Variabilité de séries temporelles

de grands pélagiques exploités

par la pêche palangrière dans

l’Océan Indien

Ana CorbineauTristan Rouyer

Bernard CazellesJean-Marc Fromentin

Frédéric Ménard

8 ème Forum HalieumétriqueAquarium de La Rochelle

Juin 2007

0

500

1 000

1 500

1950 1960 1970 1980 1990 2000

Ca

ptu

res

(x

10

00

t)

INDUSTRIAL

ARTISANAL

Introduction

• Développement de la pêche industrielle à partir du début des années 50 dans l’Océan Indien variations des captures et des CPUE à court et à long termes

• La variabilité des captures dynamique des populations mortalité naturelle, migration … l’activité de la pêche surexploitation, ciblage… le forçage climatique changement de régime…

Objectifs

Caractériser la variabilité des séries de CPUE des grands pélagiques (thonidés et espadon) dans l’Océan Indien à partir de données palangrières

Captures - PalangreOcéan Indien

0

1000000

2000000

3000000

4000000

5000000

6000000

19

52

19

56

19

60

19

64

19

68

19

72

19

76

19

80

19

84

19

88

19

92

19

96

20

00

20

04

Ca

ptu

res

(e

n n

om

bre

)

Japon Taiwan

Etudier les liens entre les séries de CPUE et les indices climatiques globaux

Effort - palangreOcéan Indien

0

500000

1000000

1500000

2000000

2500000

19

52

19

56

19

60

19

64

19

68

19

72

19

76

19

80

19

84

19

88

19

92

19

96

20

00

20

04

Eff

ort

(1

00

0 h

oo

ks

)

Japon Taiwan

Zone d’étude

- 5 0

- 4 5

- 4 0

- 3 5

- 3 0

- 2 5

- 2 0

- 1 5

- 1 0

- 5

0

5

1 0

1 5

2 0

2 5

3 0- 1 2 0- 1 1 5- 1 1 0- 1 0 5- 1 0 0- 9 5- 9 0- 8 5- 8 0- 7 5- 7 0- 6 5- 6 0- 5 5- 5 0- 4 5- 4 0- 3 5- 3 0- 2 5- 2 0- 1 5- 1 0- 5051 0

- 1 2 0- 1 1 5- 1 1 0- 1 0 5- 1 0 0- 9 5- 9 0- 8 5- 8 0- 7 5- 7 0- 6 5- 6 0- 5 5- 5 0- 4 5- 4 0- 3 5- 3 0- 2 5- 2 0- 1 5- 1 0- 5051 0- 5 0

- 4 5

- 4 0

- 3 5

- 3 0

- 2 5

- 2 0

- 1 5

- 1 0

- 5

0

5

1 0

1 5

2 0

2 5

3 0

- 5 0

- 4 0

- 3 0

- 2 0

- 1 0

0

1 0

2 0

3 0- 1 2 0- 1 1 0- 1 0 0- 9 0- 8 0- 7 0- 6 0- 5 0- 4 0- 3 0- 2 0- 1 001 0

- 1 2 0- 1 1 0- 1 0 0- 9 0- 8 0- 7 0- 6 0- 5 0- 4 0- 3 0- 2 0- 1 001 0- 5 0

- 4 0

- 3 0

- 2 0

- 1 0

0

1 0

2 0

3 0

MONSW MONSE

ARAB

EAFR

ARAB: Northwest Arabian Upwelling ProvinceMONS: Indian Monsoon Gyres Province (Est et Ouest)EAFR: Eastern Africa Coastal ProvinceISSG: Indian South Subtropical Gyre Province

ISSGActivité tourbillonaire

importante

Upwelling de SomalieSaisons marquées

Grand gyre tropical

Alternance des moussons

Océan Indien 5 provinces biogéographiques (Longhurst,1998)

Données de pêche

Base de données IOTC (carrés de 5°x 5°/mois)

Flottilles: - Japon (1952 – 2004) - Taiwan (1967-2004)

Espèces

• Albacore (Yellowfin, Thunnus albacares)

• Patudo (Bigeye, Thunnus obesus)

