Ana Corbineau Tristan Rouyer Bernard Cazelles Jean-Marc Fromentin Frédéric Ménard

1. Variabilité de séries temporelles de grands pélagiques exploités par la pêche palangrière dans l’Océan Indien Ana Corbineau Tristan Rouyer Bernard Cazelles Jean-Marc Fromentin Frédéric Ménard 8 ème Forum Halieumétrique Aquarium de La Rochelle Juin 2007

2. 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…

3. Objectifs • Caractériser la variabilité des séries de CPUE des grands pélagiques (thonidés et espadon) dans l’Océan Indien à partir de données palangrières • Etudier les liens entre les séries de CPUE et les indices climatiques globaux

4. ARAB MONSW MONSE EAFR Zone d’étude Océan Indien  5 provinces biogéographiques (Longhurst,1998) Upwelling de Somalie Saisons marquées Alternance des moussons ISSG Activité tourbillonaire importante Grand gyre tropical ARAB: Northwest Arabian Upwelling Province MONS: Indian Monsoon Gyres Province (Est et Ouest) EAFR: Eastern Africa Coastal Province ISSG: Indian South Subtropical Gyre Province

5. 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

6. 40 séries temporelles de CPUE YFT, SWO, BET, ALB Tw:1968-2004 Jp: 1955-2004 YFT, SWO, BET, ALB Tw: 1967-2004 Jp: 1952-2004 ARAB YFT, SWO, BET, ALB Tw: 1967-2004 Jp: 1952-2004 YFT, SWO, BET, ALB Tw: 1967-2004 Jp: 1952-2004 MONSW MONSE YFT, SWO, BET, ALB Tw: 1967-2003 Jp: 1952-2004 EAFR ISSG Tw: Taiwan Jp: Japon YFT: albacore BET: patudo ALB: germon SWO: espadon

7. 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).

8. Données Climatiques 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

9. Méthodes I - Calcul de l’indice de Variabilité des PopulationsPopulation 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 Nombre de combinaisons possibles Différences proportionnelles

10. 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 Spectre de Fourier Spectre de puissance d’ondelette Le spectre d’ondelette, contrairement au spectre de Fourier, montre l’évolution des fréquences au cours du temps. • Détecter les relations entre 2 séries  co-spectre

11. 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) Matrice de Distance Cluster

12. Résultats Population Variability PV moy: BET<SWO<YFT<ALB

13. Classification des spectres d’ondelettes CLUSTER ARAB MONSW 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 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 YFT SWO SWO SWO SWO ALB BET ALB ALB ALB BET BET BET BET SWO YFT YFT BET BET YFT BET YFT SWO SWO SWO ALB SWO ALB YFT YFT BET YFT YFT YFT BET ALB SWO ALB ALB ALB Groupements fréquents au niveau de l’espèce  les spectres sont plus similaires entre espèce, ensuite par flottille, rarement par zone

14. Classification par espèce CLUSTER YFT SWO Jp Tw Jp Tw Jp Jp Tw Jp Tw Tw Jp Tw Tw Jp Tw Jp Jp Tw Jp Tw Nord Sud ARAB & MONSE EAFR & MONSW • YFT  effet zone (regroupement ARAB et MONSE versus EAFR et MONSW) • SWO  effet bassin Nord versus bassin Sud de l’océan Indien • BET  effet flottille • ALB  peu de signal dans la covariance commune

15. Série CPUE Série Climatique Co-spectres d’ondelettes Spectre CPUE Spectre Climatique Co-spectre CPUE vs CLIMAT

16. Espadon (SWO) IOI DMI Groupe Nord MONSW jp Groupe Sud ISSG jp Périodicité autour de 4-6 ans avec un signal plus marqué au nord

17. Albacore (YFT) IOI DMI Groupe 1 MONSW tw Groupe 2 ARAB tw Périodicité autour de 2-3 ans et de 4-6 ans pour les 2 groupes.

18. 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

19. Merci de votre attention!

20. Annexe • Zone Ouest • 50°E – 70°E • 10°S - 10°N • Zone Est • 90°E – 110°E • 10°S – 0 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

21. 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?

22. 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) ↑ 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) ARAB 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) MONSW MONSE 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) ↓Chl, ↓Nutrient, ↑ O2 ALB>BET≥YFT>SWO (Tw) ALB>YFT>BET>SWO (Ja – 52 à 76) BET>ALB>YFT>SWO (Ja – 77 à 04) EAFR ISSG Caractéristiques des zones et espèces capturées

23. Méthode des ondelettes Transformation par les ondelettes: Décomposition du signal en une famille de fonctions dérivées d’une fonction mère Fonction d’ondelette: Morlet La fonction d’ondelette est placée sur l’axe en différentes positions déterminées par 2 paramètres: b  translation (compare la fonction d’ondelette aux divers morceaux du signal) a2 >a1 Etirer a  dilatation a1 a3 <a1 Comprimer

24. Méthode des ondelettes ¥ 1 ò = Y - * t b T ( a , b ) x ( t ) . ( ) . d t a a - ¥ 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)

25. CLUSTER - MCA Spectre S Spectre P Ms x N Mp x N Cross-Covariance RSP = S x P t Matrice de covariance SVD RSP = U Γ Vt U Les colonnes de U (Ms x Ms)contiennent les vecteurs singuliers de S Γ Matrice rectangulaire de Ms x Mp avec des valeurs sur la diagonale: valeurs singulières V Les lignes de V (Mp x Mp)contiennent les vecteurs singuliers de P 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 Distance Comparaison entre les leading pattern et singular vector

26. Résultats Population Variability Coefficient de Variation

27. YFT ARAB tw CPUE IOI Co-spectre Cohérence