Version classiqueVersion mobile

Halieutique et environnement océanique

 | 
Michel Petit
, 
Frédéric Huynh

Partie 3. Analyse croisée des données environnementales océaniques et des captures palangrières

De la statistique élémentaire à l’analyse de co-inertie

Guillaume Constantin De Magny, Martin Desruisseaux et Michel Petit

Texte intégral

Thunnus obesus (Lowe, 1939)
© P. Opic

1Les analyses ont concerné quatre des neuf espèces présentes dans la base de données des captures du Programme palangre réunionnais (PPR). Il s’agit des quatre espèces les plus abondantes : l’espadon (symbole utilisé : SWO), le germon (ALB), l’albacore (YFT) et le thon obèse (BET).

2La distribution spatiale des pêches est divisée en trois zones (fig. 63, cf. cahier hors-texte) :

  • la zone s’étendant de la côte est de Madagascar jusqu’autour de l’île de la Réunion (zone où la majorité des pêches a été réalisée) ;

  • la zone entre la côte ouest de Madagascar et la côte est de l’Afrique ;

  • la zone aux alentours des Seychelles.

3Les données concernent des pêches de nuit pour des palangres dont les hameçons sont immergés à une profondeur maximale de soixante mètres.

4D’une part, n’ayant pas d’information plus précise concernant la profondeur des hameçons, nous considérons que ces pêches sont réalisées dans des conditions homogènes.

5D’autre part, aucune information n’est disponible sur la trajectoire de la palangre entre les points de début et de fin, nous supposerons que celle-ci est linéaire. La valeur des variables environnementales correspond à la valeur du pixel (de l’image satellite concernée), localisé au point médian de la droite qui passe par les positions des extrémités de la palangre.

6Enfin, nous devons tenir compte du fait que la position des poissons pêchés le long de la palangre (numéro d’hameçon) n’est pas disponible.

7Une espèce pêchée garantit sa présence mais la réciproque n’est pas valide. Par ailleurs, la présence de prédateurs peut influencer les prises le long de la palangre car une fois un individu accroché, celui-ci peut être éliminé par ces derniers. La prise peut, elle-même, avoir un effet sur le niveau de capture pour une palangre car lorsqu’un poisson est accroché, celui-ci se débat. La zone autour de lui ne devient plus propice à la capture d’autres poissons compte tenu du signal de stress que ce dernier génère.

8Sachant que les lignes sont immergées à une profondeur maximale de 60 mètres, nous considérerons que la température de surface est un indice représentatif des processus thermiques qui affectent la colonne d’eau jusqu’à cette profondeur. Nous avons estimé que la concentration en chlorophylle-a était sensiblement homogène sur cette même colonne d’eau. Ainsi, on définit comme « abondance », le nombre total d’individus capturés sur une palangre.

Description des données

9Dans un premier temps, nous avons cherché à savoir comment évoluait l’abondance de chaque espèce en fonction des différents paramètres environnementaux pris un à un. Les paramètres environnementaux étudiés sont extraits d’images satellites et concernent :

  • la température de surface de l’eau (SST) ;

  • la concentration en chlorophylle-a en mg. m-3 (Chl-a) ;

  • l’anomalie de hauteur de l’eau (SLA) ;

  • les composantes du courant géostrophique (U et V) ;

  • la vitesse du courant.

10Dans ce but, nous avons fait des représentations en nuage de points de la variable « Pêche par unité d’effort » (PUE) en fonction de certains paramètres.

11La PUE est obtenue en divisant le nombre d’individus pêchés pour une espèce et par palangre par le nombre d’hameçons disposés sur cette palangre. Les données ont été regroupées dans des classes d’intervalles réguliers en fonction de chaque variable environnementale. L’effectif des palangres dans ces classes apparaît comme échelle secondaire des ordonnées. Les écarts-types des effectifs par classe figurent également sur les graphiques. Seuls les graphiques les plus significatifs sont présentés sur les figures 64, 65, 66.

