un coût marginal modéré; certaines étudesne deviendront possibles
que grâce à l'appui de ce dispositif.
Quelques domaines d'études relevant de la Recherche mais qui intéressent de
faqon particulière l'Observatoire des pêches nous ont été signalés :
- lesrecherchesméthodologiques en statistique,analyse de données,
modélisation, informatiqueet aide à la décision.
- les recherches plurisdisciplinaires sur le système pêche,
- lesrecherchessurlesprocessus etnotamment sur : lesrelationsentre
l'environnement (global ou local, naturel ou anthropisé),la productivité marineet
la dynamiquedesressources ; -sur lesfondementsde la dynamiquedes
pêcheries ; -sur la dynamiquedesécosystèmeshalieutiques et -sur les
déterminants des fluctuations des ressources instables.

C - Les disciplines nécessaires

L'ensemble des réponses a mis en avant la nécessaire pluridisciplinarité du
dispositif dans la mesure où il aborde une diversité de déterminants biologiques,
économiques et sociaux du secteur de la pêche. Le coeur de l'observatoire fait
appel aux quatre disciplines ou champs disciplinaires que sont : - l'écologie, - la
biologie et la dynamique des populations exploitées, - l'économie des pêches, -
la socio-anthropologie. Par ailleurs,l'excellencetechniquerequise par le
dispositif a également été soulignée notamment en matière de collecte, gestion et
traitement des données.La si-atistique et l'informatique sont par conséquent deux
disciplines particulièrement impliquées.

D - Les étapes

Onpeutretenir quatre pointsimportantsconcernant la miseenplacede

l'observatoire : Desobjectifsclairs. En tout premierlieu,lesobjectifsde
l'Observatoire doiventêtre clairement identifiés ainsi que les questions auxquelles
ildoitpermettrederépondre en priorité. Unedimensionappropriée. Siles
objectifsde l'observatoire et lesquestionsposéesdoivent Etre ambitieux,
l'attentionestattirée sur la nécessité,dès la conception, de correctement
dimensionner le dispositif. Il doit notamment être enrapport avec l'importance du
secteur dans l'économie nationale. Un développement progressif. La démarche
la plus sage est une démarche progressive et pragmatique qui consiste à partir
d'un dispositif léger articulé autour de questions simples, en un élargissement

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.

E - Le traitement de I'imfsrmatisn et les prsductisms

Trois ty-pesde production ont été signalés qui correspondent en fait B trois
niveaux successifs du traitement de I'infomation. Il s'agit d'un premier niveau
que l'on peut qualifier de simple compilation de donnies, d'un second quiproduiL,
lui, des malyses simples et enfin d'un troisième correspondant B des études plus
approfondiesdenaturescientifique.Les avis sontpartagés sur leniveaude
traitementauqueldoit se limiterledispositif. En fait, si l'Observatoireest
unanimementperçucommeundispositifd'appui A la fois it la Rechercheet a i.

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.

Cette enquête auprès de scientifiques et gestionnaires nous a permis de noter

la g r a d e cohérence des réponses entre elles. Des contradictions nombreuses nous
auraient fait douterdubienfondédel'approcheou tout au moins de son
opérationnalité. Ces contradictions sont rarissimeset ne concernent, nous l'avons
vu, que le niveau de traitement de l'information pas l'observatoire. La pratique
devraitmaintenantnouspermettredepréciser et approfondirnombrede ces
points.

24
Session I P. Chavance, A. Diallo

BIBLIOGRAPHIE

CHAVANCE (P.) et DIALLO (A.), 1993 - Suivi et compréhension de la

a’ynamique des exploitations halieutiques. Premières réflexions sur la notion
d’observatoire despêches.Séminaire Orstodfiemer, Questions sur la
dynamique de l’exploitation halieutique, Montpellier, 6-8/09/1993.
CHAVANCE (P;) et DIALLO (A.), 1995. Une enquête sur la notion
d’observatoire des pêches. Doc.scient.cent.nat.Sci.Halieut.Boussoura,
28, 18-29 p.

25
 Deuxième Forztnz Halieumétriqzte, Narztes,1995
Session I :Acquisition de l'information

LE MONTAGE D'UN SYSTEME DE SUIVI DE LA PECHE DANS LE

DELTA CENTRAL DU NIGER INTERET ET APPLICATION DE
L'APPROCHE "SYSTEME D'INFORMATION''

Pierre Morand", Yveline Poncetet Tiema Niaré

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
~~

a - Biométricien Orstom, Laboratoire d'Hydrobiologie, BP

47, Mopti (Mali)

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 .~

opérationsmanuelles ou"deterrain",comme la collectedel'information,ensont

partie prenante. La démarche "Système d'Information" consiste d'abordB reconnaître
une nome unique pour décrire et structurer I ' ~ o m a t i o n que, se soit en entrée du
dispositif (la collecte des données) ou ensortie (lors de la restitution de résultats plus
oumoins élaborés).
Cette
normeinternationale
est la nonne E M (Entity
RelationshipApproach),etelleestbasée sur les trois notionsrespectivesd'obje-t(ou L~

entité), de propriété (ou attribut) et de relation, l'ensemble formant les briques de

construction du "modèle conceptuel de données".
L'applicationde la démarche "S.I." B la construction dudispositifdesuivi
entraîne rapidement quelques clarifications utiles. h s i , on lit souvent que le point
de départ de tout échmtillomage est un "modèle conceptuel",sans préciser d'ailleurs
quelle peut etre la nature exacte de ce modèle. OP,nous venons de voir quela notion
très précise de "modèle conceptuel de données" existe et qu'elle est B la base de tout
projet de S.I. Il était donc tentant d'essayer d'appliquer une telle modélisation normée ,.
ERA B la description et au suivi d'un système complexe c o r n e la psche, et c'est ce
que nous avons fait. Mais nous avons bien vite renoncé B l'idée d'un modèle unique
pour décrire notre système-pêcheDCN et son suivi. Et c'est & trois modèles distincts
que nous avons finalementdi3 avoir recours :
(1) unmodèleconceptueldedonnées qui vise la représentation"directe"du
système réel : on y trouvera les objets perceptibles du monde réel (objets concrets,
actions concrètes...): lepoisson,lefleuve,lefilet,lecoupde f i l d , la pirogue,le
pêcheur, la plage de débarquement, le lot de poissons capturés, la commerqante, la
transaction commerciale, la foire... Les épistémologues pointilleux ne manqueront
pas de nous objecter que nul système n'admet de description absolue et immédiate et
quel'onnepeutriendécrire sans se référer i unsystèmedeconnaissancepré-
existant. Fort bien,nousrépondronsquenosdéfinitionssontrelatives B un stade
particulierde la connaissanceetqu'ellesserventseulement A mieuxdéfinirles
opérations (scientifiqueset techniques) nécessairespour passer au stade suivant.

28
Session 1 P.Morand, Y.Portcet, T.Niare'

(2) un modèle conceptuel de données du "svstème de résultats et connaissances"

sur la pêche, calqué sur le format dela connaissance que l'on cherche à produire: ses
objets peuventêtre soit concrets (les mêmes que les précédents), soit, le plus souvent,
élaborés (i. e. obtenus par re-catégorisation, agrégation, combinaison, transposition
etc...) et donc plus ou moins abstraits: l'unité de production-consommation, le cycle
annuel d'activités, l'effort standardisé,la "phase" d'investissement, le bilan bugétaire
annuel, le circuit de fkancement... Ce second modèle conceptuel sera qualifié par
nousde"modèlederestitution" et ilconstitueral'architecturede la base de
connaissances produite par le suivi, en ce sens qu'il fournira la présentation normée
ERA de la structure Iogique des requêtes, indicateurs, tableaux dont ont besoin les
experts et autres utilisateurs pour mener à bien leurs analyses ou pour éclairer leurs
décisions.
(3) enfin, un modèle concentuel de données corresnondant au système de prise
d'information: là aussi, desobjetsdusystèmeréelsontprésents,maisilssont
côtoyés, liés ou englobéspar les objets "artefacts" qui supportent l'organisation dela
collecte: la "zonedesuivi'', la tournéed'enquête,l'opérationd'échantillonnage, la
fraction échantillomée... Nousqualifieronscetroisièmemodèlededonnéesde
"modèle d'acuuisition". Ce modèletrouvera à se matérialiser à deux reprises: dansle
protocole et les fiches d'enquête tout d'abord puis, après saisie informatique, dans la
base de données "brute".
Deces trois modèlesconceptuels,seulslesdeuxdernierssontdestinés à se
matérialiser dansla partie informatisée du système d'information [Soit dit en passant,
nouslaisserons aux simulateursaudacieuxle soin decréerunevie"artificielle"
directement calquée sur celle des objets du monde réel.]Ces définitions étant posées,
nous pouvons maintenant évoquer les étapes de notre projet de suivi.
En premier lieu, concevoir un dispositif de suivi, c'est se mettre d'accord, entre
thématiciens, sur uneplate-formederéférence pour la représentationdumonde
"réel" : limites du système, classes d'objets pertinents et manière de les décrire.
De ce
point de vue, il est clair que les travaux menés dans le Delta Central au cours des
années récentes ont considérablement élargi la perception scientifique de la pêche
continentale. Le regard de l'observateur tend maintenantà embrasser la structure du
système de production halieutique dans son ensemble et surtout l'évolution (souvent
plusqualitativequequantitative)decette structure: ainsi,on portera attention à
l'apparition de nouveaux sites de débarquement, à l'évolution de leur frequentation

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

QUENSIERE (J,), 1994 - La pêche dans le Delta Central du Niger, Orstom-IER-

Karthala.Volume 1 : Approchepluridisciplinaired'unsystème de production
halieutique, 49511. Volume 2 : Cartes hors-texqe, 40 p.
LE FUR (J.), 1993 - Apportsetdifficultésd'unemodélisationsystémiquedes
exploitationshalieutiques, pp. 375-405. In : Les recherchesfrarzqaisesen
évaluation quantitative et modélisation des ressowceset des systèmes
halieutiques. GASCUEL (D.),DURAND (J.L) et FONTENEAU(A.),Eds.
Colloques et Séminaires, ORSTOM.

31
 Deuxième Forum Halieumétrique, Nantes,1995
Session 1 :Acquisition de l'information

DANS UN SYSTEMED'INFORMATION ACQUISITION-

RESTITUTION, LA LOCALISATION CONSTITUE-T-ELLE UN CAS
PARTICULIER ?

Yveline Ponceta, Pierre Morandb

Le projet de création d'un Observatoire de la Pêche sur le Delta Central du

Niger (Midi) suscite un ensemble de réflexions thématiques et méthodologiques
communes à des disciplines
différentes
pourvues
d'orientations
de
et
problématiques complémentaires. Dansla présentation sur le système de suivi en
halieutiquecontinentale par l'approche"systèmed'information'',nousnous
interrogions sur lesmodèlesd'informationadaptés aux contraintesduprojet
d'observatoire,enmettantl'accent sur cellesquisontliéesautemps et à la
nécessaire continuité de l'ensemble des opérations. Nous nous interrogeonssur ici
les caractères particuliers que donneà la conception du système d'information le
fait quelesinformationssontobligatoirement et systématiquementlocalisées
pour constituer uns y s t h e d'information géographique.
Onne rappellera pas icil'intérêtscientifiquequ'ily a à matérialiserles
localisations dans un milieu continental, où l'espace est discontinu et hétérogène,
nonsymétrique,intégralementrepérableetpartoutsignificatif.Danslecadre
spécifique des opérations de recherche sur le système de production halieutique
dans le Delta Central, la spatialisation des phénomènes est liée à une nécessité
objective, ainsi qu'aux besoins en information de l'Observatoire de la Pêche,
dont l'opération de suivi entretient avec le système d'information géographique
des relations bi-univoques de production et d'acquisition d'information.
Dans un systèmed'informationgéographique,fournirdesinformations
rapportées aux espacesimpliqueabsolumentquecesinformationssoient
localisées, et que leur échelle soit maîtrisée.Si la localisation n'est pas toujours
facile (mais elle est théoriquement résolue par toute une série d'outillages et de
repéragesélémentaires),c'est la maîtrisedel'échellequipose le plusde
problèmes à l'opérateur. En effet, l'échelle d'acquisition (disons mieux: le niveau
d'acquisition de l'information) dépend directement des intentions ou obligations
de restitution : c'est le modèle de fonctionnement "ordinaire" de la cartographie,

-
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

en raison justement du niveau élevé d'agrégation géographique.

B) Pour agrandirlechampdesproblématiques,nousavonsconstruit
séparément un système dans lequel l'agrégation géographique et le niveau des
objets attributs sontbeaucoupmoinsélevés : alorsque dans lepremier cas
(l'ensembleduDelta),l'actionde"pêche" est localisée(c'est à direindexée,
codée) à travers les habitats des pêcheurs, dans le second cas l'objet "pêche" est
localisé à travers les lieux de pêche. L'agrégation des données géographiquesest
compatible avec l'échelle 1/50 000, ce qui est tout à fait différent de l'exemple
précédent.
La seconde base est thématiquement beaucoup plus riche et prometteuse pour
les problématiques scientifiques halieutiques. Mais il est bien évident qu'on se
heurte au problème de son extension à l'ensemble de l'espace continu du Delta
Central : lesinformations à ceniveaud'agrégationparaissentimpossibles à
acquérir autrement que sur des échantillons géographiques, et le volume d'une
telle base d'information (toutes les données thématiques doivent y être inscrites
aux niveaux compatibles) serait difficileà traiter in extenso.
Incidemment, ceci introduit deux problèmes qui ne sont pas développés
ici :
- celui dela notion d'échantillonnagedans une base de données géographique,
- celui de la compatibilité des niveaux (ou, si l'on veut, des échelles) des objets
inscrits dans un même système d'information.

35
 Deuxième Forum Halieuntétrique, Nantes, 1995
Session I :Acquisition de l'information

REPARTITION SPATIALE DE L'EFFORT DE PECHE AUX NASSES

DANS UNE PECHERIE ARTISANALE ANTILLAISE

Bertrand Goberta, Jean-Yves Stanisière

1 - INTRODUCTION

Souvent considéré de faqon globale et uniforme, parfois même ignorédans les

évaluations de stocks,l'effort de pêcherecouvre un ensembledeprocessus
complexes dont la compréhension est une étape indispensable dela démarche de
l'halieute. L'enjeu est d'interpréter des prises par unité d'effort, de discuter de
l'application de modèlesà des pêcheries réelles, ou de traduire en termes concrets
d'aménagementles résultats desimulation derégimesd'exploitation. Si les
stratégies et tactiquesdesnavires et desflottillesontretenuuneattention
croissante, il n'en est pas de même des relations fines entre effort de pêche et
caractéristiques du milieu exploité. Celles-ci traduisentla capacité globale de la
pêcherie à convertir l'effort de pêche en mortalité par pêche (capturabilité), et
permettent aussi de quantifier la surface réellement exploitée pour des approches
comparativesbasées sur desindicesrelatifs(biomasse,effortdepêche,ou
captures par unité desurface).
Dans les pêcheries récifales, l'application de ce type d'approche se heurte à
plusieurs problèmes dont la définition et la mesure de la surface ne sont pas les
moindres, car ceszonessontleplussouventconstituéesd'unemosaïque
d'habitats et exploitées par desenginsdormantsdegrande taille commeles
nasses antillaises, voire fixes comme les pièges à poisson, dontle volume et/ou la
complexitédemise en oeuvrelimitent la mobilitédel'effortdepêche. La
répartition spatiale de l'effort, et ses relations avec le milieu (et notamment le
relief du fond) y sont donc d'un intérêt particulier. On explore ici la répartition
de l'effort des nasses, principal engin de pêche utilisé sur la partie sud-est du
plateau insulairede la Martinique (Petites Antilles).

II - MATERIEL ET METHODES

Le plateau sud-est de la Martinique est parcouru par une barrière récifale

émergeant par endroits. A l'intérieur durécif,unedénivellationcorallienne

- - -
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 ,

de prospedisn pratiquement nullesà court terme.

Les observations de flotteurs en surface (indicateur d'effort depEche) ont été
effectuies tant à l'intérieurqu'àl'extérieur de %abarrièrerécifale h bord
d'embarcations où la hauteur d'observation était d'environ 2 m au-dessus de la
sudace, et sur une bande d'une centaine de mètres de part et d'autre de la route
suivie par le bateau. A l'extérieur du récif, celle-ci reliait des shtions de pêche
scientifiquechoisies indépendement de l'effort depêcheprofessionnelet, à
i faible distance du rivageet
l'intérieur du récif, elle suivait soit les récifs c6tiers
le bord intérieur dela barrière principale(strate "tombants"), soit des radialesau
centre du secteur (strate "radiales '').
A l'extérieur du récif, la surface du plateau a étediviséeen "carrés"
élémentaires de 0,1' de latitude sur 0,1' de longi-tude caractérisés par un indice
d'effort (nombre maximal de nasses observé lors des différents passages), une
profondeurmoyenneetdeuxindicesderelief(pentemaximaleet kart-type de la y

profondeur) obtenusA partir des levCs bathpktriques au 1/10000 réalisCs par le

SHOM. L'analyseporte sur les 1605 carrés où l'information sur l'effort et le ,-.
relief sont disponibles.

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

La faible relation directe entre effort et relief observée à l'extérieur du récif

semblecontredire la connaissanceempiriquedétailléedesfondsdepêche
généralement attribuée aux pêcheurs artisans. L'équivalence"unflotteur-une
nasse" n'est pas à remettre en cause dans ce secteur, où tant la profondeur que
l'agitation et la turbidité de l'eau ne permettent pas de localiser et de relever des
nassescaléesseules et nonsignaléesen surface. Malgrél'incertitudedes
positionsdesflotteursobservés(imprécisiondusystème GPS et longueur de
l'orin supérieure à la profondeur), l'imprécision des relevés n'est pas la cause
principale de l'absence de relation directe entre effort et relief. Les difficultés de
positionnement précis des bateaux à l'extérieur du récif (mer agitée, courants,
visibilité)peuvent aussi contribuer à expliquer la faiblesse de la relation
statistique entreindicesponctuelsd'effort et derelief.Cependantlemodede

39
Deuxième Forztrn Halieunttirique, Nantes

répartition observéen Martinique à l'extérieur du récif est au moins en partie le

rksultat dechoixdélibérésliés i la gestiondurisque par lespêcheurs en
exploitant les différentshabitats disponibles. E'évolution générale de la pêche en
Martiniquedepuislesannées 50 a certainement joue nonseulement sur les
aspects techniques, mais aussi sur les modes d'acquisition et de transmission des
connaissances empiriques.
A l'intérieur du rkciE le trait dominant du relief est la ligne de tombants qui
encadre la strate centrale, plate, du secteur.Cependant,les surfaces desdeux
strates sont petites et trks imbriquées, ce qui su ère que l'ensemble du secteur a
un fonctionnement écologique global, sans qu'on puisse y dkfinir des surfaces
"productives" et "non-productives" indépendantes. Il semble en être de même i
l'extérieur du récif, où le relief est le plus fort aux profondeurs idérieures à 30
m, mais où la variation bathymétrique de l'indice de relief ne présente aucune
discontinuité. Le secteur Nord-Atlantique, par contre, est composéde deux sous-
ensembles correspondent d'unepart à la bande c6tière et aux récifs, oh s'exerce
la quasi-totalité de l'effort de pêche démersal, et d'autrepart B la grande surface
uniforme et de pente trbsfaible qui s'étend jusqu'aux accores duplateau. Il paraît
donc possible de considérerdans ce secteur une surface productive qui supporte
la pêche (20% de la surface totale dusecteur), et une partie pratiquement
improductive qui ne doit pas être prises en compte dans le calcul des indices de
productionoud'effort relatifs. L'utilisationde surCaces corrigéesfournit une
g m e plus homogène de valeurs d'effort ou de prises par unité de surface, ce
qui est plus compatible avec une pression de pêche intensive rkpartie de façon
peudifférente sur lesdifférenteszonesrécifalesdel'île. Il estdoncpossible
d'améliorerl'estimationdesindicesrelatifsdansdesapprochescomparatives
entresecteurs ou entrepêcheries.L'exempleétudiéicimontrecependantque
cette analyse ne peut pas toujours reposer sur des bases objectives, et que les
efforts ou prises par unité de surface ne peuvent être que des ordresde grandeur.
Par ailleurs, l'utilisation des indices relatifs est encore plus délicate quand c'est
pour desraisonséconorniques ou techniques,etnon pas écologiques,que
l'exqension de l'effort de pêche est limitée à une partie seulement du plateau :
dans cescas, la productionhalieutiquen'est pas soutenueseulement par la
productionbiologique de la surface réellementexploitée, mais par celle de
l'ensemble du plateau.'

40
 Deuxième Forum Halieumétrique, Nantes, 1995
Session I :Acquisition de l'information

EVALUATION DES RESSOURCES DEMERSALES EN

MEDITERRANEE. :ORGANISATION D'UN SYSTEME DE SUIVI PAR
CAMPAGNES DE CHALUTAGE (PROGRAMME MEDITS).

Jacques Bertrand a

1 - INTRODUCTION

Une part importante des pêcheries méditerranéennes de 1'Upion Européenne

est localisée sur les plateaux continentaux situés enface des pays membres. Les
expériences acquises dans les différentes régions au cours des dernières décennies
ontmontréqu'il était difficiled'obteniruneestimationglobaledel'étatdes
ressources démersales exploitées à partir de la production, notamment en raison
de la très grande dispersion des points de débarquement et dela grande diversité
desespècescapturéesetdel'absencedestatistiquesfiables.Cette situation a
conduitdifférents Etats de l'union à engagerdesprogrammesnationaux
d'évaluation decesressources à partir decampagnesrépétitives.Dansce
contexteetconsidérantsonbesoinurgent dedisposerdedonnées à l'échelle
communautairepourl'application de la politiquecommunedespêchesen
Méditerranée, la Commissioneuropéenne a incité à la miseen œuvre d'un
programme commun d'évaluation de ces ressourcespar campagnes de chalutage.
Les basesde cette action ont été définiespar un groupe detravail ad hoc ouvert à
desscientifiques del'ensembledespayscommunautaires(Anon.,1993).Le
projet a ensuiteétéformalisédansleprogramme m D I T S (Mediterranean
International Trawls Survey) qui a débuté à la fin del'année 1993.

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.

a - CoordonnateurIFREh4ER - 1, rue Jean Vilar - 34200 Sète

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

Pourpermettre la réalisationdes travaux à la mer dans m e période

relativementcourte,les travaux sontconduitssimultanément par différents
bateaux (huit pour la campagne MEDITS 94).
C - Orientations méthodologiques
1) Conception de l'Engin de prélèvement
Tous les travaux sonteffectuésavecunengindeprélèvementidentique.
L'engin retenu constitue un compromis entre les différentes contraintes évoquées
précédemment.Pourfavoriser la capture desespècesdémersales,il a une
ouverture verticale légèrement supérieure à celle des engins professionnels les
plus courammentutilisés. En revanche,aveclesréglagesadoptéspour la
campagne MEDITS 94, son contact avec le fond était relativement léger.
2) Plan d'échantillonnage
Pour les deux premières campagnes, les stations ont été réparties suivant un
plan d'échantillonnagestratifié avec tirage aléatoire simpleà l'intérieur de chaque
strate. L'élément stratificateur adoptéest la profondeur, avec leslimites
bathymétriquessuivantes : 10, 50, 100, 200, 500 et 800 mètres.Le taux
d'échantillonnage moyenest d'une station/ 60 M n 2 dans toutes les régionssauf en
Adriatiqueoùil est établi à unestation / 200 M n 2 enraisonde la relative
monotoniedesfonds. La duréedes traits estfixée à unedemi-heure sur les
sondes inférieuresà 200 m et à une heuresur les sondesplus importantes.
3) Echantillonnage des captures et archivage des données
Une liste de trente espèces de référence (poissons, crustacés et mollusques)
présentant un intérêt commun sur l'ensemble dela zone a été retenue. Cette liste a
étéétablieenréférence à la productioncommercialedesespèces, à leur
accessibilité au chalut de fond et à leur intérêt potentiel en tant qu'indicateur
biologique.Lesobservations sur lesespècesconcernentledénombrementdes
individus, la distribution des fi-équences de taille, le sexe et le stade de maturité
sexuelle et les poids totaux. Toutes les données recueillies sont archivées dans
desfichiersde transfert (en ASCII) dansdesformats et selondescodages
normalisés.

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.

La base de connaissances créée par la campagne MEDITS 94 a permis de

progresser significativement dans la connaissance des ressources démersales de
Méditerran&e,à une Cchelle rarement étudiéejusqu'à ce jour. Les résultats acquis
ouvrent la voie vers diffkrents champs de réflexion complémentaires.
Considérant que le p r o g r m e doit se poursuivre sur quelques années, deux
types de questions d'ordre méthodologiquejustifiaient une attention particulière.
(i) Les performances de l'engin ayant été jugées trop faibles pour les espèces
benthiques en référence aux objedifs du programme, des efforts devaient ê-tre
développés pour en améliorer l'efficacité. Trois campagnes de mise au point de
l'engin d'échantillonnage ont été réalisées entre octobre 1994 et mars 1995. Les

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

Anonyme, 1993. Report of an ad hoc group of experts on an international

bottom trawl suwey in the Mediterranean. CCE DG XIV,Bruxelles, 24 p.
COCHRAN (W.G.), 1977. Sanzpling techniques ( 3. edition). WILEY (J.), N.Y.

45
 Session II

Président : C.DUBY Animateurs : M.H.DURAND

M. LABELLE

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

UN REGARD SUR L’ANALYSE DE L’INFORMATION

EN HALIEUMETRIE

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.

a - Mathématiques Appliquéesà la Biologie - Institut National Agronomique- 16, rue Claude

Bernard - 75231 Paris cedex 05

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.

La première qui apparaît est le besoin qui semble actuellement fort de se

dégager du (( linéaire D, d'une part pour proposer des modèles qui permettent une
meilleure prédiction,d'autre part pour mieux expliquer certains phénomènes. Les
méthodes issues de cette volonté recouvrent les modèles non linéaires classiques,
lesmodèleslinéairesgénéralis&,lesmodklesadditifsgénéralisés,lesmodèles
non linéaires de séries chronologiques et les méthodes de réseaux neuronaux. Les
présentations quien sont faites sont explomtoires et comparatives pour "voir" ce
que l'on peut attendre d'elles.
La deuxième ligne de force et qui me para2 très porteuse pour l'avenir de
l'halieumétrie,est la volontéd'appropriation
des
méthodes par certains
halieumètres. J'entends par Ih, une recherche
de
modélisations de
base
complktementadaptées au contexte et prenantencomptele plus possible les
connaissances sur la ressource, le mileu e.t les iriteractions entrela ressource et le
milieu, ce qui conduitB une originalitéde la démarche d'analyse de l'information.
11 est certain que ces recherches sont intimement liées au recueil des données,
aidant & vraiment comprendrece que ces données représentent.Dans ces travaux,
l'effort est plus porté sur %aprise en compte des spécificités des problèmes posés,
l'agencement des méthodes utilisées pour I'malyse découlantassez naturellement
de la faqon dont les questions sont formalisées.

