Evaluation empirique de la précision du suivi télémétrique Argos dans le haut-arctique

Le suivi satellitaire Argos

    Parmi les technologies télémétriques disponibles, le système de suivi satellitaire Argos (http://www.argos-system.org) est l’une de celles qui a récemment reçu le plus d’attention (Costa eL al., 2010; Witt et al., 2010). Le système Argos permet d’obtenir la localisation des animaux en se basant sur la mesure de l’effet Doppler-Fizeau entre la fréquence émise par une plate-forme de transmission déployée sur un animal et la fréquence reçue par les satellites Argos (Austin et al., 2003 ; CLS, 2014). Le système Argos a été largement employé par le passé, notamment grâce à son coût autrefois inférieur aux technologies du Système de Positionnement Global (GPS) (Hebblewhite et Haydon, 2010),au fait que l’enregistrement des données est plus systématique et aisé qu’avec la technologie VHF (Deutsch et al. , 1998) et grâce à la possibilité d’accéder aux données en temps réel, ce qui élimine la nécessité de récupérer les appareils déployés pour obtenir les données récoltées (Costa et al., 2010; Hebblewhite et Haydon, 2010). Le principal désavantage de la technologie Argos est toutefois sa faible précision, en particulier par rapport au GPS, ce qui peut influencer l’interprétation des données et limiter la portée des conclusions (Kaczensky et al., 2010; Patterson et al., 2010). Argos regroupe les localisations en sept classes de localisation (LC) auxquelles est associé un rayon d’erreur standard. Les trois classes principales sont les LC3 (erreur < 250 m), LC2 (entre 250 et 500 m) et LC 1 (entre 500 et 1500 m). Les localisations de classe LCO n’ont quant à elles pas d’estimation de précision bornée associée et possèdent un rayon d’erreur supérieur à 1500 mètres. Les LC de 0 à 3 nécessitent, pour être calculées, la réception d’au moins 4 messages envoyés par les plateformes de transmission lors du passage d’un satellite. Lorsque moins de 4 messages sont reçus, des localisations auxiliaires (LCA et LCB) peuvent être fournies mais aucune estimation de la précision n’est alors disponible (Austin et al. , 2003; Freitas et al., 2008 ; CLS, 2014). Enfin, Argos regroupe aussi des points dans la classe LCZ lorsque le processus de localisation a échoué (Freitas et al., 2008). Bien comprendre les classes de précision fournies par le système Argos est essentiel à l’ utilisation adéquate des données. À titre d’exemple, l’ estimation d’une localisation de classe LC3 (rayon d’erreur < 250 ‘m) indique en réalité que la probabilité que la localisation soit à moins de 250 m de la localisation réelle est de 68%. Ceci implique qu ‘ une localisation peut être en réalité beaucoup moins précise que ce que n’indique sa classe de précision (Austin et al., 2003 ; Freitas et al. , 2008). Par ailleurs, le nombre de localisations reçues et leur précision peuvent être influencés par la latitude, le comportement de l’animal, le nombre de satellites présents dans le ciel ou encore la vitesse de déplacement de l’émetteur (Harris et al. , 1990b; Nicholls et al., 2007). Elles ne semblent toutefois pas influencées par la topographie ou le couvert forestier (Sauder et al., 2012).