12Il semble exister deux modes sur les effectifs de palangre à 25° C et 28° C, il se pourrait que ces valeurs soient tout simplement représentatives des conditions de surface respectives des deux zones principales étudiées autour de la Réunion (25° C) et dans les eaux seychelloises (28° C) ainsi que de l’effet de la saisonnalité de la température dans la zone totale des pêches sur la période (cf. fig. 68).

Fig. 64. Prises par unité d’effort (PUE) d’espadon et température de surface aux positions de pêches (1998-2000)

Fig. 65. PUE d’albacore et température de surface aux positions de pêches (1998-2000)

13Ce type de représentation donne les tendances qui existent entre les abondances et les différentes variables. Ainsi, pour tester si ces dernières sont significativement différentes d’une tendance nulle, il faut tester la normalité de la distribution de ces variables (abondance et paramètres environnementaux). Ces tests sont détaillés plus loin dans le chapitre.

Fig. 66. PUE d’espadon et concentration de chlorophylle-a aux positions de pêches (1998-2000)

14Ainsi, le produit des PUE par les valeurs des paramètres environnementaux le jour de la pêche est additionné et divisé par la somme des abondances mensuelles. Soit n pêches dans le mois, on a une température moyenne observée aux positions de pêches qui est :

15ΣTi/n (pour i allant de 1 à n).

16C’est ce qui est représenté sur la courbe paramètre (SST ou Chl-a, SLA). On calcule pour chaque pêche, une valeur pondérée du paramètre observé de la PUE de la pêche divisée par le total des PUE observées dans le mois :

17PUEj/Σ (PUEi) (pour j et i de 1 à n).

Fig. 67. Effectif mensuel des palangres sur la période 1998-2000

Fig. 68. Variations mensuelles de la température de l’eau en surface aux points de pêches et de la température pondérée par la PUE

Fig. 69. Variations mensuelles de la concentration en chlorophylle-a aux points de pêche et de la chlorophylle-a pondérée par la PUE

18Ensuite, on somme les valeurs pondérées et on obtient une valeur du paramètre pondéré par l’efficacité des pêches. Cela est représenté par la série « pondération de (paramètre) par SWO » (fig. 68).

19Pour information, l’effectif mensuel des pêches est représenté sur la période 1998-2000 (fig. 67). L’effectif mensuel des palangres analysées n’est pas distribué de façon uniforme au cours du temps.

Fig. 70. Variation mensuelle de la concentration moyenne en chlorophylle-a, du nombre moyen d’espadons capturés et de l’effectif des pêches en fonction du temps sur la période 1998-2000

Fig. 71. Variations mensuelles de l’anomalie de hauteur d’eau (SLA) aux points de pêche et de l’anomalie de hauteur d’eau pondérée par l’abondance

20Afin d’analyser la figure 69, un graphique supplémentaire représentant la variation de concentration moyenne de chlorophylle-a, du nombre moyen d’espadons capturés et de l’effectif des pêches en fonction du temps sur la période 1998-2000 est nécessaire (fig. 70).

21Sur les figures 69, 70, 71, l’écart en valeur absolue qui sépare chaque point pour un mois donné entre les deux courbes représente une dissymétrie de la distribution de l’efficacité des pêches au cours du mois par rapport à la moyenne du paramètre observé aux positions de pêches.

  • SST/SWO : on constate que la différence entre les points lorsqu’elle existe, est de faible amplitude. Cependant lorsque les points ne sont pas superposés, la pondération a tendance à abaisser la valeur de température par rapport à la température moyenne observée. On peut en conclure que les pêches les plus efficaces ont été réalisées dans des eaux aux températures inférieures à la température moyenne mensuelle des pêches. On constate pour quelques points un écart beaucoup plus important. Le manque de données et la faible répétition de ces écarts ne permettent pas d’interprétation.

