Année 2003 / 2004

1. Année 2003 / 2004 MODELISATION D’ECOSYSTEMES Audrey Mériaux Amélie Lesieur Julie Lebegue Benoît Chapon

2. ECOCOMPLEXE Biotope Biotope Biotope Biocénose Biocénose Biocénose Ecosystème 1 Ecosystème 2 Ecosystème 3 Flux d’organismes vivants Flux de matière interactions But : Etude de l’évolution d’un écosystème, des relations interspécifiques sur les fonctions biologiques et des simulations des perturbations et visualisation de l’impact.

3. Elaboration d’un modèle • Connaître l’hydrodynamique du système (comportement de la masse d’eau) assimilation du système à des réacteurs RPA, RP ou par une analyse d’une DTS • Evaluer les flux existant pour les variables d’état • Définir le cadre physique où les compartiments vont évoluer • Définir les paramètres du modèle nécessité de connaître :Température, luminosité, oxygène, pH, … • nécessité de définir les indices physique et biologique du milieu • Les modèles reposent sur des démarches • complexes faites d’essais et d’erreurs.

4. Modèle déterministe Définition : modèle où tous les paramètres sont connus de façon exacte et non estimé en distribution statistique Élaboration d’un modèle conceptuel Variables d’état : biomasse Variables de flux : production de biomasse, consommation de biomasse Variables externes : Température, rayonnement Complexité d’un modèle se caractérise par : Nombre de variables d’état, modèle à niveaux trophiques condensés voire subdivisés Analyse sensibilité Calibration : meilleur ajustement entre observation et simulations Validation

5. X1 Y U X2 X3 Modèle Statistique Définition : modèle qui repose fortement sur les bases de données. Il n’est pas nécessaire de connaître les mécanismes internes. Régression linéaire multiples Analyse des coefficients de direction (ACD) L’ACD établit un ordre causal entre les descripteurs. X1, X2, X3 variables explicatives Y variables expliquées U variables résiduelles Exemple de modèle conceptuel

6. Le logiciel Stella : les logos Stocks : Flux de matière ou d’énergie : Variables : Flèches :

7. Truites Un modèle simple Naissance Morts Taux de natalité Taux de mortalité

8. Taux natalité Taux mortalité Truites Truites Limitation des ressources

9. 1 : réintroduction Homme Pêche 1 Soleil Pain 20808 3644 344 Phytoplancton Herbivores Carnivores Naissance Consommation Consommation Morts Morts Morts 3086 302 Décomposeurs Décomposeurs Décomposeurs Apports extérieurs / Perturbations Pertes Energie disponible Niveau trophique

10. Modèle proies - prédateurs Biomasse Temps Evolution de la population de phytoplacton Evolution de la population en herbivore

11. Le modèle ECOPATH II Présentation du modèle Paramètres utilisés Principe de fonctionnement Un exemple: cas du lac Victoria

12. Le modèle ECOPATH II • Ecopath II est élaboré en 1992 par Christensen et Pauly • Modèle conçu à l’origine pour les milieux marins et lacustres • Modèle bioénergétique: - Flux de matière au sein d’un réseaux trophique - Evaluation quantitative de la biomasse, production et consommation de chaque compartiments

13. Paramètres utilisés • Réseau trophique • Biomasse B (MS) • Production sur biomasse P/B • Consommation sur biomasse Q/B • Efficience écotrophique EE (%)

14. Principe Hypothèse : le système est à l’équilibre : P/B = Z (mortalité) P – Mp – M – C = 0 • B, P/B, Q/B et EE • Régime alimentaire • Consommation non assimilée

15. ECOPATH II estime : • Flux vers détritus • Consommation de nourriture: Q • Quantité exportée ou ingérée: P*EE • Rendement net • Niveau trophique • Indice d’omnivorie: OIi= Σj[TLj-(TLi-1)]2*DCij • Indice de sélection: Si= [ri/pj]/[Σ(ri/pj)]

16. Application sur le lac Victoria :Evolution des relations trophiques suite à l’introduction de Lates niloticus (Perche du Nil) et Oreochromis niloticus (Tilapia du Nil)

17. En 1950 la capture de L.n valait 0,2 t/km2 En 1970 : 16,9 t/km2 En 1990 : 90% des captures totales Réduction en nombre des espèces initialement présentes

18. B= 17,2 B=1,6 B= 0,2 B= 12,1

19. Principe : réalisation d’un TEST objectif Adéquation entre les résultats des simulations des simulations et les données observées Validation des paramètres utilisés LA VALIDATION

20. X observé = a . X modélisé + b • Paramètres utilisés : • le coefficient de détermination r ² • la pente ( a ) de la droite • l’ordonnée à l’origine ( b ) • les intervalles de confiance associés au paramètres au seuil de 95% COMPARAISON DES SIMULATIONS GRACE A LA REGRESSION LINEAIRE

21. Qualité de la simulation (a# 1, b # 0) Modèle simule parfaitement en moyenne les observations b # 0 a# 1 Modèle surestime (ou sous-estime) en moyenne la variable simulée Effet 1 b ≠ 0 (a# 1, b ≠ 0) (a ≠ 1, b # 0) Régression linéaire L’écart entre les courbes simulée et observée est proportionnel à la valeur des points considérés. b # 0 Effet 2 a ≠ 1 (a≠ 1, b ≠ 0) b ≠ 0 Effet 1 + 2 COMPARAISON DES SIMULATIONS

22. Modèle Déterministe • nécessite de connaissances des relations entre les variables et des processus mis en jeu • possibilité d’utiliser des lois très complexes reliant les différents paramètres et variables • possibilité d’introduire des interactions réciproques entre variables nécessaires • Modèle Statistique • Aucun besoin de connaître ces relations • seules des relations linéaires relient les variables explicatives et expliquées • Impossible d’introduire d’interactions COMPARAISON DES MODELES DETERMINISTES / STATISTIQUES

23. Modèle Statistique • Une série d’observation est indispensable • Après la calibration «automatique », on obtient directement le résultat optimal • Décrit une photo du système • Modèle Déterministe • Pas besoin d’observations pour donner un résultat (mais ceci est nécessaire pour la calibration) • On est jamais sûr de l’optimisation des paramètres • Ce modèle est capable de prédire une évolution du système COMPARAISON DES MODELES DETERMINISTES / STATISTIQUES

24. CONCLUSION • Modéliser un écosystème permet de: • schématiser et d’analyser simplement son fonctionnement • prédire son évolution • Autres logiciels de simulation: • Modèle statistique : PISTE • Modèle déterministe: SYLVIE