• Germon (Albacore, Thunnus alalunga)

• Espadon (Swordfish, Xiphias gladius)

CPUE: nombre de poissons/milliers d’hameçons

- 5 0

- 4 5

- 4 0

- 3 5

- 3 0

- 2 5

- 2 0

- 1 5

- 1 0

- 5

0

5

1 0

1 5

2 0

2 5

3 0- 1 2 0- 1 1 5- 1 1 0- 1 0 5- 1 0 0- 9 5- 9 0- 8 5- 8 0- 7 5- 7 0- 6 5- 6 0- 5 5- 5 0- 4 5- 4 0- 3 5- 3 0- 2 5- 2 0- 1 5- 1 0- 5051 0

- 1 2 0- 1 1 5- 1 1 0- 1 0 5- 1 0 0- 9 5- 9 0- 8 5- 8 0- 7 5- 7 0- 6 5- 6 0- 5 5- 5 0- 4 5- 4 0- 3 5- 3 0- 2 5- 2 0- 1 5- 1 0- 5051 0- 5 0

- 4 5

- 4 0

- 3 5

- 3 0

- 2 5

- 2 0

- 1 5

- 1 0

- 5

0

5

1 0

1 5

2 0

2 5

3 0

- 5 0

- 4 0

- 3 0

- 2 0

- 1 0

0

1 0

2 0

3 0- 1 2 0- 1 1 0- 1 0 0- 9 0- 8 0- 7 0- 6 0- 5 0- 4 0- 3 0- 2 0- 1 001 0

- 1 2 0- 1 1 0- 1 0 0- 9 0- 8 0- 7 0- 6 0- 5 0- 4 0- 3 0- 2 0- 1 001 0- 5 0

- 4 0

- 3 0

- 2 0

- 1 0

0

1 0

2 0

3 0

ARAB

MONSW MONSE

ISSGEAFR

YFT, SWO, BET, ALB

Tw: 1967-2004

Jp: 1952-2004

YFT, SWO, BET, ALB

Tw: 1967-2004

Jp: 1952-2004

YFT, SWO, BET, ALB

Tw: 1967-2004

Jp: 1952-2004

YFT, SWO, BET, ALB

Tw:1968-2004

Jp: 1955-2004

YFT, SWO, BET, ALB

Tw: 1967-2003

Jp: 1952-2004

40 séries temporelles de CPUE

YFT: albacore BET: patudo ALB: germon SWO: espadon

Tw: Taiwan

Jp: Japon

Données Climatiques

IOI - Indian Oscillation Index (Marsac and Le Blanc 1998)

Différence des anomalies de pression atmosphérique au niveau de la mer entre Mahe (Seychelles, ouest) et Darwin (Australie, est).

Indian Oscillation Index

-2

-1.5

-1

-0.5

0

0.5

1

1.5

2

19

52

19

56

19

60

19

64

19

68

19

72

19

76

19

80

19

84

19

88

19

92

19

96

20

00

20

04

DMI - Dipole Mode Index (Saji et al 1999)

Différence des anomalies de SST entre l’ouest équatorial et le sud-est équatorial de l’Océan Indien

Dipole Mode Index

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

19

52

19

56

19

60

19

64

19

68

19

72

19

76

19

80

19

84

19

88

19

92

19

96

20

00

20

04

Données Climatiques

I - Calcul de l’indice de Variabilité des Populations Population Variability (Heath, 2006)

Quantifier la variabilité temporelle des taux de captures à partir du calcul de la moyenne des différences proportionnelles entre toutes les données de la série

2

)1(

nnC

Méthodes

),(

)()(

ji

ji

ZZMAX

ZZABSzD

C

zD

PV

z

)(Nombre de combinaisons possibles

Différences proportionnelles

II - Méthode des Ondelettes

Mettre en évidence les composantes périodiques de chaque série

Décomposer simultanément le signal dans l’espace des temps et des fréquences

Le spectre d’ondelette, contrairement auspectre de Fourier, montre l’évolutiondes fréquences au cours du temps.