  • Chl-a/SWO : la distance en valeur absolue entre les courbes pour chacun des points pour le même mois est d’amplitude variable et apparaît saisonnière. En effet, les amplitudes les plus grandes concernent pour l’année 1998 les mois de janvier à mai, pour l’année 1999 les mois de novembre à mai et pour l’année 2000 les mois de septembre à décembre. D’après la figure 70, la saisonnalité observée sur la valeur de la chlorophylle-a pondérée par l’efficacité ne semble pas être influencée par le nombre moyen mensuel de palangres. Le nombre moyen d’espadons capturés ne semble pas non plus avoir de variation saisonnière.

  • SLA/SWO : on constate pour ce paramètre, peu d’influence de la pondération de l’efficacité par rapport à la moyenne observée aux positions de pêches. Cependant, un effet saisonnier est visible pour le paramètre aux positions de pêches sans influence visiblement sur l’efficacité.

Test de la distribution des variables

22La représentation par des histogrammes de la distribution des observations pour chacune des variables du vecteur « palangre posée » permet d’apprécier si ces variables se distribuent de façon gaussienne ou non. Les abondances d’espèces sont ramenées pour mille hameçons (fig. 72, 73).

23La forme des distributions de chacune des variables n’est pas de forme gaussienne pour la majorité des variables. Ainsi, pour rechercher s’il existe des tendances linéaires entre les PUE et les paramètres environnementaux, les nuages de points entre chacune des variables et les PUE vont être réalisés.

Nuage de points entre l’abondance et les paramètres

24Afin de rechercher des relations linéaires entre les variables et l’abondance, nous représenterons l’abondance de l’espadon uniquement (représentative des autres espèces) en fonction des paramètres au point de pêches le jour même.

Fig. 72. Histogrammes du nombre de palangres en fonction de l’effectif d’espadons, germons, albacore et thon obèse pour mille hameçons

25Quel que soit le couple paramètre/abondance (PUE), les différentes représentations ne montrent pas de relation linéaire (fig. 74 à 82). Plusieurs origines à cela peuvent être identifiées.

26D’une part, le jeu de données, tel qu’il est, ne nous permet pas de prendre en compte la variabilité environnementale proche des points de pêches. D’autre part, les valeurs des paramètres, sauf pour la bathymétrie, seraient potentiellement de meilleurs indicateurs si elles étaient prises à des jours précédents le jour de la pêche. En effet, la présence du poisson le jour de la pêche peut être conditionnée par des situations thermiques antérieures, 5, 10 ou 15 jours. D’autre part, la structure temporelle des données ainsi que la structure spatiale n’ont pas été prises en compte dans ces analyses. L’effectif restreint des données lors de leur segmentation temporelle et spatiale n’a pas permis de l’envisager. Enfin, l’observation des couples température/abondance peut donner lieu à une hypothèse intéressante. La structure bimodale du cumul des PUE pour trois des quatre espèces pourrait trouver son origine dans la préférence de ces espèces à se localiser près des fronts thermiques qui se distribuent en terme de fréquence dans la zone étudiée autour des températures de 25° C et 28° C (le plus fréquemment).

Fig. 73. Histogrammes représentant le nombre de pêches en fonction des variables d’environnement

▼ Fig. 74. PUE en fonction de la bathymétrie au point de pêche

▼ Fig. 75. PUE en fonction de la température

Fig. 76. Histogramme des PUE en fonction de la température

Fig. 77. Effectif d’espadon en fonction de la chlorophylle-a

Fig. 78. Histogramme des PUE en fonction de la chlorophylle-a

Fig. 79. PUE en fonction de l’anomalie de hauteur de l’eau

Fig. 80. PUE en fonction de la composante longitudinale du courant géostrophique

Fig. 81. PUE en fonction de la composante latitudinale du courant géostrophique

Fig. 82. PUE en fonction de la vitesse du courant géostrophique

Fig. 83. Nuage de points entre les espèces (PUE) prises deux à deux

Nuage de points des abondances entre elles

27Afin d’explorer les relations qui existent au sein du jeu de données entre les abondances (pour mille hameçons), la figure 83 représente les abondances observées deux à deux.