50
Session II C. Duby

III- MODELES DE REGRESSION ET RESEAUX NEURONAUX

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.

CHENG (B.) and TUTERINGTON (D.M.), 1994 - NeuralNehvorks : A

Review from a Statistical Perspective (withcoments), Statistical Science 9
2-54.
FMED (J.H.) and STUETZLE (W.), 1981 - Projectionpursuitregression,
J. A m r . statist. Assoc. 76 817-823.

52
 Deuxième Forum Halieumétrique, Nantes,1995
Sessiorl.II :Analyse de l'information

LIMITES D'UTILISATION DES ESTIMATEURS PROPORTIONS EN

HALIEUTIQUE

Olivier Schaan, Didier Gascuela

1- INTRODUCTION

L'obtention de données en halieutique impose généralement d'avoir recours

aux techniques d'échantillonnageles
etparamètres à estimerrésultent
fiéquenlment de combinaisons de variables intermédiaires. Aussi les précisions
finales sont couramment quantifiées par le calcul de variances d'estimation à
partir de formules usuelles. En outre, les procédures d'échantillonnage mises en
œuvre font souvent appel à des estimations de proportions. Ainsi, par exemple,
un nombre de pêcheurs peut être estimé en utilisant un estimateur proportion du
nombre de pêcheurs par engin oupar secteur de pêche.Un autre exemple courant
d'application de cet estimateur réside dans l'élaboration de clés taillelâge, qui
indiquent la proportion de chacun des groupes d'âgeau sein de chaque classe de
taille.
Lorsqu'on se réf"ere aux équations usuellement mises en œuvre, l'estimation de
la variance tend vers zéro quand la proportion p estiméepar échantillonnage tend
verszéro ouun.Enoutre,lesconditionsd'approximationnormalede la
distibution d'échantillonnage d'une proportion ne sont pas clairement définies et
diffèrent selon les auteurs : les proportions ne doivent pas être ''trop proches de
zéro ou un'' et la taille de l'échantillon n doit être supérieurà 30 (Cochran 1977,
Scherrer 1983)ou à 100 (Wonnacottet Wonnacott 1991).
Cettenotevise à fixer,pour un risqued'erreurdonné,deslimitesclaires
d'utilisation des formules usuellesde variances, à proposer hors de ces limites des
variances corrigées et non nulles.

II- RECHERCHE D'UNE MESURE D'INCERTITUDE

NON NULLE POUR P=O OU P=l

Pour une population statistique finie de tailleN, l'espérance d'une proportion

p observée dans un échantillon de taille n est égale à la proportion P issue de la

a - ENSAR halieutique- 65 route de St-Brieuc-35042 RENNES Cédex

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

Ainsi, la formule usuelle conduitit une estimation nulle lorsque = p O ou 1. De

toute évidence,unetelleestimationn'estpasvalide.Elleimpliqueraitque
l'estimation soit égale A la valeur vraie, sans aucune incertitude, dès lors que la
proportion observée au sein de l'échmtillon est zéro BLI un.
Le paramètre étudie peut aussi Etre estimé par intervalle (Scherrer, 1984).
Cettedémarchepermetdefixer, pour unrisque dom6 a, un intervallede
confiance autour del'estimation. Pour despetitséchmtillons, la distribution
d'échantillonnage suit une loi binomiale (avec remi?e) ou hypergéomktrique (sans
remise).Dans le cas d'une lai binomiale,lesbornessupkrieures (ps) et inférieures ,
(pi)del'intervalled'estimation, A diversseuilsdecertitude a, peuvent6tre
obtenues A l'aide dutest binomial exact (logiciel S-Plus). Connaissant l'effectif de
l'échmtillon n et le nombre a d'observations présentant la caractéristique khdiée,
lelogicielcalculelesbornespi et ps. La largeur del'intervalledeconfiance
correspondmt, pour un seuila donné, est :
][ta= PS - Pi (2)
Pour passer d'une variable binomialeB une variable hypergiométrique,il faut
corrigerl'équation 2 par uncoefficientd'exhaustivite(Abboud et Audroing,
1989), soit :

Cette quantification de l'incertitudepar un intervalle de confiance nepeut pas

être combiner i d'autresincertitudespouraboutir A uneincertitudefinale.
Autrement dit, la prise en compte conjointe de plusieurs sources d'incertitudes
(Le.combinaisondeplusieursvariables)impose a priori derevenir à une

54
Sessiorl II O. Sckaaa, D. Gascuel

expression analytique des variances d'estimation. C'est pourquoi, une variance

conventionnelle, Var,, déduite dela largeur d'intervalle est construite commesuit

où t est le t de Student soit:

Cetteéquationpermetnotammentd'obtenirunemesurenonnullede
l'incertitude-associéeà l'estimation d'une proportion nulle ou égale
à un.

III- LIMITES DE VALIDATION DE L'ESTIMATEUR VARIANCE

USUEL

Posons le rapportdesvariancesestimée et conventionnelle

Déterminer si lerapport & diffèreounonde1,revient à étudier si

l'estimateurusuelfournitunemesureacceptabledel'incertitude.Aussi,les
coefficients R a sont calculés pour diverses tailles d'échantillon n et proportions
p. On en déduit par des méthodes graphiques des isoplètes du rapport Ra dans le
plan nxp (figure 1). Celles-ci permettent de déterminer pour chaque valeur de n,
quels sont les valeurs de p qui conduisent à accepter les variances Var, comme
mesure de l'incertitude sur l'estimation.Cettedémarchepeutêtreconduiteen
acceptantdesécartsentrevarianceestimée et conventionnelleplusoumoins
importants. La figure 1 présente les résultats obtenus pour un risque a= 0,05
avec 0,95 < & < 1,05 et poura = 0,20 avec 0,s < & < 1,25.
Un autre problème mérite attention. Pour une proportion p s'éloignant de 1/2,
l'asymétrie de l'intervalle de confiance s'accroit. Bien que n'affectant
pas le poids
de l'incertitude globale, elle rentre en ligne de compte dans l'estimation des bornes
de l'intervalle. Aussi, un indice de symétrie S correspondant au rapport des deux
demi-intervalles est défini par : S, -- -PSc - P (6)
P - Pic

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

Bien que ne résolvant pas le problème de l'asymétrie, cette variance corrigée

fournitunemesureplus acceptable quecelleobtenued'après les formules
usuelles.
Pwgoriinn p Pmpndion p
I .O
0.9 -
R a 0.95
(1.8
0.7
Sn- 1,Il
0.6
0.5
0.4
O3
-
sa 0,9o

Figure 1. Limites de validité pour un risque d'erreur de 5 et 20%. Les zones en

grisée en hachurée indiquent l'aire de validité des formules usuelles de variance
c o r n e mesure de l'incertitudeet la zone hachurée l'aireoh en plus les conditions
de symétrie sont respectkes.

56
 Session II O. Schaan, D. Gascuel

Tableau 1 : Facteurs de correction (ratios R a des incertitudes) pour des seuils

de confiance de 95 et 80 %. Pour les valeurs de a>n/2, R correspond au
complément à n lade valeur
recherchée, donc pour
n-a.
(Pour n = 22 et a= 18, lire R pour a = 4). (Pour a = O, R = O)

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

1 0.81 3.43 0.85 0.76 0.78

0.73
0.00 0.93 1.20
20.84 0.87 0.80
1.20 0.85
3 0.88 0.91 0.97
0.93 0.99 0.81 4
5
0.89 0.92 0.00
0.94 0.99
95 0.99 6
7 0.95 0.970.91 0.93
0.92 8 0.94 0.93
9 0.92 0.85 0.94
10 0.93 0.00 0.95
11 0.93
12 0.93
15 0.94

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.

ABBBUD (N.), AUDRBNG (J.F.), 1989 - Probabilités et Infbrences

Statistiques. Nathan Cditeur, Collection SupérieurLÉconomie, 35p.1
COCHRM (W.J), 1977 - Sampling technies. Third edition, Wiley & Son, New
York, 413 p.
(J.M.), 1987 -. Mithodes statistiqnes des sondages. Economica,

KENDALL (M.G.), STUART (A.), 1958 - The Advanccd Theory of Statisfics.

Griffin and Co. ETD, London, 3 vol., 690 p.
(O.), 1993. L'exploitation des anguilles sub-adultes (Anguilla anguilla,
E.) dans les estuaires de la E o k et de la Vilaine : MCthodes d'estimation des
captures par ,tige. Thbse de Doctorat,ENSm, Remmes, 156 p.
SCHERRER (B.), 1983 - Techniquesdesondageen Ceologe. In : Stratkgies
dVchnti1lonnage en bcologie. Frontier S.(éd.),Masson, Paris, 63-162.
SCHEWER (B.), 1984 - Biostatistique. Ga&tanMorin, Chicoutimi, Québec,
850 p.
WONE\TBCOTT (T.H.)? WOWACOTT (R.J.), 1991 - Statistique :Econ,omie,
Gestion, Sciences, Médecine.Économica, &me &lition, Paris, 919 p.

58
 Deuxième Forum Halieumétrique, Nantes, 1995
Session LI :Analyse de l’information

MODELES LINEAIRES GENERAUX ET CAPACITE DE

REPRESENTATION
Francis Laloë, Nicolas Pech, Monique Simier a

Le recours au modèle linéaire statistique est extrêmement fréquent pour

l’analyse des données dans l’étude des pêches, depuis le très classique mo-
dèle de Robson jusqu’auxrégressions utilisées par exemple pour établir des
relations taille-poids.
Le modèle linéaire consiste en une description de la distribution d’une
ou plusieurs variables Y conditionnellement à des valeurs prises par des
variables “explicatives”, qualitatives ou quantitatives.
Le modèle linéaire est un cas particulier d’un modèle de type

où f(z, 8) est l’espérance de la variable Y , unè fonction des variables

explicatives et de paramètres inconnus 8 et où E est une variable aléatoire
centrée.
Le modèle est linéaire si f(z,8) est une combinaison linéairedes paramè-
tres 8.
+ +
Ainsi la régression linéaire simple ((K) = z; x b 1 x a E ; ) est .un
modèle linéaire au même titre qu’un modèle
E(Y‘&)= a; x -+ b; x CC;],f
~ : b C; x1 +~ i b
utilisé pour décrire des relations entre espérances de tailles de crevettes
selon des fonctions paraboliques de la salinité, fonctions dontles paramètres
diffèrent selon la vitesse d’un courantpouvantprendre 5 valeurs ( i =
1 - 5). (figure 1, données de L. Le Reste)
Les logiciels statistiques permettent de définir un tel modèle et d’en es-
timer les paramètres avec un nombre très réduit d’instructions. La procédure
GLM dans SAS (General Linear Model) permet ainsi de réaliser cette esti-
mation par la méthode des moindres carrés (choisir les valeurs pour des e
estimations de 8 telles que la somme des carrés des valeurs observées et
ajustées soit minimale). Cette méthode des moindres carrés présente un
intérêt général ; elle est de plus particulièrement adaptée au cas où les va-
riables Y sont indépendantes, gaussiennes et de même variance- cr2 (auquel
. cas les seules inconnues du problème sont 8 et 0’).
“HEA, Centre Orstom de Montpellier, BP 5045, 34032 Montpellier Cédex 1

59
Deuxidme Forum Haliezamdtriqzle, Nantes

La théorie du modkle linéaire est relativement a.ncienne. Les capacités

de calcul actuelles permettent d’en tirer pa.rti de fa,çon de plus en plus
efficace et de mettre en œuvre des généra.lisa.tions pouvant être très utiles.
Pa.rmi celles-ci les modèles non pa.ramétriques faisant appel aux méthodes
d’estimatiolt fonctionnelle sont très intéressants.
Le développement de ces méthodes ne doit cependant pa.s conduire à un
oubli du modèle chssique qui peut présenter unesouplesse pa.rticu1ii.remen.t
efficace comme peut l’illustrer l’exemple suivant portant sur la, description
d’une série chronologique de températures de surface sur la côte ouest de
l a Côte d’Ivoire (données COADS mises àAdisposition par C. R.oy). Les
données sont des moyennes mensuelles d’observa.tions pendasnt 27 a.nnées
(figure 2).
Une méthode non paramétrique “STL” a été ddveloppée par Clevelmd
et QI (1990). Cette méthode consiste en une description du signal pério-
dique, et de son éventuelle modification au cours du temps. Pour ce faire,
l’idée de base estd’ana.lyser séparément àl’aided’un lisseur (‘LOESS) la ten-
dance intera.nnuelle de chacune des douze séries de données corresponda.nt
à un mois pxticulier. Le résulta,t est alors présenté sous forme graphique
a,vec unecomposanteinterannueue commune toutes les Sous séries, une
composante saisonnière “évolutive” et une composanterdsiduelle. La figure
3 présente ainsi la, somme de la composante interannuelle générale etde la
composante saisonnière. L9a.justement a été réalisd avec le logidel Splus.
On observe l’amplificationde labaisse de t e n p h t u r e a ucours de la. petite
saisonfroide,phénomènepouvant expliquer l’augmentation considéra.ble
des captures de sa.rdinelles dans cette zone (Pézennec e-t Bard 1992).
En fait la. déma.rche employée ici peut être reproduite par un modèle
linéaire décrimnt chacune des douze sous-séries par un polynôme de degré
5 selon le numéro du mois (codé de 1 à 324)
Ce modèle peut s’6crire sous forme :

yZk = a; + b; x t f C; x t 2 + di x t3 f e; x t4 + fi x t5 -t~ i k

où i est le numQo du mois(de 1 àq 12)’ k celui de l’année (1 à 27) et

t = i f 12(k - 1).
La somme des tendances saisonnière et interannuelle issues
de l’ajustement
de ce modèle est présentée en figure 4.
On peut Qgalement exprimer la variable qualitative ”mois” selon des
fonctions sinus et cosinus et le modkle ci-dessus est équivalent au modèle
défini pa.r l’interaction entre le polynôme de degré 5 en t et les variables
cos(2n j t / T ) j = 1...6 et sin(2n j t / T ) j = 1...5

60
Session II F. Lalog, h? Pech, M. Simier

Ce résultat est entièrement lié au fait qu’une série de période T connue

peut s’exprimer sous la forme d’une combinaison linéaire de fonctions sinus
et cosinus dont les périodes sont diviseurs de T
Un inconvénient des régressions sur polynômes est associé aux problèmes
d’ajustement en début et fin de série, cet inconvénient est moins présent
aqvecles méthodes d’estimation fonctionnelle. Par contre le modèle paramé-
trique linéaire présente l’intérêtd’évaluer des hypothèses pouvantêtre aisément
énoncées.
On peut ainsi se poser la question de savoir si tous les mois d’une même
saison sont semblables. le modèle qui s’en déduit s’identifie au moyen de
contraintes linéaires très simples, “des égalités de moyennes”.
Mais on peut aussi tirer parti de la formulation faisant appel auxfonc-
tions sinus et cosinus, en testant l’absence d’harmoniques, ou avec des mé-
thodes de régression pas à pas.
Nous avons ainsi calculé le périodogramme de la série. Il apparaît (figure
5) que deux harmoniques s’imposent correspondant aux périodes 12 et 6
mois. Nous avons donc refaitl’ajustementen ne gardant que ces deux
harmoniques. Le résultat est présenté sur la figure 6.
Il convient de noter que les ajustements ainsi obtenus par le modèle
STL, le modèle linéaire combinant un effet mois et un polynôme de de
degré 5 ou le modèle linéaire combinant des fonctions sinus et cosinus de
période 12 et 6 avec un polynôme de degré 5 sont quasiment équivalents,
les sommes des carrés des écarts entre valeurs observées et estimées étant
respectivement égales à 79.5, 71.26 et 82.3,la variance totale étant quant
à elle de 777.0. Le carré moyeirésiduel associé au modèle simplifié est de
plus inférieur au carré moyen du modèle incluant les 11 fonctions sinus et
cosinus.

BIBLIOGRAPHIE

CLEVELAND (R.B.), CLEVELAND (W.S.), MCRAE (J.E.) & TERPEN-

NING (1.) 1990 - STL : a seasonal trend decomposition procedure
based on Loess. Journal of Oficiak Statistics.
PEZENNEC (O.) & BARD (F.X.), 1992 - Importance écologique de la
petite saison d’upwelling ivoiro-ghannéenne et changements dans la
pêcherie de Sardinella aurita. Aquat. Living Resourc. 5 : 249-259.

61
 i
- ""1 B

10

O 10 20 30 4C 50 60 eo
SALlNlIi (g/l)

COURANT UD 1 2 C 3

Figure 1 : Valeurs observees et ajustees avec un rnd&leplynômid

de degr6 2 selon chaque niveau de courant

Figure 2 : Donnies mensuelles de tempiratures de surface, côte ouest de

la Côte d'Ivoire (domies centrées, end ~ g r 6Celsius)

62
Session II F. Laloë?N. Pech, M Simier

Figure 3 : Valeurs ajustées par la procédure "STL"

I r
O M IW 150 Mo 250 JM)

Temps

Figure 4 : Valeurs ajustées avecun polynôme de degré5

pour chacun des douze mois

63
 a. I 62 03 0.4

frequence

Figure 5 : Périsdogrmes (les pics correspondantA des périodes

annuelles et semestrielles)

Temps

Figure 6 : Valeurs ajustkes selon un polynômede degré5 en intéraction

avec des sinus et cosinus de période
12 et 6 mois

64
 Deuxidme Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information

ESTIMATION DE PROBABILITÉS PAR LE MODÈLE

LINÉAIRE GÉNÉRALISÉ. APPLICATI,ON AU SAUMON
(Sulnzo suzar L.)
Jacques Badia, Robert Faivre, Marie-Hélène Charron y
Patrick Prouzet, Jacques Dumas François-Xavier Cuende

1 - INTRODUCTION

Le modèle linéairegénéralisé permet d’analyser la relation de causalité entre

une variable à expliquer de la famille exponentielle etdes variables explica-
tives par des techniques de régression. Pour une étude donnée, différentes
modélisations sont possibles. Pour les expliciter, nous présentons deux ap-
plications : A) l’étude des effets des conditionshydroclimatiquessur les
captures par unité d’effort de saumons dans l’Adour, B) l’estimation des
probabilités de retour des saumons atlantiques dansla Nivelle. Dans chaque
cas, l’objectif est d’estimer des probabilités à partir de données groupées.

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.

B - PrsbabiliiQsde retour dessaumons

Pour étudier le cycle biologique des saumons de la Nivelle, un modkle a
été programmb par Charron (1994). Il permet de simuler les évolutions
prévisibles de cette population en fonction du niveau de ponte, des taux de
séparation en classes de saumons de rivière et de saumons de mer. Pour
le mettre en oeuvre les probabilités de retour des saumons partis en mer
doivent Ctre connues. Pour estimer ces probabilités, on modélise les ob-
servations qui se réfkrent a m six années de naissance (1985 à 1990) pour
lesquelles le cycle complet des retours a été observé. Du point de vue
statistique, chaque année de naissance est une modalité du facteur classe
de naissa,nce (en). Les saumons pouwnt rester un ou deux a,ns en rivikre
ava,nt de partir en mer et un ou deux ans en mer avant de revenir dans
la Nivelle, on note ri et m e respectivement les facteurs ”temps passé en
rivikre” et 9’tempspassé en mer”. Ces trois facteurs caractérisent l’histoire
des saumons et pour cha,quehistoire onobserve le nombre de retours (y) des
saumons de mer ( n ) . Chaque y est une réalisation d’une varia.ble a16a.toire
binomiale Y (Y B(n,p)),on peut donc théoriquement estimer les prob-
N

abilités de retour p en utilisant un modkle logistique linéaire. Cependant,

l’ajustement des observations au modèle peut ne pas être satisfaisant : 1)
pour des observations indépendantes, si des facteurs importantsne sont pas
contrblés (surdispersion dela déviance résiduelle), il faut modéliser la vari-
abilité des probabilités de réponse. 2) si les observations sont dépendantes,
il faut alors modéliser la corrélation entre les réponses bina,ires (cf. Collet,
1991).

1 ) Mod6lisation de la variabilité des probabilités de r6ponse

On suppose que la probabilité de réponse de la ième observation notée 6;
est une variable aléatoire d’espérance E(6;) = p; et de variance Var(@) =

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 ) .

2 ) Modélisation de la corr6lation entre réponses binaires

Supposons que pourle ièmeensemble d’observations, on ait y; succès parmi
n; d’observations et que R;1, ..., Rini sont des variables aléatoires de
Bernouilli telles que Rsj = 1 pourun succès (retour)et R;j = O pour
un échec ( j = 1,.. .,TL;). Si p; est la probabilité de succès, E(R;j) = ps: et
Var(Rij) = p;(l - pi). Le nombre de succès (yi) est la valeur observée de

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. .

B - Prsbabilitks de retsur des saumons

L h a l y s e du modèle sta.nda.rd le plus complet : Zogit(p) = cn. +- ri +- nze +
c n * r r i f c n * n ~ e t r i ~ n n met
z e en évidence une dkviance résiduelle très grande
(36.86) par ra.pport,au nombrede degrésde liberté( 5 ) . Vra.isemblablement,
des facteurs importants ne sont pas contrôlks, ilfaut modéliser la variabilité
des probabilités de réponse.Les analyses montrent que lemodhle logistique
+
lineaire surdispersé Zogit(p) = c n +- r i nze est acceptable, la déviance
r6siduelle (14.234) étant proche du nombre de degrés de liberté résiduels
(16). C’est ce modèle qui est utilis4 pour estimer les proba.bilit4s de retour
des saumons.

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

CHARRON (M-H.), 1994- Modélisation stochastiquedu cycle biologique

des salmonidés migrateurs. Application à la modélisation du cycle
du saumon atlantique de la Nivelle et de l’Adour. Diplôme d’études
supérieures spécialisées, Université Paul Sabatier.
COLLET (D.), 1991 - Modelling Binary Data. Chapman & Hall, Lon-
don.
CUENDE (F-X.), 1994 - Contribution ci E’étude de la pêche profession-
nelle du. saumon (Salmo salar L.) dans le bassin de l’Adour (France).
Thèse de Doct0ra.t de l’INPT, spécialité Sciences Agronomiques.
McCULLAGH (P.) & NELDER (J.A.), 1989 - Generalized Linear Mo-
dels. Monographs onStatistics and Applied Probability. Chapman
and Hall, London. 511 p.
WILLIAMS (D.A.), 1982 - Extra-binomial variation in logistic linear
models. Applied Statistics. 31, 144-148.

69
 Deuxibme Forum Halieuntétrique, Nantes, 1995
Session II :Analyse de l’information

ESTIMATION DES PUISSANCES DE PECHE

François Gaut hieza

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-
’

na,issances ou des hypothèses particulikres sur le comportement de la.

ressource ou sur le processus de cap.t,ure.
On se proposedonc d’appliquer au modklemultiplicatifunedémarche
gQnBraleconsistant à. fonder un modèle statistique sur uneanalyse des pro-
cessus sous-jacents, en particulier les processus intervenant à une échelle
inférieure B 1’Qchelled’observation.

II - MBDELSSATION DU PROCESSUS DE CAPTURE

On peut distinguer deux composantes essentielles dans la variabilité des
captures:
Q Le chalut Btant un engin qui se déploie dans l’espace, il s’ensuit que
l’srra,ngement spatialdes poissons dans la zone prospectde constitue
une première composante. Plus précisément, le nombre d’individus
prbsents dansl’aire bdayée parle chalut et sa varia,bilitQsont directe-
ment libs aux déplacements et au comportement a.grégatifdu poisson.
B D’autre part, les individus pr6sents dans l’aire bdayée ne sont pa,s
tous capturés. Le comportement du poisson vis-à-vis du chalut con-
stitue la deuxième composante.
Pour ce qui est de la première composante, nous nous plapns à une
échelle locale, où prédominent les comportements agrégatifs (voir Gauthiez
et al., 1995). Le nombre N d’individus présen-ts dans l’aire balayée par le
chdut peut dors Btre exprimé comme la somme du nombre X d’individus
par agrégats calculée sur l’ensemble des agrégats présents dans
l’aire balayde
(P agrégats):
P

72
Session II F. Gauthiez

où 9 et les X i sont des variables aléatoires mutuellement indépendantes.

On suppose queles agrégats sont répartis au hasard,de sorte que 9 suit une
loi de Poisson. Dans des conditions de chalutage standardisées, l’espérance
de N (notée v) représente l’abondance locale. En réponse à des varia-
tions de cette abondance locale, l’arrangement spatial des individus peut
varier d’une multitude de façons. Le nombre moyen d’agrégats peut rester
constant, ou Gien la taille moyenne des agrégats peut rester constante, ou
encore on peut avoir une situation intermédiaire. De plus, la variabilité de
la taille des agrégats peut, elle aussi, varier de différentes manières-lorsque
la taillemoyenne change. L’uneou l’autrede ces réponses possibles à
une variation d’abondance locale constitue ce que nous appelons la den-
sité-dépendance des schémas d’agrégations. Dans le cils d’une campagne
de chalutages il n’est pas possible d’observer directement la forme de cette
densité-dépendance’ m&is chaque formese traduit par une formulationpar-
ticulière dela variance de N . Un certain nombrede cas sont envisagés dans
le tableau 1. Pour ce qui est de la deuxième composante, l’hypothèse la
plus simple consiste à supposer que tous les individus ont la même prob-
ablité T d’être capturés. Dans ce cas, conditionnellement à un nombre N
d’individus présents dans l’aire balayée, la capture C suit une loi binomiale
de paramètres N et T:
C N B ( N , T).
De nombreuses raisons peuvent nous amener à remettre en cause un modèle
aussi simple, nous n’en citerons que les principales. D’abord, la probabilité
de capture T peut varier d’un trait à l’autre: des facteurs influençant cette
probabilité, comme la géométrie du chalut, la longueur du trait, ou les con-
ditions de milieu peuvent en effet subir des variations inter-traits. Ensuite,
au cours d’un même trait, on peut imaginer que la taille d’un agrégat
influe sur sa capacité d’échappement. Enfin, un problème de saturation
peut intervenir. Certains de ces problèmes sont des sources de variabilité
supplémentaires, tandis que d’autres introduisent un biais dans la relation
entre capture et abondance locale (la capture moyenne peut ne. plus être
proportionnelle à l’abondance locale v). Le tableau 2 présente le cas 7r
constant. Les autres cas pe sont pas présentés ici faute de place.

