29
Cette distance varie entre 0 (deux relevés possèdent les mêmes espèces dans les mêmes proportions) et
l’infini (relevés possèdent des espèces dont les abondances sont différentes) (Legendre & Legendre,
1984). Les résultats sont consignés dans une matrice carrée et symétrique (métrique de Corde) et
interprétés à partir des représentations graphiques (dendrogrammes). Ces dernières ont été construites à
partir des groupements agglomératifs hiérarchiques de Ward (Ward minimum variance clustering)
(Ward, 1963). Cette analyse a été appliquée sur des données transformées en Log (x+1) en utilisant le
logiciel Statistica 8
®
.
III.5.6.2. Analyse Factorielle des Correspondances (AFC)
Dans ce présent travail, nous avons utilisé l’AFC comme complément de la CHA. Le but de
l’AFC est de faire ressortir les correspondances entre les n variables (espèces de méduse en lignes) et
les p observations (stations des prélèvements en colonnes). A partir d’un tableau de contingence, nous
avons calculé leurs affinités (ou leurs dissemblances) en utilisant un indice comparatif : la distance de
Khi deux (Benzecri, 1984 In Hafferssas, 2010).
Cette analyse ne nécessite pas une transformation des données brutes (Daget, 1976). Elle a été effectuée
sur le logiciel Statistica 8
®
.
III.5.7. Relation peuplements zooplanctoniques - paramètres environnementaux
Les nombreux problèmes d’écologie et de biologie conduisent à mettre en évidence
d’éventuelles corrélations entre deux ou plusieurs variables. Il est, par conséquent, possible d’exprimer
une variable en fonction d’une ou de plusieurs variables (Legendre & Legendre, 1984).
En effet, la régression multiple a pour but de décrire la relation entre une variable aléatoire dépendante
(y) et une ou un ensemble de variables indépendantes (x1, x2, x3…….). Ce modèle n’est pas seulement
descriptif, mais il peut être prévisionnel car il permet de prédire la valeur la plus probable de y, à partir
des variable prévisionnelles xi (Daget, 1976).
Le modèle multilinéaire retenu a pour expression :
y= a0 + a1x1 +………+ anxn+b
a0, an, coefficients de régressions standards
b = ordonnée à l’origine
Pour trouver le meilleur modèle avec les données disponible, nous nous sommes basé sur le coefficient
de détermination R
2 le plus élevé. Cette analyse a été réalisée en utilisant le logiciel Statistica 8
®
. Les
données des paramètres abiotiques et biotiques utilisées dans cette analyse figurent en Annexe 3.
Cette distance varie entre 0 (deux relevés possèdent les mêmes espèces dans les mêmes proportions) et
l’infini (relevés possèdent des espèces dont les abondances sont différentes) (Legendre & Legendre,
1984). Les résultats sont consignés dans une matrice carrée et symétrique (métrique de Corde) et
interprétés à partir des représentations graphiques (dendrogrammes). Ces dernières ont été construites à
partir des groupements agglomératifs hiérarchiques de Ward (Ward minimum variance clustering)
(Ward, 1963). Cette analyse a été appliquée sur des données transformées en Log (x+1) en utilisant le
logiciel Statistica 8
®
.
III.5.6.2. Analyse Factorielle des Correspondances (AFC)
Dans ce présent travail, nous avons utilisé l’AFC comme complément de la CHA. Le but de
l’AFC est de faire ressortir les correspondances entre les n variables (espèces de méduse en lignes) et
les p observations (stations des prélèvements en colonnes). A partir d’un tableau de contingence, nous
avons calculé leurs affinités (ou leurs dissemblances) en utilisant un indice comparatif : la distance de
Khi deux (Benzecri, 1984 In Hafferssas, 2010).
Cette analyse ne nécessite pas une transformation des données brutes (Daget, 1976). Elle a été effectuée
sur le logiciel Statistica 8
®
.
III.5.7. Relation peuplements zooplanctoniques - paramètres environnementaux
Les nombreux problèmes d’écologie et de biologie conduisent à mettre en évidence
d’éventuelles corrélations entre deux ou plusieurs variables. Il est, par conséquent, possible d’exprimer
une variable en fonction d’une ou de plusieurs variables (Legendre & Legendre, 1984).
En effet, la régression multiple a pour but de décrire la relation entre une variable aléatoire dépendante
(y) et une ou un ensemble de variables indépendantes (x1, x2, x3…….). Ce modèle n’est pas seulement
descriptif, mais il peut être prévisionnel car il permet de prédire la valeur la plus probable de y, à partir
des variable prévisionnelles xi (Daget, 1976).
Le modèle multilinéaire retenu a pour expression :
y= a0 + a1x1 +………+ anxn+b
a0, an, coefficients de régressions standards
b = ordonnée à l’origine
Pour trouver le meilleur modèle avec les données disponible, nous nous sommes basé sur le coefficient
de détermination R
2 le plus élevé. Cette analyse a été réalisée en utilisant le logiciel Statistica 8
®
. Les
données des paramètres abiotiques et biotiques utilisées dans cette analyse figurent en Annexe 3.