28La distribution des données d’abondance entre l’espadon et les autres espèces peut être assimilée à une distribution selon une loi de Poisson. Il existerait une tendance positive dans l’association des espèces avec l’espadon jusqu’à un seuil où plus le nombre d’espadons capturés est grand, moins les autres espèces sont capturées. On peut envisager l’hypothèse des tensions causées par les espadons capturés qui éloigneraient les autres espèces. Pour étudier cela, il faudrait avoir la distance entre les prises sur une même palangre pour étudier la structure spatiale des prises en fonction des espèces. Pour les relations d’abondances entre les trois autres espèces entre elles, la distribution des valeurs est proche d’une exponentielle négative.

Analyses en composante principale et de co-inertie

29L’objectif de cette analyse est de décrire comme le proposent Dolédec et Chessel (1994), la structure commune de deux tableaux correspondant à des nuages de points portant sur les mêmes unités statistiques. Dans un premier temps, les tableaux sont analysés de manière indépendante par une méthode d’analyse multivariée à un tableau, l’analyse en composante principale (ACP). Une ACP sur matrice de corrélations est réalisée sur le tableau des variables environnementales. Une ACP sur matrice de covariances est réalisée sur le tableau des abondances d’espèces.

  • 1 10 minutes d’angle à l’équateur correspondent à 10 milles.

30Le tableau des espèces est constitué de quatre colonnes des prises par espèce (SWO, ALB, BET, YFT) lors des 607 pêches réalisées sur la période 1998/1999. Le deuxième tableau est constitué par 66 variables environnementales (en colonne) récoltées pendant les 607 pêches (en ligne). En effet, la possibilité de donner une dimension temporelle aux variables environnementales a fait augmenter considérablement leur nombre. Le calcul de gradient pour ces variables a également contribué à l’augmentation de ce nombre. Les valeurs de la profondeur correspondent à la valeur absolue de la bathymétrie. Les gradients des variables environnementales ont été estimés de deux façons : 1) par l’opérateur de Sobel pour la température, la chlorophylle-a, l’anomalie de hauteur d’eau, les composantes U et V du courant géostrophique ; 2) par une valeur supérieure ou égale à 80 % de tous les gradients trouvés dans un cercle de rayon de 10 minutes d’angle1 centré à la position de pêche. Dans les deux cas, la « position de pêche » est définie comme étant le point médian entre les deux extrémités de la palangre. La seconde méthode n’a été utilisée que pour les gradients de bathymétrie, de température et de concentration en chlorophylle-a.

31Seules 607 pêches ont été prises en compte pour l’analyse. Il s’agit des pêches pour lesquelles toutes les informations concernant les 66 variables environnementales, détaillées ci-dessous, étaient toutes disponibles.

  • La distance à la côte (distance_côte).

  • La distance minimale séparant la pêche d’une autre le même jour (distance_pêche)

  • Le nombre d’hameçons (nb_hameçons).

  • La profondeur du plancher océanique au point de pêche (z).

  • La concentration en chlorophylle-a déterminée au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (Chl-a).

  • La température de l’eau en surface au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (SST).

  • L’anomalie de hauteur d’eau au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (SLA).

  • La composante U du courant géostrophique au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (U).

  • La composante V du courant géostrophique au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (V).

  • Le gradient de la profondeur du plancher océanique estimé par l’opérateur de Sobel au point de pêche (gr_z).

  • Le gradient de la concentration en chlorophylle-a estimé par l’opérateur de Sobel au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (gr_Chl-a).

  • Le gradient de la température de l’eau en surface estimé par l’opérateur de Sobel au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (gr_SST).

  • Le gradient de l’anomalie de hauteur d’eau estimé par l’opérateur de Sobel au point de pêche 15, 10 et 5 jours avant ainsi que le jour même et 5 jours après (gr_SLA).