73
Tableau 1: Relationsmoyenne-varimce vérifiées par le nombre N
d’individus se trouvant dans l’aire bala<ykepar le chalut.

variation de variation de expression expression

la loi de P la loi de X de Var(X) de Var ( N )

ao E(N)

constante E(X) oc Y eE2(X) a0 E2(N)

E(X) + c E2(X) E(N) + ao E2( N )
cEb(X) E b ( N )+ al E2(N)
00

E(X) +cEb(X) E(N) + ao Eb(N)+ al E2(N)

E(X) + c E2( X ) E(N) + a0

avec b = 2 -
Eb(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

III - ENFERENCE STATISTIQUE

Dans la partie préci?dente, les différents modkles probabilistes envisagés
n90nt Qt6présentés qu’à travers la formulation de l’espéranceet de la vari-
ance de la capture. Ce parti pris corrrespond à la nécessité de formuler
les problèmesd’unefason qui soit facilement transfirable en termes de
modkles statistiques. Or, s’il est trèsfacile de calculerune moyenne et
une variance, il est en ginkrd hasardeux en hilieutique de postuler que
des captures observées sont issues d’une loi donnée. C’est pourquoi nous
préférons caractériser les processus par l’expression des deux premiers mo-
ments et ne pas aller plus loin dans la spkcification d’une loi. Du point de
vue du statisticien, cela signifie que l’on se place d’emblée dans un cadre
semi-paramétrique. Dans le cadre d’un modèle multiplicatif, on peut par

74
Session II F. Gauthiez

Tableau 2: Expressions de la variance de C , en fonction des différents

relations moyenne-variance vérifiées par N .

Expression capture expression

de Var( N ) moyenne de Var(")

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"

exemple postuler le modèle suivant:

où la capture moyenne est proportionnelle à une mesure p de l'effort de

pêche, à une puissance de pêche (Y et à un indice d'abondance v valable pour
une strate spatio-temporelle donnée. La fonction de variance (2) englobe
un certain nombrede cas du tableau 2. Sa dépendance linéaire par rapport
à p s'explique par l'hypothèse de distribution au hasard des agrégats. Le
coefficient b, quant à lui, est aussi un paramètre à estimer et représente le
mode de densité-dépendance des schémas d'agrégation.
Pour choisir un estimateur nous adoptons le point de vue asympto-
tique: les propriétés minimalesrequises sont la convergence et la normalité
asymptotique. Le cadre semi-paramétrique impose que ces propriétés soient
vérifiées quelle que soit la loi de C v4rifiant (1) et (2). Si la loi de

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

dance, en attribuant à u une valeur par strate. On pourrait naturellement

envisager de la relier à des variables d’environnement ou de représenter
ses variations spatiales à grande échelle par des méthodes du type géo-
statistique. Deuxièmement, ce cadre devrait permettre l’appréhension des
puissances de pêche pour les navires commerciaux. Ce transfert n’est pas
sans poser certains problèmes. D’une part, l’interaction entre l’agr6gation
de la ressource et la recherche menée par un navire commercial peut modi-
fier la fonction de variance et, surtout,rendre non linéairela relation entre
capture moyenne et abondance locale (Gauthiez, 1995). D’autre part, un
navire commercial réalise à l’évidence des captures différentes selon qu’il
cible ou ne cible pas une espèce, de sorte que sa puissance de pêche vis-à-vis
d’une epèce donnée dépend de son groupe d’espèces cibles. Une approche
de ce problème pourrait être d’utiliser les composantes principales issues
d’une analyse factorielle sur les captures pour estimer des puissances de
pêche dépendant du groupe d’espèces cibles.

BIBLIOGRAPHIE

CARROLL (R. J.), & RUPPERT(D.), 1988 - Transformation and

weighting in regression. Chapman & Hall. New-York. 249 p.
GAUTHIEZ (F.), 1995 - 1s CPUE a’reliable index of abundance? Lessons
from a probabilistic mode1 coupling fish aggregation with efficient
fishing tactics. Can. J. Fish.Aquat. Sci. (soumis).
GAUTHIEZ (F.), POULARD (J.C.), & KOUTSIKOPOULOS (C.), 1995
- Analyse de la distribution spatialeà petite échelle des poissons ben-
thiques et démersaux en Mer Celtique. Deuxième forum halieumé-
trique.
GOUHEROUX(C.),MONTFORT(A.), & TROGNON(A.), 1984
- Pseudo-maximum likelihood methods: theory. Econometrica 52:
681-700.
ROBSON (D.S.), 1966 - Estimation of the relative fishing power of in-
dividualships. Int.Comm. Northw. Atlant. Fish.Res.Bull. 3:
5-14.

77
 Deuxiime Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information

LE COVARIOGRAMME: UN OUTIL STRUCTURAL

Nicolas Bez; Jacques Rivoirard a, Jean-Charles Poulardb

1 -INTRODUCTION

L’utilisation d’outils structuraux répond à deux objectifs : décrire, en la

résumant, la structure spatialed’un phénomène régionalisé, et utiliser cette
structure pour effectuer par exemple des cartographies, des estimations, ou
encore des simulations. Le but de ce travail est de présenterle covari-
ogramme jusque là utilisé dans des conditions limitées.
Nous verrons qu’il se présente comme une alternative au variogramme,
dans des cas où celui-ci se révèle peu adapté. En particulier lorsquese pose
la question de savoir comment décrire la distribution spatialed’une densité
de poissons quand l’abondance totale du stock provient de concentrations
fortes et rares, qu’il
et est difficile de délimiter unchamp àl’intérieur duquel
les variations sont homogènes.

II -LE VARIOGRAMME

L’analyse variographique porte sur des données de merlu (Merluccius mer-

Zuccius) issues de la campagne de chalutage organisée en 1990 par IFRE-
MER dans le Golfe de Gascogne. L’échantillonnage est stratifié aléatoire
dans la moitié Sud duGolfe, et presque régulier dans la moitié Nord (figure
1). Les 137 densités de merlu d’âge O sont réparties dans la partie cen-
trale du plateau;l’ensemble du stock de la région semble avoir été observé.
L’irrégularité spatiale apparait importante puisque de fortes densités sont
entourées de densités très faibles voire nulles. La distribution des densités
est très disymétrique: moins de 10% des densités engendrent 50% du total
(forte sélectivité).
Le variogramme est défini dans le cadre de la géostatistique intrinsèque;
c’est-à-dire lorsque le phénomène régionalisé est modélisé par une fonction
aléatoire Z(x), où 2 est un point de l’espace :
T e n t r e de Géostatistique, ENSMP, 77305 Fontainebleau
bIFREMER, BP 1105, 44311 NANTES

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

La chute du variogramme aux grandes distances s’explique par la. baisse

des densités lorsqu’on s’doignedu”coeurriche”. Les différences entre
valeurs deviennent alors de plusen plus faibles, jusqu’àdevenir nulles qua.nd
les distances excèdent les dimensions du s%ock.Il faut donc définir le champ
des Sraleursnon nulles à l’intérieur duquel le va.riogra.mmereprésente la va.ri-
abilité intrinsèque du merlu, daas la mesure où la. géométrie du stock n’a
pas d’incidence sur elle. Cependa.nt, la définition du champ entradne une
modification du va.riogra.mmeet implique le choix d’un seuillage permettant
de considerer des densites très fa,ibles comme nulles et de faire la, distinc-
tion entre zéros extérieurs et intkieurs à la régiona.lisation (problème du
traitement des densités
quasi-nulles observées
Nord).
au L-

La signification et l’intérêt du va.riogra,mmeest de mesurer une vari-

abilité à, l’intérieur d’un champ en faisasntune moyenne de qua.ntités qu’on
juge d’une certaine f q o n compa.rables. Cette démarche est formalisée pa,r
l’hypoth&sedite intrinsèque où les incr6ments de la variable sont station-
naires ( k a r t s entre densités supposés de même loi pa.rtout dans le champ).
Or, da.ns la mesure où un champ serait fixé, il reste que les fortes densités
ont généralement une localisation préférentielle à l’intérieur du cha.mp. Il
+
devient alors difficile de supposer que l’ensemble des paires z(z), z(z i),
dont on fait la moyenne pour ca.lculer le variogra.mme, sont comparables.
Le recours au variogramme n’est donc judicieux que si toutes les parties du
cha.mp jouent le même rôle dans la. variabilité du phénomkne.

80
Session Il N Bez, J Rivoirard, JC.Poulard

III -LE COVARIOGRAMME

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(Q = / J(X)Z(Z + L)dz

Il permet de résumer l’inf~rma~tion structurale
bivariable contenue dans
les données. Le lien avec le variogramme est donné par la relation :

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.

Dans le cas d’une maille régulière (cadre ha,bituel de son utilisation), le

covariogramme expérimental est fourni par :

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 :

où Si est la surface d’influence de l’kchantillon zi. Chaque couple

de données (zi,z j ) intervient globalement avec un poids §$‘j. Cette
méthode présente l’inconvénient de linéariser le covariogramme, et
d’attribuer toute une gamme de distances à chaque produit de den-
sités.
e une pondération appropriée par les surfaces d’influence de chaque
khantillon :

où Ir‘(h,)est le covariogramme géométrique du champ. Le poids ‘total

de chaque paire est .toujours SiSi mais la valeur z p j est dorbnavant af-
fectée à la distance correspondant à celle de leur observation. Cepen-
dant, 1’6cha.ntillonnagepouvant Btre plus resserré autour des endroits
à fortes densités,les surfaces d’influence de chaque point peuventGtre
liées aux densités; ce qui entrainerait alors un biais d m s le calcul du
covariogramme.

Le covariogramme expérimental(figure 3)’ obtenu parla premikre méthode,

sont plus réguliers que les variogra.mmescorrespondants. Leurs modélisation
e5.t donc plus commode. Leurs portées ne s’interprktent plus en termes de
corréla<tionsmais en termes géométriques (étendue des stocks).

B -Utilisakisn du csvariogramme et approches plus fines

A ma.illerégulière, le covariogramme s’introduit naturellement pour l’estimation
d’une variance d’estimation globale. Lorsque la reconnaissance d’un phénomène
dkborde suffisa-mment le champ, il est possible, à condition de manipuler
des estimateurs linéaires et invariants par translation, d’utiliser le covari-
ogramme pour des estimations locales par krigeage (Bez et al., 1995).
On définit également des outils structuraux plus fins :

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 ,

dont le covariogramme est la synthèse :

IV -CONCLUSION

Le covariogramme estun outil structural synthétique, global, et ne requérant

pas d’hypothèse particulière. Il est généralement présenté dans le cadre
d’un échantillonnage régulier qui est la situation la plus confortable pour
sonestimation.Dans la pratiquehalieutique, se pose leproblème de
l’inférence du covariogramme B partir d’une maille souvent peu régulière.
En proposant une intégrale plutôt qu’une espérance, l’approche tran-
sitive(externeet globale) pourrait également êtreappliquéeaux ques-
tions relatives auxliens entre densité etvariables accessoires (température,
bathymétrie, ...).

Cette études’est déroulée dans le cadre du programme

européen “Shelf Edge Fisheries
and Oceanography Study” (référence : AIR 93 1105)

BIBLIOGRAPHIE

BEZ (N.), RIVOIRARD (J.), & POULARD (J.C.), 1995 - Représentation

externe de densités de poissons. Cahiers de Géostatistique, Compte-
rendu des journées de Géostatistique 15-16juin 1995, Paris, E.N.S.M.P.
(A paraître)
MATHERON (G.), 1970 - La théorie des variables régionalisées et ses
applications. Les Cahiers du Centre deMorphologie Mathématique,
Fasc. 5 , Paris, E.N.S.M.P. 212 p.

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.

Figure 1. Densitks de merlu d'âge O.

84
Session II N, Bez, J. Rivoirard, JC. Poulard

Figure 2. Variogramme expérimental selon 2 directions :

perpendiculaire ( O ) et parallèle (+) aux isobathes.

Figure 3. Covariogramme expérimental selon 2 directions :

perpendiculaire (O) et parallèle (+) aux isobathes.

85
 Deuxième Forum Halieumbtrique, Nantes, 1995
Session II :Analyse de l’information

LES POISSONSDEMERSAUX DE LA ZEE GUINEENNE :

PROBLEMES LIES A L’ETUDE DE LA REPARTITION SPATIALE DE
LEUR BIOMASSE

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

Figure 1 : Positions des stations échantillonnées lors des

campagnes 1 et 2 (gauche) et 3 (droite)

a - Halieute, ORSTOM BP 1984 Conakry Guinée

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.

En premikre analyse les rendements diminuent rapidement lorque l'on s'éloigne

vers le large pour atteindre un palier à 20 milles environ de la ligne de base
(Figure 2). Cepalierreste 6, peu pris constant jusqu'i 75 millesdescetes,
distance ii partir de laquelle il remonte rapidementpour atteindre ses valeurs les
plus fortes. Les forts rendements de la c6te correspondent à la cornunaut6 4,
Sciainidis et les plus faiblesi la comunauté B Sparidés.

1.2E05

n.00 36.00 60.00 Cam mm

00.00 24.00 40.00 7400 96.00 120

Figure 2 : VariograTmmes obtenus pour les différentes campagnes

Les variogrammes concernant les campagnes 1 et2 donnent un effet pépite du

m8me ordre de grandeur alors que pour la troisième campagne cette effet n'existe
presque plus. Au cours de la deuxième campagne il n'apparaît pour ainsi dire
aucune structuration dans la répartition des poissons sinon à très courte échelle.
Le palier est atteint à 12 milles environ et ensuite le variogranme est plat. La

88
Session II E. Morize

Figure 3 : Carte de répartitionpar campagne des rendementstotaux après

krigeage selon les modèles définis
par les variogrammes

En ce qui concerne les variances des estimateurs, le gain dansla précision de

la moyenne est de 8 et 19 % pour les campagnes 1 et 2 si on tient compte de la
structure spatiale des données alors que l’on perd ladeprécision dans le cas de la
troisième campagne (Tableau1). Lors de cette campagne les valeurs obtenues au
large ont été exceptionnellement élevées et ont eu une grande influence sur la
modélisation du variogramme.

89
 Tableau f : Moyennes et kc&s types obtenus pour les différentes

Un polygone &&tudeexcluantlelarge a été utilisé pour les traitements

suivants.L'étude a porté sur le gain deprkcision sur la moyenne en tenant
compte ou non de la structure spatiale et sur le gain de prkision en inversant le
plm d'kchmtillonnage entre les campagnes 1et 2 et la campagne 3. La prkcision
sur la moyenne est meilleure si l'on tient compte de la structure spatiale pour
toutes les campagnes. Par contre le changement d'kchmtillomage a plut& une
mauvaise influencesur la précision des résultats.

Tableau 2 : Moyennes et Ccarts types calculCs en excluarmtle large pas stratigie

d'échmtillomage (Cl ou 2 = echmtillomage des cmpages 1 et 2 et @3 =

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

DLALLO (A.) et DOMAIN (F.), 1991 : Rapport de la campagne de chalutage du

N.O.LouisSaugeraularge de la Guinée (24 avril au 19mai1990).
Document ScientifiqueNO15 -juillet 1991.
FAGER (E.W.) et LONGHURST(A.R.),1968 : Recurrentgoupanalysis of
species assemblage of demersal fishes in the gulf of Guinea. 1. Fish. Res.
Board Cun. 25 (7) : 1405- 1421.
PETITGAS (P.) et PRAMPART (A.),1993 : Logicielde géostatistiquepour
IBM-PC effectuant l'analyse d'estimation structurale et les calculs de variance
d'estimation
des
quantités
totales
pour
des
donnéesgéographiquement
corrélées. 81 ième réunionstatutaire du CIEM : CM1993/D:65.

91
 Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Analyse de 1‘information

ANALYSE VARIOGRAPHIQUE DE CAMPAGNES

ACOUSTIQUES SUR LE HARENG ECOSSAIS
Philippe Guibliny Jacques Rivoirardu, E. J. Simmondsb

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.

A - Matériel et méthodes : Modes de calculs des variogrammes

1 ) Variogrammedesdonnéesbrutes
En pratique, on cherche à estimer le variogramme de la variable z(z),
+
demi-moyenne de [z(z h) - z(x)I2 sur le champ à l’aide du variogramme
expérimental:

+
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

C - Variogramme calcul6 le long de la routa du navire

Ceci revient à calculer le variogramme en prenant comme distance entre
deux points la distance parcourue par le navire pour aller du premier au
second. Tout se passe dors comme si l’echantillonnage était réalisé lelong
d’une seule ligne: les problhmes génbrds par la distance des valeurs fortes
a m extrerniths de lignes se trouvent reduits. Ce procédé approximatifsup-
pose des portées courtes.

D - Variogramme deduit de la covariance non centr8e

Dans le cas stationnaire, le variogramme y et la comriance C sont lies pa.r
la relation :

Cependant, la covariance dépend de la moyenne de la variable sur tout

le champ, etrecourir en pratiqueà une estimationde ceparamètre engendre
des bids dans l’estimation de la covariance.
Ce problème disparait si l’on considkre, toujours dans le cas station-
naire, la covariance non centrée:

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 :

y*@) = &-*(O) - K*(h)

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

GUIBLIN (P.)?RIVBIRARD (J.), 6r; SIMMBNDS (E.J.)?1995 - Anal-

yse structurale de données à distribution dissym&rique, exemple du
hareng &ossais. Cahiers de Gkostatistique, Compte-rendu des journées
de @&statistique 1.5-16 juin 1995, Paris, E.N.S.M.P. (A pa.raître)

Campagne d'echantillonnage1990 O
Variogramme de la variable blute

O I

Figure 1. P1a.n d'échanti1lonna.ge ( a ) et variogramme

expérimental ca.lcnl6 à partir des données brutes ( b ) .
Session II P. Guiblirt, J. Rivoirard, E.J. Simmonds

Variogramme dela variable log-translatee

<

1
C

C
d
10 20 30 40 50 60 70 O 10 20 30 40 50 60 70
Distance Distance
(4

Estima ion du v rio r a m e de la variable brute Variog[ymep /a variabJe brute calcule

: a\ deqa
alde
&vanance
centree
non

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)

Figure 3. Variogrammes respectivement obtenu à partir de

la covariance non centrée ( a ) , et calculé le long de la route du navire ( b ) .

97
 Deuxi2me Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l‘information

ANALYSE DE LA DISTRIBUTION SPATIALE A PETITE

ECHELLE DES POISSONS BENTHIQUES ET DEMERSAUX
EN MER CELTIQUE

François Gaut hiez: Jean-Charles Poulard!

Constantin Koutsikopoulosb

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.

1 ) Analyse des indices de dispersion

La, loi de Poisson caractkrise les comptages d’individus dispersks a.u ha.sa.rd
dans l’espace9 indépendamment les uns des autres. Cependant les organ-
ismes marins s’écartent génbmlement de ce type de schéma et sont souvent
regroupes en a,grkga>ts.La variance d9u11eloi de Poisson dtant k g d e à, sa.
moyenne, il est toujours possible de caractkriser le degré d’agrdgation par
un nombre Q tel que:

où N représentelenombred’individusprdsentsdans 1 , a . i ~bdayde par

lechalut. Si la. composantepremière de la va,riabilité des captures est
I’a,rra.ngement spatial des individus dans la zone d’btude, ce n’est pas la.
seule: le comportement des poissons vis-à-vis de l’engin de p k h e a,insi que
l’échantillonnage à bord contribuent égalementà la, variabilité deI’observa-
tion. Si tous les individus sont également capturables et que la probabilité

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.

2 ) Analyse des corrélationsspatiales

L’analyse des corrélations spatiales permet de révéler d’éventuelles struc-
tures qui, au-delà de la variabilité individuelle des observations, intervien-
nent à un niveau inter-traits. Ces structures, reliées àla dimension spatiale,
traduiraient l’existence de gradients persistant à une échelle englobant la
durée de l’ensemble des chalutages. La mise en évidence de telles struc-
tures requiert en général un nombre assez important de points d’observa-
tions dans la mesure où elle s’appuie le plus souvent sur des estimations de
covariances: à nombre de données égal, l’estimation d’un moment d’ordre
2 estbeaucoupmoins précise que l’estimation d’une moyenne. Lescon-
clusions d’une analyse des corrélations spatiales sur notre jeu de données
doivent donc être nuancées du fait du petit nombre de chalutages.
On a procédé à un tracé de variogrammes empiriques calculés par la mé-
thode des moments. Les chalutages n’étant pas répartis suivant une grille
régulière il a fallu définir des classes de distances entre les stations. Trois
divisions ont été testées, différant par le nombre de classes.

101
 z
1
+u,
U
c
,a

1 I
1 2 3 4 5 6 7

Figure P. Valeurs estimées de cr et intervalle de confiance associC ( a f 1

est représenté sur une échelle log). Les poissons benthiques sont en gras
ita.lique7les démersaux en itdiques et les pélagiques en caractkres droits.

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

Une lecture des résultatsprécédentspeutêtrefaite à la lumière d’une

vision simplifiée du comportement spatial des poissons. ll sembleen ef-
fetraisonnable de postuler l’existence d’au moinsdeux échelles spatio-
temporelles dans le comportement spatial des poissons:
e A l’échelle de la population interviennent des processus de sélection
de l’habitat liés au cycle de vie de chaque espèce. Ces processus se
manifestent à une échelle saisonnière et leur emprise estde l’ordre de
la zone occupée par la population.

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.

GAUTHIEZ (F.), 1995 - Estimation des puissances de pêche”.Deusikme

forum, halieume‘trique.

