| Summary: | Le Saumon atlantique (Salmo salar) compte parmi les migrateurs amphihalins les plus emblématiques. Ce poisson anadrome est présent à l’état sauvage dans tout l’Atlantique Nord, de l’ouest du Connecticut (USA) à la Baie d’Ungawa (Canada), et du nord de l’Espagne à la Norvège. Les caractéristiques particulières de son cycle de vie, notamment les stratégies de migrations entre les milieux marin et dulçaquicole, et les structures spatiales de métapopulation qui en résultent, en font un modèle écologique d’intérêt pour analyser l’effet des pressions anthropiques et environnementales à plusieurs échelles d’espace et de temps, comme la dégradation et la perte des habitats essentiels, la pêche et le changement climatique. Afin de comprendre le fort déclin des populations naturelles de saumon au cours du 20ème siècle, cette espèce a fait l’objet d’une attention scientifique particulière. Les recherches menées dans cette thèse s’inscrivent dans le cadre du projet de recherche européen FP7- ECOKNOWS et sont en lien avec les travaux du groupe de travail pour le saumon de l’Atlantique nord (ICES WGNAS). Elles poursuivent un double objectif : 1) améliorer les fondements méthodologiques du modèle d’évaluation utilisé par le groupe de travail du CIEM (WGNAS) construit à l’échelle des grands assemblages de populations pour l’aide à la décision pour la gestion de l’exploitation en mer; 2) s’appuyer sur une modélisation de la dynamique des populations à large échelle spatiale pour quantifier les variations des traits de vie de la phase marine du saumon, dans la perspective de tester l’hypothèse d’une empreinte des grands changements écosystémiques. Pour répondre à ce double objectif, nous nous sommes appuyés sur une approche de modélisation progressive. Dans un premier temps, nous avons développé un modèle de cycle de vie pour traduire la dynamique de population moyenne résultante d’un assemblage de populations. La modélisation et l’inférence sont réalisées dans le cadre des modèles hiérarchiques Bayesiens qui offrent grande ...
|
|---|