  • Le gradient de la composante U du courant géostrophique estimé par l’opérateur de Sobel au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (gr_U).

  • Le gradient de la composante V du courant géostrophique estimé par l’opérateur de Sobel au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (gr_V).

  • Le gradient dans un cercle de la profondeur estimé au point de pêche (grC_z).

  • Le gradient dans un cercle de la concentration en chlorophylle-a estimé au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (grC_Chl-a).

  • Le gradient dans un cercle de la température de l’eau en surface estimé au point de pêche 15, 10 et 5 jours avant, ainsi que le jour même et 5 jours après (grC_SST).

  • 2 Ecological Data Analysis. Pour plus d’informations, voir : http://pbil.univ-lyon1.fr/ADE-4).

32Les analyses suivantes ont été réalisées à partir du programme ADE 42.

ACP sur matrice de corrélations

33Le graphe des valeurs propres (fig. 84) représente la manière dont la variabilité est prise en compte. Seules les 16 premières composantes ont été représentées compte tenu de la faible part de variabilité apportée par les autres.

Fig. 84. Graphe des valeurs propres de l’ACP sur matrice des corrélations obtenues à partir du tableau des variables environnementales

Tableau 4. Part de chaque composante dans la variabilité pour les 16 premières composantes de l’ACP sur matrice des corrélations

Tableau 4. Part de chaque composante dans la variabilité pour les 16 premières composantes de l’ACP sur matrice des corrélations

34La présence de la première composante nettement distincte des autres indique une vraie pertinence. Un seul axe sera conservé. Le tableau 4 reprend les valeurs propres des 16 premières composantes, ainsi que leur part dans l’inertie totale. L’analyse est réalisée sur le tableau comportant les abondances de chacune des quatre espèces. Le graphe des valeurs propres est présenté figure 85.

Fig. 85. Graphe des valeurs propres de l’ACP sur matrice des covariances obtenu à partir du tableau d’abondance des espèces

35Un seul axe sera également conservé. Les valeurs propres des composantes ainsi que leur contribution dans l’inertie totale et le cumul de cette contribution sont présentées dans le tableau 5.

36De la même façon que précédemment, les variables sont projetées sur le plan factoriel composé des deux premiers axes (fig. 86).

37La position commune des taxons sur un même demi-plan traduit un « effet taille », c’est-à-dire l’augmentation simultanée de l’abondance de tous les taxons dans les relevés. Le premier axe caractérise ainsi l’abondance des taxons dans les pêches.

Tableau 5. Part de chaque composante dans la variabilité des composantes de l’ACP sur matrice des covariances

Tableau 5. Part de chaque composante dans la variabilité des composantes de l’ACP sur matrice des covariances

Fig. 86. Carte factorielle de la projection des variables (abondance des espèces) sur le plan des deux premiers vecteurs propres de l’ACP sur matrice des covariances

L’analyse de co-inertie

38Les deux analyses (ACP et co-inertie) sont associées. La co-structure observée des deux tableaux est comparée à un grand nombre de permutations aléatoires dans l’appariement des deux tableaux. Un test de Monte-Carlo est réalisé à l’endroit où les lignes des deux tableaux sont permutées simultanément. À chaque permutation aléatoire un recentrage des tableaux est assuré. La pondération associée aux lignes reste fixée. Le nombre de permutations réalisées est de 50 000.

39Il en résulte que la co-structure observée des deux tableaux est totalement étrangère à l’ensemble des valeurs simulées. L’analyse de co-inertie peut ainsi être exécutée et débute par l’analyse du tableau croisé. La matrice traitée contient les covariances entre l’abondance d’un taxon et une variable de milieu normalisée. Une analyse d’inertie standard d’une matrice croisée est alors obtenue (tabl. 6).

40Les analyses de co-inertie fournissent souvent des graphes de valeurs propres très explicites car celles-ci sont des produits d’indices de structures de chaque tableau par un indice de co-structure.