104
 Deuxième Forum Halieume'trique, Nantes, 1995
Session II :Altalyse de l'information

ANALYSE ET PROSPECTIVE SUR LA SITUATION

DES ORGANISATIONS DE PRODUCTEURS FRANCAISES

Donaïg LebonLe Squera

-
1 INTRODUCTION

Dans le cadre des relationsinterdisciplinaires qui gravitent autour de la

sphère de l'halieutique, la recherche portant sur les organisations de producteurs
se situe à la croisée de plusieurs disciplines avec une dominante en sciences
humainesmarquée(géographie, histoire, économie, droit, sociologie). Ce
thème d'étude développéici dans le cadre d'un programmeAIR(*)et finalisé par
plusieursdemandesprofessionnelles,porteprécisément sur le rôle etle
fonctionnementdes OP dans le contexte actuel et à venirdumarchédes
produits de la mer. Il touche notamment deux axes problématiques majeurs :
- enpremierlieul'interprétationdesfacteursexplicatifs dune situation
observée sur le terrain ; à savoir la grande diversité des modes d'intervention
des OP fransaises pourtant issues du même moule réglementaire européen,
- et deuxièmement, une problématique spatiale comprenant une interrogation
prospective
sur le devenir des OP et l'échelle pertinente
de
leur
fonctionnement : échelle fonctionnelleet échelle géographique.
Présentation sommairedes Organisations de Producteurs
Les OP sont des structuresmisesenplace dans le cadre des règlements
communautairesde 1970 en tant qu'outilsdegestion et d'organisationdu
marché. Au coeur du dispositif de la Politique Commune des Pêches, elles ont
pour mission fondamentale d'assurer par des interventions desoutien des cours,
un revenu "équitable" aux marins pêcheurs.Ce sont des structures économiques
de droit privé auxquellesles producteurs adhèrent librement.Il en existe près de
150 en Europe, dont21 organisations polyvalentes en France2.

~~~~ ~ ~

- -
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.

Pour réaliser une sorted'audit des OP, la premièreétapeconsistait &

rencontrerlesdirigeants et 2 collecter les informations tant qualitatives que
quantitatives nécessaires B l'identification des organisations. Deux documents
ont formalisé cette démarche ;d'une part un guide d'entretien ouvert, et d'autre
part, une fiche de renseignements statistiques. Le traitement de l'information a
ensuite pu se faire par codification des crithres d'identification, puis analyse en
composantesmultiples et élaboration d'une typologie. Pour refléterle rôle et les
L-
caract6ristiques des OP, des outils de représentation cartographiques,
graphiques et schématiques,notamment sous forme de logigrammes, ont
permis d'effectuer des synthhses de situation et defonctionnement.

B- Une eatnquEte producteurs

Cette première dCmarche ciblCe sur les responsables d'OP a été complétée
par une enquête de perception auprèsdes producteurs. L'analyse ne pouvant être
aussi exhaustive que la prkcCdente, il aet6 choisi deprocéderparsondage
1
d'opinion sur un échmtillon reepresentatif d'unesoixantaine de pCeheurs.
L'interprétationdesquestionnaires et la méthodedes ACM offrentainsiun
complément intéressantaupoint de vue des dirigeantsavecl'expression de i

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

Enfin, dans un troisième temps91'6valuation de la performance Cconomique

des navires adherents B une OP, prise enétude de cas, vient parachever le bilan
de situation et de positionnement. Ainsi, par une typologie fine des flottilles et
les recoupements des statistiques de production avec des données de gestion, il
est permisd'établirdestableaux de bordprécis et dynamiquessurchaque
groupe de navires. Cette approche n'est rendu possible quepar la mise en réseau

106
Session II D. Lebon Le Squer

des informations de type captures provenant des OP et celles des groupements

de gestion présentssur une même zone.

D- L'analyse à différentes échelles

A chaque étape de travail, les élémentsde réflexion trouventdes illustrations
aux différents niveaux d'analyse en jouant sur les échelles géographiques, du
local au national, voire au niveau européen avecdes perspectives comparatives
sur d'autres Etats membres ; cela afin d'apercevoirà chaque échelon, le rôle des
OP dans la filière et les réponses apportées ou non aux mutations du système
halieutique global.
La succession des pratiques d'enquête exprime ici la complexité des facteurs
entrant dans l'analyse de situationsur la gestion des pêcheslocales et les
difficultés rencontrées pour la collecte de l'information. Celle-ci recouvre des
implications à la fois externes (juridiques, économique) et internes (politiques
globales, stratégies individuelles) d'où unesuperpositionpermanentedes
échelles d'analyse.

III- UNE DIMENSION SPATIALEOU SPATIO-TEMPORELLE :

QUEL ESPACED'INTERVENTION ?

Bien que de création récente à l'échelle des systèmes halieutiques,les OP ne

sont pas des structures hors-site, mais au contraire fortement empreintes des
traditions et particularismes locaux. Au fil des modifications réglementaires et
des mutations de la filière depuis deux décennies, s'est opéré un glissement de
l'échelle d'interventionet une présence étenduesur le terrain.

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

gestion d’espèces saisonnières (thon germon)et l’émergence d’associationset de

réseaux autour d’intérêts communset de politiques régionales (AVOP, AMOP,
BQM4...).
A travers ces différents éclairagesqui ne dessinent encore que des pistes ou
des tendances du fait de leur jeunesse, il est manifeste que la situation de crise
actuelle fait office de révélateurenencourageantlesinteractionsouen
exacerbant les concurrences et, d’une façon générale, en imposant la prise en
compte de facteurs et d‘éChelles d’intervention
élargis et la recherche
d’économiesd’échelle.Onobservedoncprogressivementunglissementde
l’échelle d‘intervention des OP du local au régional, voire à l’échelon national à
travers les fédérations nationales. Le défi des années à venir semble tenir aussi
dans la résolution de cetantagonisme entre d’une part,l’élargissement des
politiques selon une logique économique et, d‘autre part, le fondement de la
représentation portuairedes OP pour la défense de l’intérêt des producteurs.

IV- ELEMENTS DE CONCLUSION

La difficulté méthodologique propre en particulier à l’étude des OP, en tant

qu’interfaces ressource-marché, est la prise en compte d’informations à la fois
quantitatives et qualitatives, de données de gestion, de
production et
d’informations socio-économiques complexes.La synthèse et la compréhension
des mécanismes passent par l’analyse combinée des différentes sources et une
interprétation modulée, plus encore que dans d’autres cadres de recherche, par
une bonne connaissance des spécificités du terrain.
De plus, les méthodesde recherche menées sur l’organisation du marché des
produits de la mer sont extrêmement dépendantes des outils d’observation mis
enplacepar les professionnels et, plus généralement, de leur volonté à
collaborer. Plus ou moins contraints et forcés par les difficultés actuelles, les
responsables d’OP, comme d’autres opérateurs du secteur, sont à la recherche,
notamment à travers la réalisation d’outils de synthèse et d’observation, d’une
échelle pertinente d’intervention en cohérence avec les nouvelles composantes
du système halieutique.

(4) AVQP :Association Vendéenne des OP ;h O P :Association Méditerranéenne des

OP ;BQM :Bretagne QualitéMer

109
 Deuxième Forum Halieumgtrique,Nantes, 1995
Session II :Analyse de l'information

ETUDE DE LAREPARTITION SPATIALE DES ASSOCIATIONS

D'ESPECES DEMERSALES DANS LEGOLFE DU LION PAR
ANALYSE FACTORIELLE MULTIPLE

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

Cetteétude est basée sur l'utilisationd'uneséried'indicesd'abondance

collectésaucours de campagnesscientifiquesd'évaluation des ressources
démersales. Trois campagnes ont été réalisées aux mois de juin 1985, 1986 et
1987selonunprotocolestandardisé,basésur un échantillonnagealéatoire
stratifié. L'engin de prélèvement utilisé lors des campagnes est un chalut de
fond à deux faces (le Drezen 20 PM) dont l'ouverture verticale ne dépasse pas
1.5 mètre. Pour chaque trait, les densités par espèce ont été ramenées à une
unité de surface commune : l'hectare. Pour des raisons techniques, seules les
espèces démersales présentes dans au moins dix pour-cent des traits ont été
étudiées.
Ces données faunistiques sont analysées conjointement avec les mesures des
paramètresdumilieudisponiblespourchaquetrait. Cette structuration des
variables en deux groupes rend délicate l'application des analyses factorielles
simples,lesquelles ne permettentpasd'équilibrerl'influencedesdifférents
groupes. L'analysefactorielle multiple ( A F M )(Escoffier et Pages, 1993) permet

a Ecologie halieutique, Ifremer1 rue Jean Vilar34200 SETE

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

Figure 2. Reprékentation des variables sur le premier plan factoriel de 1'AFM.

lati = latitude, long = longitude, prof = profsndeur. 1 = ouest 2 = est,
A = zone des 3 milles, B = des 3 milles aux fonds de 80 rn, C = de 80 B 180 m,
D = zone de 100 B 150 m, JE = de 150 A 500 m. Al = strate perpe B laide des
variables du groupe 1 (espèces), A I = strate per~ueB l'aide des variables du
groupe 2 (coordonnges géographiques). Les codes des espkces (4 lettres) sont
donnes en annexe 3.

Les traceCs suivant l'evolution, du point de vue des variablesfaunistiques, du

gradient c6te-large B l'ouest (de Al 2 El) et B l'est (de A2 B E2) peuvent êts-e
utilisés c o r n e des limites arbitraires susceptibles d'apporter une aide B l'etude
de la distribution spatiale des espbces (fig. 2). Les espèces situees au dessus de
la limite ouestprésentent une distributionbeaucoup plus rnarquCe (voire
exclusive) B l'ouest du golfe. C'est le cas notamment des espbces Trigloporus
Zastoviza (TRIP), Arnoglossus laterna ( M L ) , Trigla lyra (TFXY) et Trigla
lucerna (W)dont la répartition sw le gradientcbte-largeconcerne
principalement la région ouest du golfe en correlation avec un certain nombre

114
Session II J. C. Gartmr

de types de substrat (SGM, P25, SMF, PSG, PSM). La codification du substrat

est donnée dansle tableau 1.

Tableau 1. Identification de la nature du substrat

d’après Aloisi (1986) et Campillo (1992):

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.

CAMPILLB (A.), ALDEBERT (Y)I BIGOT (JL) ET LIORZOU (B), 1989.

Données sur la distribution des principales espèces commerciales du golfe
du Lion. IFR.E"R DRV-89.041-RH-SèteY137 p.
C M P I L L O (A.), 1992. Les pCcheriesfrançaises de Miditerranée: synthèse des
connaissances. IFREMER, Rapp. int. DRV 92019-RH S&, 206 p.
ESCOFFIER (B.)? PAGES (J.)9 1993. Analyses factorielles simples et
mu&&?s. Dunsd, Paris, 274 p.
LIORZOU (B), CAMPIEEO (A), BIGOT (J.L.), 1989.
Estimation
de
l'abondancerelative de Lophius budegassa dugolfduLion 2 partir des
campagnes de chalutage (1983-1987). Bull. Soc; Zool. France. 114 ( 4 , 101-
112.

116
 Deuxième Forum Halieumktrique, Nantes, 1995
Session II :Analyse de l'information

ÉTUDE DE L'INFLUENCE DES'FACTEURSHYDROCLIMATIQUES

SUR LA CAPTURE DE LA CIVELLED'ANGUILLE (ANGUZLLA
ANGUILLA L.)PAR L'ANALYSE CANONIQUE FONCTIONNELLE

Noëlle Bru, S. Dossou-Gbété, Benoît Truong-Van a

1- INTRODUCTION

En raison de l'importance économique que revêt la pêche à la civelle sur

l'Adour et de la nécessitéd'assurer le renouvellement de cette ressource, le
laboratoire IFREMER implanté à la station INRA de Saint-Pée-sur-Nivelle(64)
a initié un programme de recherche dontun aspect consiste à étudier l'influence
des facteurs hydroclimatiques surla capturabilité des civelles.

II- MATÉRIEL ET MÉTHODES

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

premier coefficient de corrélation canonique est alors complétée à l'aide des

coefficients canoniques de rang suivant, ce qui conduit à la définition suivante
de l'analyse canonique:
Définition: Onappelleanalysecanoniqueentre X et Y la recherche des
variables centrées réduitesUEFx et VEFYtelles que la corrélation entre U et V
soit maximale avec itérations sous contraintes
de non corrélation.
Proposition: Soit pk le coefficient de corrélation canonique, pk est la k-ième
valeurpropre de la matrice r12 r 2 Y 1 'I'12 (resp. r21 rll-1 tr21), dans l'ordre
décroissant, et lesvariablescanoniques (Uk ,Vk ) sont les vecteurspropres
associés à la valeur propre pk*.

2) L'Analyse Canonique Fonctionnelle: Une généralisation de1' Analyse

canonique Multivariée Classique.
a) Motivation
Les données disponibles pour cette étude correspondent aux observations
journalières (du ler Novembre au 31 Mars, soit environ 150 jours par saison)
de plusieurscaractéristiques:capturemoyenne des professionnels(c.p.u.e.),
coefficients de marée, débits, pluviométrie, température de l'air, sur une période
correspondant à 11 saisons de pêche.Considérantchaquesaison comme un
individu, chacune des séries de données correspond donc à des points d'une
courbe décrivant l'évolution en fonction du temps dune caractéristique de cet
individu. La donnée associée à un individu par cette courbe n'appartient pas à
un espace vectoriel de dimension finie mais à un espace vectoriel de fonctions
dont la dimension est infinie. Pour des raisons techniques, on se restreintà une
classe de fonctions possédant une certaine régularité (par exemple celles qui
sont continues et dérivables). L'analyse canonique fonctionnelle, en tant que
généralisation de l'analysecanoniquemultivariéeclassique, fournit uncadre
adapté pour analyserles liaisons entre deuxfamilles de v.a.r. appelées fonctions
aléatoires.
6 ) Notation
soient: @JtE T et (YJtET, des processusaléatoiresauxquels on fait

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.

E'interprCtation des résultats se base sur l'analyse des fonctions canoniques

uk et vk associées au k - i h e coefficient de Corrélationcanonique. Cette
interprétation est facilitee par les représentations graphiques simultanées des
fonctions u k et vk, obtenues A l'aided'estimationsdesopkrateurs ru. Les
estimateurs usuels de ces opérateurs nécessitent que le nombre de trajectoires
observées soit plus important que le nombre de points de discr6tisation de ces
trajectoires. Pour cette raison, le nombre limité de trajectoires dont nous
disposons (1 1), ne nous permet pas d'obtenir des résultats signifïcatifs. Nous
espérons résoudrecette difficulté par la modClisation des processus 6tudiés.

BESSE (P.), 1990 - Approximation spline de l'ilnalyse en Composantes

Principales d'une Variable A l h o i r e Hilbertiienne, Laboratoire de
Statistique et Probabilité,U.A. C.N.R.S. 745, Université Pa~dSabatier,
Toulouse.
GA (E.)9 1987 - Estimation Spline de la Moyenne d'une Fonction
Al&atoire,Thèse, Université de Pauet des Pays de l'Adour.

120
Session II N. Bru, S. Dossou-Gbbté, B. Truong-Van

BRU (N.), 1994 - Étude de l'injluence des facteurs hydroclimatiques sur la

capture des civelles par l'Analyse Canonique Fonctionnelle, Mémoirede
DEA, Université de Pauet des Pays de l'Adour, Pau.
GASCUEL (D.), 1987 - La civelle d'Anguille dans l'estuaire de la Sèvre
Niortaise:bioZogie,écologie, exploitation, Rapport Général, Les Publications
Département
du d'Halieutique, n04/1, ÉCole NationaleSupérieure
Agronomique de Rennes, Laboratoirede Biologie Halieutique.
LEURGANS (S.E.), MOYEED (R.A.),
SILVERMAN (B.W.), 1993 -
Canonical Correlation Analysis when the Data are Curves, J.R. Statist. Soc.
B, 55, n03, p 725-740.
TRUONG-VAN (B.),
DOSSOU-GBETE (S.), 1994 - Une modélisation
stochastique de domtées hydroclimatiques, Communication orale
aux
Journées MedCampus "Modèles et problèmesmathématiques liés à la
gestion des ressources renouvelables". Pau 24-26 Octobre 1994.

121
 Deuxibnze Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information

UNE MODELISATION STOCHASTIQUE DE L’IMPACT DES

FACTEURS HYDROCLIMATIQUES SUR LES CAPTURES DES
CIVELLES D’ANGUILLE

Benoît Truong-Van, S. Dossou-Gbété et Noëlle Bru a

-
1 POSITION DES PRQBLEMES

D’après les étudesbiologiques(cf.Gascuel,1987) , les remontéesdes

civelles dans l’estuaire dépendent des conditions hydroclimatiques telles quela
marée, les débits fluviaux, et la température. Un de nos thèmes de recherche
conjoints avec les laboratoires INRA et IFREMER de Saint-Pée-sur-Nivelle est
la quantification de l’influence des conditions hydroclimatiquessur la
capturabilité des civelles.Cette étude s’appuied’abord sur les données
journalières (5 mois par
an)
recueillies
depuis 1984 par le laboratoire
IFREMER. Elles portentsurlescapturesparunit6d’effort(CPUE) des
pêcheries professionnelles, des relevés de débits fluviaux et de températures
ainsi que les coefficients de marée.

II - LA DEMARCHE SUIVIE

Elle consiste d’abord, par une analyse exploratoire (harmonieet régression)

des séries de données précédentes,à mettre en évidence l’influence des facteurs
hydroclimatiques sur les CPUE, puis à améliorer la quantification de cette
influence en utilisant des modèles stochastiques simples.
La marée, le débit et les CPUE partagent, bien qu’avec des amplitudes très
différentes, une périodequasi-communeautour de 12 jours. Une faible
dépendance entre les CPUE et les débits et marées est plausible, suggérée aussi
par les régressions linéaires entre les CPUE et les facteurs débit et marée. (Cf.
tableau 1). Pour améliorer sa quantification, nous essayons alors de cerner les
caractéristiques des CPUE avec des modèles simples. L’inspection des CPUE
montre qu’elles s’expliquent par une composante g(t) liée aux flux des civelles

a - Pôle de recherche“Gestiondesressourcesaquatiques : Modélisation et Prédiction“

Laboratoire de Mathématiques Appliquées, URA-CNRS 1204, Université de Pau et des
Pays de l’Adour

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.

Lesparamètres des modèles sont estimesparrégression linéaire. Les

principauxrésultats des traitements sur lesdonnées de 1984 21 1992 sont
reportés dans les tableauxci-dessousainsi que lesparam6tres d’intéret : le
coefficient Ra, l’écart-type estimé des rCsidus (SE)’ les estimations des
paramètres autres que m et leurs écarts-types accolés entre parenth&ses. Dans
ces tableaux, nous notonsX pour X(t), X1 pour X(t-1)’M l pour M(t-l), etc.

124
Session II Truong-van,
B. S. Dossou-Gbété, N. Bru

1) Les résultats des régressionslinéaires de X sur M(t-d) et D(t-d) sont illustrés

dans le tableau 1. Il est réaliste de prendre le pas de décalage d entreO et 1.
Les valeurs de R2entre 0.002 et 0.04 indiquent la faible dépendance linéaire
des CPUE vis à vis des facteurs, corroborées par une étude des corrélations
croisées. Ainsi, les travaux antérieurs utilisant ces corrélations croisées avec
décalageconduisent à des résultatspeusignificatifs.D’autre part, les
estimations des coefficients de M(t-d) et D(t-d) sont souvent proches, voire
inférieures à leurécart-type et doncfaiblementsignificatives.Onnote
surtout que les régressions précédentes conduisent sur certaines sériesà des
résultats contradictoires (e.g série 1986).

Tableau 1:Régressions de X ou de dX sur M(t-d), D(t-d); d= O, 1.

1) Série 1984 2) Série 1985 3) Série 1986

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)

1 ) Skrie 1984,2) serie 1985 et 3) sCrie 1986

3) Dans le but de chercher un compromis entre un bon ajustement linkaire de

modèle et des estimations plus prkcises des coefficients des facteurs, nous
introduisons les modkles (0 et (III). Les rCsu1tat.s obtenus sont illustr6s dans
les tableaux 3 et 4. L'impact des facteurs est mieux mis en évidence avec
(0. Le modèle (II) avec 2: = 1 Yquivaut" au modble (Ia) avec s = 1.
Cependant, les simulations (dans le but de validation) de modèles semblent
indiquer que les donnies sont mieux représentees par (II) que par (Ia) Une
des raisons est que le modgle (Ia) est similaire A un processus autor6gressif
d'ordre 1 dont le comportement ne peut pastraduire la grande asymétrie des
valeurs des @PUE.Les séries dX ont une modulation d'amplitudes que nous
attribuons auxflux.Ceciconduit à introduire le facteurXk(t-1). Sur la L-

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

Tableau 3:Série 1984 : Régressions de dXsur Xk(t-1), M(t-d), D(t-d)

Tableau 4: Série 1984 : Régressions deTX sur Xk(t-1), M(t-d), D(t-d)

Facteurs R2 S.E coef (M) coef (D) coef(xk)
Ml, Dl,X”41 4.56 .25 -0.004 (0.0016) 0.019 (0.019)
-4.5 (0.7)
Ml, Dl, 4.50 .27 -0.004 (0.0016) 0.024 (0.019)
-5.5 (0.8)
X”’O1

Tableau 5: Régressions obtenues avecles modèles (1),(II) et (III)

(1) Série 1985, (2) série 1986, (3) série 1987

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.

GASCeTEZ (D.)9 1987 - La civelle d’hlnguille d a m l‘estuaire de la S2vr-e

Niomise : biologie, &cologie, exploitation. Rapport général, Les
publications
departement
du d’halieutique, n04/1, Ecole Nationale
Supérieure Agronomiquede Rennes, Laboratoirede biologie halieutique
TRUONG (B.) & DOSSOU-GBETE (S.), 1995 - Etude de la subsidmce de
plateformes pktrolibres. Rapport de contrat avecELF
TRUONG (B.) & DOSSOU-CBETE (S.), 1994 - Une modClisation
stochastique
de donnCes hydroclimatiques. Journées Med. Campus
“Modbles et problèmemathCrnatique liés à la gestion des ressources
renouvelables”. Pau, 14-26 Oct. 1994

128
 Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Acquisition de l’information

EXPLORATION DANS LE DOMAINE NON-LINEAIRE DES

RELATIONS ENTRE L’ENVIRONNEMENT ET LA DYNAMIQUE.
DES POPULATIONS MARINES
Philippe Cury a Claude Roy

1 - INTRODUCTION

Des déclins précipités ou des accroissements drastiques de populations ont

été observés dans la plupart des pêcheries pélagiques mondiales, fussent-elles
importantes ou bien de petites tailles. Cette instabilité apparaît comme étant
liée auxfluctuations
du
recrutement.Desvariations
importantes des
recrutementssont le résultatd’uneexploitationtropintense des adultes
conduisant à la déplétion du stock et/ou de taux de mortalités des premiers
stades qui sont reconnus comme étant particulièrement sensibles
aux
fluctuations environnementales(Lasker1975,Lasker1985, Smith 1985,
Berverton 1990). Cependantlesmécanismesgénéraux de la régulationdes
populations sont peut-être aussi parfoisdus à des événements intervenants lors
de la croissance des juvéniles (Peterman et al. 1988), la prédation peut, par
exemple, jouer un rôle prépondérant pour le recrutement (Sissenwine 1984).
Les facteursresponsablessontdoncmultiples et la nature des relations.
environnement-dynamique des populations indéfinie.
Des séries temporelles environnementales et écologiques sont maintenant
disponibles dans la plupart des écosystèmes depuis plusieurs décennies. Si des
relations existent entre les fluctuations environnementales et la dynamique des
populations il est bondesequestionner sur noscapacités à pouvoiren
identifier la nature. L’analyse des relations entre deux ou plusieurs variables a,
la plupart du temps, été conduite en utilisant des méthodes statistiques dans le
domaine linéaire (Tyler 1992) ou en utilisant des transformations a priori des
variables, comme par exemple des transformations logarithmiques (Parrish and
MacCall 1978). Cependantdesdonnéeséparpillées qui nerévèlentpasde
relationslinéairesnesignifientpasobligatoirementl’absencede liens forts

a- ORSTOM-HEA (Institut Français de Recherche Scientifique pour le Développement en

Coopération), 91 1 av. Agropolis, BP5045,34032 Montpellier Cedex 1, France, té1 : 67 41
94 10, fax 67 41 94 30, e-mail : cury @ orstom, orstom.fr
b- ORSTOM Brest, BP 70,29280 Plouzané, Té1 : 98 22 45 13, fax 98 22 45 14 e-mail : .
croy@orstom, orstom.fr

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.

L’abondance moyenne annuelle de l’anchois du nord Californien anchovy

(Engraulis rnordax ) aktécalculée dans la principalezonedereproduction
(32”N-39”N9 117.5°W-1190W) moyennant
en diverses
les stations
d’6chantillsnnage r&dliskes entre 1951 et 1990 (cfCury et al. 1995). En
combinant les données de pkhe, les résultats des campagnes de tklCdCtection
ainsi quelesestimationsfaitessur les campagnesdeproduction d’oeufs
(Methot1989), Jacobson and Lo (1991)ontproduitdesestimations de la
biomasse totale d’anchoisqui sont utilisées dans notre analyse. Une estimation
de l’intensit6 de l’upevelling est donnie par la composante du large du transport
d’Ekman (Bakun 1973). Cetindiced’upwellingtraduit la variabilité des
principales
caractéristiques de l’upwelling:
derive
la vers le large,
l’enkchissement c6tier dil k des apports en nutriments d’origine profonde et la
turbulencede la couchesuperficielle par le vent. Les valeursdecet indice
d’upwelling sont calculées dans la zone de reproduction.
Les connaissances actuelles des liens pouvmt exister entre le nombre de
larves
d’anchois, la biomasse totale d’anchois et les conditions
environnementalesnesontpassuffisantes pour d&finir a priori de relations
théoriques. Cependant il est int&ressant d’explorer les formes empiriques que
peuventavoirdetellesfonctions à l’aide de méthodesstatistiques.Des
algorithmes itératifs ont éte recemmentd6veloppés qui généralisent les
regressionsmultiples linCaires aux modèlesadditifsgénéralisés(Hastie and
Tibshirani 1990). Ces methodes permettent d’explorer la forme des relations
entre la variableprédictrice (le recrutement) et unensembledevariables
explicatives (l’intensité de l’upwelling et la biomasse totale d’anchois) sans

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.

La relation entre le nombre de larves, l’intensité de l’upwelling et la biomasse

parentale d‘anchois mesures entre 1951 et 1998 est explor6 B l’aide de ACE,
AVAS et GAIM. Les trmsfomCes correspondant i% la variable pr6dictrice (le
nombre de laves) et les variables explicatives (upwelling et biomasse r-

parentale) figurent respectivement sur les figures 1A etlB/C. ). Elles

permettentd’expliquer 84% delavariabilit6inter-annuelletandis C~.I’LUE 1-
analyse en terme de régression linéaire classique ne permet d’expliquer que
37% de cette variance et rejette l’effet de l’environnement. La transformée du
nombre de larves (A) indique qu’une
transformation logarithmique
est
souhaitable, celle de l‘indice d’upwelling (B) qu’une relation en forme de dame
relie le nombre de larves et l’upwelling, celle de la biomasse parentale ( C ) que
le nombre de larves s‘accroi”t avec la biomasse parentale jusqu’ii une valeur de
0.5 millions de tonnes pour être indépendant pourdes valeurs plus 6levCes.
Des résultats similaires sont produits avec l’algorithme AVAS (figures non
presentées).Destransformationsempiriques optimales sont obtenuesavec
G A M en utilisant le log dunombredelarves (GAM ne permetpasde
transformer les Y). Le coefficientdecorrélation est égal i% 74%. Les
transformations de la biomassed’anchoissontproches de celles obtenues

132
 Session II P. Cury, C.Roy

A B C
P l 11

Figure 1 : Relation entre le nombre de larves avec l'intensité de l'upwelling et

