modélisation prédictive des forêts denses de laminaires ... · modélisation prédictive des...

CARHAMB'AR- Brest 3-5 février 2009

Modélisation prédictive des forêts denses de laminaires – Application aux

côtes bretonnes

Vona MELEDER1, Jacques POPULUS2, Brigitte GUILLAUMONT2, Pascal MOUQUET3, Thierry PERROT3, Anouar HAMDI3 et Carla BONETTI4

1Université Nantes Atlantique, MMS, 44322 Nantes, France2IFREMER, DYNECO/AG, 29280 Plouzané, France3CEVA, Pleubian, France4Université de Santa Catarina, Brésil


I. Contexte: Programme MESH (Mapping European SeabedHabitats)

- Mai 2004 / Janvier 2008

- 12 partenaires (UK, Irlande,Pays-Bas, Belgique,France)

Objectif :Fournir des standards pour la cartographie d’habitat benthiques marins (acquisition des données, protocole, typologie …)


Programme MESH 6 actions

Modélisation prédictive des habitats benthiques marins

Paramètres environnementaux (‘paysages marins’ / ‘marine landscapes’) contrôlent les distribution des espèces et des habitats

Prédiction de l’occurrence des communautés via leur preferenda abiotique (substrat, bathymétrie, exposition à la houle, immersion/émersion, …)

Relations entre l’environnement et la distribution des communautés étudiées (régressions, neural network …)

Carte prédictive

Système d’Informations GéographiquesS.I.G.

D’après Roff and Taylor (2000)


II. Communauté à prédire: forets/champs de Laminaires

Algues brunes (Phéophycées ) de l’ordre des Laminariales

Se rencontrent depuis l’infralittoral jusqu’à des hauteur d’eau variables selon la transparence de l’eau (max ~ 30 m)

Densité > 3 pieds.m-2


Détection des forets de Laminaires : écho-sonar

Hauteur d’eau

Présence/Absence, nature du substrat ethauteur d’eau

pour 10 sites le long des côtes Bretonnes

5 sites pour la calibrationdu modèle

(été 2005 et 2006)

5 sites pour la validationdu modèle(été 2007)


Distribution de fréquences des forets selon la hauteur d’eau: régression par morceaux (Toms et Lesperance, 2003)

Breakpoint H1

Breakpoint H2

Slope2

Slope1

Variables à prédire:

H1, H2 et Slope2 pour h > H1

Fréquences pour h < H1

Méthodologie:Régression pas à pas


TRANSPARENCE DE L’EAUKPAR (coefficient d’atténuation des radiation photosynthétiquementactives), fourni à partir des radiances de SeaWiFS (Gohin et al., 2005). Resolution à 1100 m. Moyennes hebdomadaires entre 1998 et 2004. Exemple de la semaine 12.

III. Variables environnementales :


TEMPERATURE DE SURFACE, SST (Sea Surface Temperature)Fourni par les radiances du AVHRR. Moyennes hebdomadaires sur les 20 dernières années. Résolution à 1100 m.Exemple de la semaine 12


Extraction des valeurs des pixels pour les 5 sites

± 52 values / sites de KPAR et SST

Choix des variables predictives

Moyenne annuelle (KPARyear, SSTyear)Moyennes durant la période de croissance

(KPARgrowth, SSTgrowth)Valeur minimum (KPARmin, SSTmin)Valeur maximum (KPARmax, SSTmax)

Valeurs testées dans les régressions pas àpas


COURANTS DE MARÉE (MARS 3D)Vitesse maximum (Vmax) durant une marée d’équinoxe.300 m de résolution.


BATHYMERTIC POSITION INDEX, BPI calculé à partir de la bathymétrieRésolution de 150 m.

BPI (Lundblad et al. 2004)


SUBSTRAT ROCHEUX (SHOM 1: 50 000 et Vaslet et al. 1979 1: 500 000):masque pour le modèle


IV. Construction du modèle: régression pas à pas

Variables biologiques pour 5 sites:H1, H2 and Slope2

Fréquences pour h < H1

Variables environnementales :KPARyear, KPARgrowth, KPARmin, KPARmax,SSTyear, SSTgrowth, SSTmin, SSTmax,Vmax, BPI

Prédiction des variables biologiques pour les côtes bretonnes

Var biol = a SST + b KPAR + c Vmax + d BPI

Validation à partir des 5 autres sites


V. Resultats:

H1 = 40.5 - 121.19 × KPARminR2 = 0.87, p ≤ 0.05

Slope2 = - 25.37 + 84.72 × KPARminR2 = 0.60, p ≤ 0.1

H2 = 43.53 - 121.12 × KPARmin + 2.26 × Vmax1.5

R2 = 0.97, p ≤ 0.05

Pour H1 < h < H2:Pour h < H1:

F (%) = 52.5 – 1.64 × BPIR2 = 0.75, p ≤ 0.05

F (%) = Slope2 × (h – H2)


H1 = -29.81 + 5.31 × SSTminR2 = 0.88, p ≤ 0.05

Slope2 = 28.53 – 4.23 × SSTminR2 = 0.79, p ≤ 0.05

H2 = -26.86 + 5.33 × SSTmin + 2.07 × Vmax1.5

R2 = 0.98, p ≤ 0.05

Quand les valeurs de KPAR manquent, c’est la SST qui est utilisée,


Fréquences observées (sonar) vs.fréquences prédites (modèle) pour h < H1

Le modèle satisfaisant pour des fréquences entre 30 et 60 %

Par contre ne l’est pas pour des fréquences observées < 30 %

VI. Validation du modèle :

La gamme de fréquence pour la calibration < gamme pour la validationBuilding

Validationx = y

ETLe BPI seul n’explique pas la distribution des Laminaires dans les petits fondsETPb d’échelle


Modèle est satisfaisant pour 3 sites de validation

Modèle n’est pas satisfaisant pour 2 sites qui présentent des fréquences très faibles.

Modèle satisfaisantMAISNouveaux paramètres àprendre en compteETToujours pb d’échelle

BuildingValidationx = y

Fréquences observées (sonar) vs.fréquences prédites (modèle) pour H1< h < H2


Variables biologiques observées (sonar) H1, H2 andSlope2 vs. celles predites (modèle)

Le modèle est satisfaisant pour la prédiction de la limite inférieure des Laminaires

Scenarii Changement Global


VI. Carte prédictive :


VII. Conclusion et perspectives

Le modèle est satisfaisant pour la prédiction des fréquences de présence des Laminaires à l’échelle de la Bretagne pour des hauteurs d’eau comprises entre H1 et H2

Le modèle doit être affiné pour prédire au mieux ces fréquences pour despetits fonds (< H1)

Analyse à méso-échelle afin d’identifier les facteurs responsable de la variabilité intra-site

modélisation prédictive des forêts denses de laminaires ... · modélisation prédictive des...

Documents