Développement et ajustement d'un modèle de dynamique des populations structuré en longueur et spatialisé appliqué au stock Nord de merlu (Merluccius merluccius)
| Autre(s) titre(s) | : A length-structured and spatialised model of population dynamics fitted to the Northern stock of hake (Merluccius merluccius) | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| Type | Thèse | ||||||||
| Date | 2008-02-08 | ||||||||
| Langue(s) | Français | ||||||||
| Auteur(s) | Drouineau Hilaire | ||||||||
| Université | Ecole doctorale Vie, Agro, Santé, Rennes 1 | ||||||||
| Discipline | Halieutique | ||||||||
| Directeur de thèse | D PELLETIER | ||||||||
| Financement | Ifremer, programme européen FISBOAT | ||||||||
| Mot-Clé(s) | estimation de paramètres, migration, croissance, analyse de sensibilité, maximum de vraisemblance, modèle spatialisé, évaluation des stocks, modèle structuré en longueur, merlu | ||||||||
| Résumé | Bien que le merlu de l'Atlantique Nord-Est ait été largement étudié, certaines caractéristiques de sa biologie sont encore assez mal connues. C'est en particulier le cas de ses migrations saisonnières et de sa croissance, dont une campagne récente de marquage montre qu'elle était probablement largement sous-estimée. Ces incertitudes ont plusieurs conséquences tant sur la qualité des diagnostics établis à l'aide des modèles de dynamique des populations usuels, que sur la gestion en limitant notamment les possibilités d'évaluation de mesures de gestions spatialisées. Pour améliorer l'estimation des paramètres de ces processus, nous avons développé un modèle de dynamique de population intégré spatialisé et structuré en longueur reposant sur un modèle d'états décrivant la dynamique de la population et de l'activité de pêche, et sur un modèle décrivant les processus d'observation, permettant l'écriture d'une fonction de vraisemblance. Une revue bibliographique des modèles structurés en longueur existants a mis en évidence le rôle clé de la modélisation du processus de croissance dans ce type de modèles. Pour s'assurer de la robustesse des hypothèses du modèle liées à la discrétisation de ce processus continu et à la variabilité individuelle de croissance, nous avons réalisé une analyse de sensibilité du modèle de croissance. Cette méthode d'exploration numérique du modèle repose sur (i) le développement de plans d'expériences et (ii) l'ajustement de modèles statistiques aux sorties du modèle pour quantifier l'impact de ces hypothèses. Cette démarche générique est transposable à toute analyse de sensibilité d'un modèle discret décrivant un processus continu. Dans notre cas, elle a permis de mettre en évidence que pour le merlu de l'Atlantique Nord-Est il était préférable de choisir un pas de temps trimestriel, des classes de 1 cm, une distribution gamma des incréments de croissance et une distribution uniforme des individus au sein des classes. Au cours du développement du modèle, une attention particulière a été portée à l'écriture de la fonction de vraisemblance afin qu'elle soit robuste et cohérente avec les processus d'observation. Différents algorithmes ont également été testés pour réaliser l'optimisation numérique de cette fonction, le choix se portant finalement vers un algorithme de type quasi-Newton. L'ajustement du modèle de dynamique de population aux observations disponibles a permis l'estimation des taux de migration et du taux de croissance, plus faible que celui estimé à partir des données de marquage. Il a permis également d'établir un diagnostic en terme d'évolution de la biomasse féconde cohérent avec les diagnostics préalablement établis à l'aide du modèle actuel d'évaluation. Cependant, du fait de sa complexité et très certainement de la mauvaise qualité de certaines observations, l'ajustement du modèle est difficile. Le modèle souffre de certains problèmes d'identifiabilité même si les paramètres de migration et de croissance ne semblent pas concernés. |
||||||||
| Keyword(s) | parameters estimation, migration, growth, sensitivity analysis, likelihood, spatialised model, stock assessment, length structured model, hake | ||||||||
| Résumé en anglais | The biology of European hake has been largely studied, however some specific processes of its biology, especially growth and migration, are still poorly known. Those uncertainties have consequences on the quality of the stock assessments and on the stock management by limiting the possibility to assess the effect of spatial management measures. Therefore, we develop an integrated length-structured and spatialised model of population dynamics aiming at improving the estimation of unknown parameters of the population dynamic. The model relies on a state model describing the dynamics of the population and the fishing activity, and on an observation model describing the observation processes and providing a likelihood function. A review of the literature shows that modelling growth is a key point in length-structured model. Consequently, we develop a method to assess the impact of several assumptions of time and length discretisation and growth increments distribution in a length-structured population growth model. The method relies (i) on the construction of a design of experiments and (ii) on its analysis using linear models and multivariate regression trees. This generic approach is useful to assess the impact of any discretisation processes in a discret model. In our case, it shows that a quartertly time step, 1cm wide length classes and a gamma distribution of growth increments are appropriate for the Northern stock of hake. A specific attention to the likelihood function has been necessary during the development of the model to provide a robust function and to be consistent with the observation processes. A quasi-Newton algorithm has been selected among several optimisation algorithms to maximize the likelihood function. Estimations of migration and growth rates are obtained by fitting the model to available data. Migration rates are consistent with previous analysis while estimated growth rates are slightly lower than estimates obtained from tagging data. The diagnostic on the spawning stock biomass provided by the model is quite close to current diagnostics obtained from other assessments conducted by ICES.Some parameters of the model are still not identifiable. This, however, does not concerned parameters of interest. |
||||||||
| Texte intégral |
|