la biomasse d'anchois entre 1951 et 1990 dans le courant de Californie (Cury et
al. 1995).

SMOOTH FIT

UPPER AND LOWER

STANDARD
ERROR
CURVES 2 .t
B
PARTIAL RESIDUAL

-2 -
0.5 1.0 1.5 2.0
UPWELLING INDW. ORIGINALVALUES
2.5

(12.sec.' per rnetre of coastline)

O 0.5 1.0 1.5 2.0
TOTALANCHOW EIOMASS: ORiGlNALVALUES
(logtonnes)

Figure 2 : Lissage, intervalle de confiance et résidus partiels pour les valeurs

d'indices d'upwelling et de la biomasse totale d'anchois obtenus à l'aide de
l'algorithme. GAIM (tiré de Cury et al. 1995).

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

Ainsi, des précautions doivent obligatoirementêtre prises et il faut modérer

tout optimisme lorsque l'on explore les nonlinéaritésendynamiquedes
populations.

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

L’ANALYSE EN COMPOSANTES PRINCIPALES

SUR VARIABLES INSTRUMENTALES :
APPLICATION AUX .RENDEMENTS DE PECHE
DE D E U X P O R T S DE L A C O T E S E N E G A L A I S E
Nicolas Pech“

1 - INTRODUCTION

La collecte de données relatives àl’activitéde la pêche artisanale Sénégalaise

se déroule suivant un plan d’é~hantillonna~ge stratifiéà plusieurs niveaux
(Laloë, 1985; Gérard et Greber, 1985). Nous disposons ainsi, sur plusieurs
années, d’un ensemble d’estimations de rendements de pêche. Ces derniers
concernent plusieurs espèces capturées au moyen de divers engins de pêche
et débarquées dans différents ports. Ces rendements sont a priori soumis à
un ensemble de sources de variationsoulignées par le pland’échantillonnage
(variabilités inter et intra annuelles, port, engins de pêche) ou pas (influ-
ences environnementales (Cury et Roy, 1988); adaptabilité des pêcheurs
(Laloë et Samba, 1989)). Notre objet va être la recherche d’une descrip-
tion de nos données qui soit la plus concise et la plus interprétable pos-
sible. Pour celà, nousutiliserons les sources de variation dégagées par
le plan d’échantillonnage, et présenterons un outil d’analyse des données
: l’analyse en composantes principales sur variables instrumentales (Rao,
1965; Sabatier et Lebreton, 1989).

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-+:”’1; + Yjp + YLQ+ J$Q + y ; p g +

- A - - - - - c ~ A C

Y[= Y; El (1)

92 sont les effets simples estimésPort,

- A h

où Y;? l;, Année et Quin-

- A h -

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) :

On décompose ainsi Y en une somme de 7 ma.trices, chacune contenant

les effets des 25 variables a,ssociés B un effet simple une interaction d’ordre
2, ou une interaction d’ordre 3. E’iner%iede Y (gui vaut 25, les variables
éta,nt.réduites)se décompose aussi en :

-k= I F + IA f ...f I A F Q (3)

comme indiqué dans le tableau 1.
L’ana.lyse explora,toire du ta;bleau de données Y peut consister B en
faire I’ACP (figure 1). Seulement, soninterprétation n’est pastoujours
simple. En effet, considérons deux espèces dont les rendements sont cha-
cun la somme de deux effets simples a.nnuels et sa,isonniers. Supposons que
Session II N. Pech

leurs effets saisonniers soient proches et leurs effets annuels opposés. La

représentation dans le plan principal fera apparaître une corrélation entre
ces deux variables, mais il ne sera pas forcément aisé d’en déterminer la
cause. Une solution à ce type de problème est alors de faire 1’ACP (centrée
mais qui n’est plus normée de chacun des 7 ”tableaux effets’’ définis dans
l’équation (2). Les deux espèces apparaîtront corrélées dans 1’ACP de
(i.e. quant à leurs effets saisonniers)et opposées dans 1’ACP de (ie
quant à leurs effets annuels). L’ACP de 6 est appelée ACPVI de Y rel-
ativement à l’effet annuel (ACPVI Y/A). Celà revient à faire une analyse
des corrélations entre variables relativement à un facteur sans interférer (au
sens de l’orthogonalité entre sous espaces) avec les autres facteurs définis
pa.r les variables de structure.

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

ARNOLD (S.F.), 1981 - Th.e theory of linenr models in ?nultizmriate

a,nalysis. John Wiley St Sons, New-York, USA.
BEDRICII: (E.J), St TSAI (C.L.), 1994 - Mode1 selection for multimriate
regression in small samples. Biometrics, 50 : 226-231.
CURY (P.), & ROY (C.), 1988 - Migration saisonnière du thiof (Epine-
phelus aenus au Sénégal: influence des upwellings Sénéga.lais et 1,-

ma.uritaniens. O c e a d . Acta, 11 : 25-36.

DR.APER (N.19 St SMITH (HS)?1981 - Applied Regression Analysis.

John Wiley St Sons, New-York, USA.

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-

LALO‘Ë(F.), 1985 - Etude de la précision des estimations de ca,ptures et

prises par unité d’effort obtenues à l’aide du système d’enquêtes de la 1-

section ”pêche artisanale” du CRODT, Centre ORSTOM de Dakar

Thia.roye, Doe. Scient. Cent. Rech. O~c‘ono.100, 36p.
LALOE (F.), & SAMBA (A.),1989 - La p&he artisanale au, Se‘n6gnl :
resso’urceset stra.tigies de pzches. Collection études et thèses , Paris,
ORSTOM.
MC CULLAGH (P.)p& PTELDER (J.A), 1989 - Generakized h e m Mod-
els. Second edition, Chapman St Hall, New-York. 511 p.

€LAO (C.R.), 1965 - The use and interpretation of Principal Component

Analysis in applied resemch. Sankhya Ser. A, 26 : 329-358.

140
Session II N. Pech

SABATIER (R.)? LEBRETON (J.D.), & CHESSEL (D.), 1989 - Prin-

cipal component analysis with instrumental variables as a tool for
modelling composition data. Multiway data analysis : 341-352.

141
 Anndc 2.98 0.186

Quinzaine 4.89 0.212

PortxAnnéc 1.33 0.083

PortxQuinzaioe 2.25 0.09s

AnnfexQuinzaine 3GS 6.56 0.018

AnnCexPortxQuinzainc 3GS 5.12 0.01'4

Total ~
2.5 0.031

-1.0 -05 O0 0.5 10 Tableau 1 :Tableau de decomposition de l'inertie de Y

exel 14 7% selon Izs sousespacesengendra par les variables de snuctuee

Figure 1 : Analyse en Composantes principales de Y,

repdsentation des variables dans le plan principal

Axez. 23 V o
.I O -05 O0 05 10

Figure 2 :ACPVI de Y relativement i l'effet quinzaine,

repdsentation des variables dans le plan principal

142
Session II N. Pech

5 'O 15 20

Figure 3 : ACPVI de Y relativement h l'effet quinzaine,

reconstitution par les deux premiers axes des comportements
saisonniers du pagre B points bleus et du tassergal

O 1O0 200 300 400

Degres de liberte

Figure 4 :Tract? du cri&re d'akaike en fonction du degr6

de libertd pour les differents modUes ddfinis

143
 Deuxième Forum Halieumétrique, Nantes, 1995
Session II :Analyse de l’information

PREDICTION DE LA COMPOSITION SPECIFIQUE DU

PEUPLEMENT PISCICOLE EN MILIEU FLUVIAL PAR DES
METHODES CONNEXIONNISTES
APPLICATION AU BASSIN DELA SEINE
Philippe Boëtaet Thierry Fuhsb

1- INTRODUCTION

Les communautés ichtyologiques sont l’expression de processus biologiques

fondamentaux (reproduction, nutrition, abri...) s’exprimant à différentes échelles
de temps et d’espace. Elles peuvent être considéréesàjuste titre comme de bons
indicateurs de l’étatde santé des écosystèmes aquatiques (Fausch, 1990 et al.).
L’identification, la hiérarchisation et l’évaluation des différents facteurs-clés
responsables deI’état actuel de ces communautés sont des outils indispensablesà
la conservation ouà la restauration des peuplements et des milieux.
Une première synthèse concernant le bassin de la Seine a permis de dégager
les facteurs majeurs contribuant à l’organisation actuelle du peuplement piscicole
à l’échellede
l’ensembleduréseau
hydrographique (Belliard, 1994)’ les
caractéristiques demilieuliées à l’organisationlongitudinaleetrégionaledu
bassin s’avérant déterminantes.
Ces travaux s’appuientessentiellement sur l’exploitationd’uneimportante
base dedonnéesdéjàacquises,regroupantdesrésultatsd’inventaires insitu
réalisés par pêche à I’électricité (plus de 700 pêches réparties sur 583 stations,
représentant plus de 200 O00 poissons appartenant à 39 espèces). La nature de
ces
données est très hétérogène. D’une
part,
parce
qu’elles
résultent
d’échantillonnages m i s en oeuvre pour répondre à des objectifs variés, et d’autre
part, à cause des biais inévitables inhérents à la technique de capture utilisée,
notamment dans le casde grands cours d’eau.
Si elle s’avèrait efficace, la mise en relation des descripteurs du milieu et des
espècespiscicolesprésentes,permettraitdepréciserdavantagel’importance
relativedecesvariablesdemilieudanslesmécanismesde structuration des

-
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.

L'objectif de notremodeleprédictif est doncdereliercaractéristiquesdu

milieu et présence-abseme de poissons. Il s'agit d'un probleme de reconnaissance
desformes,pourlequell'utilisation de rbseaux comexionnistes multi-couches
associés B I'algoPitkme de rétropropagation du gradient ont montré leur intéri3
(Rmelhad & McClellmd, 1986). Nousavonsdonc priviligié cettedémarche
dans no.tre approcheinitiale.
Némoins, la mise en oeuvre effective d'une telle méfiodologie présuppose
un exmen plus attentif des données disponibles. Idkalement, en effet, un réseau
multi-couches devrait prendre en entrée les parmètres de milieu (une quinzaine
de variables) et en sortie la présence-absence de toutes les espèces (39 au total).
Ceci reprisente 15xNx39 pxm6tres A calculer (les poidsdes connexions), où N
est le nombre d'unités de la couche cachie, ce qui est illusoire avec seulement
700 pêches disponibles.
C'est po~mrquoi, nous avons h u é la taille desriseaux de deux manières :
- en entrée, par l'analyse prkalable des corrélations entre variables quinous
a conduit A n'en retenir que 8 ;
- ensortie,eneffectuantl'étudeesp6ce par espèce, ce qui a permis de
n'avoir qu'uneunité en sortie, au détriment bien entendu du nombre de réseaux
entraînés.
Pour la couche cachée, nous avons recherche par tiitonnement la meilleure
valeur du nombred'unit&.
Il a en outre étk nécessaire de se prémunir des biais d'échantillonnage. Ceux-ci
peuvent gtre de deux types:
- d'une part, les données sont en général mal réparties entre présence et
absence. La classe la plus nombreuse a alors une influence artificiellement
plus grande dans le calage des poidsdu réseau.

146
Session LI P.Boet, T.Fuhs

- d'autre part, le découpage de la base des pêches en base de test et base

d'apprentissage ne peut être a priori homogène du fait du nombre limité de
pêches. Ceci peut entraîner des taux de généralisation inutilisables car sans
rapport avec la distribution sous-jacente.
Pourlepremierbiais,nous avons choisidemultiplieraléatoirementles
exemples de la classe la moins nombreuse de manière à obtenir pour chaque
espèce, une répartition équitable entre présence et absence (en fait un rapport
entre 0,4et 0,6 a été considéré comme satisfaisant).
Pour le second, nous avons effectué une "validation croisée par blocs". Cela
signifie que nous avons d'abord découpé l'ensemble de la base en trois parties de
cardinal égal. Puis, nous avons entraîné chaque réseau sur les deux tiers de la
base et l'avons ensuite testésur le troisièmetiers pour estimersa performance en
généralisation. Ceci était répété trois fois, en permutant les trois parties. Nous
avons enfin calculé le taux de généralisation moyenet l'écart-type associé.

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

MODELE NEURONAL VERSUS REGRESSION MULTIPLE DE

PREDICTION DES NIDS DE TRUITE

M. Delacostea,S. Lekb, P. Barana, 1. Dimopoulosb et J.L. Giraudelb

1 - INTRODUCTION

Les modèles d'habitat (déterministes ou stochastiques) mettant en relation les

variables du milieu et les caractéristiques des populations piscicoles (abondance,
potentiel de reproduction,...) sont d'excellents outils d'aide à la décision. Faush
et al., 1988, recensent 95 modèles de ce type.La plupart sont construits à partir
de régressions linéaires. Cette procédure sous entend une linéarité des relations
entre variables qui sont plutôt rares en écologie.
Dans ce travail, nous nous proposonsde comparer la capacité prédictive de la
régression multiple et du réseau neuronal (connu par sa capacité à traiter des
relations non-linéaires). Les valeurs prédites par les modèles seront comparées à
des valeurs observéesdesdonnéesbiologiques : prévisionde la densitéde
frayères (nid) de truites communes (Salmo trutta L.) à partir de 10 variables
d'habitat, dans 6 rivières pyrénéennes(SW France).

II- MATERIEL ET METHODES

A- DonnCes biologiques
29 stationsd'étudesréparties sur 6 rivièresdesPyrénéescentralesontété
subdiviséesen 205 facièsd'écoulement. Les caractéristiques physiques de ces
faciès ont étémesurées en janvier,immédiatement après la période
de
reproduction de la truite commune (Salms trutta L). Ainsi, les caractéristiques
mesurées reflètent le plus fidèlement possible les conditions rencontrées par la
truite lors de sa reproduction.

-
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

Figure 1. Graphe de corrélation entre lesvaleurs observées et les valeurs

e s h é e s par différents types de modèles. En haut : Ip1M; au milieu : IW avec 4
variables; enbas : RN avec la totalité des variables.A gauche : avec
transformation de variables; droite : s a s transformation de variables.

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.

Ta1deau1 2. Coefficient de corrélation du lot d'apprentissage(qem)

et du lot
de validation(

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.

FAUSH @ C D (C.E.), PARSONS (M.G.), 1988. Models that

predict the of strem fisk €rom habita1 variables, U.S. Forest
Service Generd Techical Report P m - G T R - 2 13p.
RUMELI-URT (D.E.), HINTBN (G. E ) and WILE S (a. J.), 1986.
Eeaming represenhtions by back-propagating error. Nature, 323,533-536.

156
 Deuxième Forum Halieumétrique,Nantes, 1995
Session II :Analyse de l'information

UNE APPROCHE NUMERIQUE/ SYMBOLIQUE POUR

L'EXTRACTION ET LA FORMALISATION DE CONNAISSANCES
:
APPLICATION A LA DESCRIPTION DE TACTIQUES DE
PECHE
ARTISANALE AU SENEGAL

Huyen Tong, Emmanuel Périnela

I- INTRODUCTION

Ce travail s'inscrit dans le cadre d'un projet développépar I'ORSTOM intitulé

"Interaction entre Analyse de Données, Intelligence Artificielle et Modélisation
Mathématique pour la simulation de la pêche artisanale au Sénégal". Afin de
mieux cerner la dynamique de ce type de pêcherie, plusieurs travaux ont été
développés,enparticulier à travers l'étudeducomportementdupêcheur
interagissant avec son environnementFerraris, Le Fur, 931. Dans ce contexte,la
notionde tactiquede pêche [Ferraris,Samba 911 a étédéfiniecomme la
combinaison de différents choix effectuéspar le pêcheur durant son activité,tels
que : celui des espèces ciblées, du lieu de pêche, de la taille de l'équipage ou
encore du type d'engin utilisé.
Dans ce travail, nousprésentonsuneméthodologiede nature numérique /
symbolique permettant de représenter et de formaliser la notion de tactique de
pêche(figuren'l). A partir d'un traitementinitialidentique(constitutionde
groupes homogènes de
comportements de
pêche par une technique
de
classification automatique), une double approche est proposée afin de fournir
une description explicite de chacun des groupes :
O la première est basée sur un algorithme d'apprentissage, dit supervisé,

issu du domaine de l'Intelligence Artificielle(I.A.);

O la seconde approche consiste à utiliser une méthode de segmentation
construisant unarbre de décision binaire.

(a) Laboratoire LISE CEREMALIE, Université Parisa Dauphine

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 ?

La méthodeprésentée est une adaptation de l'algorithme d'apprentissage

supervisci @ABFUI M o et al. 911, [Gettler et al. 931, [Morkau et al. 951. Cette
méthode, issue de l'I.A., vise à trouver des règles d'app&enance h une classe i
partir d'un ensemble d'observations.

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.

Les méthodes desegmentation (par exemple [Gueguen, Nakache 19881)

constituent une alternative intéressante et une approche différente pour foumir
une inteqrktation explicitedes classes d'une partition. Elles se distinguent
cependant des mé&odes d'apprentissage telles que C D R O car elles permettent
dans ppfp r n h e temps "d'organiser la com~ssmce"sous la forme d'un arbre
binaire.
Le principe général d'une segmentation est lesuivant : onprocoebde A des
dichotomies it6rativesde la population de manière B obtenir des souspopulations
qui soient le plus homogenes possible vis-&vis des groupes A caractériser. Les
coupures ou dichotomies sont obtenuesA partir de questions binairesportant sur
les diffirents descripteurs ; par exemple, la premib-e coupure de l'arbre de la
figure n"2 affiede aux neuds gauche et &oit. les individus ayant respectivement
cibl6lesespbces (48 ou ... ou 1 16) et {!XI ou 125). Par ailleurs, a chaque
étape,lameilleurecoupureestcellequioptimise un crithre évaluant la
dise-ation des groupes au sein des deux neuds créés (critère d'hfiomation,
de Kohogorov-SImo~~ ...).

160
Session I H. Tong, E.Périne1

n
48,49,11
90,125

cible 1
. 118,71 non

Figure n"2.Description des groupes par arbre de segmentation binaire

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-..

FE S (J.), S M B A (A.) 1991. Variabilité de la p&che artisanale

se et shtistique exploratoire. In "S,TMIWOR 5 statistiqueimpliqzde" 1 .I

Laloë (F), U.C0lloque et S h i m i r e OWSTOM. pp. 969-190.

G E n L E R - S W m (M.), P E m E L (E.), F E W d S (S.) 1994. A ~ t ~ m a t i c
aid to symbolic cluscea hterpretation. In New appr0aches in c1erssi;rfcation
a ~ datad amlysh. Sprhger Verlag?E. Diday et al. editsrs. pp. 405-413
GrnGWN (A.), CHE (J.P.). Mk.hode de eliseffnmination basée sur 1%
construction d'un arbre de décision binaire.ph.S.A. v01. 36, 1,pp. 19-38.
HO TU BAO, DIDAY (E.), GETTLER-S (M.) 1988. Generatingrules
for expert system fiom observations. Pattern RecogMitian Letfers 7, pp. 265-
271.
LE FUR (3.) 1990.Projet MOPA : Modélisation de la pêche adsrnale au
Senégal. Document Multig. Orstom, 27 p.

162
Session I H.Tong, E.Pkrine1

MORINEAU(A.),GETTLER-SUMMA(M.),TONG (H.) 1995. Marquage

sémantiquedesaxes et desclasses.xxviièmes journées del'asu.Jouy-en-
JOS~S 15-19 mai 1995.
PERINEL(E.) 1991. Analysenumérique-symboliquedestactiquesdepêche
artisanale au Sénégal. Mémoire DEA, de Université Paris ix-Dauphine.74 p.
TONG (H.) 1994. Interprétationsymboliquepourl'analysefactorielle la
classification et le graphe de matrice de transition d'états. Mémoire de DEA
de l'université Paris ix-Dauphine. 86 p.
ALEVIZOS (P.),Morineau(A.) 1992. TestsetValeurs-Tests.Application à
l'étude des mastics utilisés dansla fabrication des vitraux.R.S.A., vol. 40, no
4, pp. 27-43.

163
 Deuxième Forum Halieumdtrique, Nantes,1995
Session II :Analyse de l'information

DETECTION DE LARVES DE POISSON ANORMALES

PAR ANALYSES D'IMAGES

Stéphane Naudina, Hervé Pellaa, Nicole Charlonb,

Jeanne Garricaet Pierre Bergotb

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.

a - Laboratoire dEcotoxicologie,CEMAGREF, 3 quai Chauveau, 69336 Lyon Cedex O9

-
b Unité mixte INRA-FRE&lER de Nutrition des Poissons, Station d'Hydrobiologie,BP 3,
643 1O Saint-Pée-=-Nivelle

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

B- Mkthsde mise en oeuvre

NotreCchmtillsnnage a r6uni 88 larvesavecdesmalformationsdiverses
(flexion vertébraleedou godement abdominal) illustries par lafigure n"2.

Figure 2. exemples de larves normaleset anormales deelanio (image

A) et de carpe (image B). La taille moyenne des larves normales
6;tudites est de 4 mm pour lesdanios et 15 mm pour lescarpes.

~~ ~

-
(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.

GEURDEN (I.), @ W O N W.), IVIARIBN Q.9, BERGBT (P.).Die-tary

phospholipids and body defomities in carp (Cyprînzw carpio E.) larvae.
Earvi'95. Fish and cm8bcean ~awicultim?. symposium Europea
Aquaculture Society. Spec. Publ. (sous presse).

168
 Session III

Président : P. VALETTE Animateurs : A. LITTAYE-MARIETTE

M.J. ROCHET

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

* Communication non résumée: "Approche déterministeet stochastique de la dynamique des

* * populations parasitaires: application au modèle 'Poisson monogène'''
Communication non résumée: "Mise en évidence de l'altération d'un système lothique par
l'analyse d'une courtesérie de données stocldrecrutement d'une espèce indicatrice,le saumon
atlantique(Salmo salar)"

169 I
 Deuxième ForumHalieumétrique, Nantes, 1995
Session LII :Modélisation etreprésentation des connaissances

VOIES RAPIDES, GRANDSET PETITS CHEMINS,SENTIERS DE

TRAVERSE :DIVERSITE DES ITINERAIRES DE LA RECHERCHE
EN HALIEUTIQUE,ENTRE "LE REEL" QU'ELLEETUDIE ET
''LES MODELES" QU'ELLE GENERE

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 .

II - LES SPECIFICITES DE L'HALIEUTIQUE

L'halieutiquesedistingue,pourlemodélisateur,pardeuxcaractéristiques
aussi évidentes que lourdes de conséquences :
A - Sa ressource est issue d'un milieu difficile d'accès : on est "loin de tout",
sur ou dans l'eau ; on est mal, il faut s'équiper ; tout bouge, avec le vent, les
vagues et/ou les courants ; on risque sa vie, on ne voit pas grand chose et la
pression monte vite, quand on descend...
Ces faits contribuent à ce qu'on connaisse ce milieu moins bien que ceux où
les hommes sont à priori plus à l'aise et en sécuritk. Cela veut dire, pour les
chercheurs, que les données dont ils ont besoin sont souvent difficiles d'accès,
donc chèreset qu'ils doivent bien choisir celles qu'ils commandent à ceux gui sont
à même de les obtenir.... sauf bien sûr si elles sont de toute façon relevées dans
des buts autres que les leurs.
€3 - Sa problématique intègre de fait une grande diversité de questionnements
sur lespoissonset/ouleursenvironnements,impliquantlacollaborationde
nombreuses sciences :
- des questions pour les sciences dela vie : qui sont-ils, d'où viennent-ils, que
font-ils,quemangent-ils,dequisont-ilslesproies,commentdépendent-ils

a CNRS - Université de Montpellier

II

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.. .

Les outils de modélisation pour aborder cette problématique sont également

nombreux et divers. Ils le sont m2me de plus en plus dans le contexqe actuel du
développement très rapide de l'industrie logicielle.
La question qui se pose d0rs au chercheur est donc de plus en plus aigiie de
repérer dans cette jungle le ou les outils dontil a besoin. A défaut d'en trouver,il
peut .toujours envisager de développer les outils "sur mesure" qui rkpondront à
se3 attenbes. Mais cette démarche csfiteuse en tempset en expertise infiornatique
s'impose de moins enmoinssouvent,comptetenude la variété des outils
disponibles, et la question ne se pose plus c o r n e dans les m é e s 70 ou 80,
quand la plupart desmodèlesetaient p r o g r m é s par lesscientifiqueseux-
mSmes. Il est souventdevenupossible et bien plus efficaced'envisager la
constmetion des modèles en s'appuyant sur des logiciels d'aide cl. In C O t ~ t Z 4 C f i O f ?
de flzoddles.
Ainsi B titre d'exemples :
- les logiciels de statistiqueset d'analyse des données en particulier qui furent
lespremiersde la "boîte A outils''dumodélisateur se sontsensiblement
perfectionnés et "convivialises" ;
Session III F. Valette

- en programmation (résolution de grands systèmes d'équations), la plupart

des tableurs intègrentmaintenantdepuissantssolveurs qui épargnent aux
modélisateurs un longtravail de recherche ettest d'algorithmes ;
- en simulation (représentationde processus dynamiques), des logiciels fiables
et faciles à mettre en oeuvre
permettent la descriptiondephénomènes
quelconques, en accompagnant le modélisateur tout au long de son travail en
amont et en aval des simulations:
Tableau 1.: Essai de typologie desmodèles
1 ExPLOIlXTION

-
REGRESSIONS IDENIIFICATIONDE

ANALYSEDEDOMJEES 1 h-MFsou

- SIRucrVREs

MECANJSME SIMULATIONS REPRODUCIION DE

-QU= " M E , PREylSlONs

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.

Le programme de ce forummontre que la part de la recherche halieutique qui

.a recours a la modélisation n'a pas été monopolisCe par une seule des disciplines
concemees. Elle a au contraireassemblédescompétences de chercheurs de
disciplines différentes, voire parfois suscite des coopérations inter-organismes,
devant certaines questions qui ne semblaient pas A priori releverd'approches
formalisantes. Elle semble ahsi aborder7dkjà au vu de ce seul échantillon, une
large part des questions posées au chapître 1.
La portie de ces efforts est toutefois limitée par la complexite des milieux
&&Cs et par la lacmarite de l'infiomation disponiblesur eux, qui expliquent en
meme temps leur répartitioninigale :
- les cbîîes emlogiques etfilibresCconomiques en 'cause, longues et
complexes ne sont ainsi jamais envisagées en tmt que telles, ni ensemble dms un '~
espace donne, nisCpximent dms tout leur champ.
- le fait quel'essentiel de l'informationdisponible pour évaluerlesstocks '.
corresponde aux quantités p&chées explique sms doute le poids des mi&odes
statistiques (pour reconstituer A partir de li, une information exploitableen
termes d'aideà la dicision).
Ces faits desegmentation ou despécialisztiondesrecherchesainsique la
diversité des sujets abod& et des mé-hodes employées rendent toutefois difficile
leur mise en relation : la défhition de problématiques fidirztices par exemple

(1)- Les outils de la recherche opérationnelle, analyse des fonctions

et des complémentarit6s aux
niveaux micro, meso et macro économiques. Contributionau colloque "Représentation,
Modélisation, Développement",G.I.S. "Systèmes Energétiqueset Utilisations de l'Espace",
Montpellier, janvier 1990, pp. 315-335.

174
Session III i? Valette

écologiques ou économiques limitées à certains espaces ou à certaines espèces

serait souhaitable pour l'aider.
Globalement, la qualité, le volume la et diversité des recherches présentées ici
montrent qu'un effort important est engagé dans la plupart des disciplines et
organismes concernés pour tirer le meilleur parti de la modélisation. Il appardit
cependant que cet effort n'est pas engagé avec la même intensité sur tous les
fionts où l'on pourrait s'attendreà le voir porter. De nombreux travaux sont en
effet, en toute logique par rapport à la finalité des institutions impliquées, tournes
vers l'évaluation de la ressource : en revanche, les milieux où cette ressource se
développe et les marchés où elle est valorisée sont ici peu étudiés alors que de
toute évidence, leur influence sur le "système pêche" est déterminante.
Cette remarque conduit naturellement à se demander si certains apports de
l'écologie et de l'économie, développés dans d'autres cadres, ne seraient pas à
prendre davantage en comptedans ce type de forum. La même question peut se
poser pour la physique en vue de tirer parti de ses apports récentsà l'étude des
systèmes complexes : les théories du flou, du chaos et des ondelettes pour n'en
citer que trois sauraientsans doute trouver ici de bonnes applications notamment
pour mieux aborder respectivement les problèmes de régulation, d'instabilité des
stocks et d'identification ou analyse des phénomènes cycliques.
