L’approche écosystémique de la gestion des pêches est en plein développement et il est de plus en
plus nécessaire de disposer de modèles de poissons fiables et qui rendent bien compte de
l’évolution des populations marines.
On s’intéresse ici aux modèles multi-espèces de poissons exploités par la pêche.
Actuellement, ces modèles sont principalement utilisés dans la mer du Nord et la mer
Baltique.
2 Le modèle SSVPA (Single Species Virtual Population Analysis)
Développé par Gulland (1965), ce modèle structuré en âge ne rend pas compte des interactions
entre différentes espèces. On représente par Na,t le nombre d’individus d’âge a au début de la période [t,t + 1[
(généralement une année ou un trimestre) et Ca,t le nombre d’individus capturés (par
la pêche) sur la période [t,t + 1[. Les 2 équations fondamentales de la SSVPA sont :
avec Za,t la mortalité entre t et t + 1 des individus d’âge a. On a:
(3)
où
Ma est la mortalité naturelle, donnée extérieure au problème;
Fa,t est la mortalité due à la pêche entre t et t + 1.
Pour évaluer le nombre N0,t+1 d’individus d’âge 0 au début de la période [t + 1,t + 2[, on
utilise la relation de stock-recrutement de Ricker :
(4)
avec
α et β : paramètres de la relation stock-recrutement de Ricker (constantes) ;
SSBt+1 : la biomasse féconde en fin de période [t,t + 1[ calculée en sommant la contribution
de tous les individus à la reproduction (sauf ceux d’âge 0) :
(5)
où
wa est le poids aux âges
Pa est la proportion de reproducteurs aux âges
On veut écrire ce modèle sous forme de modèle d’état. Le vecteur d’état qu’on prend
représente le stock :
Il s’agit bien d’une équation dynamique de la forme
3 Simulation pour une population de hareng
Dans cette partie, on va simuler l’évolution d’une population de hareng de la mer du Nord sur un
horizon fini. Le hareng est à dix classes d’âge. Le vecteur d’état qu’on prend est :
D’après ce qui précède, on a l’équation dynamique suivante :
avec g(z) = αze−βz.
Ouvrir un fichier ssvpa.sce et y recopier les données numériques suivantes:
//etat initial X0=[59136429;15134341;16157668;12683928;6271295;3193827;1317572;453613;298854;101254]; //poids auxâges W=[0.007;0.023;0.035;0.051;0.065;0.059;0.075;0.079;0.087;0.094]; //Proportion mature P=[0.00;0.00;0.70;0.90;1.00;1.00;1.00;1.00;1.00;1.00]; //mortalité par pêche constante F=[0.00;0.05;0.14;0.21;0.45;0.30;0.38;0.40;0.39;0.39]; //coeff de Ricker alpha=140.9725694;bbeta=0.00000081; //mortalité naturelle M=0.2; //horizon fini T=15;
On écrit la fonction de la dynamique. Pour cela, on écrit d’abord la fonction qui donne la
biomasse féconde.
//biomasse féconde function y=Bf(x) y=sum(P .*W .*x) endfunction // on a P(1)=0, de sorte que la somme ne porte que sur les individus matures //fonction dynamique function y=dyn(k,x) e=exp(-M-F); y(2:10)=x(1:$-1) .*e(1:$-1); z=[0;y(2:$)]; y(1)=alpha*Bf(z)*exp(-bbeta*Bf(z)); endfunction
Dans notre modèle, la biomasse B d’une espèce donnée s’écrit :
(7)
Question 1Représenter l’évolution de la biomasse. On utilisera la commande plot2d2.
Question 2Répéter la même opération pour différentes valeurs de l’horizon (T=20 etT=50) et de l’effort de pêche. Commenter.
4 Le modèle MSVPA (Multi Species Virtual Population Analysis)
Cette fois, on intègre les interactions entre différentes espèces dans la modélisation
en distinguant dans la mortalité naturelle un terme dû à la prédation. On garde les
mêmes notations en ajoutant l’indice i(i =, 1..,n) pour distinguer entre les différentes
espèces:
(8)
où gi est la fonction de recrutement pour l’espèce i, par exemple (mais pas forcément) la relation
de stock-recrutement de Ricker
et avec
où
Fi,a,test la mortalité due à la pêche pour l’espèce i entre t et t + 1;
M2,i,a,test la mortalité par prédation entre t et t + 1;
M1,i,aest la mortalité ”résiduelle” pour l’espèce i, englobant toutes les autres causes
de mortalité et prise comme donnée extérieure au problème comme en SSVPA.
