L’objectif général de ma thèse est de développer des modèles mécanistes de l’utilisation de l’espace, basés sur les déplacements des animaux, dans un environnement hétérogène et dynamique. Plus précisément, ma recherche de doctorat permet de mieux tenir compte de l’autocorrélation temporelle et de l’hétérogénéité interindividuelle dans les données de déplacement ainsi que des phases comportementales des animaux, pour correctement identifier les mécanismes sous-jacents à l’utilisation de l’espace par les
populations animales dans des paysages hétérogènes. J’ai également développé une méthodologie pour prévoir la répartition spatiale des animaux dans un environnement dynamique à partir d’une approche réseau et j’ai testé empiriquement l’applicabilité de la théorie des réseaux à un système réel. Ma thèse se divise en quatre chapitres dont les objectifs spécifiques sont les suivants :
Chapitre 1. La présence de corrélation dans les données de déplacement collectées à haute fréquence et sur plusieurs individus peuvent générer des biais dans les estimations des variances des estimateurs des coefficients des modèles de sélection de l’habitat (p. ex. les fonctions de sélection de pas). Ces biais peuvent induire en erreur notre compréhension des mécanismes sous-jacents à la répartition spatiale des populations animales. De ce fait, les équations d’estimations généralisées sont généralement couplées aux fonctions de sélection de pas pour corriger le biais statistique associé à la corrélation. Le partitionnement des données en grappes indépendantes, requis pour une utilisation des GEE, est une étape importante pour correctement tenir compte de la corrélation dans les données de déplacement. Cependant, de nombreuses règles de partitionnement en grappes sont observées dans la littérature, sans connaitre leur efficacité à corriger les inférences statistiques. L’objectif de ce chapitre est de déterminer comment les règles de partitionnement des données longitudinales en grappes indépendantes affectent les GEE dans leur habilité à éliminer le biais statistique dans l’estimation des variances des estimateurs des coefficients de sélection des fonctions de sélection de pas.
Chapitre 2. Les animaux passent par différentes phases comportementales pour subvenir à leurs besoins (p. ex., alimentation, déplacements entre les parcelles, migration), qui peuvent être identifiées à partir des variations dans la forme de la trajectoire des individus (p. ex., trajectoire sinueuse associée à une phase d’alimentation). Les modèles actuels pour identifier les modes de déplacement ne tiennent souvent pas compte des attributs du paysage ou sont trop complexes pour pouvoir estimer un grand nombre de paramètres, limitant ainsi notre compréhension mécaniste des déplacements et de l’utilisation de l’espace par les animaux. Récemment, une fonction de sélection de pas multi-états a été développée pour identifier les modes de déplacement en tenant compte de la forme de la trajectoire et des attributs du paysage (Nicosia et al. 2017b). Plusieurs améliorations sont cependant requises
pour que ce modèle puisse être utilisé régulièrement dans les études de sélection de l’habitat. L’objectif de ce chapitre est de développer de la nouvelle méthodologie pour les fonctions de sélection de pas multi-états pour être en mesure : 1) d’inférer la sélection de l’habitat au niveau de la population, 2) d’ajuster le modèle à partir de trajectoires incluant des intervalles de temps irrégulier et des données manquantes et 3) de tester la capacité prédictive du modèle. J’illustre également la robustesse et la flexibilité du modèle en l’appliquant à des données simulées et empiriques de grands herbivores reflétant trois processus écologiques, dont le comportement d’alimentation, le comportement migratoire et le comportement d’évitement de la prédation.
Chapitre 3. La théorie des réseaux est largement utilisée pour comprendre et anticiper la connectivité du paysage. Différents modèles de graphes sont utilisés pour prévoir les déplacements des individus entre les parcelles de ressources. Cependant, les règles de déplacement associées à ces graphes sont généralement simples par rapport aux patrons de connectivité observés en milieu naturel, ce qui peut induire en erreur nos conclusions quant à la robustesse de la connectivité du paysage vis-à-vis des perturbations. De plus, un réseau seul ne permet pas de prévoir la répartition spatiale d’une population animale dans un environnement hétérogène et dynamique puisque la dynamique temporelle des déplacements n’est pas prise en compte. L’objectif de ce chapitre est 1) de développer une méthodologie pour prévoir les liens au sein d’un réseau complexe afin de refléter au mieux le patron de connectivité de l’espèce étudiée et 2) de coupler la théorie des réseaux à un modèle de réaction-advection-diffusion pour développer un modèle mécaniste de l’utilisation de l’espace qui considère à la fois le temps de résidence dans les parcelles de ressources et les déplacements entre ces parcelles.
Chapitre 4. La théorie des réseaux offre un cadre conceptuel pour prévoir l’effet d’une perturbation sur la connectivité d’un graphe, ce qui peut être avantageux pour anticiper les potentiels changements de répartition spatiale d’une population dans un environnement dynamique. Par exemple, la perturbation d’un pôle dans un réseau libre-d’échelle devrait plus fortement impacter la connectivité du réseau que la perturbation d’un non-pôle. Cependant, plusieurs limites associées au contexte spatial de la perturbation et à la dynamique des déplacements pourraient freiner l’applicabilité de la théorie des réseaux classique à des
systèmes réels. En effet, la théorie ne considère pas la possible reconnexion des parcelles après perturbation. De plus, elle simule le retrait complet d’un nœud alors que la fragmentation du paysage va plutôt morceler la parcelle, pouvant notamment favoriser les reconnexions. Les modifications de la structure et de la composition du paysage à la suite d’une perturbation pourraient aussi impacter l’utilisation des parcelles même si une reconnexion s’opère. L’objectif de ce chapitre est donc de tester un principe fondamental de la théorie des réseaux spécifiant que la connectivité fonctionnelle d’un réseau complexe du type libre-d’échelle est impactée différemment selon l’origine spatiale de la perturbation.