Thèse Modélisation Multi-Niveaux des Systèmes Socio-Écologiques Marins Dynamiques de Population Pressions de Pêche et Résilience des Habitats Face au Changement Global H/F - Doctorat.Gouv.Fr

Établissement : Université de Montpellier
École doctorale : I2S - Information, Structures, Systèmes
Laboratoire de recherche : IMAG - Institut Montpelliérain Alexander Grothendieck
Direction de la thèse : Sophie LEBRE ORCID 0000000334442416
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-04T23:59:59

L'océan Indien abrite des zones de biodiversité exceptionnelles et soutient des pêcheries essentielles pour la sécurité alimentaire et les moyens de subsistance des populations côtières. Ces systèmes socio-écologiques sont de plus en plus affectés par la variabilité climatique, le changement global et les pressions humaines telles que la pêche artisanale, l'aménagement côtier et le tourisme. Des outils de gestion existent, tels que les aires marines protégées (AMP), les fermetures saisonnières et la régulation des tailles de capture, mais leur efficacité est difficile à évaluer en raison de l'incertitude écologique et de l'intégration fragmentée des données.
Cette thèse vise à développer un cadre de modélisation hiérarchique multi-niveaux permettant d'analyser conjointement les dynamiques de population, la structure des communautés, l'état des habitats et les pressions humaines à différentes échelles spatiales et temporelles. Un livrable clé consiste en un outil opérationnel d'aide à la décision, capable de traduire des résultats complexes en informations exploitables pour les gestionnaires du Parc Naturel Marin de Mayotte (PNMM) et parties prenantes.
En se concentrant sur Mayotte, en collaboration avec le Parc naturel marin de Mayotte, le projet combine le suivi écologique sur site, les informations environnementales issues de satellites et les indicateurs socio-économiques. Des approches bayésiennes seront employées, notamment des modèles N-mixture dynamiques, des modèles de distribution conjointe d'espèces (JSDM) et des modèles spatiaux utilisant l'approximation de Laplace intégrée imbriquée (INLA) avec des équations différentielles partielles stochastiques (SPDE).
La théorie des graphes complète ces approches en offrant un cadre simple pour représenter les interactions entre espèces, habitats, zones de pêche et autres composantes clés du système socio-écologique. Elle permet l'identification de modules, c'est-à-dire de groupes de noeuds indiscernables depuis l'extérieur, et l'analyse de la décomposition modulaire pour comprendre la structure globale du réseau. Certains modules critiques jouent un rôle important dans le maintien de la connectivité et de la résilience, en raison de leur position ou de leur structure interne.
Lorsque les données sont manquantes ou incomplètes, les techniques de reconstruction de graphes peuvent aider à reconstituer la structure globale du réseau à partir d'informations locales. Cela complète l'analyse modulaire et améliore la robustesse des résultats. Les sorties seront présentées via une application d'aide à la décision permettant d'explorer différents scénarios, d'interpréter l'incertitude et d'évaluer les compromis écologiques et socio-économiques, soutenant ainsi la gestion adaptative et la conservation de la biodiversité.

L'océan Indien (OI) se distingue par une biodiversité marine exceptionnelle, de vastes systèmes de récifs coralliens, une richesse spécifique élevée et des pêcheries côtières productives. Ces écosystèmes fournissent des services écosystémiques essentiels, incluant la fourniture de nourriture, la protection des côtes et des valeurs culturelles, à des populations côtières en forte croissance (McClanahan et al., 2020; Ban et al., 2014).
Cependant, ces systèmes sont de plus en plus menacés par des pressions anthropiques cumulatives telles que l'urbanisation, le réchauffement climatique, les vagues de chaleur marine, les cyclones, la dégradation de l'habitat, la pollution et l'augmentation de l'effort de pêche (Sobrino et al., 2020).
Les stratégies de gestion reposent de plus en plus sur des mesures spatialisées telles que les aires marines protégées (AMP), les zones marines gérées localement (LMMAs), ainsi que sur des fermetures saisonnières ou périodiques de la pêche (Ban et al., 2014). L'évaluation de leur efficacité reste cependant complexe, en raison des interactions non linéaires entre les facteurs environnementaux, les processus écologiques et les activités humaines, ainsi que de l'incertitude omniprésente dans les données écologiques et socio-économiques. Les modèles traditionnels traitent souvent séparément les facteurs biologiques, environnementaux et socio-économiques, limitant leur pertinence pour une gestion intégrée (Royle, 2004; Ovaskainen et al., 2017).
Cette thèse vise à relever ces défis en proposant un cadre intégré et opérationnel qui relie les variables océanographiques (température de l'eau, turbidité, etc.), la dynamique des habitats, les populations d'espèces, les interactions communautaires et les facteurs socio-économiques. Une contribution centrale du projet réside dans les avancées théoriques fournissant une base rigoureuse pour l'approche de modélisation proposée. Ces résultats théoriques sont directement exploités pour concevoir et mettre en oeuvre des outils opérationnels. Les sorties des modèles seront traduites en indicateurs exploitables et en outils d'aide à la décision pour les gestionnaires, soutenant à la fois la gestion durable des pêcheries et la conservation de la biodiversité (Meehan, 2019; Journiac et al., 2023).