Tableau 6. Part de chaque composante dans la variabilité de l’analyse de co-inertie sur la matrice croisée

Tableau 6. Part de chaque composante dans la variabilité de l’analyse de co-inertie sur la matrice croisée

41La représentation des valeurs propres de l’analyse de co-inertie permettra de choisir le nombre d’axes à conserver (fig. 87).

Fig. 87. Graphe des valeurs propres de l’analyse de co-inertie sur la matrice croisée

42Les deux premiers axes seront conservés et permettront de faire les cartes factorielles représentant les variables et les abondances liées entre elles par l’analyse de co-inertie (fig. 88, 89, 90).

43La structure des variables dans les plans factoriels sont sensiblement les mêmes. En effet, l’analyse tient compte de la structure dans chaque tableau et aussi du lien qui les unit.

44Le tableau croisé représente des covariances et a une signification qui dépend entièrement des analyses de base (ici deux ACP). La représentation de ce tableau permet d’apprécier par une valeur de covariance la relation entre les variables d’abondances et environnementales (fig. 91).

Fig. 88. Projection des 66 variables environnementales sur le plan factoriel composé des deux premiers axes d’inerties

Fig. 89. Projection des 66 variables environnementales sur le plan factoriel composé des deux premiers axes d’inerties (échelle des ordonnées considérablement augmentée)

Fig. 90. Projection des 4 variables d’abondances sur le plan factoriel composé des deux premiers axes d’inerties

Fig. 91. Représentation des valeurs de covariance du tableau croisé

45Les symboles pleins et ronds expriment une covariance positive entre les deux variables. Les symboles carrés et vides représentent une covariance négative entre les deux variables. Les effectifs pêchés pour chacune des espèces s’élèvent à 5 854 espadons, 1 726 thons obèses, 955 germons et 1 062 albacores. Les informations contenues dans le tableau 7 résument l’information acquise par l’analyse.

Tableau 7. Résumé de l’information acquise par l’analyse de co-inertie

N° ACP

Covariance

Variance 1

Variance 2

Corrélation

Inertie 1

Inertie 2

1

14,77

64,11

11,04

0,5552

64,81

12,5

2

2,816

11,69

4,167

0,4034

12,33

5,84

46Les colonnes Inertie 1 et Inertie 2 rappellent les inerties maximales qui peuvent être projetées sur des axes dans chaque espace (obtenus par les analyses séparées). Les colonnes Variance 1 et Variance 2 donnent les inerties projetées sur les axes de co-inertie. Les plans 1-2 de co-inertie sont très sensiblement de même qualité que les plans 1-2 de chaque analyse. En plus, les deux projections sont reliées par les corrélations (Corrélation) entre systèmes de coordonnées de même rang, respectivement pour l’axe 1 et l’axe 2 de co-inertie. Ces valeurs sont obtenues partiellement par optimisation car la covariance est optimisée.

47La possibilité de pouvoir compiler l’information concernant les relations entre les variables entre elles ainsi qu’avec l’abondance des espèces pêchées fournit une description synthétique. Les variables environnementales qui possèdent la plus forte covariance (aussi bien positive que négative) avec la variable d’abondance d’espadons sont les suivantes :

48Covariance positive :

  • Le nombre d’hameçons.

    • 3 Gradient (I) : méthode de calcul du gradient par l’opérateur de Sobel.

    La valeur du gradient (I)3 d’anomalie de hauteur d’eau (SLA) à la position de la pêche 5 jours après la pêche.

  • La valeur du gradient (I) de SLA à la position de la pêche le jour de la pêche.

  • La valeur du gradient (I) de SLA à la position de la pêche 5 jours avant la pêche.

  • La distance de la pêche à la côte la plus proche.

  • La valeur du gradient (I) de SLA à la position de la pêche 10 jours avant la pêche.

  • La valeur du gradient (I) de la composante U du courant géostrophique à la position de la pêche 15 jours avant la pêche.