Spectre de Fourier

Spectre de puissance d’ondelette

Détecter les relations entre 2 séries co-spectre

III - Cluster (Ondelettes & MCA: Maximum Covariance Analysis)

Classer les séries temporelles selon leur spectre d’ondelette à partir de l’analyse de covariance maximale (MCA)

2 spectres d’ondelettes

S1 & S2

Matrice de Covariance

entre les fréquences

SVD

-Vecteurs singuliers (U1 et U2)

-Leading pattern (U1*S1; U2*S2)

Distance entre S1 et S2

basée sur l’écart entre chaque paire de LP et de vecteurs singuliers

Matrice de Distance

Cluster

Résultats

Japon MONSW MONSE ISSG ARAB EAFR Moy

YFT 0.45 0.48 0.46 0.55 0.41 0.47

BET 0.27 0.22 0.32 0.39 0.37 0.32

ALB 0.65 0.56 0.60 0.57 0.60

SWO 0.28 0.31 0.31 0.42 0.41 0.35

Moy 0.42 0.40 0.43 0.46 0.44

Taiwan MONSW MONSE ISSG ARAB EAFR Moy

YFT 0.43 0.40 0.46 0.51 0.53 0.47

BET 0.20 0.21 0.28 0.48 0.47 0.33

ALB 0.68 0.67 0.33 0.48 0.55

SWO 0.39 0.31 0.49 0.56 0.60 0.47

Moy 0.43 0.40 0.39 0.52 0.53

ESPADON (SWO)M ONSW Jp

0

0.2

0.4

0.6

0.8

1

1.2

19

52

19

56

19

60

19

64

19

68

19

72

19

76

19

80

19

84

19

88

19

92

19

96

20

00

20

04

CP

UE

Population Variability

PV moy: BET<SWO<YFT<ALB

GERMON (ALB)M ONSW Jp

0

1

2

3

4

5

6

7

19

52

19

56

19

60

19

64

19

68

19

72

19

76

19

80

19

84

19

88

19

92

19

96

20

00

20

04

CP

UE

YFTSWOSWOSWOSWOALBBETALBALBALBBETBETBETBET

SWOYFTYFTBETBETYFTBETYFT

SWOSWOSWOALB

SWOALBYFTYFTBETYFTYFTYFTBETALB

SWOALBALBALB

Groupements fréquents au niveau de l’espèce

les spectres sont plus similaires entre espèce, ensuite par flottille, rarement par zone

CL

US

TE

R Classification des spectres d’ondelettes

JA TW

JA

TW

TW

TW

TW

TW

TW

TW

TW

TW

TW

JA

JA JA

TW

JA

JA JA

JA JA

TW

JA TW

TW

JA JA

TW

TW

TW

JA TW

TW

JA JA TW JA JA JA

ARABMONSW

ARAB EAFR

ISSG ARAB EAFR ISSG

MONSE MONSW

ISSG MONSE

ARAB ISSG

MONSE MONSE ARAB EAFR

MONSW EAFR

MONSE ISSG

ARAB EAFR ISSG

EAFR MONSW

EAFR MONSE

EAFR MONSW MONSW MONSW

ISSG ARAB ARAB

MONSE ISSG

MONSE MONSW

• YFT effet zone (regroupement ARAB et MONSE versus EAFR et MONSW)

CL

US

TE

R

• SWO effet bassin Nord versus bassin Sud de l’océan Indien

• BET effet flottille

• ALB peu de signal dans la covariance commune

Classification par espèce

YFT

Jp Tw Jp Tw Jp Jp Tw Jp Tw

Tw

Jp Tw

Tw Jp Tw Jp Jp Tw Jp Tw

SWO

ARAB & MONSE EAFR & MONSW Nord Sud

Co

-sp

ectr

es d

’on

del

ette

s

Co-spectre

CPUE vs CLIMAT

SpectreCPUE

SpectreClimatique

SérieCPUE

SérieClimatique

Espadon (SWO)G

rou

pe

No

rdG

rou

pe

Su

d

IOI DMI

ISSG jp

MONSW jp

Périodicité autour de 4-6 ans avec un signal plus marqué au nord

Albacore (YFT)

IOI DMI

Gro

up

e 1

Gro

up

e 2

MONSW tw

ARAB tw

Périodicité autour de 2-3 ans et de 4-6 ans pour les 2 groupes.