Cespropositionsd'ouverturesreposentcependantpourl'halieumétrie,les
questions de positionnement que son nom suggère d'emblée :
- la fusiond'"halieutique"etde"biométrie"encitantdesdomaines
scientifiques précis, évoque une forte spécialisation (application de la biométrie à
la science halieutique)
- la juxtaposition d'%lieu ..." et de "....métrie" définit un champ plus vaste
(études quantitatives de l'évolution de l'activité halieutique). ..
Les enjeux scientifiques sous-jacents sont donc importants. Jeme contenterai
ici de les illustrer par les deux figures qui suivent :
- la première (fig.1) place le débat sur le plan des disciplines scientifiques en
considérant divers niveaux d'application de la modélisation ;
- la seconde (fig 2) montre autrement l'halieumétrie dans l'halieutique et cette
dernière en tant qu'activité parmi d'autres.
Cesdeuxfaqonsdevoirleschosesimpliquentévidemmentdesstratégies
différentesde "cadred'applicationde la biométrie" dans la premièreoude
"cadre de coopération interdisciplinaire"dans l'autre, chacune ayant bien sûr un
sens dans la communauté scientifique d'aujourd'hui.. .

175
 Figure 1 : Positionnement par rapport aux types de modCles (aspect
"instmental") (chaque vpe de modtYisatisn pouvant s'appliquer à divers
niveaux d'organisation)

Figure 2 : PositionnementdeI'halieumitrie par rapport aux niveaux

d'organisation (à "laque niveau pouvont skmxher diverxs approches en
moddlisafion...)

176
Session III F. Valette

Sur le plan méthodologique enfin,

on
notera
que la majorité des
communications présentées ici relèvent soit des "approches statistiques", soit des
"approches mécanistes" dela typologie proposée plus haut(Tab. 1).
Par rapport à une vision classique en systémique où l'on considère que tout
système est un transformateurà la fois récepteur de flux quelconques (entrées) et
un émetteur d'autresflux (sorties)? ces deux démarches sonttrès complémentaires
pour le système que l'halieutique étudie:

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

SIMULATION DU MOUVEMENTDES ALBACORES

DANS LE PACIFIQUE TROPICALEST
A L'AIDE D'UN MODÈLEÀ TROIS PARAMÈTRES

M. Goujona, R. B. DerisOb and R. G. Punslyb

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).

a - Laboratoire Halieutique de 1'Ecole Nationale Supérieure Agronomique de Rennes - 65, rte de

St Brieuc, 35042 Rennes cedex, France.
- Inter-American Tropical Tuna Commission - cl0 Scripps Institutionof Oceanography - 8604
La Jolla ShoresDr., La Jolla,CA 92037, U.S.A.

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.

Figure no f : Représentation cellulairedu modèle du mouvement des

albacores utiliséh s la simulation. a et Vreprésentent l'angle etla vitesse
du mouvement el'advectionet D mesure la difision du mouvement.

B- CdPleul des par

Un algorithme a été "rit pourestimerlestroispapamktrespourchaque
groupe d'gge d'albacore dans chaque celluleet B chaque période (figure2).
Le processusde calcul est initialisé avec la distribution des abondances au ler
jour d'un mois de l'armée3ensuite le calcul se fkit avec les résultats des itérations
précédemtes.
Au débutde la période,lesabondancesattenduesen fin de période sans
mouvement sont calculéesenprenant en compte la mortditk naturelle et les
captures. On calcule ensuite pour chaque cellulela différence entre l'abondance
ahsi obtenue et celle estimée au ler jour du mois M+l. On définit alors pour
chaque cellule, une cellule cible à une distante d (infiérieure à 5 fois la taille des
cellules), quiest celle ayantle plus grand rapport N d .
Session III M. Goujon, R.B. Deriso, R. G. Punsly

abondance observée(1" mois) abondance observée

ou prédite (autres mois) au début du moisM+1
au début du moisM dans la cellule i dans la cellule i

réduction par la mortalité naturelle

et l'effort de pêche dansla cellule i
pendant la périodej

abondance obtenuesans mouvement

à la fin de la périodej
dans la cellule i
L

recherche calcul dela dvférence dik

de la cellule cible entre les abondances
d'où 1'angleA observées et obtenues
dans les cellules voisinesk
I
calcul des paramètres D et V
de façon à ce que1'abondancejnale
ainsi calculéesoit aussi procheque
possible que celle observée au début
du mois M4-1

abondance prédite
à la fin de la périodej dans la cellulei

I
abondance prédite
à l a j n de la dernière période

au début du moisM+l dans la cellule i

Figure 2. Algorithme utilisé pour l'estimation

des paramètres du mouvement des albacores.

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).

On obtient, A la fin de ce processus une matrice contenant les

327 (nombre de
cellules) x $0 (nombresde1/5èmedemoisdansl'année) x 12(nombrede
groupesd'âgeconsid&&)tripletsdeparamètres a 'I et D, ainsiquedes
distributions mensuelles de la population simulée que l'on peut cartographier et
comparer avec les abondances estimées (figure 3).

- 1

Figure wB3: Comparaison mensuelle (en exemple, le mois de mai) des

abondances moyennes estimées(à gauche) et simulées (à droite),
d'sblbacores dans le PacifiqueEst.

184
Session III M.Goujon, R.B. Deriso, R.G. Punsly

Un autre résultatde .la simulation a étédereconsidérerlesestimations

d'abondance à l'ouestdu 12OOW car il apparaissait impossible de simuler un
mouvement de thons vers cette zone aussi rapide que celui dela flottille à la fin
des tempêtes inter-tropicales d'octobreà avril.
En terme d'erreur, le résidumoyen entre abondances estimées et simulées par
cellule est principalement compris entre 0,5 et 1,5 fois l'abondance moyennepar
cellule.Commel'illustre la figure 3, la distributionspatialedesabondances
simulées est donc sensiblement identiqueà celle des abondances estimées.
Par grandes régions dela pêcherie, les erreurs sont de l'ordre -30%de à +30%
de l'abondance par groupe d'âge de chaque région. Pour les régions extérieures
(largede la Californie,OuestetlargeduPérou) à saisonnalitémarquée,les
erreurs sont généralement négativesen début de saison de maximum d'activité et
positives à la fin; cequi traduit une certaine inertie de la simulation à faire
migrer les albacores vers les zones éloignéesà fortes concentrations temporaires.
Pour les zones centrales (le long des cetes d'Amérique Centrale), erreurs les sont
plutôt positives.
Une analyse de sensibilité sur l'effet des coefficients utilisés dansle calcul des
paramètresdu mouvementdesAlbacores,montrequel'onobtientplusieurs
minimade la sommedes carrés desdifférencesentreabondancesestimées et
simulées.D'unepart,lemodèlecomportedeuxcomposantes,advection et
diffusion, dont plusieurs combinaisons permettent d'obtenir une convergence vers
unezonede
forte
concentration.
D'autre part, cesminima résultent
de
l'hétérogénéitédesmouvementsdans la pêcherie : lesmouvementsapparents
rapides des albacores vers les régions extérieures et les pulsations lentes de la
pêcherie le long des côtes.

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.

PUNSLY (R.G.)gDERIS0 (RB.), 1991 - Estimation of the abundance of

grello* hma,Thunnza nlbacnres,by age groupsfOr different regionsw i t h
the eastem Pacific ocem. Inter-Amer. Trop. Comm. Bull, 26 (2) : 95-13 1.
DEHSO (RB.), PUNSL'Y (Re.), BAYLIFF (W.H.), 1991. A markov
movement mode1of yellofirn tuna in the eastern Pacific ocean and some
mdysis for international management.Fish.Res. , f 1 : 375-395.

186
 Deuxième ForumHalieumgtrique, Nantes, 1995
Session III : Modélisation et représentation des connaissances

MIGRATHON :UN SYSTEME EXPERT SIMPLE POUR

L’ESTIMATION DESFLUX DE MIGRATION ENTREZONES.
APPLICATION AULISTA0 (KATSWONUSPELAMIS) DANS
L’OCEAN ATLANTIQUE TROPICAL EST.
Eric Fouchera

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.

A- Estimation des effectifs par zone

Lesfluxdemigration par zonesontobtenusencomparantlesvaleurs
numériques de deux estimations différentes des effectifs par âge et par zone, la
première prenant en compte le phénomène des migrations, la seconde non. La
premièreestimationestobtenue à partir del’effectif total (touteszones
confondues) issu pour chaque âge de l’analyse des cohortes, et réparti par zones,
selon la relation :

a - CRODT - BP 2241, Dakar, Sénégal

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

B- Les elifferentes ktapes de la mise au psint de MI@

M I G M W O N a été développé & partir du logiciel S N A M (Lauriere, 1984).
Dans sa version actuelle, il contient 19 regles d’expertise et plus de 1000 faits
initiaux (Foucher, 1994). Il a été élaboré en trois &tapes successives. Dans un
premiertemps,seulsont kté envisagésdes flux depoissonsentredeuxzones r

limitrophesetdeuxpériodessuccessives ug. 1). Lemod6lecherche alors ii

combler les écartsdes estimations N et N’ obsemes dans une zone donnéeZ1 à la
période T. Sous cette condition,l e systkme dkbouche rapidementsur une impasse
et s’arrête.

Figure 1. - Les étapesde la mise au point da MIGRATHON.

Dans un deuxième temps, la possibilité d’effectuer des migrations entre deux

zones lidrophes au cours d’une même p6riode de temps a kté rajoutée au sein
du sgrsterne. D m s ce cas &dement, le sgist&ne peut aboutir zi un blocage. Dans
un troisième temps e h , on envisage des migrations latérales qui peuventavoir
lieu au cours de la période T-1, mais entre les zones plus Clsignées23 et 24. Une
solution peutalors être trouvka pourchaque zone, à chaque période de temps.

sultats des simulations

MIGMTHON permet d’estimer, B chaque iige, les migrations entre zones du
listas. Cesmigrationssuivent un schkma cyclique, au cours del’année, dans
I’Athntique Tropical Est. Il existe de fortes concentrations d’individus dms les

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

A- Des résultats globalement valides.

Les valeurs estiméespar MIGRATHON permettent d’avoir une vision globale
de la répartition géographique des effectifs à chaque âge et des phénomènes de
migrations qui interviennent. De plus, la similitude des estimations obtenuespar
MIGRATHONaveclesschémasgénérauxdesmigrationsdulistao dans
l’Atlantique (Bardet al., 1988) permet de valider cette approche.

B- Des problèmes d’expertise.

Lesrésultats issus deMIGRATHONsont très largementdépendantsdes
hypothèses retenues. Les principales limitations d’un tel modèle correspondent
ainsi d’abord à-des problèmes d’expertise initiale du système. C’est le cas du
choix du recrutement : quelle est son intensité réelle, est-il ponctuel ou continu
dans le temps, où et quand a-t-il lieu? De quelle manière la base de faits pourrait-
elle alors être initialisée? Par ailleurs, MIGRATHON fait intervenir une cohorte
moyenne de listaos. Il nepeut donc pas expliquer des variations importantes des
captures (par l’intensité des migrations) dans une zone et pour une année donnée.
L’idéed’initialiserMIGRATHONavecdescohortesréelles, et sur plusieurs
années, apparaît ainsinaturellement.Iciencore,ils’agitd’unproblème
d’expertise.

IV - CONCLUSION :UNE EBAUCHE TROPSIMPLISTE?

Le modèle MIGRATHON n’est qu’une ébauche de ce qui pourrait devenir un

vrai système expert modélisantla dynamique de la ressourceet l’exploitation des
thons tropicaux. Ilest naturellement envisageable d’étendre les simulationsà des
cohortes réelles, aussi bien de listaos que d’albacores. L’essentiel de la réflexion

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.

B ), CAYKE (P.), DIOUF (T.)>1988. Les migrations In: Ressources,

biologie des thonidks tropicaux de l’Atlantique
Centre-Est,
Fonteneau A., J. Marcille &S. DSC.Tech. P&hes, 292, 111-156.
FBUCmEW.(E.), 1994. Dynamiq isomihv et spatiale de la ressource dans
les pt?eheries thanidres de tique tropical Est. These dr., ENS
Remes, 217 p.
LAWEWE (A.), 1984. Un moteur d’idérences poursystèmesexperts en
logique du premierordre S . B d . I N W , 97, 24-34.

190
 Deuxième Forum Halieumétrique, Nantes, 1995
Session IV :Modélisation et représentationdes connaissances

MODELISATION DU CYCLE DE VIE DE LA SOLE

DU GOLFEDE GASCOGNE

Ovide Arinoa et Constantin Koutsikopoulosb

1 - INTRODUCTION

Dans la présentation du contexte et des interrogations les passages en gras

indiquent des processus qui seront intégrés dans le modèle.
Durant la premièrephase(1985-1992)duprojet"sole"danslecadredu
PNDR un effort importanta été développé pour l'observation des phénomènes in
situ et pour la mise au point d'outilsdans un cadre expérimentalet leur utilisation
dans le milieunaturel.Les travaux effectuésontmisenévidencedes
particularités dans le cycle de vie de l'espèce dans le Golfe de Gascogne. Une
grande partie de la recherche a été consacrée à l'analyse des processus spatiaux.
Le cycle de vie dela sole dans le Golfe de Gascogne est marquépar deux étapes
où les mécanismes de transport jouent un rôle primordial : le déplacement des
jeunes stades (oeufs et larves) de la frayère du largeaux nourriceries côtières et
plus tard, au moment de la maturation de jeunes adultes (en moyenne 2.5 ans
plus tard), la migration vers les frayères situéesà une distance de40 à 80 km de
la côte. Durant la première étape deux processus fondamentaux rentrent enjeu :
I'advection (transport net) et la diffusion (diffusion turbulente et biodiffision).
Dans le Golfe de Gascogne le transport netest relativement limité etla diffusion
devientunecomposantemajeure.Mise à part la robustesseintrinsèquedes
mécanismes diffusifs ils donnent des caractéristiques particulières aux systèmes
concernés. Ils garantissent des échanges entrestructures.
En parallèle, les études sur la croissance et la physiologie des jeunes stades
(otolithométrielarvaire)ontmisenévidencedesphénomènesintéressantsqui
conditionnentcette
étape
de
transport.
D'une part elles fournissent
des
estimations du rythme de la croissance des stades larvaires et de I'évolution
temporelle de la ponte par rétrocalcul et d'autre part elles ont mis en évidence
que la taille à la métamorphose varie peu. Considérant que le développement

a -Laboratoire de Mathématiques Appliquées, Universitéde Pau

- Laboratoire dEcologie Halieutique,Berner, Centre de Nantes

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
'

modélisé par une demi-droite, avec la côteenx=O, la nourricerie située dans

l'intervalle [O,xo], les frayèresdans l'intervalle [x1,x2],xl>xo

A - Les fonctions d'état

à l'instant t à la position x.
B(t,x) : oeufs produits par unité de temps et d'espace
j ' : ; J x)dxdt : nombred'oeufsproduitsdansl'intervalle [xl,x2] au
cours dela période [tl,t2].
L(a,t,x) : larves par unité d'âge et d'espace,à l'instant t, d'âge a, à la position x.
jtj>(a, t,x)dxda : nombre de larves qui,à l'instant t ont un âge entre al
et a2 et sont situées dansla zone [xl,x2]
J(a,t) : juvéniles par unité d'âge, d'âge a, à l'instant t. Par définition tous les
juvénilessetrouvent à l'intérieurdelazone[O,xo](lanourricerie).
jayJ(a,t)da : nombre de juvéniles ayant à l'instant t un âge compris entre
a l et a2.

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

L'kquation : l(a,t)=P dome a=a*(t)

dnterprdtafion :les larves devenant juvéniles
A t sont nées 8 l'instant t-a*(t).

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)

Le cozfficient d'advection u estla rksultmte de l'interaction entre la composante

$2 de la ma& et les migrations verticales delaves.
L(O,t,X) = B(t,x) 0.42
E(a702x)= O 043
E(a,t,O) = O 0 4
k est le coefficient dedifision océanique. p.~(a)est la mortalité des larves d'âge
a. E'équation (L)3 traduit le f i t qu'8 l'instantt=O, dkbut de l ' m i e O, il n'y a pas
de larves "viables". L'équation(L)4 traduit le fait qu'il n'y a pas de vie marinesur
la chte.

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

4) Dynamique des adultes

a a
-M(a,t,x)+-M(a,t,x)
aa at =-ax
a [ k M ( x )a~ M ( a , t , X ) ] - aax [ Y ( f ' S ) M ( a , t , x ~ ] - ~ M ( a ) M ~ a , * , x ~
(M) 1
M(O,t,x) = J(2,t) Yt(x0-X) (Ml2
"),4 = Mo(a,x) (W3
M(a,t,O) = O (Ml4
Y, (x) = { 1 siSI x <> o (Le passage à l'âge adulte se fait dans les nourriceries).
Mo(a,x) est la distribution des adultesà l'instant t=O. kM(x) est un coefficient de
difision qui correspond au processus de dispersion des individus à la sortie dela
nourricerie(contrairement aux stadeslarvairesils'agit là d'unedispersion
provoquée par la nage activenon ou peu orientée des individus).
JT ap
y(t,x) =(T(t,x)-Tmax(t)).(-(t,x).c)+(P(x)-Popt(a)).(-(x))
ax ax
Le gradient de températureT crée un "champ" qui gouverne la migration des
adultes sur l'axe côte-large (le sens du champ va des zones plus froides vers les
moins froides). Popt est la profondeur optimale (de préférence) qui dépend de
l'age.

III -INTERROGATIONS,ETAPES FUTURES

A- Au niveau de la biologieet de l'halieutique
En analysant les caractéristiques spatiales d'une population, nous découvrons
souventdes structures bienidentifiablesetpersistantesquijouentunrôle
important sur le déterminisme du niveau d'abondance et de la variabilité. Dans le
cas de la soleaprès les étapes dela définition des structureset des processus, des
questions se posent sur la fragmentation de la population, le partage des risques,
lerôledel'hétérogénéitéenvironnementale,lesconséquencesdesprocessus
difisifs dans le système. Les processus diffisifs sont clairement identifiés dans
lecycledeviede la soleduGolfedeGascogne.Cetteconstatation,plus
l'isolement relatif
des
nourriceries qui
semble par ailleurs avoirdes
dynamiques spécifiques, l'évolution de la ponte qui n'est pas synchrone sur
l'ensemble du golfe de Gascogne et l'hetérogénéité de l'environnement posent
la question des conséquences de cette organisation sur le fonctionnement et la
dynamiquede la population.Ladispersiondesindividus à la sortiedes
nourriceriesa-t-ellepoureffetdelisserlesanomalieslocales ? Ledécalage
temporelde la ponte(entre leNord et leSuddugolfe)est-ilprovoqué par
l'hétérogénéitéde
l'environnement et permet-il
de
diminuer
les
risques

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?

- Au niveau des mathematiques

En résolvant successivemelrt chacune destquations correspomelant à un stade
de la population, on arrive à une équation d'evolution vérifiée par la fonction
représentant la population du premier stade (les oeufs), que l'on peut mettre sous
la forme: B(t,.) = N(t, B(-t-r(t),.)). Il s'agit d'une equationaux différences de type
intégral, présentantun phénomène de retard (ou de décalage) qui s'explique par la
périodede 2 ans séparant la naissancede Ege adulte. Plusieursquestionsse
posent, du point de vue des mathématiques, qui rejoignent en f i t des questions
que l'on peutse poser du point de vue de l'halieutique.
La question centrale est celledel'existence et la stabilitkdel'étatd'équilibre ,

(lequel,comptetenudel'existencedel'effet retard mentionné plus haut,est

vraisemblablementunefonctionpériodiquedu temps). Dupoint devue
mathématique, cela pose la questiondel'étude spectrale de I'opérzteur N. Un
opérateur dece type se rencontre dans un contexte tout à fait différent, celuide la
prolifération cellulaire. Des propridtés mathématiques de l'opérateur permettent
de ramener le problèmeà la recherche du rayonspectral de N. Le rayon spectral
donne le taux d'accroissement moyen de la population. Si le rayon est > 1, la
populxtion croît de manière géomktrique e.t va vers l'explosion ; si le rayon est < ~

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

sont mal estimées.Même si cetteadvectionsemblefaible, sa prise en

considération dans le modèle permettra d'analyser son importance.
0 considérer l'hétérogénéité spatialeaussi bien en termes des caractéristiques
d'environnement abiotiquemais également en termes d'évolution des juvéniles
(abondance, croissance)à l'intérieur des différentes nourriceries.

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

PRESENTATION D’UN SIMULATEUR INDIVIDUS-CENTRE DE

MIGRATION ESTUARIENNE DE CIVELLES

Patrick Lambert,Eric Rochard, Pierre Eliea

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.

II- METHODE UTILISEE

Le simulateur individus-centré de migration de civelles en estuaire repose
sur
lecouplageentrelesfluctuationsspatio-temporellesdescaractéristiquesdu
milieuestuarien et le comportementmigratoired’unindividuencoursde

-
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).

A- Les constituants du simulateur

La zoneestuariennepeutêtresimulée par unesuccessiond'arrangements
spatiaux de diK6rents .fiapents plus homogènes d'habitats (LE PAGE, 1995)
appelés cellules ou "patchs". La simulation a été réalisée pour la moitik droite de
l'estuaire de la Gironde correspondant A la rive directrice de la migration. Pour
cela nous avons défini : 1 cellule '' ocCan ",S cellules estuariennes de surface, 8
de fond et une cellule " rivière ". Ce simulateur s'appuiesur une importante base
deconnaissancesayant trait A la migrationanadromedelacivelle enzone
estuaienne (ELIE et ROC y 1995). La migrationrepose sur uneutilisation
préfkrentidle par les civelles du courant de flot pour migrer vers l'mont et sur
un comportement de recherche d'abris lors du jusant. La civelle h s sa phase de
migration peut donc être considérke c o r n e un agent réactif. Ses déplacements
sont bloqués par exemple pour des températures inférieures à 4 - 4.5 "@ ou des
vitesses contraires de0.50 PP~s-~.

Lescivellesvirtuellessontinjectkesselonuneloi nomde dans la cellule

océan qui constitue I'entrie du système. Chaque civelle migre ensuite dans les
I^
cellules selon des mkthsdes traduisant la cornaissance que l'on a actuellement de
soncomportement. A chaque pas detempshoraire, enfonctiondeses
caractéristiques propres et des caractéristiques de la, cellule elle se trouve, une
civelle peut migrer vers le haut;vers l'mont ;vers le bas ou mourir. Le calage
se fait, par comparaison entre le cumul journalier des abondancescalculies par le
modkle dans certainescellules et lesindicesd'abondance (@PUE) issusdes
déclarations journalières d'un ou plusieurs pecheurs professionnels de la zone.
Lespremiersessaisdesimulationont été réalisés pour la saison 1987-1988,
année pour laquelle nous diqosons des parm6tres environnementaux
nécessaires aux calculs et d'un bon suivi de la pêcherie de civellesur cette zone.
Session III P. Lambert, E. Rochard, P. Elie

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.

CANTREELE (I.)9 1981. Etude de le migration et de la @Che des civelles

nguilla aqpilla L. 1758 dans l’estuaire de la Gironde, These de doctorat
de 3ème cycle. C B M G E F de Bordeaux, Div. A.L.A./ Université de Pais
w,237 p.
EEIE (P.) et R O C W p.)’1995. Migration des civellesd’mguilles (Angzdla
anpilla L.) dans les estuaires, modalitédu phénomene et caractéristiques des
individus. Bull. Fr. Bêche et Pisc (sous presse).
LMBERT p.),1995. Synthese des conceptsde modklisation du phénomène de
migrationdescivelles d’Anguillaanguille enestuaire. Bull. Fr. PGche et
Pisc. (sous presse).
LE PAGE (C.), 1995. Variabilité environnementaleet structuration spatiale de la
reproduction. in. GASCWL D., D W D J.E. et FONTENEAU A. Les

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

DYNAMIQUE DES POPULATIONS ET VIE ARTIFICIELLE

Christophe Le Pagea

1- DE NOUVEAUX OUTILS DE SIMULATION POUR DEMELER LA

COMPLEXITE DESSYSTEMES VIVANTS
L'hétérogénéité spatiale est parmi les plus importants facteurs influençant la
dynamiqued'unepopulation(Kareiva,1990). Par ailleurs,l'influencede la
variabilité inter-individuellesur la dynamique dela population est de plus en plus
souvent prise en considération (deAngelis, 1992). Après avoirpassé en revue les
différentstypesdemodèlesdedynamiquedespopulationsquipermettent
d'intégrer l'une ou l'autre de ces caractéristiques, on montre que les modèles de
Vie ArtiJieielle représentent un moyen de les associer.

A- Intégration de la dimension spatiale

On distingue deux types de méthodes pour intégrer l'hétérogénéité spatiale
dans les modèles de dynamique des populations, chacune ayant une façon propre
d'aborder le problème: les modèles de type réactioddiffbsion et les modèles de
métapopulation (Kareiva, 1990).

B- Intégration de la variabilité inter-individuelle: les modèles basés sur

l'individu
Un certainnombredemodèlesrécentséliminentl'hypothèseclassique
d'équivalence des individus d'une population ou d'une classe d'âge. Ces Modèles
Basés sur l'Individu (MBI) suivent ces individus au cours d'une ou plusieurs
étapes critiques de leur cycle de vie. Les travaux de Lomnicki font le lien entre
les effets de la variabilité inter-individuelle et l'hétérogénéité spatiale au niveau
de la dynamique d'une population (Lomnicki, 1978; 1980). Ils montrent que la
dynamique d'une population peut être stabiliséepar le seul fait que les individus
qui la composent se déplacent en cherchant à maximiser leur degré d'adaptation
yitness). Tyler et Rose (1994) font remarquer qu'il est essentiel d'adjoindre une
représentation explicite de l'espace aux MBI.

~ ~~ ~~ ~

-
a ORSTOM, LIA, 32 av. H. Varagnat, 93143 Bondy cedex.

205
C- La "vie artificielle": un outil ~~~~~~~~~~

La conception orientée-objets d'un p r o g r m e de simulation rend cetteétape

presquenaturelle.Chaqueentité (objet) infomtique (urhijkielle) du modèle
correspond B une entité naturelledusystèmeétudié.Ces$ifférentesentitks
échangent :dminformations et agissent en retour de manière autonome. Venu des
Ehts-Unis, le $eme Ee Brfij?eielIe (Lmgton 1989), qui englobe en réalité bien
d'autres aspects, exprime bien la nature de ce type de modèles appliqués B la
biologiedespopulxtions. La f i e Artificielle est un champ derecherche
relativement rkcent qu'on peut situer sur la branche ascendante de l'Intelligence
Artificielle: le modèle est b2ti à partir desconstituantsmicroscopiquesdu
système étuelié, et la cornplexif6 obsemk à une Cchelle macroscopique résulte de
l'assemblage bun grand nombredecesconstituantsdebase (Kawata et
Toquenaga, 1994). Un certain nombre d'ktudes récentes (Drogoul ef al., 1992;
Dagorn, 1994; Mesle, 1994) sont ainsi centrées sur les individus mais décrivent
des phénomènes qui se manifestent au niveau d'un groupe d'individus (banc ou
sociét6).
C'est dans cet esprit que le simulateur SeaLab a été développé. Le systeme
complexe dudi6 ici est m e population plongée clans unespacehCtkrogene et
fluctuant. La partie suivante propose une présentation de cetoutil de simulation
qui servira de supporth la discussion portant sur l'utilité de ce type de modèles.

Le but est de développer un outil de simulations qui puisse aider h mieux

mmprendre comment -au travers de relations écologiqueset comportementales-
les facteurs environnementauxinfluencent le sucds de la reproduction et les
patterns de distribution de la population. On a h e t qu'il existe des conditions
enviromementales op~imdesqui placent chaque individu d'une population qui
les subit dans lesmeilleuresconditionsdereproductionpossibles.Deux
hypth6ses de comportement reproductif,exprimées sous forme de règles dictant
le choix du site de reproduction, sont dors étudiées et comparées. La première
