HAMMILL, M.O., B. FERLAND-RAYMOND, L.-P. RIVEST, G.B. STENSON, 2009. Modelling Northwest Atlantic Harp Seal populations : modifying an Excel model to R ; Modélisation des populations de phoques du Groenland du Nord-Ouest de l'Atlantique : modification d'un modèle Excel en R. DFO, Canadian Science Advisory Secretariat, Research Document ; MPO, Secrétariat canadien de consultation scientifique, Document de recherche, 2009/108, 15 p .

Cliquer pour voir tout le texte

À l’heure actuelle, le modèle qui sert à décrire la dynamique de la population de phoques du Groenland du Nord-Ouest de l'Atlantique (Pagophilus groenlandicus) est un modèle de population à deux paramètres qui intègre des renseignements sur les taux de reproduction selon l’âge, la mortalité des jeunes phoques associée aux glaces, les prélèvements et les estimations de la production de jeunes phoques. Bien que le modèle de base ait été présenté sous plusieurs formes, celui utilisé au cours des dernières années a été exécuté à partir de Excel. Cependant, le cadre actuel est très lent, ce qui réduit la possibilité de tester divers scénarios et diverses approches de gestion. Afin d’améliorer le rendement, le modèle a été transféré sur R, ce qui a permis de réduire la durée de traitement des simulations. Pendant le processus de transfert, certaines modifications mineures ont été apportées au modèle, notamment au processus de rééchantillonnage des taux de gestation pour tenir compte de la corrélation entre les groupes d’âge dans l’année. Le modèle sur R établit en outre une nouvelle matrice de prélèvements pour chaque simulation de Monte-Carlo en utilisant la structure des classes d’âge modélisée plutôt que la structure des classes d’âge fixe utilisée au préalable. Les modèles exécutés sur Excel et R ont produit des tendances démographiques semblables, mais de manière constante l’estimation de la population obtenue à partir du modèle exécuté sur R est légèrement supérieure avec une variance légèrement plus faible. Cela résulte de l’élimination des groupes d’âge négatifs et du processus d’optimisation qui a donné des taux de mortalité inférieurs avec une variance plus faible. La variance plus faible a donné des prévisions L₂₀ plus élevées dans le cas des prédictions du modèle exécuté sur R.