Construction et étude d'un modèle de réseau trophique de la vasière de Brouage (bassin de marennes Oléron, France). Prise en compte de la saisonnalité et des échanges physiques pour la synthèse constructive des connaissances sur une zone intertidale d'une région tempérée.

In order to better understand the functioning of the Brouage intertidal mudflat (Marennes- Oléron Basin, France), its carbon-based trophic web has been modelled and analyzed. The foodweb building is based on the 4 step method of Inverse Analysis: 1) conceive an a priori model as the graph of compartments (nodes) between which exist fluxes of material (vertices). These vertices are the unknowns for the problem; 2) gather all the existing knowledge about the ecosystem and translate it into linear equations and inequalities involving the fluxes; 3) complete this set of data by common knowledge on the behaviour of the compartments and translate it into inequalities, 4) solve the obtained linear system under the parsimony principle to find a unique solution vector. The food-web analysis is based on. The first purpose of this work was a methodological one: inverse analysis method has been adapted to consider the seasonal and spatial variability of the temperate ecosystem: two seasons have been coupled in the computation and the area has been divided into three geographical zones along a cross-shore gradient. Hence, two types of physical exchanges are involved: the benthicpelagic ones and the advection ones. Statistical results can also be obtained by coupling Monte Carlo methods to Inverse Analysis. To study the obtained networks, new indices based on Markov Chains take delay into account in describing integrative transfers of material between compartments. This lets emerge the systems' properties that are not obvious at first sight and emphasizes the role of peculiar components. The second purpose was to apply such methods to the Brouage mudflat ecosystem in order to better understand its functioning. As the knowledge and methods evolve, various food webs were computed and analyzed with the help such indices and existing ones. Sensitivity analyses allow to point at the most crucial lacks of knowledge, which can orientate future field research. New data would improve the
Un double objectif (méthodologique et appliqué) a été visé par une modélisation du réseau trophique de la vasière de Brouage (Bassin de Marennes Oléron, France) à l'aide de l'analyse inverse, et son étude à l'aide de l'analyse des réseaux. L'Analyse Inverse permet en effet de reconstruire l'ensemble du réseau à partir de données éparses, le problème du manque de données étant récurrent en Ecologie. Au plan méthodologique, l'analyse inverse a été adaptée à la prise en compte des caractères saisonnier et spatialement hétérogène d'un écosystème tempéré de zone intertidale : deux saisons ont ainsi été couplées et la vasière a été considérée le long d'un transect perpendiculaire au rivage et divisé en trois zones spatiales. Deux types de flux physiques interviennent donc : les flux verticaux de dépôt et remise en suspension, et les flux d'advection via la colonne d'eau. Des pistes d'amélioration et de nouvelles méthodes sont proposées. Un résultat sous forme statistique peut être obtenu en couplant l'utilisation de méthodes de Monte Carlo à l'analyse inverse pour la construction des réseaux trophiques. Les moyens d'étude des modèles ont été enrichis par la mise au point d'indices issus de la construction de chaînes de Markov et prenant en compte le caractère temporel des transferts de matière entre compartiments. Enfin, la transformation mathématique du modèle statique pour une étude dynamique de la stabilité de l'équilibre décrit est abordée. Plusieurs modèles ont été construits au cours de l'évolution des méthodes et de l'acquisition de connaissances sur le site. Des méthodes d'analyses existantes et d'autres mises au point dans le cadre de cet ouvrage ont été appliquées aux réseaux obtenus afin de faire émerger les propriétés du fonctionnement de la vasière et de souligner le rôle de certains compartiments. Des analyses de sensibilité permettent d'évaluer la robustesse des résultats et d'orienter les recherches futures en mettant en évidence les manques les plus cruci