Conclusions

• Le facteur « espèce » apparaît comme le plus discriminant pour classer les spectres d’ondelettes

• La variabilité des séries dépend moins de la zone mais certaines espèces montrent une structuration spatiale

• Une plus grande variabilité est associée aux plus petites espèces comme le germon et l’albacore

• Forte relation entre les indices climatiques globaux et les CPUE de thons

• Réponse différente suivant les espèces

Merci de votre attention!

Annexe

Indices climatiques

• DMI

Conseq: pluies anormales dans la région rouge, grand changement des vents, et sécheresse très forte dans la région bleue.Ce phénomène est indépendant de ENSO, mais coïncide avec Nino en 72/73 et 97/98

Zone Ouest•50°E – 70°E•10°S - 10°N

Zone Est•90°E – 110°E•10°S – 0

• IOI: Conséquences: IOI< -1 événement chaud: augmentation de la SST

et des vents vers l’est. voir papier Fred et al: Selon Marsac 2001, l’ IOI better depicts les

événements chauds et froids dans l’ouest de l’Indien que la SOI - les ondelettes montrent plus de corrélation avec SOI que IOI dans les zones sauf justement pour la zone MONSE ja qui est à l’est!!!!!! Comment expliquer?

- 5 0

- 4 5

- 4 0

- 3 5

- 3 0

- 2 5

- 2 0

- 1 5

- 1 0

- 5

0

5

1 0

1 5

2 0

2 5

3 0- 1 2 0- 1 1 5- 1 1 0- 1 0 5- 1 0 0- 9 5- 9 0- 8 5- 8 0- 7 5- 7 0- 6 5- 6 0- 5 5- 5 0- 4 5- 4 0- 3 5- 3 0- 2 5- 2 0- 1 5- 1 0- 5051 0

- 1 2 0- 1 1 5- 1 1 0- 1 0 5- 1 0 0- 9 5- 9 0- 8 5- 8 0- 7 5- 7 0- 6 5- 6 0- 5 5- 5 0- 4 5- 4 0- 3 5- 3 0- 2 5- 2 0- 1 5- 1 0- 5051 0- 5 0

- 4 5

- 4 0

- 3 5

- 3 0

- 2 5

- 2 0

- 1 5

- 1 0

- 5

0

5

1 0

1 5

2 0

2 5

3 0

- 5 0

- 4 0

- 3 0

- 2 0

- 1 0

0

1 0

2 0

3 0- 1 2 0- 1 1 0- 1 0 0- 9 0- 8 0- 7 0- 6 0- 5 0- 4 0- 3 0- 2 0- 1 001 0

- 1 2 0- 1 1 0- 1 0 0- 9 0- 8 0- 7 0- 6 0- 5 0- 4 0- 3 0- 2 0- 1 001 0- 5 0

- 4 0

- 3 0

- 2 0

- 1 0

0

1 0

2 0

3 0

ARAB

MONSW MONSE

ISSGEAFR

YFT>BET>ALB>SWO (Tw – 67 à 77)BET>YFT>SWO≥ALB (Tw – 78 à 03)

YFT>BET>ALB>SWO (Ja – 52 à 73)BET>YFT>ALB>SWO (Ja – 74 à 04)

↑ SST, ↓ Salinité, ↓ O2 ↑ Nutrient, ↓Chl

YFT>BET>ALB>SWO (Tw – 67 à 80)BET>YFT>SWO>ALB (Tw – 81 à 04)

YFT>BET>ALB>SWO (Ja)

Activité tourbillonaire, ↑ Chl (hiver)

ALB>YFT>BET>SWO (Tw – 67 à 88)ALB>BET>YFT≥SWO (Tw – 89 à 03)

ALB>YFT>BET>SWO (Ja – 56 à 71)YFT>BET>ALB>SWO (Ja – 72 à 04)