Importance de la quantification de l’erreur

   L’importance de l’imprécision des données Argos nécessite de bien séparer deux sources de variabilité dans les données, c-à-d. celle causée par l’imprécision de la technique et celle engendrée par la variabilité biologique, sans quoi l’erreur d’échantillonnage peut être interprétée comme un signal biologique (Jonsen et al., 2005; Bradshaw et al. , 2007).De plus, comme avec toute méthode télémétrique, connaître la précision d’une localisation est crucial pour savoir si elle peut permettre de répondre à une question précise, bien que le niveau de précision nécessaire dépende de la question posée et des conditions rencontrées sur le terrain (McKeown et Westcott, 2012). Bradshaw et al. (2007) ont ainsi montré qu’une erreur important par rapport à l’échelle de déplacement pouvait réduire fortement la capacité à détecter des patrons de déplacement biologiques. Le plus souvent, l’erreur est évaluée en plaçant des émetteurs à des endroits dont la vraie position est connue. Ces émetteurs peuvent être soit stationnaires (Stewart et al., 1989; Keating et al., 1991 ; Hays et al., 2001; Cargnelutti et al., 2007; Hebblewhite et al., 2007; Nicholls et al. , 2007; Dubinin et al., 2010) ou placés sur des animaux en mouvement dont la position est connue ou estimée (Stewart et al. , 1989; Britten et al., 1999; Bowman et al., 2000; Le Boeuf et al. , 2000; Vincent et al., 2002; White et Sjbberg, 2002; Dubinin et al. , 2010). L’erreur associée à des émetteurs en mouvement est toutefois beaucoup plus rarement évaluée, quelle que soit la méthode de télémétrie utilisée (DeCesare et al., 2005; Cargnelutti et al., 2007; Nicholls et al. , 2007; Jiang et al. , 2008; McKeown et Westcott, 2012). Toutefois, le développement récent de nouvelles technologies permettant d’utiliser simultanément les systèmes Argos et GPS permet d’avoir une meilleure évaluation de la précision des localisations pour des animaux sauvages (Patterson et al. , 2010; Hoenner et al., 2012). En règle générale, l’erreur associée à chaque classe de localisation semble être en accord avec les estimations fournies par le système Argos, bien que ces dernières aient tendance à sousestimer l’erreur en latitude et en longitude (Vincent et al., 2002; Hazel, 2009; Costa et al. , 2010; Tarroux, 2011; Hoenner et al. , 2012). De plus, alors que le système Argos présuppose une erreur isotropique (identique sur tous les axes) lors de l’assignation des classes de localisation (CLS, 2014), cette dernière semble en réalité être plus importante en longitude qu’en latitude (Vincent et al. , 2002; Costa et al. , 2010; Tarroux, 2011).

Amélioration des jeux de données par filtrage

   De nombreuses méthodes ont été utilisées afin d’améliorer la précision des données analysées. La plus simple consiste à ne conserver pour analyse que les localisations appartenant aux classes de localisation standard (LC 1, 2 et 3, éventuellement 0) (Boyd et al. , 1998; Deutsch et al. , 1998; Tarroux et al., 2010). Cependant, dans de nombreuses études, peu de localisations de bonne qualité (~LCl) sont obtenues – parfois moins de 15% (Britten et al. , 1999; Soutullo et al. , 2007; Hazel, 2009)et par conséquent supprimer les localisations de mauvaise qualité réduirait drastiquement la quantité de localisations disponibles pour les anal yses (Keating, 1994; Burns et Castellini, 1998 ; Vincent et al. , 2002; Nicholls et Robertson, 2007). Par ailleurs, l’erreur la plus grande n’est pas forcément associée aux localisations des classes de moins bonne qualité et l’erreur associée aux localisations de classe LCA peut en réalité être inférieure à celles de classe LCO (Vincent et al., 2002; Royer et Lutcavage, 2008). Toutefois, certaines études suppriment tout de même les localisations de classe LCZ puisqu’elles ne rencontrent pas les standards de validation du système Argos (Lowry et al., 2001; Freitas et al., 2008; Hoenner et al. , 20 12). L’une des approches les plus fréquemment employées pour supprimer les valeurs exceptionnelles et improbables est de filtrer les données en fonction de la vitesse nécessaire à l’ animal pour parcourir la distance entre deux points. Cette vitesse est comparée à une valeur seuil qui est déterminée à partir de la biologie de l’animal et qui représente généralement la vitesse maximale connue pour l’ espèce (McConnell et al. , 1992; Austin et al., 2003). McConnell et al. (1992) ont proposé l’utilisation d’un filtre calculant la moyenne géométrique des vitesses à un point avec les deux localisations précédentes et les deux localisations suivantes. Austin et al. (2003) ont toutefois trouvé deux problèmes principaux à cette approche: si une erreur importante est associée à l’une des localisations avec lesquelles on calcule la vitesse moyenne, alors la vitesse moyenne est biaisée et il est possible de supprimer des localisations qui sont en réalité précises. De plus, si l’intervalle de temps est suffisamment grand entre deux localisations, n’importe quelle localisation peut passer à travers du filtre de vitesse. Ils ont ainsi ajouté deux étapes basées sur la vitesse et la distance maximale entre deux points pour essayer de contrer ces inconvénients et conserver un maximum de points. Malgré cela, le filtre de vitesse est de moins en moins employé seul, mais reste toujours fréquemment utilisé pour supprimer les points les plus improbables (Freitas et al., 2008; Tremblay et al., 2009; Costa et al., 2010; Witt et al. , 2010; Hoenner et al., 2012).