  • La valeur du gradient (I) de la composante U du courant géostrophique à la position de la pêche 10 jours avant la pêche.

  • La valeur du gradient (I) de SLA à la position de la pêche 15 jours avant la pêche.

  • La valeur du gradient (I) de la composante U du courant géostrophique à la position de la pêche 5 jours avant la pêche.

  • La profondeur à la position de pêche.

49Covariance négative :

  • La valeur de température de la surface de l’eau (SST) à la position de pêche 5 jours après la pêche.

  • La valeur de SST à la position de pêche le jour de la pêche.

  • La valeur de SST à la position de pêche 10 jours avant la pêche.

  • La valeur de SLA à la position de la pêche 15 jours avant la pêche.

  • La valeur de SST à la position de pêche 5 jours avant la pêche.

  • La valeur de SLA à la position de la pêche 10 jours avant la pêche.

  • La valeur de SLA à la position de la pêche 5 jours avant la pêche.

    • 4 Gradient (II) : calcul du gradient par la méthode du cercle décrite précédemment.

    La valeur du gradient (II)4 de bathymétrie (méthode du cercle) à la position de pêche.

  • La valeur de SST à la position de pêche 15 jours avant la pêche.

  • La valeur de SLA à la position de la pêche le jour de la pêche.

  • La valeur de SLA à la position de la pêche 5 jours avant la pêche.

  • La valeur du gradient (I) de bathymétrie à la position de pêche.

50Parmi les 23 variables citées ci-dessus, le nombre d’hameçons, la distance à la côte, ainsi que la bathymétrie et ses deux gradients sont des variables fixes dans le temps. La valeur négative de la covariance pour les variables concernant la bathymétrie révèle que les valeurs prises pour ces variables ont été laissées en valeurs négatives. Il n’est pas anormal de trouver ainsi une covariance négative. Compte tenu des spécificités de la pêche à la palangre, un lien manifeste existe entre l’abondance d’espadons pêchés et le nombre d’hameçons disposés sur la palangre. De même, il existe une forte corrélation positive entre les variables du nombre d’hameçons et de la distance à la côte.

Notes

1 10 minutes d’angle à l’équateur correspondent à 10 milles.