suppose que lesimdividus sont capables de repérer parmi les cellules avoisinantes
cellesquiprésententlesconditionsenvironnementaleslesplusprochesde
l'optimum(comportementdit opportuniste). La seconde,généralisationde la
théorie du homing à des espèces qui vivent dans des milieux fluctuants comme
les poissons pélagiquesdans les océans, stipule que chaque individu cherchantB
se reproduire s'obstine h retrouver les mêmes conditions environnementales que

206
Session III C. Lepage

cellesqu'il a connulorsde sa naissance(Cury,1994)(comportementdit

obstiné). Une telle démarche est vouée à se situer à un niveau beaucoup plus
théoriquequ'appliqué.Oncherche à vérifier la validitédeshypothèsesen
observant la manière dont le modèle se comporte dans son environnement simulé,
la validation ne résidant pas seulement dans l'explication causale, mais aussi
dans la cohérence du fonctionnement d'ensemble et la pertinence de l'organisation
qui le supporte.
L'espace dans SeaLab est représenté par une grille rectangulaire composée
d'unités
spatiales
élémentaires de
forme
hexagonale au sein
desquelles
l'environnement est supposé homogèneet caractérisé par unindicehydro-
climatique synthétique . Cet indice exprime une combinaison de l'ensemble des
facteurs abiotiques qui ont une influence sur le succès de la reproduction. Pour
chacunedesmodalitésdel'indicehydro-climatique, on associeunsuccès
reproductifexpriméennombrededescendants.Aucoursd'unepériodede
reproduction, les individus effectuent des déplacements élémentaires (passages
d'une cellule à une cellule voisine) à la recherche d'un site de reproduction. Au
débutdechaquesaisondereproduction, on établitunenouvellesituation
environnementale en fonction d'un scénario climatique prédéfini.

III- QUEL INTERET, QUELLE UTILISATION

?

Le principal intérêtd'un tel type de modèle résidedans sa capacité à explorer

des dynamiques impossibles à résoudre analytiquement (dans le domaine non-
linéaire par exemple), mais aussi à représenter des processus qui sont difficiles
à
retranscrire par deséquations(typiquementdescomportements,comme la
migration).Audelàdecetintérêtfondamental,deux autres aspectsméritent
qu'on y prête attention.

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.

On utilise souvent la mktaphore dulaboratoire virtuel pour rendre compte de

la particularité des simulateurs de Vie Artificielle. L'idke de considérer les jeux
dedonnées issus de la simulation au memeniveauque les jeux dedonnées
empiriques est une des idées fondatrices de la Vie Artificielle (Lmgton, 1989).
En rédisant des simulztions numériques (expériences in silico), on réalise une
expériencequi
présente les mêmes caractéristiques, avmtages et portée
intellectuellequ'uneexpériencetradittiomellede laboratoire (iris vitro) ou
effectuée sur le terrain (in vivo). D m s le cadre des modlnles de Vie Artificielle,
cette idke se r6Ere au concept d'émergence B un niveau global de phénomènes
induits par le comportementau niveau local des Cléments debase du système. En
utilisant SeaLab comme un mo&le germerfant de tester d'autres modèles, on
peuts'attacher & la détectionde la régulationduniveaud'abondance de la
population, et B la dé.te&ation de la mmitre dont elle s'exprime. Si le succ6s
reproductif des individusest conditionné par la densité de population localement:,
dans les cellules, datas quelle mesure peut-on le détecter au niveau global, avec
une relation detype stock/recrutement classiquement utilisée par les halieutes ?

208
Session III C.Lepage.

BIBLIOGRAPHIE

CURY (P.), 1994 - Obstinate nature: an ecology of individuals - thoughts on

reproductive
behaviorand
biodiversity. Can. J: Fish. Aquat. Sei.,
n051(7) : 1664-1673.
DAGORN (L.), 1994 - Le conportement des thons tropicaux modélisé selon
les principes de la vie artiicielle. Thèse de 1'Ecole Nationale Supérieure
Agronomique de Rennes, 250 p.
deANGELIS (D.L.)et GROSS (L.J.) (eds), 1992- Individual-based models and
approaches in ecology. Chapman & Hall, 525 p.
DROGOUL (A.), FERBER (J.),CORBAFU (B.) et FRESNEAU (D.) 1992 - A
behavioral simulation mode1 for the study of emergent social structures. In
Towards a practice of aufonomous systems, pages161-170.MITPress,
Cambridge.
KAREIVA (P.), 1990 - Population dynamicsin spacially complex environments:
theory anddata - Phil. Trans. R. Soc. Lond. 3, nO330 : 175- 190.
KAWATA (M.) etTOQUENAGA (Y.), 1994 - From artificial individuals to
global patterns.TREE nos(1 1): 417-42 1.
-
LANGTON (CG..), 1989 - Artificial life In C.G. Langton (ed),Artifleial Life.
Proceedings of an interdisciplinarityworkshop on thesynthesisand
simulation of living systems,pages 1-47. Addison-Wesley.
LOMNICKI (A.), 1978- Individual differences between animals andthe natural
regulation of their numbers. J Anim. Ecol, n047 : 46 1-475.
LOMNICKI (A.), 1980 - Regulationofpopulationdensitydue to individual
differences and patchy environment.OIKOS, n035 : 185-193.
MESLE (R.), 1994- Ichtyus: architecture d'un système multi-agents pour l'étude
de structures agrégatives.DEA UniversitéParis VI.
TYLER(J.A.) et ROSE (KA.) 1994 - Individualvariabilityand spatial
heterogeneity in fishpopulationmodels. Reviews in FishBiologyand
Fisheries, n04(1) : 91-123.

209
 Deuxième Forum Halieumétrique,Nantes, 1995
Session III :Modélisation et représentation des connaissances

MODELISATION STOCHASTIQUE DU CYCLE BIOLOGIQUEDU

SAUMON ATLANTIQUE (S'Mo SALAR L.) : BASES
BIOLOGIQUES, IMPLEMENTATION INFORMATIQUEET
INTERPRETATION

Jacques Dumasa, Robert Faivreb, Marie-Hélène Charronb,

Jacques. Badiab, Patrick Davainea, Patrick Prouzet

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

Le modèle conceptuel reprend les phases successives de la vie de l'espèce en

tenant compte des stades "clés"et de ceux contr6lablespar les gestionnaires.
Sous nos latitudes, le saumon passe1 B 2 amies en eau douce et 1 B 3 annees
en mer avant de venir se reproduire dms sa rivibre d'origine @AGLINIEE et
PORCmR 1994 ; HELANDet D W S , 1994 ; DAVAINE et PRBUZET,
1994).
Les contraintesles plus actives sur la dynamiquedespopulations en eau
douce interviemerit lors des phasesembryolawaire sous les graviers desfrayères
(mortalités duesaux crues etau colmatage) et juvénile (mortalités dépendantes de
la densité, des suafaces d'habitats favorables disponibles et de leur qualité). En
mer et de retour en eau douce, l'exploitation par pêche prévaut sur les autres
facteurs.

- Les principales fonctions

Lemod6ledécritl'evolutionnumériquede la populxtion(ensembledes
saumons rkpartis selon leur iige et milieu : RO, R1, ... M l 1, ...) sur une année
(Fig.1; @-ON, 1994).Lecalculdeseffectifsdechaquestadeconsidère
celui de l'étape précédenteau moyen de fonctionsappartenant 8 4 types : taux de
survie (embryolawaire, des juvéniles de chaque iige en saison chaude puis froide,
marine pour chaqueamCedemer,des ggniteurs eneaudouce), taux de
séparation (entrefbturs smolts d'un an et sédentaires, entre adultes et subadultes
marins), taux d'exploitation par pêche (marine, c6ti6re7 estuarienne et de loisir)
et
ponte. Les différentstaux peuvent être considérés comme fixes (déterministes) ou
associés B une loi de distribution (stochastiques) lorsque leurs valeurs different
d'me année 8 l'autre (ex survie embryolmaire, eneau douce, enmer).

212
Session III J. Dumas, R. Faivre, M.H.Charron, J. Badia,
P. Davaine, P. Prouzet

Figure 1 : Modèle d'évolution des populations de rivière et de mer sur une

année.

C- Un exemple de fonction, la survie des juvéniles en saison chaude

Entre les stades alevins émergés (RO) et tacons contrôlés en automne (TACO),
la surviedépendde lasuperficiedeshabitatsproductifsetde la surfacedes
territoires concédés aux jeunes del'année par les tacons plus âgés (R1 puis
TACl), avec pour hypothèsede base un chevauchement de 50 % des territoires
des sujets de l'année sur ceux des plus âgés. L'équation des effectifs de tacons
d'automne d'âge O+ s'écrit :
TACO = RO . TS . exp (1 - (RO.TS)/Tmax), où TS est le taux desurvie
maximal (sans compétition) des alevins émergés pour devenir des .tacons O+
et Tmax est le nombre théorique maximum de tacons O+ produits compte
à ce stade.
tenu de la surface de territoire susceptible d'être colonisée

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.

Le logiciel a été utilisé sur la base des données spkcifiques au bassin de la

Nivelle ( D W S , 1985 i 1995).Ainsi,aprèsintroductiondesvaleurs de la
surface deproduction, des différentes distributions des parmetres dumodble
(taux de survie, ...) et de leurs valeurs Caractéristiques (loi, moyenne,“art type),
milletrajectoires ont kté simulées. Sur la figure 2, on peutvisualiser la
distribution des trajectoires sur cinquante années. Pl est intéressant d’observer
l’effet du parmètre de survie des juvéniles en saison chaude sur les résultats. Ce
parmktre est considérk aléatoire etsuit une loi lopxmale d’espérance 1O, 1. Les
figures 2a et 2b different par leur variabilité plusou moins grade (écarts types
respectifk de 1 et 2). L’équivalent du mode déterministe est kgalement représenté
sur cescourbes(courbesen trait plusgras). On constatequelorsque ce
parmetre, pour une même moyenne, est plus ou moins variable, une asymétrie
marquke des rksultatsest obtenue : en 2b, la situation déterministe correspondau
quantile A 75 % des cas aléatoires. On voit ici l’effet du caractère déatoire de
certains parmètres sur les résultats attendus. Une analyse généralisée de 17effet
de ce parmètre a éte réalisée par le logiciel ACB. La figure 3 présente une
comparaison des rksultats précédents (4 écarts types égaux i 1, 1.5, 2, 2.13).
L’évolution sur 50 ans des valeurs moyennes (3a) et du quantile à 25 % (3b)
 Session III J. Dumas, R. Faivre, M.H. Charron, J. Badia,
P. Davaine, P. Prouzet
montrentque si à termel’effetde la variabilitésembles’estomper sur les
moyennes, il est loin d’être négligeable sur les quantiles. Ceci est très important
lorsque l’on sait la fiéquence des événements exceptionnels.

RMT11 RMT11

1970 1930 1800 2000 2010 2020 1000 1960 1970 2OCO 2010 2020
simula!ion de annees
annees de simulation

Figure 2 : Estimation des remontées sur la base des données de la Nivelle

pour deux hypothèses de variabilité taux
du de survie des juvéniles.

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

Figure 3 : Analysedesensibilité sur leseffectifsdesremontéesde la

variabilité du taux de survie des juvéniles: courbes 1 à 4 de peu àtrès variable.

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.

A , N O W E , 1992. Stafistical Sciences, %m. S-PLUS Brogranzmerk Manual,

Version 3,0, Seattle (USA) ; Statistical Sciences, hc., 1992.
IEaE (J.L.), PBRCmW (Y.P.), 1994.Caractéristiquesdes stocks de
reproducteurs et comportement lors de la migration génésique.In GlJEGmN
J.C., PROUZET P. (Eds),101-122, Le Sa2mon atlanPique, I[F%PIEMER,
Ploumé.
C m O N (M.H.), 1994. Modélisationstochastiqueducyclebiologiquedes
sahonidés migrateurs. Application B la modélisation du cycle du Saumon
atlantique de la Nivelle et de1’ADOuB.Dipl.Etud. Sup. spéc,Méthodes
idormaii?ues et modèles mathématiques, Univ.Paul Sabatier, Toulouse 86 p.

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

UNE RELATION STOCK-RECRUTEMENT GENERALISEEAJUSTEE

A LA PRODUCTION OBSERVEE:IMPLICATIONS SURLA
DYNAMIQUE DU RECRUTEMENT

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

(a) ENSAR halieutique, 65 rue de Saint-Brieuc, 35042 Rennes cedex

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

Figure no 1. Relation théorique entrela relation stock-recrutementet le

recrutement équilibré
On peut dés lors considérer la courbeobtenuecommeunerelationstock-
recrutement ajustée non au recrutement observé, mais à la production observée.
La méthode précédemment exposéeest appliquée à des données réelles provenant
de différentsgroupesde travail du CIEM chargésd'évaluerlesstocks par
l'analyse des cohortes.

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

Figure no 2. Application aux données réelles du lieu noir du stock ouest-Ecosse

VIa : à gauche, l'ajustement du modèle globalsur les PUE et à droite la relation
stock-recrutement obtenue (courbes) et le recrutement observé (points).

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.

Figure nos. Evolution tbkokque possible du recruternent

dans le cas d'me
relztion en forme de boucle.

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

derendement par recrue. Le modèleglobalexprimantenquelquessortesune

espérance de la production conditionnelle à des efforts passés, la relation stock-
recrutementobtenuecorrespondégalement à uneespéranceconditionnelledu
recrutement.
En faisant implicitement l'hypothèse que les phénomènes compensatoires de
densité-dépendance ne concernent que les phases pré-recrutées, différents auteurs
ont proposé d'associer une relation stock-recrutement à un modèle de rendements
par recrue structuré par âge pour estimer un modèle de production Peverton et
Holt,1957 ; Cushing, 1971 ; Garrod et Jones,1974 ; Shepherd,1982).Sans
faire cette hypothèse, Kimura (1988) procède de même en utilisant un modèle
d'analyse de réduction du stock (Kimura et al., 1982 et 1984 in Kimura, 1988).
Le principe de la méthode proposée ici est, au contraire, d'identifier dans un
modèle global les effets du recrutement en les isolant des effets de la croissance
et dela mortalité par comparaison avecun modèlede rendementpar recrue.
La relationstock-recrutementtellequ'elleestdéfinieici est une relation
stock-recrutement généralisée.Elle permet en effet d'obtenir différentes familles
de courbes dont certaines sont très proches des modèles usuellement utilisés en
halieutique (Ricker, 1954 ; Beverton et Holt, 1957 ; Shepherd, 1982 ; Deriso,
1980) et d'autres, comme la famille des boucles, plus surprenantes et de formes
très diverses.
Naturellement, les relations ajustées sontà manier avec prudence en gardant à
l'esprit d'une part les hypothèses d'ajustement du modèle global et notamment la
constancedudiagrammed'exploitation sur la période d'ajustement du modèle
global, et d'autre part les problèmes de sensibilité du modèle de rendement par
recrue.
Face à l'imprévisibilité du recrutement, une étude qualitative de son évolution
(i.e. une étude de son espérance) pourrait être facilitéepar la connaissance de la
relation stock-recrutement généralisée. D'un point de vue quantitatif, l'évolution
du recrutement pourrait théoriquement être prédite grâce à la connaissance des
principauxdéterminants"extrinsèques"(environnementaux)dontl'effetvient
modifier la relation stock-recrutement.

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

A PROPOS DES RELATIONS STOCK-RECRUTEMENT

Suzanne Touzeau, Jean-Luc Gouzé a

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

Nous avons choisi un modèle en temps continu, structuré en (n+1) stades

représentés par leur effectif X;, le premier stade -Y0 étant la phase pré-
recrutée (œufs, larves, juvéniles).

+ 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

X @ ) = .Xi-&) - aX;(t)- m;X;(t) (i = l , . . . , n )

“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;).

III - RELATION STOCK-RECRUTEMENT ?

A partir de simulations, nous avons représent,é le recrutement instantané :

R(t) = aXo(t) i=

en fonction du stock fécond à cet instant :

l
X j ( t >= C L fi-Yi(Q.

A - @as g&n&ral: pas de fonction stock-recrutement (§/IL)

Pour un jeu de paramètres donné (tableaul),en considhrant 5 classes d’â,ge
( n = 4), nous obtenons par exemple la courbe montrée sur la figure 1.

Tableau P. Valeurs des pa,ramètres associkes à l’exemple. I ..

indice : 0 1 2 3 4
O! 0.79

1 m 50 1 0.2 1 0.2 1 0.2

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

- elle dépend fortementdes conditions initiales ; il existeplusieurs répartitions

dans les stades du stock donnant un même point initial sur le graphique :

"11
1s -

13 -
rf :stock femnd

II 13 1s 17 19 21 23 2s

Figure 1. Exemple de relation stock-recrutement .

B - Cas particulier : comment retrouver une fonction S/R ?

La seule manière de retrouver une relation biunivoque stock-recrutement
est de faire les hypothèses très restrictives suivantes :
- dynamique sur les juvéniles très importante et rapide ;
- pour tout i : f; = f,p; = p , 1; = 6, ou bien f; = p; = 1; = O.
On obtient alors une courbe d'allure semblable à celle de Beverton et Holt.

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

CLARK (C.W.), 1976 - Mathematical bioeconomics : the. optima2 man-

agement of reneurab2.e Tesoumes. Pure andApplied Makhematics, Wi-
ley.

228
Session III S. Touzeau, J L . Gouzé

HILBORN (R.), & WALTERS (C.J.), 1992 - Quantitative jisheries stock

assessnzent:choice,dynamics and uncertainty. Chapman and Hall.
570 p.
LAUREC (A.), & LE GUEN (J.C.), 1981 - Dynamique des populations
marines exploitées, Tome 1 : Concepts et moddles. Rapp. Scient. et
Tech. CNEXO 45, Brest, IFREMER.

229
 Deuxième Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances

UN MODELE DE SIMULATION BIOECONOMIQUE

AUTOREGENERANT APPLICATION A L’ETUDE DES SOURCES
DE
VARIABILITE DANSLES PECHES.

Christian Chabouda

1 - PRINCIPE GENERAL DE LA MODELISATION

Lemodèleprésentéicis’inscrit dans la traditionde la modélisation

bioéconomique (Anderson 1986, Clarck 1985 et 1990, Hannesson 1978) qui vise
à représenter les interrelations entre un stock de capital naturel (la ressource) et
l’activité économique dont elle est le support. L’activité est ici représentée de
façon très schématique à travers une variable appelée effort de pêche, de façon
similaire aux modèles employéspar les biologistes halieutes.
Ce modèle autorégénérant fonctionne sur un pas de temps annuel (bien que
desrelations sur despériodespluscourtessoientprisesencomptedans la
dynamique de la ressource naturelle). Ce modèle présente un certain nombre de
caractéristiques
propres. Tout
d’abord
ne
s’agit
il pas
d’un
modèle
d‘optimisation, il ne vise pas à trouver la meilleur des solutions possibles en
fonctiondecontraintesbiologiqueset/ouéconomiques.Ilnevisepas à
représenter des situations d’équilibre, au sens biologique ou économique. Bien
que la dynamique représentée puisse converger vers des attracteurs d’équilibre,
elle est avant tout caractérisée par la possibilité de déséquilibres qui peuvent ou
non se résorber, voire s’amplifier. Ce modèle suppose par ailleurs l’existence
d’une dynamique endogène de l’activité, parallèle à celle de la ressource. Cette
dynamique peut être modifiée par desdécisionsd’aménagementannuelles,
simplesoucomplexes. La possibilitéd’introductiond’élémentsstochastiques
autour desrelations “ moyennes ” (Allen,1994)biologiques ouéconomiques
permet d’introduire des éléments d’incertitudedans la dynamique simulée. Enfin

a - Economiste. Laboratoire d’Halieutique et Ecosystèmes Aquatiques, CentreORSTOM BP

5045 Montpellier Cedex 1

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.

Ce modtile peutêtre utilisé pour différents objectifs :

- Il permet de représenterla dynamique d’une pêcherie (activité économique et
ressource biologique) en fonction des parmètres initiaux de la simulation. On
retrouve dors les courbes ‘‘ classiques ” de la biokconomie et de la dynamique
des populations. Il permet de tester quelles sont les valeurs des parmkkres qui
1
permettent à la pecheke deconvergervers un éht d’équilibrestableou au
contraire de suivreune trajectoire cyclique divergente, voire chaotique.
- 91 permet de tester l’impact de mesures d’aménagement muelles. 91 peut
s’agir d’une politique fisant appel A un seul outil (taxes, subvention, licences,
quotas, 3ge B la premi6re capture, prix de retrait), ou bien B plusieurs de ces
outils à la fois.
- Il permet enfin de mesurer
l’impact
de
sources
de
variabilité ’

environnementde ou économique sur la dynamique de la pêcherie. L’efficacité

desdifférentesmesuresd’amknagementdansun tel contextepeutainsi être
évaluée. La capacitédespêcheries à faire face 5 de fortes contraintesde

232
Session III C.Chaboud

variabilitépeutégalementêtretestée,enfonctiondesvaleursdesdifférents
paramètres. des composantes économiques et biologiques.

III - EXEMPLES DE SIMULATION

Deux exemples de simulation sont proposés.
Le premier montre, dans le cas d’une pêcherie de petits pélagiques côtiers,
l’impact de diverses politiques d’aménagement dans un contexte déterministe.
La figure 2 présente la réactionde trois variables d‘état (prise, flottille et
biomasse féconde)aux mesures suivantes:
- passage de l’âge à la première capture (variable de contrôletc) de 1.5 à 2 à
l’année 34.
- intervention sur le marché du poisson avec l’instauration d’unprix de retrait
égal 8.150 àl’année 61.
- retour à un âge à la première capture égalà 1.5 à l’année 77.
La figure 3 présente quelques relations entre variables d’état : relation stock-
recrutement, offre et demande, relation entre biomasse féconde et flottille. Elle
metégalementenévidencelesdéplacementsdespointsd’équilibre suite aux
décisions de gestionet les cheminements entre ces positions.
Le second présente l’évolution d’une pêcherie thonière industrielle dans un
contexte d‘incertitude. Elle-ci est présente dans le comportement de la ressource
(dans la relation stock-recrutement) et dans les relations économiques (formation
des prix et fonction de coût).
La figure 4 montre l’évolution et l’histogramme des captures. Sur la figure 5
sont présentés la relation entre le stock et le recrutement et les histogrammes de
ces deux variables. Enfin, l’évolution des effectifs des cohortes et des classes
d’age du stock exploité est mise en évidence à la figure 6.

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.

ALLEN @.M.), 1994.-EvoIutionarymmplexsystems:models of technology

change. In : Evolzltionary economics and chaos theory L. Leydesdoorf et P
Man Den Besselaar eds ,Pinter Publisher, London: 1-17
,ANDERSON (L.G.), 1986.- The economics ofjshery management, The Johns
Hopkins Universiy Press,296 p.
l3ANNESON (R.), 1978.- Economics qfjisheries. Universitetvorlaget , 155 p.
CM (C.W.), 1985.- Bioeconomic modeling and jsheries mancgement.
WLEY interscience, 29%p.
K (@.W.),1998.-&Jathematical bioeconomics the opfimal management
qfvenewable resources. WLEY interscience, 386p.

234
Session III C.Chaboud

/ \

Figure nO1: schéma des principales relationssur une période de simulation

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

Figure n03 : simulation no1. Quelques relations entre variablesd'ékt.

237
 ...

Figure n04 : simulation n"2. Evslution temprelle et histogrammedes

captures.

RECRUTEMENT

Figure n05 : simulation n02. Relation entre biomasse ficonde et recrutement.

Histogramme des variables

238
Session III C.Chaboud

SUIVI DE L'EFFECTIF DESCOHORTES :213 PREMIERESANNEES DE SIMUUTION

~ " .............. ............

" " " ".............."
b
+
b b
70 b

1 21 41 BI 81 101 121 141 181 181 201 221

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

MODELES DE CROISSANCE D'UNE POPULATIONDE FILTREURS

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,

Les tquations ci-dessusmodélisent la situation suivante : deux regionsde

l'espace contiennent des nutriments (sl et s2) du phytoplancton (xl et x 2)des
filtreurs en quantites égales (Y) ; la première rkgion est alimentée en nutriments
de façon constante (U) et un courant constant entre la première et la seconde
region ainsi que de la seconde rkgion vers l'exterieur du systkme est responsable
d'un transport de nutriments etde phytoplancton (les termesoù d est en facteur).

2.44
Session III A. Sciandra, C.Lobry

B - Modèle (0,2) : "répartition hétérogène"

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.

III - DISCUSSION : LE COMPORTEMENT DES MODELES

L'analysemathématiqueetlessimulationsmontrentque dans le cas des

filtreurs répartis de façon homogène la quantité de sels nutritifs filtrée croît en
fonction de Y, passe par un m a h u m (84 % des sels nutritifs injectés dans le
système pour les paramètres utilisés), décroît puis chute brutalement pour une
certaine valeur de Y pour laquelle se produit une disparition totale du plancton
(équivalent du "surpâturage").
Dansle cas dusystèmehétérogène,lerendementesttoujourslégèrement
meilleur (86 % au maximum) que dans le cas homogène mais surtout il n'y a pas
de disparition du plancton. Quelle que soit la quantité de filtreurs la persistance
du planctonestassurée.Larégionvide de filtreursagiteffectivementbien
commeun"refbge"pour la populationdephytoplancton,commele laissait
prévoir l'intuition. Les simulations montrent qu'en plus d'une meilleure stabilité
cette solution possèdeun meilleur rendement.

BIBLIOGRAPHIE

BACHER (C.), BIOTEAU m.),CHAPELLE (l.), 1995 -Modehg the impact

of a cultivated oyster population onthe nitrogen dynamics : the Thau logoon
case (France). Ophelia (sous presse).

245
 Deuxi&meForum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances

UNE ILLUSTRATION DU PROBLEME DE TRADUCTIONDES

GAINS DE PRODUCTIVITE EN GAINS DE RENTABILITE DANS
L’ACTIVITE CHALUTIERE

Pascal Le Floc’h, Jean-Pierre Boude, Fabienne Daures

a

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

A- Les aspects théoriques de la divergence entre productivité et rentabilité

On retient cinq principaux facteurs à l’origine des différences entre gains de
productivité et gains de rentabilité.
Les facteurs générant des gains de productivité supérieurs aux gains de
rentabiliti :
- Différences de salaires
- Coût de réalisation des marchandises
Les différences de salaire et le coût de réalisation des marchandises peuvent
provoquerdesécartsimportantsentrelesdeuxindicateurs,principalement
lorsque l’objectif de productivité ne permetpas aux armements de déterminer la
taille optimale de rentabilité de leur navire.
Les facteurs ginérant des gains de rentabilité supérieurs aux gains de
productivité :
- Pouvoir de marché
- Effets de différenciation
a - ENSAR, 65 route de Saint-Brieuc, 35042 Rennes cedex

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~~

-La capacit6 de financementdes investissements technologiques

La traduction des gains de productivité en gains de rentabilité passe par la
recherche
d'une
capacitk
financement
de adaptke aux investissements
technologiques portantsur le longterne.

1) L'estimation des gains de produdivite :l'application de la m6thode des

comptes de surplos de prodnctivitC
La méthode des comptes desurplus vise principalementA mesurer la variation
de la productivité globale d'me entreprise entre deux exercices succéssifs afin
d'évaluer la contribution de chaque moyen de production aux gains ou aux pertes
de productivitC engendréspar la firme.
Le travailconsiste i décomposerchaqueproduit et chaque facteur de
production en volumeet en prixi partir de la relation suivante,

Sommedesavantagesoctroyés = Avantagesallant aux + Avantages allant

facteurs ti la clientde

