Modèles stochastiques pour l'analyse de trajectoires de baleines endémiques du Groenland

Mots clé :

• Movement ecology
• Arctic cetaceans
• State-space models
• Sequential Monte Carlo
• Kalman filter
• Maximum likelihood estimation
• Satellite telemetry

De nombreuses questions en écologie sur le comportement et l'utilisation de l'habitat par les cétacés arctiques peuvent être résolues en étudiant leurs déplacements. L'écologie du mouvement a connu des développements considérables depuis le début du siècle. Ces progrès ont été rendus possibles par l'émergence des technologies de télémétrie satellitaire, en particulier les systèmes Argos et GPS, qui permettent désormais de suivre des mammifères marins à des résolutions spatiales et temporelles fines. Les bases de données de trajectoires ainsi constituées offrent une occasion unique d'étudier les stratégies comportementales de ces espèces et leurs réponses aux pressions environnementales.
Cette thèse développe des modèles de mouvement en temps continu basés sur des équations différentielles stochastiques (EDS), ainsi que des méthodes d'inférence statistique associées, et les applique à l'analyse de données de télémétrie satellitaire de cétacés en arctique, principalement des narvals à l'Est du Groenland  et une baleine boréale dans le bassin de Foxe. Tout au long de ce travail, une attention particulière est portée au développement de procédures d'inférence à la fois statistiquement rigoureuses et applicables en pratique aux observations irrégulières et bruitées typiques des données de suivi. Deux cadres de modélisation et d'inférence complémentaires sont explorés, allant de modèles linéaires se prêtant bien au filtrage de Kalman vers des modèles non linéaires nécessitant des méthodes Monte Carlo séquentielles. 
Le premier cadre est une EDS linéaire sur la vitesse, dans laquelle des paramètres comportementaux tels que la persistance du mouvement et la vitesse varient de manière continue au cours du temps en fonction de covariables environnementales. Ce modèle est motivé par une application à des données réelles portant sur la réponse de narvals à l'exposition au bruit lors d'une campagne sismique marine à l'été 2018 dans l'est du Groenland. Les covariables suivantes sont considérées : la distance à la côte, la direction du mouvement par rapport à celle-ci, et la distance au navire émettant des sons sous-marins. Les résultats de l'inférence révèlent qu'à l'échelle de la population, les narvals présentent une persistance de mouvement réduite et une vitesse accrue durant l'exposition au son, et fournissent des estimations des distances seuil à la source sonore auxquelles ces changements comportementaux se produisent.

Le second cadre répond aux limitations des modèles gaussiens linéaires en formulant le mouvement comme une EDS de Langevin dans laquelle la position intervient de manière non linéaire dans la dérive de la vitesse. Une approche par pénalisation inspirée de la théorie des EDS réfléchies est utilisée pour incorporer des contraintes spatiales directement dans la dynamique du modèle. L'inférence est réalisée via un algorithme de Monte Carlo séquentiel, pour lequel des simulations montrent qu'il améliore l'estimation des états latents lorsque les données de suivi sont suffisamment haute fréquence. Cela est confirmé sur des données de suivi Argos d'une baleine boréale à l'Est de Canada. Sur cette base, une approche fréquentiste d'estimation des paramètres fondée sur un algorithme de gradient stochastique préconditionné est développée, exploitant les résultats de l'algorithme de Monte Carlo séquentiel pour maximiser la vraisemblance. L'approche est validée sur des données simulées puis appliquée à des trajectoires Argos d'une baleine boréale, afin d'en démontrer l'intérêt pratique sur des données réelles.

Président·e:

Jean-François Coeurjolly (Université Grenoble-Alpes)

Directeurs:

• Adeline Leclercq-Samson (Université Grenoble-Alpes )

Rapporteur·e·s:

• Valérie Monbet (Université Rennes 1 )
• Julien Chiquet (Université Paris-Saclay )

Examinateur·trice·s:

• Marie-Pierre Etienne (ENSAI Rennes )
• Pierre Gloaguen (Université Bretagne-Sud )