Objectif général :
Développer un cadre de modélisation hiérarchique multi-niveaux pour les systèmes socio-écologiques marins de l'OI et le mettre en oeuvre sous forme d'outil opérationnel d'aide à la décision, permettant une gouvernance adaptative, équitable et fondée sur des données probantes (Royle, 2004; Dail & Madsen, 2011).
Objectifs spécifiques :
Construire une base de données intégrée combinant des données écologiques in situ, des variables environnementales issues de satellites et des indicateurs socio-économiques (effort de pêche, population par zone côtière, niveaux d'urbanisation) pour Mayotte et des sites sélectionnés dans l'OI (Sobrino et al., 2020).
Développer des modèles dynamiques d'abondance et de distribution pour des espèces et groupes fonctionnels clés (pieuvre, coraux, poissons récifaux), en tenant compte de la détection imparfaite et de l'effort d'observation (Royle, 2004; Meehan, 2019).
Analyser les motifs au niveau communautaire et la co-occurrence des espèces à l'aide de modèles de distribution conjointe d'espèces (JSDM), reliant la composition fonctionnelle aux facteurs environnementaux et anthropiques (Ovaskainen et al., 2017).
Coupler les modèles écologiques locaux avec les variables océanographiques régionapour évaluer les réponses à la variabilité climatique et aux événements extrêmes (McClanahan et al., 2020).
Évaluer des scénarios de gestion spatialisés (AMP, fermetures périodiques, régulation de l'effort) et élaborer des indicateurs opérationnels de résilience écologique et socio-économique (Ban et al., 2014).
Concevoir et déployer une application interactive d'aide à la décision, traduisant les sorties des modèles en indicateurs visuels et opérationnels pour les gestionnaires.

1. Cadre de modélisation hiérarchique et multi-niveaux
Le cadre de modélisation proposé est hiérarchique et multi-niveaux :
Niveau 1 : Population / Espèces
Modèles N-mixture dynamiques ou modèles à espace d'état pour estimer l'abondance en tenant compte de la probabilité de détection (Royle, 2004; Dail & Madsen, 2011).
Niveau 2 : Communauté
Modèles de distribution conjointe d'espèces (JSDMs) pour analyser la co-occurrence des espèces et la structure fonctionnelle des communautés (Ovaskainen et al., 2017).
Niveau 3 : Habitat
Modèles à espace d'état pour les variables d'habitat (recouvrement corallien, turbidité, fragmentation) et leur impact sur les populations et les communautés (McClanahan et al., 2020).
Niveau 4 : Dynamique régionale
Intégration des facteurs océanographiques à grande échelle influençant la variabilité régionale (Sobrino et al., 2020).

2. Outils statistiques et computationnels
Inférence hiérarchique bayésienne (R-INLA, NIMBLE)
Modélisation spatiale (INLA-SPDE)
Apprentissage automatique (Random Forests, Gradient Boosting, deep learning) pour capturer les relations environnementales non linéaires
Théorie des graphes pour la représentation des réseaux écologiques et l'analyse de la connectivité et des modules clés (Boudabbous et al., 2015; Alzohairi et al., 2023)

3. Validation et application
Validation des modèles via cross-validation spatiale et temporelle et calibration basée sur des simulations
Tous les résultats seront intégrés dans une application interactive d'aide à la décision, permettant :
l'analyse des dynamiques spatiales et temporelles
la comparaison de scénarios de gestion
l'interprétation des incertitudes et des compromis écologiques et socio-économiques

- Diplôme de Master ou d'Ingénieur en Mathématiques Appliquées, Statistiques, Science des Données ou dans un domaine connexe, avec une solide formation en mathématiques
- Fort intérêt pour l'application de méthodes statistiques et computationnelles avancées à des données écologiques ou environnementales
- Connaissances en modélisation statistique (par ex. inférence bayésienne, régression, processus stochastiques) souhaitables
- Expérience avec des langages de programmation tels que R et/ou Python
- Intérêt pour la recherche interdisciplinaire à l'interface entre écologie, science des données et gestion de l'environnement