2) L9estimatisndes gains de rentabilitC :la construction de trois ratios

E'khpe h a l e de notre travail nous conduit i l'estimation de trois indicateurs
de rentabilité afin de poursuivre l'analyse comparative des r6sultats obtenuspar
les deux armements.
a) Le taux de rmtabiIif&&csnomàquede5 i ~ ~ ~ ~ ~ b i l i s ~ ~ ~ ~ ~ s
Le rapport de l'Excédentbrut d'exploitation (EBE), c'està dire le profit réalisé
par l'entreprise après déduction des impôts, destaxes et des charges salariales, et
de
l'addition
éventuelle
de
subventions
d'exploitation, au montant des

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).

3) L'analyse comparative des indicateurs de rentabilitk

On observe au premier abord uneplus grande constance dans les rksultats de

la première entreprise. En revanche, le second armement cornait d'importantes
fluctuations, ce quilaissesupposerunedégradationdelarentabilitédeses
2 2 3 % ii 4,25 % en 1991.
navires puisque celle-ci chute de
b) Le taux de ~ @ ~ 2 ~ ~ b i l ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ i ~ ~ e
La première entreprise possède des moyens plus importants pour acquérir de
nouveaux materiels.On peut penser qu'elle reqoit davantage de capitaux propres
et qu'elle utilise la technique de l'amortissement dkgressif. Mais ce qui ressort
nettementdecettecomparaison,c'est la plus granderegularitédupremier
armement dans la gestion de ces actifs.
cl Le tara de ~ @ du C ~ ~ avamd ~ ~ à ~~ ~ ~ ~ i ~ ~
La gestion plus équilibrée de sesunités de pêche ainsi que de ses capacités de
financemen-tmène le premier armement engager davantage de capital fixeet de
capital circulant dms les cycles d'exploitation et ce, d'une manière régulière sur
les deux m e e s 6tudiCes. Le secondarmement a entrepriunepolitiquede
radicalisationen1991,l'obligeant A investirmassivementlorsdescyclesde
production.Pourcetteraison,lesdifférentsindicateursestimésmarquent un
renversement de tendance entre les deux exercices.

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

ABGRALL (J-F.), CONGAR (R.),"La nécessité d'un système statistique intégré

pour l'évaluation des résultats économiques dela pêche maritime: les gains de
productivité des chalutiers fiangais en Manche et des chalutierset cordiers du
Québec", Revue des Travaux des Institutions des Pêches Maritimes, 1986,
n048 (3et 4), p177-200.
BOUDE (J-P.), GUILLOTREAU (P.), "La formation de la productivité et la
répartition des surplus de productivité dans le cas d'une flottille artisanale",
ENSA, Unité Halieutique, 1993.
CETTE (G.), SZPIRO (D.), "Rentabilité, productivité et taille de l'entreprise :
dans la plupart des secteurs, une même taille optimale pour être productiveet
rentable", Economie et Statistique, n"25 1, février 1992.
CHAPRON (J-E.), GEFFROY (Y.), "La productivité globale dans l'entreprise -
Mesure et Répartition", C.E.R.C., Les Editions d'Organisation, 1987.
GUILLOTREAU (P.), BOUDE (J-P.), "Analyse economique de la flottille de
Pêche Industrielle de Bretagne-Sud", ENSAR, 1993.

25 1
 Deuxième Forum Halieumbtrique, Nantes, .I995
Session III :&fodéhationet représentation des connaissances

VARIATIONS SUR LE THEME DE LA MODELISATION DE LA

"TRAGEDIE" DU LIBRE ACCES AUX RESSOURCES
RENOUVELABLES

Bruno Romagnya, Claude Lobryb

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.

Tableau 1. Forme gkn,ntrale dela matrice des gains d'undileme du prisormier B

deux joueurs (les gains dujoueur de la colonne sont donnes en premier)

CoopCrer Faire cavalier seul

Coopérer $R T,S
Faire cavalier seul S.T P.P

Or cette formalisation nous semble contestable, car elle ederme le phCnom6ne

observé dans un raisonnement B priori, collant artificiellement une matrice des
gains prédéterminéea un type de problèmes qualifiks habituellement de dilemes
sociaux. Nous présentons ainsi un modèle qui permet de calculer explicitement
les valeurs de la matrice des gains, en reprenant l'exemple initial du p2turage,
ouvert 5 tous, choisi par G. H a r h dms sa "parabole", Nous montrerons alors
que les valeurs de la matrice sont tr6s sensibles aux différentes allures possibles
de la fonction de "rendement biologique" du pré.

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.

- Cas no 2 : Quand la trahison mutuelle est source de pertes individuelles...

Soit la. fonction ~ ( xsuivante,
) d é h i e par parties sur l'intervalle [ O , 1 3 :
yf(x)=1-x,siO<x<5/8
~ ( x= )6 (11/16 - x), si 5/8 < FS <I
Ici aussi, l'optimumdu pré est = 1/2. La recommandationetlesgains
associés sont donc identiquesau cas précedent.
Tableau 3. Matrice des gains des deux
joueurs

C- Cas no 3 :un exemple dejeu rCip6tk

Nous reprenons maintenant comme point de départ le cas n o 1. On suppose
qu'à la première étape dujeu, les deux bergers suiventla recommdation. Puis A
chaque coup, les bergers "trichent" chacun à leur tour, en supposant que l'autre
suivra la même stratégiequ'au C Q U ~précédent. Si BI "triche"lepremier, on
obtient le tableau suivant:
Tableau 4. Un jeu répété

256
Session III B. Romagny, C.Lobry

L'itération dujeu converge vers un processus de partage égal du champ et des

bénéficesendeux. Mais cepartageestsous-optimal.Enoutre, la meilleure
"trahison" possible consiste pour chacunà revenir enarrière à chaque étape.

IV- CONCLUSION ET DISCUSSION

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

1968 - The Tragedyof tne Cornons. Science, 162, p. 1243-1248

HARDIN (G.),

257
 Deuxithe Forum Halieumétrique, Nantes, 1995
Session III :Modélisation et représentation des connaissances

SIMULATION DE L'EXPLOITATION ARTISANALE SENEGALAISE

Jean Le Fur a

1- INTRODUCTION

L'exploitation halieutique artisanale sénégalaise constitue un domaine dont les

dynamiques sont multiformes, s'expriment à plusieurs échelles et présentent de
nombreuses fluctuations. L'activité de pêche repose d'abord sur une ressource
renouvelablecomposite et variabledansl'espace et dansletemps(Laloëet
Samba, 1990). En termes économiques, de nombreuses dynamiques externes et
internes interagissent à plusieurs échelles (Chaboud et Kébé, 1989). La maîtrise
de ce système conduit en outre à des ajustements structurels et/ou conjoncturels
de l'exploitation (Kébé, 1995).
A la conjonction de ces sources de fluctuations, se situent les communautés
humaines (pêcheurs, mareyeurs) qui constituent l'exploitation. Ces communautés
s'adaptent
de
façon
multiple(techniques,
comportements, interrelations,
organisation,
distribution) à cesenvironnementsfluctuants.
Lorsquedes
changements naturels ou anthropiques interviennent dans le système, les réponses
de ces communautés peuvent alors conditionner l'épanouissement, le maintien, la
dégradation ou l'extinction de l'exploitation.
Le travail présenté vise à décrire et modéliser la réponse de l'exploitation aux
changementsdesonenvironnement(naturel,économique,social).Pourrendre
compte dela multiplicité des sources de fluctuation et de leur interdépendance vis
à visdel'exploitation,ceproblème a été abordéenessayantd'intégrerles
composantes et les processus évoqués en un seul et même schéma.
Pour ce faire, nous avons tenté de représenter, au sein d'un même modèle, les
relationsexistantentrelesdifférentssecteursliés à l'exploitation tels quela
production, la commercialisation, la consommation. Pour
comprendre et
représenterlefonctionnementdel'exploitationhalieutique,ceprojetintègre
divers niveaux de connaissance tels que l'économique, le social, le technique.
Enfin, de nouvellesméthodesde
représentation
informatique(Intelligence
Artificielle) et denouvellesapprochesenmodélisation(Systémique)ontété
adaptées aux spécificités du domaine halieutique. L'objectif opérationnel associé

-
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.

Un générateur de système expert dit "oriente objet" et "multi-agents" (Ferber,

1994) a été utilisé pour formaliser le modèle. L'ensemble de l'exploitation est
considéré B travers une "approche sys-t&me"(l).
Uneattentionparticulière a éte portée h la représentationstructurelle
(organisation)dusystème:lesenvironnementsphysiques(ex:zonesde pkhe,
sites de débarquement), les marchés, les stocks de poissons, les usines,le matériel
de meme que les communautés de pêcheurs, de mareyeurs, de consommateurs
sont individualisés sous la forme d'objets informatiques autonomes. Chaque objet
est caracteris6par un jeu de variables quidSnit son ktat B un instant dom&.Ces
objets sont orgmis6s et m i s enrelationauseind'un arbre hiérarchique
informatique fonctionnel.
Le mécanisme informatique décrivant les relations dynamiquesexistant entre
ces objets se prksente sous la formedemessages:chaqueobjetconstitutifde
l'exploitation peut recevoir ou envoyer des messages (requetes et réponses) aux
objets de l'exploitation qu'il connaTt (ex: un objet pzcheur demmde son prix un
objet mareyeur,un objet vekcule demande sa position B un objet site).
Lesintéractionsentrelesdifférentscomposantsdusystèmereprésentésont .
organisées griice B un "sous-modèle" reprisentant les processus de décision des
ac.teurs humains. Dans cesous-modde, leschoixdescommunautésdépendent (i) 1:

deleurenviromnement, (ii) de l'infomation qu'elles peuvent en obtenir (iii) de

leurs objectifs (ex: pzcher, vendre) et (iv) dePeursCaractGres, leurs habitudes,
leurs degrés de confiance dans les alternatives disponibles. Les choix réaliséspar
lescommunautésvont alors conditionnerlesdivers flux circulantentreles
composants reprdsentés: flux depoisson,
d'argent,
d'acteurs
humains et
d'information (Le Fur,1995).

(1) "L'approche système d é f i t la pêche comme un ensemble d'éléments (poissons, pêcheurs,

commerçants....) liés entre eux par un réseau de relations.Par le biais de ces relations, les
différentescomposantesdusystèmesontamenées i s'adapter les unesaux autres et B
engendrerainsiuneorganisation et unedynamiquepropre au système".(Quensière,
1993).01

260
Session III J. Le Fur

Dans un deuxième temps, l'ensemble de l'activité d'exploitation est représentée

sous la forme de cycles temporels. Par exemple, le cycle d'activité des pêcheurs
est formalisé par une succession de tâches liées aux choix, aux déplacements, à
la pêche, à la vente.Cetteactivité est moduléeenfonctiondeschoixque
réalisentlescommunautés(ex:choixd'unengindepêche,choixd'unsitede
débarquement,acceptationd'un prix). Ilenestdemêmepourl'activitédes
mareyeurs, des consommateurs et des industries. Ces différents cycles d'activité
sont enfin m i s en relation à travers un seul et même schéma. La mise en relation
decesdiverscycless'effectue au moyend'un autre sousmodèle,dit"de
transaction". Dans cette procédure, les poissons sont convertis en argent et vice
versa. Pour rendre compte de l'exploitation sénégalaise, ce sous-modèle simule un
marchandage de
gré à gré entre, selon
les cas, pêcheurs,
mareyeurs,
consommateurs et usines.

III- FWSULTATS (SIMULATEUR)

De ce modèle résulte un simulateur informatique qui réaliseà chaque pas de
temps l'ensemble des cycles d'activité décrits (choix, action, transaction).
La structuremodulairedumodèlepermetd'aborderdiversscénariosde
simulation. Un scénario de simulation se définit par un jeu dedonnées et un
objectif de simulation. Il se caractérise par l'intervalle et le pas de temps choisi,
les limites géographiques du système étudié, le niveau de détail COMU des objets
représentés,les
types
composantes
de prise
compte
en (ex:
pêche,
commercialisation, consommation, ou ensemble de l'exploitation).
Pour un scénario donné, un protocole de simulation et d'observation peut être
élaboré, divers indicateurs choisis et divers types de perturbations introduites:
- En fonction de l'objectif de la simulation, les structures ou les processus
qui peuvent être suiviset éventuellement modifiés peuvent être des paramètres
decommande(ex:prixdeventeoud'achatdesespèces),des flux (ex:
migrationsdecommunautés),desdistributions(ex:effectifdesdifférentes
zones),
des
états
(ex:
caractéristiques
d'une
communauté) des
ou
comportements(ex:processusdetransaction).L'interfacedusimulateur
permetdemêmedepréciser la formesouslaquelleellesserontexprimées
(fluctuation instantanée, évolution temporelle, distribution spatiale, expression
littérale).
- Poursimulerdeschangements,lesstructures et les
mécanismes
représentés peuvent être modifiés à l'échelleindividuelleouglobale.Divers

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

CHABOUD (C.) & KEBE (M.), 1989 - La distribution du poisson de mer au

Sénégal:commerceetinterventionspubliques. Cah. Sei. Hum., 25(1-2),
1989:125-143.
FERBER (J.), 1994 - La Kénétique: des systèmes multi-agents à une science de
l’interaction.Rev. Internat. Systémique,vo1.8, nol, 1994: 13-28
KEBE(M.),1995 - Principalesmutationsde la pêche artisanale maritime
sénégalaise.
in:
Barry-Gerard, M., T.Dioufet A. Fonteneau (1995)
“L’evaluationdes
ressources
exploitables par la peche artisanaIe
senegalaise”. Orstom (Ed.), coll. Colloqueset Seminaires, t.2, 1995:43-58
LALOE (F.) & SAMBA (A.), 1990 - La pêcheartisanale au Sénégal:
ressource et stratégies de pêche. Orstom ed., collection Etudes et Thèses,
Paris, 395p.
LE FUR (J.), 1995 - Modelingadaptivefisheryactivitiesfacingfluctuating
environments: an artificial intelligence approach. Al Applications in Natural
Resources, Agriculture, and Environmental Sciences,9( 1): 85-97
QTJENSIERE (J.), 1993 - De la modélisation halieutiqueà la gestion systémique
des pêches. Natures, Sciences, Sociétés, 1993, l(3): 21 1-219

263
 Table ronde

Animateurs : D. PELLETIER Participants : Y.PONCET

UR LE J.
D. GASCUEL
J. MASSE

Intervenants :
J.P. TREUIL
S. LARDON

265
 Deuxième Forum Halieumitrique, Nantes, 1995
Table ronde :Nouveaux outils informatiques et dimension spatiale

LA DIMENSIONSPATIALE DANS LES RECHERCHES

SUR LES SYSTEMES AGRAIRES

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

a - Biométrie et Informatique, INRA-SAD Toulouse, BP 27,Auzeville,31326Castanet

Tolosan Cedex et Maison de la Géographie,17 Rue Abbé deYEpée, 34000 Montpellier.

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.

Ces objectifs CtantposCs, quelles sont les difficultesméthodologiques

rencontrCesdansI'intkgration de l'espace dans lesdemarches de recherche,
comment s'y prend-on ? Nous appuyant sur destravauxrealisésau SAD
Toulouse, nous proposons une d6maPche en trois Ctapes (Lardon B Triboulet,
1994).

-
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

dans un Systèmed'InformationGéographique (SIG) (Lardon, 1994).Les

méthodes d'Analyse de Données sont utilisées pour synthktiser les irmfomations
dans leurdimensionstatistique et lesfonctionnalit&desuperposition et
d'agrégationdes SIG pourcombinerlesinformationsdansleurdimension
spatiale. La cartographie automatiqueet la superposition de cartes sont des outils
opératoires pour visualiser la composante spatiale desphénomènes, poser des
hypothèsessur I ' h p o m c e desearactkristiquesspatiales,comparerdiffkrents
pointsdevue sur unmême espaceoulesévolutionssurvenues au coursdu
temps. C'est donc dans l'interprétation des structures produites que se situe la
prise en compte de l'espace (Lardon.efal 1995).
C'est une phase préalable i des approches plus approfondies. Elle fournitune
image globale des lieux étudiés, positionne les principales structures et est un
support de dialogue entre disciplines et partenaires. Pour litre opératoire, c'est

268
Table S. Lardon

ceniveauquedevrontremonterlesenseignements tirés de la démarche

d'ensemble.
Les problèmes méthodologiques posés dans cette étape sont relatifs à la non
indépendance spatiale
des
individusstatistiques
considérés et à la non
stationnanté de l'espace. Cependant, on discerne relativement bien les effets de
proximitéquel'onpeutinterpréter.C'estplusdifficilepourcaractériserles
arrangements spatiaux, quand on se trouve devant des mosaïques hétérogèneset
évolutives.

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.

Des travaux en cours dans différentes instances scientifiques traitent de ces

questions, en particulier dans les domaines de l'environnement et de la gestion
de l'espace. De plusenplus,on se rend compte qu'ilfautdépasserles

270
Table ronde S. Lardon

divergencesentreapproche'parles structures', classiquementmenéepar les

géographes et approche 'par les processus', représentée par les écologues. Cela
nécessite de sedoterd'outilsetdeméthodesappropriéspourexplorer la
complexité du vivant, mais également de construire des représentations et des
démarchesadaptées à lamaîtrise des processus et à l'émergence des
organisations.

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

NOUVEAU OUTILS INFORMATIQUES:

L'APPORT D'UNE DISCIPLINE

Jean-Pierre Treuil a

-
1 INTRODUCTION

Il est banal de dire que l'informatique est un instrument de la recherche

scientifique. Mais peut être qualifié d'instrument, dune façon générale, tout ce
qui permet de penser une réalité, de construire des représentations de cette
réalité et de les communiquer à autrui, bref,de construire desmodèles.
Les communications de ce forumsontessentiellementcentrées sur les
modélisations stochastiques et dynamiques, qui occupent quatre demi-journées.
Les aspects de modélisation "statique" de l'information dans un but de gestion
n'en occupent qu'une seule. Il est donc important de développer le premier
aspect.Dans ce résumé écrit, nousallonscependant essayer d'apprécier
l'évolution du statut de l'informatique
dans la panoplie des outils de
modélisation dans son sens le plus large.
Audépartunordinateur est unemachine à calculer. Les calculsquela
machineexécute sont définis ailleurs, et ce sont les mathématiques qui en
déterminent la conception et le formalisme. Il n'estpasétonnant que
l'informatique soit vueparbeaucoupcomme"l'instrument de l'instrument''.
Mais aujourd'hui les sciences du calcul sont une discipline scientifique à part
entière, et dans le mouvement général d'échangesqui parcourt la science, on ne
peutplusennégliger les concepts et lesméthodes.Retraçonsbrièvement
l'histoire de ceséchanges, en distinguant pour structurerle propos trois aspects
de l'Informatique :
- l'informatique comme science dela calculabilité.
- l'informatique comme science et technique du codage, de la structuration et
du stockage des informationset des connaissances.
- l'informatique comme "science du monde conçu comme calculateur".

-
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.

Le terme franpis d'Informatique (contrairement au terme mglo-saon de

Compter Sciences) soulignelesliens de la disciplineavec les sciencesde
l'information. Traiter de l'information, c'est effectuer des calculs. Ce postulat
est posé d'emblke. De nombreux concepts liés aux problèmes de structuration
de l'information sont ainsi passés dans nos pratiques quotidiennes.

A- Les bases de donnkes

Le concept de base de données en est un premier exemple. L'idée maîtresse
est de séparer informations d'une part, traitements de l'autre, en remarquant
qu'un ensemble d'informationsasouventpourvocationd'etreutilisépar
plusieurs traitements différents dans leurs méthodes et leurs finalités. Dès lors
réflkchir h la meilleure façonde structurer ces informations, pourelles même et
comptetenu de leurs liensintrinskques,indépendamment de telle ou telle
utilisation, prend un sens.On sait la fortune de cette idee, dont la concrktisation
industrielle, dans les années 80, a Cté celle des SGBDR. Il est frappant de voir
Table ronde JP. Treuil

dans ce colloque la conviction avec laquelle deux auteurs utilisent le modèle

entité relation pour mettre sur pied un Système d'Information Scientifique. Je
partage d'ailleurs leurconviction, même si elle me pose question, alors que des
principes de structuration plus généraux,issusdesconceptions objets, nous
fournissent peut-êtrede nouveaux instruments.

B- Langages et systèmes de gestion orientés objets

Le fondement des conceptions objets est le suivant : Si la séparation entre
traitements et informations doit rester un acquis (on en retrouve d'ailleurs le
principe dans les architectures dites "clients serveurs") , il n'en reste pas moins
qu'uneinformation,unvecteur de données, est toujoursattachée dans la
réalité à une entité susceptible d'être affectée
par
un ensemble de
transformationslimitées qui lui sontspécifiques. Dès lors pourquoi ne pas
associer dans un- "objet"informatique,lesdonnéesdécrivant l'entité et les
procédures représentantses primitives de transformation. Un objet va donc être
spécifié par des attributs descriptifs et des méthodes capables d'effectuer des
calculs sur les valeurs de ces attributs et en fonction des arguments qu'on lui
transmettra par message. L'objet devient par là même "actif", susceptible de
participer de façon autonome à des processus complexes mettant en oeuvre
d'autres objets. Cette conception s'est introduite d'abord dans les langages de
programmation. Elle tend à pénétrer le monde des bases de données:sont
apparus ainsi les systèmes de bases de données orientés objets(SGBDOO), qui
se présentent commeles S.G.B.D. de l'avenir.

C- Les "bases de connaissances"

Les bases de données sont des bases de faits, à partir desquels le chercheur
tente de raisonner.Aux bases de faits ont donc été associées des bases de règles,
atomes de raisonnement permettant d'inférer des propositions, des diagnostics à
partir des faits observés. Ce courant s'est popularisé dans les systèmes experts.
Les "Bases de connaissances" vont plus loin dans le même sens. Un Système à
Base de Connaissance comprend :
- un modèle du domaine, à savoir les termes employés pour décrire lesfaits et
les relations entre ces termes (par exemple, les noms de mesures, les entités
auxquelles elles s'attachent, les types et les fourchettes de valeurs possibles,
etc).
- une base de règles.
- desmodèlesderaisonnement,c.a.ddesconnaissances sur la façon
d'enchaîner les règles pour résoudre différents types de problèmes.

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.

D-%es bases de dseurn?ents

Toutes ces approches ont en arrikre plan l'objectif d'une exploitation des
connaissances par lamachine. 11 s'agitdepouvoirrépondredesrequetes
complexes et au delh,
dansles
bases
de
connaissances, de
rCsoudre
automatiquement des problGmes. Ces objectifs font que les connaissances y
sontdécritesdans un langageformalisé,termeopposé B celuidelangage
naturel. Hors c'estbiendans ce dernier que sontcumulkes et transmisesla
plupart des connaissancessousforme de textes,d'ouvrages, de documents
divers. AprGs des années d'effort pour faire entrer données et connaissances
sous des formes qui les rendent exploitables automatiquement, c'est bien ce
contexte de resolution de problème qui est familier. Mais la capacitb qu'ont
acquise les systkmes informatiques de gerer des documents de toutes natures,
l'am6liorationdes interfaces hommes machines ont rendupossible le
developpement d'un autre rapport avec la connaissance, celui de la "prise de
connaissance exploratoire". E'idCe déjB ancienne des hypertextes , en tant que
"modèle" d'associations et de navigation entre 61Cments d'information, a Cté
rkactualisbe par ces techniques, et l'explosion des CD ROM et des serveurs
en sont des manifestations importantes. 11 n'y a pas bien entendu de
frontikre Btanche entre les deux contextes, dont le rapprochement au sein de
systèmes hybridesest désormais unerialit&.

Par le postulatdesonCquivalenceavecletraitementde l'infomation, le

calcul devient le principepermettant de modéliserla f a p n dont les êtres humains
conndssent lemondedontilsfontpartie.Cetteidke qui a fait partiede la
"CybemkLique" a irrigué l'Intelligence Artificielleet ses différents courantset fait
l'objet de nombreux debats en Sciences Cognitives.
Mais le paradigme informatique (Levy, 1987) va plus loin, en affirmant que
le concept de calcul modélisedirectement la réalité du monde et les interactions
qui y ont lieu. Les interactionsdes atomes au sein d'une molbcule, des neurones
dans le cerveau, les rapports entre espbces au sein d'un Ccosystbme, la circulation
des idéesdansunesocibtesontainsiconsideréscomme autant deprocessus

276
Table ronde JP.Treuil

calculatoires mettant en oeuvre des objets s'échangeant des messages. Ce passage

d'une vision méthodologique de l'Informatique à une vision ontologique (Levy,
1987)] n'est pas seulement source de débats théoriques. Il sous-tend, sans qu'on
en soit toujours conscient, toute une approche de la simulation qui n'est pas
nouvelle mais qui a pris ces dernières années, avec la programmation objetet les
"systèmesmulti-agents '' undéveloppementimportant.C'estl'approchede
''l'expérimentation sur mondes artificiels"
encore
nommée "laboratoires
virtuels". Ellereprendl'acquisde tout unensembledemodèlesgénériques
élaboréspourrendrecomptede dynamiquescomplexes, tels lesautomates
cellulaires,lesréseauxbooléens,lesalgorithmesgénétiques,lessystèmesde
classifieurs, etc.
L'utilisation de méthodes,
ces auxquelles le L.I.A.
s'intéresse
particulièrement,n'estpas sans risque méthodologique et nesaurait être
"hégémonique".Unevrairéflexionépistémologiques'avère à notreavis
nécessaire, pour qu'elles puissent développer toutes leurs potentialités.
Selon GB Vico "Dieu, seul connaît le Monde, car il l'a fait" Simuler le
mondesur un ordinateur, sous forme d'unmondeartificiel,peut pardtre
l'apogée du "Verum Factum"(Dupuy, 1994), selon lequel on ne connaît que ce
que l'on fait. Ce type de simulation apporterait en somme la connaissance du
monde en offrant à l'homme la possibilité de le recréer. L'expérience montre
que les choses ne sont pas si simples. Le programmeur est effectivement le
"dieu"dumondeartificielque fait vivresonprogramme. Il n'estpas un
événement qui ne soit la conséquence de son action, et dont il ne puisse garder
trace. Est-ce à dire que le programmeur comprendce qui s'y passe ? En réalité,
la complexité des processus impose une limite à la compréhension, et le
programmeur setrouve devant son mondedans la même situationque devant le
monde réel, à savoir devant quelquechose d'extérieur dont il doit se construire
une représentation.
Cetécueilqu'onpeutappelerl'écueilduréalisme,peut être évité sile
programmeur considère
que le rôle du monde
artificiel
n'est
pas de
"ressembler" à la réalité,maisd'en être une abstraction forte capturant
l'essentiel des phénomènes étudiés. Plutôt que de vouloir reproduire la réalité,
le programmeur utiliserala méthode pour expérimenter une variétéde mondes
possibles, pour en étudierles formes et laviabilité .
C'est le moment de mentionner les contextes d'émergence, où l'explication
d'unphénomène à unecertaine échelle, celledesdiscontinuités et des
transitions qui s'y manifestent, n'est possible qu'en intégrant les interactions
entre éléments d'une échelleplus fine et les liens entre les deux échelles. Dans
les systèmes complexes, cesliens d'émergence ne sont pas toujours réductibles

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