Une étude de cas avec des données de mouvement. – Blog de méthodes

Post fourni par Fanny Dupont.

À propos du premier auteur

Mon doctorat se concentre sur le mouvement des animaux et l’impact des vaisseaux sur les mammifères marins de l’Arctique (site Web de laboratoire). Plus précisément, je développe des outils statistiques pour analyser le narhal (Monodon monoceros) Comportement et évaluer les effets de l’augmentation des expéditions sur les écosystèmes marins. Je suis co-supervisé par le Dr Marie Auger-Mété (Université de la Colombie-Britannique) et le Dr Marianne Marcoux (pêcheries et océans Canada).

Les narwhals ont une importance culturelle profonde pour les communautés inuits, qui comptent sur eux pour la subsistance, les pratiques culturelles et les connaissances traditionnelles. Les narwhals sont confrontés à de nombreuses menaces en raison de la baisse de la glace de mer, ce qui a conduit à une présence accrue des prédateurs et à la circulation expédiée dans leurs habitats. Notre travail conjoint avec le Dr Nigel Hussey se concentre sur la découverte de la façon dont ces changements affectent le comportement et la distribution des narhals, fournissant des informations critiques pour soutenir leur conservation.

Observer l’invisible: le défi d’étudier les mammifères marins.

«Comprendre le comportement animal est une étape essentielle dans l’évaluation de la façon dont les changements induits par l’homme, comme le changement climatique, affectent les animaux», explique le Dr Marie-Auger Méthé. Cependant, les mammifères marins vivent dans des habitats aquatiques et éloignés, rendant les observations directes très difficiles et laissant les écologistes un problème: comment comprendre le comportement des animaux que nous pouvons à peine observer? Les chercheurs comptent sur des technologies de suivi avancées, telles que les étiquettes satellites, pour collecter des données (par exemple, la série temporelle de l’emplacement, la profondeur) de loin. À mesure que les efforts de marquage ont augmenté, le volume de données collectées a considérablement augmenté, offrant des opportunités sans précédent d’analyser le mouvement et le comportement des animaux. Mais avec le volume croissant de données complexes, la question devient: comment les analyser efficacement?

Modèles de Markov cachés: un outil puissant mais complexe pour analyser les données de mouvement.

Les modèles de Markov cachés (HMMS) sont des outils puissants pour analyser les données de séries chronologiques, en particulier en écologie, où elles aident à déduire le comportement animal des modèles de mouvement. En identifiant des «états» comportementaux distincts – tels que la nourriture, le repos ou les déplacements – les HMM permettent aux chercheurs d’interpréter des données de mouvement complexes.

Mais il y a un défi: combien d’États devons-nous inclure? «Découvrir le nombre d’États à inclure dans un HMM est toujours difficile – trop peu et nous simplifons trop, trop et nous perdons un sens écologique», explique le Dr Marie Auger-Méhé.

Pour relever ce défi, nous avons développé une méthode d’estimation de vraisemblance maximale à double pénalisation (DPMLE), qui estime le nombre d’états de HMMS. Contrairement aux mesures traditionnelles comme l’AIC et le BIC, qui ont souvent du mal à équilibrer la complexité et l’interprétabilité du modèle, le DPMLE fournit un moyen plus fiable de déterminer le nombre d’états.

Un avantage clé de notre approche est sa capacité à incorporer des covariables spatiales et temporelles (par exemple, température, heure de la journée, bathymétrie), ce qui le rend particulièrement bien adapté aux applications écologiques. Dans l’étude de cas Narwhal, nous avons démontré que le DPMLE identifie les états moins, mais écologiquement plus significatifs par rapport aux méthodes traditionnelles.

Implications

Notre méthode offre un cadre général et robuste pour sélectionner le nombre d’états dans les HMM, surmontant les limites de l’AIC et du BIC tout en améliorant la pertinence écologique et l’interprétabilité des analyses des mouvements animaux. Pour rendre cet outil accessible aux chercheurs et aux praticiens, nous avons développé un tutoriel étape par étape qui guide les utilisateurs en appliquant DPMLE à leurs propres ensembles de données (accessibles via le code QR). Que vous étudiiez les narwhals, les oiseaux ou toute autre espèce, cette méthode peut vous aider à découvrir des modèles plus clairs et plus interprétables dans les données de mouvement.

Lire l’article complet ici.

Post édité par Swifenwe et Prayer Kanyile.