Upwelling (été), saisons marquantes, ~MONS

YFT>BET>ALB>SWO (Tw – 67 à 77)BET>YFT>SWO≥ALB (Tw – 78 à 04)

YFT>BET>ALB>SWO (Ja – 55 à 70)BET>YFT>SWO>ALB (Ja – 71 à 04)

↓Chl, ↓Nutrient, ↑ O2

ALB>BET≥YFT>SWO (Tw)

ALB>YFT>BET>SWO (Ja – 52 à 76)BET>ALB>YFT>SWO (Ja – 77 à 04)

Caractéristiques des zones et espèces capturées

Transformation par les ondelettes:Décomposition du signal en une famille de fonctionsdérivées d’une fonction mère Fonction d’ondelette:

Morlet

b translation (compare la fonction d’ondelette aux divers morceaux du signal)

a dilatation

La fonction d’ondelette est placée sur l’axe en différentes positions

déterminées par 2 paramètres:

Etirer

Comprimer

a2 >a1

a1

a3 <a1

a,b t 1

a

t ba

Méthode des ondelettes

t 1/4 ei2 f0 t e t2 /2

Transformée d’ondelette:Permet de comparer la fonction d’ondelette aux divers morceaux du signal

Spectre de puissance:Donne une mesure de la distribution de la variance de la série à chaque temps b pour une série d’échelles a

Spectre de puissance moyen:Moyenne du spectre de puissance d’ondelette local(moyenne de la variance globale du signal)

Spectre de cohérence:Mesure de la “corrélation” : met en évidence les liens entre les variances de 2 séries

Analyse des phases:Permet d’estimer les phases des séries et d’étudier la synchronisation entre les 2 signaux (permet de caractériser le rythme des séries)

Méthode des ondelettes

Wx (a,b) T (a,b) .2

PW ( f ) 1

fcCgT (a,b)

0

.2.db

CTxy Txy (a,b) .2

Tx (a,b) . Ty (a,b)

T (a,b) 1

ax(t)

.* (t ba ).dt

CLU

ST

ER

- M

CA

SpectreP

Cross-CovarianceRSP = S x P t

SVD

RSP = U Γ Vt

SpectreS

Mp x NMs x N

ULes colonnes de U (Ms x Ms)contiennent

les vecteurs singuliers de S

VLes lignes de V (Mp x Mp)contiennent

les vecteurs singuliers de P

ΓMatrice rectangulaire de Ms x Mp avec

des valeurs sur la diagonale: valeurs singulières

Matrice de covariance

A = Ut x S(A=K x N) N=temps K= nbre sing.vectors

A= leading pattern (chaque ligne)

B = Vt x P(B=K x N) N=temps K= nbre sing.vectors

B= leading pattern (chaque ligne)

Matrice de DistanceComparaison entre les leading pattern et singular vector

Résultats

Japon MONSW MONSE ISSG ARAB EAFR

YFT 0.45 0.48 0.46 0.55 0.41

BET 0.27 0.22 0.32 0.39 0.37

ALB 0.65 0.56 0.60 0.57

SWO 0.28 0.31 0.31 0.42 0.41

Taiwan MONSW MONSE ISSG ARAB EAFR

YFT 0.43 0.40 0.46 0.51 0.53

BET 0.20 0.21 0.28 0.48 0.47

ALB 0.68 0.67 0.33 0.48

SWO 0.39 0.31 0.49 0.56 0.60

Population Variability

Japon MONSW MONSE ISSG ARAB EAFR

YFT 0.97 1.05 1.34 1.22 0.92

BET 0.30 0.23 0.34 0.59 0.51

ALB 1.19 1.33 0.99 3.45 1.86

SWO 0.33 0.33 0.37 0.57 0.56

Taiwan MONSW MONSE ISSG ARAB EAFR

YFT 0.84 0.62 1.05 0.75 1.05

BET 0.20 0.22 0.33 0.68 0.59

ALB 1.56 1.24 0.37 2.02

SWO 0.52 0.38 0.78 1.29

Coefficient de Variation

YFT ARAB tw

IOI

Co-spectre

Cohérence

CPUE