Upload
grace-horton
View
21
Download
1
Embed Size (px)
DESCRIPTION
Année 2003 / 2004. MODELISATION D’ECOSYSTEMES. Audrey Mériaux Amélie Lesieur Julie Lebegue Benoît Chapon. ECOCOMPLEXE. Biotope. Biotope. Biotope. Biocénose. Biocénose. Biocénose. Ecosystème 1. Ecosystème 2. Ecosystème 3. Flux d’organismes vivants. Flux de matière. interactions. - PowerPoint PPT Presentation
Citation preview
Année 2003 / 2004
MODELISATION D’ECOSYSTEMES
Audrey Mériaux
Amélie Lesieur
Julie Lebegue
Benoît Chapon
Biotope Biocénose
Biotope Biocénose
Ecosystème 1
Ecosystème 2
Ecosystème 3
Biotope Biocénose
ECOCOMPLEXE
interactions
Flux de matière
Flux d’organismes vivants
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.
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.
Modèle déterministeModèle 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
Modèle StatistiqueModèle StatistiqueDéfinition : 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)
bXaXaXaY nn ......2211
L’ACD établit un ordre causal entre les descripteurs.
Exemple de modèle conceptuel
X1, X2, X3 variables explicatives
Y variables expliquées
U variables résiduelles
X1
X2
X3
Y U
Le logiciel Stella : les logos
Stocks :
Flux de matière ou d’énergie :
Variables :
Flèches :
Truites
Un modèle simple
Naissance
Morts
Taux de natalité
Taux de mortalité
Limitation des ressources
Truites
Taux natalité
Truites
Taux mortalité
Phytoplancton
Herbivores
Carnivores
Décomposeurs
Décomposeurs
Décomposeurs
Naissance
Consommation
Consommation
Morts
Morts
Morts
Niveau trophique
20808
3644
3086 302
344
Pertes
Soleil
Pain
1
Homme
Pêche
1 : réintroduction
Energie disponible
Apports extérieurs / Perturbations
Evolution de la population de phytoplacton
Temps
Biomasse
Evolution de la population en herbivore
Modèle proies - prédateurs
Le modèleLe modèle ECOPATH II ECOPATH II
Présentation du modèlePrésentation du modèleParamètres utilisésParamètres utilisés
Principe de fonctionnementPrincipe de fonctionnementUn exemple: cas du lac VictoriaUn exemple: cas du lac Victoria
Le modèle ECOPATH IILe modèle ECOPATH II Ecopath II est élaboré en 1992 par Ecopath II est élaboré en 1992 par
Christensen et PaulyChristensen et Pauly Modèle conçu à l’origine pour les milieux Modèle conçu à l’origine pour les milieux
marins et lacustresmarins et lacustres Modèle bioénergétique:Modèle bioénergétique:
- Flux de matière au sein d’un réseaux - Flux de matière au sein d’un réseaux trophiquetrophique
- Evaluation quantitative de la - Evaluation quantitative de la biomasse, production et consommation de biomasse, production et consommation de chaque compartimentschaque compartiments
Paramètres utilisésParamètres utilisés
Réseau trophiqueRéseau trophique Biomasse B (MS)Biomasse B (MS) Production sur biomasse P/BProduction sur biomasse P/B Consommation sur biomasse Q/BConsommation sur biomasse Q/B Efficience écotrophique EE (%)Efficience écotrophique EE (%)
PrincipePrincipe
HypothèseHypothèse : le système est à l’équilibre : : le système est à l’équilibre :
P/B = Z (mortalité)P/B = Z (mortalité)
P – Mp – M – C = 0P – Mp – M – C = 0
B, P/B, Q/B et EEB, P/B, Q/B et EE Régime alimentaireRégime alimentaire Consommation non assimiléeConsommation non assimilée
ECOPATH II estime :ECOPATH II estime :
Flux vers détritusFlux vers détritus Consommation de nourriture: Consommation de nourriture: QQ Quantité exportée ou ingérée: Quantité exportée ou ingérée: P*EEP*EE Rendement netRendement net Niveau trophiqueNiveau trophique Indice d’omnivorie: Indice d’omnivorie: OIOIii= = ΣΣjj[TL[TLjj-(TL-(TLii--
1)]1)]22*DC*DCijij
Indice de sélection: Indice de sélection: SSii= [r= [rii/p/pjj]/[]/[ΣΣ(r(rii/p/pjj)])]
Application sur le lac Application sur le lac Victoria Victoria :Evolution des relations :Evolution des relations
trophiques suite à l’introduction de Lates trophiques suite à l’introduction de Lates niloticus (Perche du Nil) et Oreochromis niloticus (Perche du Nil) et Oreochromis
niloticus (Tilapia du Nil)niloticus (Tilapia du Nil)
En 1950 la capture de L.n valait 0,2 t/kmEn 1950 la capture de L.n valait 0,2 t/km22
En 1970 : 16,9 t/kmEn 1970 : 16,9 t/km22
En 1990 : 90% des captures totalesEn 1990 : 90% des captures totales
Réduction en nombre des Réduction en nombre des espèces espèces initialement initialement présentesprésentes
B= 17,2
B= 0,2
B= 12,1
B=1,6
LA VALIDATION
Principe :
réalisation d’un TEST objectif
Adéquation entre les résultats des simulations des simulations et les données observées
Validation des paramètres utilisés
COMPARAISON DES SIMULATIONS
GRACE A LA REGRESSION LINEAIRE
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
(a # 1, b # 0)
Rég
ress
ion
linéa
ire a # 1
b # 0
b ≠ 0
a ≠ 1
b # 0
b ≠ 0
Modèle simule parfaitement en moyenne les observations
Modèle surestime (ou sous-estime) en moyenne la variable simulée
L’écart entre les courbes simulée et observée est proportionnel à la valeur des points considérés.
Effet 1
Effet 2
Effet 1 + 2
(a # 1, b
≠ 0) (a ≠ 1, b # 0)
(a ≠ 1, b ≠ 0)
Qualité de la simulation
COMPARAISON DES MODELES
DETERMINISTES / STATISTIQUES
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
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
Modèle Statistique
Une série d’observation est indispensable
Après la calibration «automatique », on obtient directement le résultat optimal
Décrit une photo du système
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