En prenant un vecteur d’état de la forme
comme en SSVPS on ne peut pas avoir un modèle d’état.
On prend alors pour vecteur d’état le vecteur de vecteurs
Par rapport au modèle précèdent, le nouveau terme M2,i,a,t couple les différentes équations d’état
étant donné qu’il s’exprime en fonction de la biomasse de toutes les autres espéces. En effet, pour
un prédateur, on a M2 = 0 et pour une proie p d’âge b on a :
avec
𝒫 l’ensemble des prédateurs;
S(i,a : p,b) le coefficient qui dénote la convenance d’une proie p d’âge b en tant que
nourriture pour un prédateur i d’âge a;
R(i,a,t) la quantité d’aliments consommés au temps t par le prédateur i d’âge a.
BS(i,a,t) la biomasse de toutes les proies d’un prédateur i d’âge a au temps t; si on
note par 𝒜 l’ensemble des proies alors :
où
Bex est la biomasse externe, c’est à dire la biomasse totale de l’écosystème privée
de la biomasse des espèces incluses dans le modèle.
S(i,a : ex) est le coefficient qui dénote la convenance de la biomasse externe en
tant que nourriture pour le prédateur i d’âge a
On pose ui(t) = et on définit le vecteur commande par u(t) = Pour simplifier, on suppose que R(i,a,t) est indépendante du temps.
On développe l’expression de M2; on trouve que pour une espèce i, la mortalité est de la forme
:
Finalement on obtient une équation dynamique de la forme voulue
5 Simulation pour une population de merlu-anchois
En s’inspirant de la population marine du Golfe de Gascogne, on considère l’écosystème suivant
composé d’un prédateur et d’une proie :
merlu (prédateur) à 3 classes d’âge; on adopte la notation Na,tm,a = 0, 1, 2 pour
désigner le nombre d’individus d’âge a au temps t;
anchois (proie) à 2 classes d’âge (Na,tan,a = 0, 1).
Le vecteur d’état est :
On suppose que la mortalité par pêche dépend de deux variables de contrôle u(t) et v(t) :
le multiplicateur de mortalité par pêche des merlus Fa,tm = u(t)Fam;
le multiplicateur de mortalité par pêche des anchois Fa,tan = v(t)Faan.
D’après ce qui précède qu’on aboutit à l’équation dynamique
avec
Elle est de la forme x(t + 1) = f(x(t),u(t),v(t)).
On suppose u(t) et v(t) constants. Pour le merlu (prédateur), on utilise la relation de
stock-recrutement de Ricker
(12)
mais, pour l’anchois, on n’utilise pas la relation de stock-recrutement de Ricker. En effet, l’anchois
est une espèce qui est très sensibles aux fluctuations environnementales (climat) à court terme
; on considère que le recrutement varie aléatoirement autour d’une valeur moyenne
:
(13)
Charger dans un fichier merlu_anchois.sce les données numériques suivantes
//etat initial X0=[82764000;26548000;41440000;18220000;4264000]; //poids aux ages W=[0.004;0.037;0.106;0.012;0.016]; //proportion mature Pm=[0;0;1;0;1]; //mortalite residuelle M1=0.2; //quantite d'aliments manges par les merlus aux ages R=[1;1.2;1.4]; //coeff de la relation de Ricker alpham=8.745;betam=0.00000000143; //valeur moyenne de recrutement pour les anchois recrumoya=1500000000; //tableau des coef. de suitability suit=[0,0,1;0.25,0.15,0.6;0.185,0.385,0.43]; F1=0.2; F2=0.3; F4=0.5; //biomasse externe Bex=10000000; //multiplicateurs de mortalité u=[1.22;2.35;0.856];
Recopier dans le même fichier les fonctions de mortalité par pêche M2 et de biomasse féconde
pour le merlu.
//mortalité par pêche function y=M2(x) y=(suit(1,1)*R(1)*x(1))/(suit(1,3)*Bex+suit(1,1)*W(4)*x(4)+suit(1,2)*W(5)*x(5))+ ... (suit(2,1)*R(2)*x(2))/(suit(2,3)*Bex+suit(2,1)*W(4)*x(4)+suit(2,2)*W(5)*x(5))+ ... (suit(3,1)*R(3)*x(3))/(suit(3,3)*Bex+suit(3,1)*W(4)*x(4)+suit(3,2)*W(5)*x(5)) endfunction //biomasse féconde pour le merlu function y=Bfm(x) y=Pm(2)*W(2)*x(2)+Pm(3)*W(3)*x(3) endfunction
On écrit à la suite la fonction qui donne la dynamique f du modèle merlu_anchois.