Assessment of the efJect of location error on home-range estimation

   We used three approaches to evaluate how Argos error impacts home range size estimation. We first evaluated the impact of data filtering on home-range size (Figure 1, Objective 3A). To this end, we calculated home-range size for the 20 mobile sessions in five ways: 1-using the unfiltered data, 2- using the LC3 and LC2 locations (LC32), 3- using the LC3 , LC2 and LCI locations (LC321), 4- using the DAF-filtered datasets, and 5- using the HSFfiltered datasets. We did not calculate home-range size using only the LC3 locations because sample sizes were too small during some mobile sessions. We then evaluated the impact of static (Figure 1, Objective 3B) and mobile (Figure 1,Objective 3C) Argos error on home-range size. To evaluate the impact of static errors, we applied the Argos errors (latitude and longitude) measured for the LC3 and LC2 locations during the static tests to each of the 20 GPS tracks generated during our mobile sessions. We generated the same number of dummy Argos locations as we obtained in each mobile track of the LC32 dataset, with the same proportion of locations in each location c1ass. To evaluate the impact of mobile errors, we repeated the same procedure except that we applied Argos errors measured for the LC3 and LC2 locations during the mobile tests. The home ranges generated by the tracks obtained during our mobile sessions may have been of a much more elongated shape than those of territorial animaIs. We thus, finally, decided to perform simulations to investigate how Argos error can influence home-range size estimation when locations are randomly distributed within a given area. To this end, we generated artificial random locations uniformly distributed in circles of a given radius. We used different radii (250 m, 500 m, 750 m, 1 000 m, 2 500 m and 5 000 m; Figure ID) in order to investigate how the Argos error influences the home-range estimations at different spatial scales. We then applied errors from the mobile LC3 and LC2 distributions to each of these locations. To be consistent with our previous simulations, and to allow comparisons between our three approaches, for each radius, we performed 20 simulations (one for each mobile Argos track), and we generated the same number of artificial locations, with the same proportion of locations in each location c1ass, as in the respective mobile sessIOns of the LC32 dataset. We repeated all simulations (static, mobile and circular areas) 100 times.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

REMERCIEMENTS
RÉSUMÉ
ABSTRACT
INTRODUCTION GÉNÉRALE
CHAPITRE 1 ÉVALUATION EMPIRIQUE DE LA PRÉCISION DU SUIVI TÉLÉMÉTRIQUE ARGOS DANS LE HAUT-ARCTIQUE ET IMPLICATIONS POUR L’ESTIMATION DE DOMAINES VITAUX
1.1 RÉSUMÉ EN FRANÇAIS DU PREMIER ARTICLE
1.2 EMPIRICAL EVALUATION OF ARGOS TELEMETRY ACCURACY IN THE HIGHARCTIC AND IMPLICATIONS FOR HOME-RANGE ESTIMATIONS 
CONCLUSION GÉNÉRALE
RÉFÉRENCES BIBLIOGRAPHIQUES

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *