FN Archimer Export Format
PT J
TI 'Phytoplankton events' in French coastal waters during 1987–1997
BT 
AF BELIAEFF, Benoit
   GROS, Philippe
   BELIN, Catherine
   RAFFIN, Bernard
   GAILHARD, Isabelle
   DURBEC, Jean-Pierre
AS 1:1;2:1;3:1;4:1;5:2;6:2;
FF 1:PDG-DOP-DCOP-LEADNC-LAC;2:PDG-DP2S;3:PDG-DOP-DCN-EMP;4:PDG-DOP-DCB-DYNECO-VIGIES;5:PDG-DOP-DCB-DYNECO-PHYSED;6:;
C1 Ifremer, BP 21105, 44311 Nantes cedex 3, France
   COM, Faculté des sciences de Luminy, case 901, 13288 Marseille cedex 09, France
C2 IFREMER, FRANCE
   COM, FRANCE
SI SAINT VINCENT
   BREST
   NANTES
SE PDG-DOP-DCOP-LEADNC-LAC
   PDG-DP2S
   PDG-DOP-DCN-EMP
   PDG-DOP-DCB-DYNECO-VIGIES
   PDG-DOP-DCB-DYNECO-PHYSED
IN WOS Ifremer jusqu'en 2018
IF 0.621
TC 23
UR https://archimer.ifremer.fr/doc/00013/12403/9189.pdf
LA English
DT Article
AB L’objectif de cette étude est de proposer un outil pour la description de la variabilité à long-terme (10 ans) de communautés phytoplanctoniques observées par le Rephy (Réseau de surveillance du phytoplancton et des phycotoxines) dans la Manche, dans le golfe de Gascogne et dans les eaux côtières méditerranéennes françaises. Du fait de la stratégie d’échantillonnage (surveillance systématique avec un pas d’échantillonnage temporel de 1 à 2 semaines et une distance inter-stations allant d’environ un à plusieurs kilomètres), l’information contenue dans les données est principalement pertinente pour la caractérisation des variations saisonnières des populations à méso-échelle. Pour chaque site d’échantillonnage et pour chacune des 56 unités taxonomiques (genres) considérées ici, les données sont traitées afin de permettre l’identification d’une succession d’« événements phytoplanctoniques » : un événement est défini en conservant uniquement une information qualitative. Ainsi, l’événement comprend la phase de croissance subite, de niveaux élevés d’abondance, puis de déclin de la population. Les instants auxquels un événement débute ou finit (changements brusques d’abondance dans la population au cours du temps) sont détectés en utilisant une méthode de segmentation des séries chronologiques, qui permet de résumer les séries de données en un ensemble multivarié d’événements. Ce moyen de catégoriser les observations fournit un outil efficace pour l’identification des différents schémas de variabilité, par exemple des « événements récurrents » (c-a-d, des populations générant des événements de manière quasi-périodique), ou des « anomalies » (par exemple d’origine climatique). En mode univarié, un événement « moyen » peut être défini pour chaque taxon, caractérisé par son apparition dans l’année, sa durée, son amplitude et éventuellement les incertitudes attachées à ses estimations. En mode multivarié, la représentation graphique de successions d’événements autorise la comparaison visuelle entre années pour un site donné. Une application très simple d’analyse multivariée a finalement été utilisée pour décrire la variabilité saisonnière d’un groupe de taxons.
AB This study aims to propose a tool to describe the long-term (10 years) variability of phytoplanktonic assemblages monitored by Rephy (French monitoring programme for phytoplankon and phycotoxins) in the English Channel, the Bay of Biscay and the Mediterranean French coastal waters. According to the sampling strategy (systematic survey, with a time-step of 1 or 2 weeks, and a between-sampling station distance ranging from less than one to several kilometres), the information content of the data is mainly relevant to the characterization of seasonal variability of populations at the mesoscale. For any given area, and for each of the 56 taxinomic units considered here, the data are thus processed in order to recognize the temporal succession of ‘phytoplankton events’: an event is defined by retaining qualitative information only. It encompasses the phases of sudden growth, high level of abundance and decline of a population. Times at which an event begins or ends are detected by using a time-series segmentation method, which allows to summarize the whole data set as a multivariate set of event occurrences. Categorizing observations in such a way also provides an efficient tool for the identification of different patterns of variability over long-term time scales, for instance: ‘recurrent events’ (e.g. populations generating events in a periodic-like manner), or ‘anomalies’ (e.g. of climatic origin). On an univariate basis, an ‘average’ event can be defined for each taxum, characterized by its within-year position, its duration, its magnitude and the associated deviations. On a multivariate basis, graphical representation of event successions could also allow between-year comparisons. A simple multivariate analysis was also used to describe the seasonal pattern of some taxa.
PY 2001
PD OCT
SO Oceanologica Acta
SN 0399-1784
PU Elsevier
VL 24
IS 5
UT 000172070800005
BP 425
EP 433
DI 10.1016/S0399-1784(01)01156-2
ID 12403
ER

EF