Deuxième chapitre : Méthodes d’étude
18
Cette méthode n’est applicable que si certaines conditions sont remplies telle que l’absence de
classes vides dans la distribution.
Les distributions traitées sont introduites dans le programme FISAT (FAO – Iclarm Stock
Assessment Tools). Ce programme sépare les composantes normales, représentant chacune une
cohorte de la distribution globale, en partant du côté gauche de celle-ci. (HEMIDA, 2005).
Une fois déterminée la première composante normale, celle-ci est retirée de la distribution totale
et ainsi de suite tant qu’il est possible de séparer des composantes normales de la distribution totale
(SPARRE et VENEMA, 1996 in Hemida, 2005).
Lorsque la première cohorte est retirée de la distribution totale, l’effectif de cette cohorte est
soustrait de l’effectif de la distribution totale, d’où la modification de la position des points restants
de la distribution initiale (HEMIDA, 2005).
Cette méthode peut être calculée par programme FISAT (I et II).
4. Méthode NORMSEP
Il s’agit d’une routine d’ajustement des résultats de Battacharya employée par FISAT. Le
NORMSEP (Normal Distribution Separator Using Steepest Descend Method), programme de
Hasselblad et Tomlinson (1971) inspiré des travaux de Hasselblad (1966), est l’un des premiers
programmes informatiques à avoir séparé les fréquences en composantes normales, à l’aide des
techniques du maximum de vraisemblance, afin d’obtenir une clé âge-longueur. Ce programme
fait partie du logiciel FISAT (SPARRE et VENEMA, 1996).
D’après SPARRE et VENEMA (1996), ce programme fonctionne par processus itératif, c’est à
dire, qu’il reçoit une solution approchée au départ, qui est ensuite améliorée au cours des itérations.
Ceci implique qu’on doit disposer d’une méthode simple et fiable, qui permet de prévoir la solution
la plus proche. Dans ce travail nous avons utilisé la méthode de Bhattacharya.
Son principe de fonctionnement, estime les paramètres de croissance de telle sorte que la somme
des carrés des écarts entre le modèle et les observations soit minimale. Donc pour chaque itération
correspond un chi-carré, le programme va faire une comparaison entre le chi-carré de la précédente
itération et celui de la présente itération ; si le chi-carré de cette dernière est approximativement
égal au chi-carré de l’itération précédente, la fréquence théorique correspondante va être acceptée.
Dans le cas contraire, celle-ci est refusée (SPARRE et VENEMA, 1996). Les données de sortie
sont représentées par les longueurs moyennes et la taille des populations en nombre.
18
Cette méthode n’est applicable que si certaines conditions sont remplies telle que l’absence de
classes vides dans la distribution.
Les distributions traitées sont introduites dans le programme FISAT (FAO – Iclarm Stock
Assessment Tools). Ce programme sépare les composantes normales, représentant chacune une
cohorte de la distribution globale, en partant du côté gauche de celle-ci. (HEMIDA, 2005).
Une fois déterminée la première composante normale, celle-ci est retirée de la distribution totale
et ainsi de suite tant qu’il est possible de séparer des composantes normales de la distribution totale
(SPARRE et VENEMA, 1996 in Hemida, 2005).
Lorsque la première cohorte est retirée de la distribution totale, l’effectif de cette cohorte est
soustrait de l’effectif de la distribution totale, d’où la modification de la position des points restants
de la distribution initiale (HEMIDA, 2005).
Cette méthode peut être calculée par programme FISAT (I et II).
4. Méthode NORMSEP
Il s’agit d’une routine d’ajustement des résultats de Battacharya employée par FISAT. Le
NORMSEP (Normal Distribution Separator Using Steepest Descend Method), programme de
Hasselblad et Tomlinson (1971) inspiré des travaux de Hasselblad (1966), est l’un des premiers
programmes informatiques à avoir séparé les fréquences en composantes normales, à l’aide des
techniques du maximum de vraisemblance, afin d’obtenir une clé âge-longueur. Ce programme
fait partie du logiciel FISAT (SPARRE et VENEMA, 1996).
D’après SPARRE et VENEMA (1996), ce programme fonctionne par processus itératif, c’est à
dire, qu’il reçoit une solution approchée au départ, qui est ensuite améliorée au cours des itérations.
Ceci implique qu’on doit disposer d’une méthode simple et fiable, qui permet de prévoir la solution
la plus proche. Dans ce travail nous avons utilisé la méthode de Bhattacharya.
Son principe de fonctionnement, estime les paramètres de croissance de telle sorte que la somme
des carrés des écarts entre le modèle et les observations soit minimale. Donc pour chaque itération
correspond un chi-carré, le programme va faire une comparaison entre le chi-carré de la précédente
itération et celui de la présente itération ; si le chi-carré de cette dernière est approximativement
égal au chi-carré de l’itération précédente, la fréquence théorique correspondante va être acceptée.
Dans le cas contraire, celle-ci est refusée (SPARRE et VENEMA, 1996). Les données de sortie
sont représentées par les longueurs moyennes et la taille des populations en nombre.