2 Ecological Data Analysis. Pour plus d’informations, voir : http://pbil.univ-lyon1.fr/ADE-4).

3 Gradient (I) : méthode de calcul du gradient par l’opérateur de Sobel.

4 Gradient (II) : calcul du gradient par la méthode du cercle décrite précédemment.

Table des illustrations

Légende Thunnus obesus (Lowe, 1939)© P. Opic
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-1.png
Fichier image/png, 229k
Légende Fig. 64. Prises par unité d’effort (PUE) d’espadon et température de surface aux positions de pêches (1998-2000)
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-2.png
Fichier image/png, 136k
Légende Fig. 65. PUE d’albacore et température de surface aux positions de pêches (1998-2000)
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-3.png
Fichier image/png, 140k
Légende Fig. 66. PUE d’espadon et concentration de chlorophylle-a aux positions de pêches (1998-2000)
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-4.png
Fichier image/png, 96k
Légende Fig. 67. Effectif mensuel des palangres sur la période 1998-2000
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-5.png
Fichier image/png, 97k
Légende Fig. 68. Variations mensuelles de la température de l’eau en surface aux points de pêches et de la température pondérée par la PUE
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-6.png
Fichier image/png, 115k
Légende Fig. 69. Variations mensuelles de la concentration en chlorophylle-a aux points de pêche et de la chlorophylle-a pondérée par la PUE
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-7.png
Fichier image/png, 144k
Légende Fig. 70. Variation mensuelle de la concentration moyenne en chlorophylle-a, du nombre moyen d’espadons capturés et de l’effectif des pêches en fonction du temps sur la période 1998-2000
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-8.png
Fichier image/png, 150k
Légende Fig. 71. Variations mensuelles de l’anomalie de hauteur d’eau (SLA) aux points de pêche et de l’anomalie de hauteur d’eau pondérée par l’abondance
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-9.png
Fichier image/png, 115k
Légende Fig. 72. Histogrammes du nombre de palangres en fonction de l’effectif d’espadons, germons, albacore et thon obèse pour mille hameçons
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-10.png
Fichier image/png, 85k
Légende Fig. 73. Histogrammes représentant le nombre de pêches en fonction des variables d’environnement
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-11.png
Fichier image/png, 211k
Légende ▼ Fig. 74. PUE en fonction de la bathymétrie au point de pêche
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-12.png
Fichier image/png, 473k
Légende ▼ Fig. 75. PUE en fonction de la température
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-13.png
Fichier image/png, 321k
Légende Fig. 76. Histogramme des PUE en fonction de la température
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-14.png
Fichier image/png, 147k
Légende Fig. 77. Effectif d’espadon en fonction de la chlorophylle-a
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-15.png
Fichier image/png, 327k
Légende Fig. 78. Histogramme des PUE en fonction de la chlorophylle-a
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-16.png
Fichier image/png, 131k
Légende Fig. 79. PUE en fonction de l’anomalie de hauteur de l’eau
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-17.png
Fichier image/png, 420k
Légende Fig. 80. PUE en fonction de la composante longitudinale du courant géostrophique
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-18.png
Fichier image/png, 388k
Légende Fig. 81. PUE en fonction de la composante latitudinale du courant géostrophique
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-19.png
Fichier image/png, 412k
Légende Fig. 82. PUE en fonction de la vitesse du courant géostrophique
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-20.png
Fichier image/png, 405k
Légende Fig. 83. Nuage de points entre les espèces (PUE) prises deux à deux
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-21.png
Fichier image/png, 374k
Légende Fig. 84. Graphe des valeurs propres de l’ACP sur matrice des corrélations obtenues à partir du tableau des variables environnementales
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-22.jpg
Fichier image/jpeg, 44k
Titre Tableau 4. Part de chaque composante dans la variabilité pour les 16 premières composantes de l’ACP sur matrice des corrélations
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-23.jpg
Fichier image/jpeg, 120k
Légende Fig. 85. Graphe des valeurs propres de l’ACP sur matrice des covariances obtenu à partir du tableau d’abondance des espèces
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-24.jpg
Fichier image/jpeg, 32k
Titre Tableau 5. Part de chaque composante dans la variabilité des composantes de l’ACP sur matrice des covariances
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-25.jpg
Fichier image/jpeg, 60k
Légende Fig. 86. Carte factorielle de la projection des variables (abondance des espèces) sur le plan des deux premiers vecteurs propres de l’ACP sur matrice des covariances
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-26.jpg
Fichier image/jpeg, 32k
Titre Tableau 6. Part de chaque composante dans la variabilité de l’analyse de co-inertie sur la matrice croisée
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-27.jpg
Fichier image/jpeg, 60k
Légende Fig. 87. Graphe des valeurs propres de l’analyse de co-inertie sur la matrice croisée
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-28.jpg
Fichier image/jpeg, 28k
Légende Fig. 88. Projection des 66 variables environnementales sur le plan factoriel composé des deux premiers axes d’inerties
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-29.png
Fichier image/png, 223k
Légende Fig. 89. Projection des 66 variables environnementales sur le plan factoriel composé des deux premiers axes d’inerties (échelle des ordonnées considérablement augmentée)
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-30.png
Fichier image/png, 364k
Légende Fig. 90. Projection des 4 variables d’abondances sur le plan factoriel composé des deux premiers axes d’inerties
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-31.jpg
Fichier image/jpeg, 28k
Légende Fig. 91. Représentation des valeurs de covariance du tableau croisé
URL http://books.openedition.org/irdeditions/docannexe/image/10031/img-32.png
Fichier image/png, 542k

© IRD Éditions, 2006

Conditions d’utilisation : http://www.openedition.org/6540

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search