Matériel et méthodes
même mesure. En revanche, la mesure HPLC peut donner des concentrations spécifiques à un
seul pigment bien déterminé.
• Comme une fonction géographique : la localisation géographique peut influencer la normalité
entre les données de la Chl-a
HPLC
et les données de fluorescence.
• En fonction des populations et des pigments phytoplanctoniques : la variabilité taxonomique
des espèces phytoplanctoniques peut influencer la normalité entre les données de la Chl-a
HPLC et les données de fluorescence.
• En fonction de la période de l’année.
2.2. Modèles de régression linéaire
Dans notre travail, nous ne pouvons pas appliquer n’importe quelle régression linéaire sur les données
de Chl-a
HPLC
et les données Fluo
CTD
car les données ne suivent pas la loi normale. Cependant, il existe
des méthodes de régression simple que nous pouvons appliquer quand les données ne suivent pas la loi
normale (Legendre, 2012 ; Legendre et Legendre, 2012). En effet, la régression linéaire simple de
modèle II utilise 4 méthodes différentes : major axis (MA), standard major axis (SMA), ranged major
axis (RMA) et ordinary least squares (OLS). Les 3 premières méthodes nécessitent des données
normales bivariantes (Legendre et Legendre, 2012), ce qui n'est pas notre cas, en revanche, OLS peut
être appliquée quand la distribution des données n’est pas normale bivariante (Legendre et Legendre,
2012). Nous avons également testé la méthode de la déviation absolue des résidus
1
(Least Absolute
Deviations method (LAD)) sur toutes les données in-situ Chl-a
HPLC
et Fluo
CTD
. La méthode LAD ne
nécessite pas la normalité des données (Chen et al., 2008), elle minimise la somme des écarts absolus
et non la somme des écarts carrés contrairement à la méthode OLS.
Application de la méthode LAD
Le modèle de régression linéaire estimé par déviation des valeurs absolues des résidus entre les 2
variables Chl-a
HPLC
et Fluo
CTD
sur toute la colonne d’eau (de 0 à 200 m de profondeur) a donné un
intercepte égale à 0,0738 et une pente de 2,3812. En effet, pour évaluer graphiquement l’ajustement
des données par rapport au modèle LAD, nous avons tracé le QQ-plot selon la formule : Chl-a = a
(Fluo) + b, ainsi que les résidus standards par rapport aux valeurs ajustées (Figure 17).
1 Résidu : est souvent associé à la régression linéaire. C’est l’écart, pour un élément i, entre la valeur observée (yi) de la variable à
expliquer et celle fournie par le modèle mathématique (ŷi) (Minvielle et Souiah, 2003).
61
même mesure. En revanche, la mesure HPLC peut donner des concentrations spécifiques à un
seul pigment bien déterminé.
• Comme une fonction géographique : la localisation géographique peut influencer la normalité
entre les données de la Chl-a
HPLC
et les données de fluorescence.
• En fonction des populations et des pigments phytoplanctoniques : la variabilité taxonomique
des espèces phytoplanctoniques peut influencer la normalité entre les données de la Chl-a
HPLC et les données de fluorescence.
• En fonction de la période de l’année.
2.2. Modèles de régression linéaire
Dans notre travail, nous ne pouvons pas appliquer n’importe quelle régression linéaire sur les données
de Chl-a
HPLC
et les données Fluo
CTD
car les données ne suivent pas la loi normale. Cependant, il existe
des méthodes de régression simple que nous pouvons appliquer quand les données ne suivent pas la loi
normale (Legendre, 2012 ; Legendre et Legendre, 2012). En effet, la régression linéaire simple de
modèle II utilise 4 méthodes différentes : major axis (MA), standard major axis (SMA), ranged major
axis (RMA) et ordinary least squares (OLS). Les 3 premières méthodes nécessitent des données
normales bivariantes (Legendre et Legendre, 2012), ce qui n'est pas notre cas, en revanche, OLS peut
être appliquée quand la distribution des données n’est pas normale bivariante (Legendre et Legendre,
2012). Nous avons également testé la méthode de la déviation absolue des résidus
1
(Least Absolute
Deviations method (LAD)) sur toutes les données in-situ Chl-a
HPLC
et Fluo
CTD
. La méthode LAD ne
nécessite pas la normalité des données (Chen et al., 2008), elle minimise la somme des écarts absolus
et non la somme des écarts carrés contrairement à la méthode OLS.
Application de la méthode LAD
Le modèle de régression linéaire estimé par déviation des valeurs absolues des résidus entre les 2
variables Chl-a
HPLC
et Fluo
CTD
sur toute la colonne d’eau (de 0 à 200 m de profondeur) a donné un
intercepte égale à 0,0738 et une pente de 2,3812. En effet, pour évaluer graphiquement l’ajustement
des données par rapport au modèle LAD, nous avons tracé le QQ-plot selon la formule : Chl-a = a
(Fluo) + b, ainsi que les résidus standards par rapport aux valeurs ajustées (Figure 17).
1 Résidu : est souvent associé à la régression linéaire. C’est l’écart, pour un élément i, entre la valeur observée (yi) de la variable à
expliquer et celle fournie par le modèle mathématique (ŷi) (Minvielle et Souiah, 2003).
61