Matériel et méthodes
déviation (SD) ainsi que le coefficient de variation (CV) des résultats Chl-a
F
de chaque modèle pour les
2 méthodes ont été évalués. Les résultats des valeurs de SD et CV sont représentés dans la (Figure
20a).
Dans notre étude, la méthode OLS (Figure 20b) est la mieux adaptée pour l’estimation de la Chl-a
F
.
La régression OLS est l’une des principales techniques utilisées pour estimer les paramètres des
modèles à effets mixtes (évaluer l'accord et les erreurs de mesure entre les deux variables (Legendre et
Legendre, 1998 ; Warton et al., 2006)). Les caractéristiques de chaque classe de CQI sont
représentées dans le Tableau 4 sous forme de calculs statistiques de la méthode OLS qui sera retenue
dans notre travail pour estimer la Chl-a
F
.
Tableau 4: Chlorophyll Quenching Index (CQI)
Model Class Depth (m) N° point Chl-a range (mg m
-3
) Slope
r
R
2
RMSD
1
OLS-1 CQI-1 [0-10]
43
[0.074 , 1.000]
3.716
0.95
0.91
0.042
OLS-2 CQI-2 ]10-60[
83
[0.156 , 2.815]
2.127
0.91
0.84
0.151
OLS-3 CQI-3 [60-200]
104
[0.101 , 1.941]
2.490
0.95
0.91
0.100
Les valeurs élevées du CV au niveau de la CQI-2 (Figure 20a) montrent que la variabilité de la Chl-a
dans cette classe est due à d’autres facteurs que l’effet les NCQ. En effet, la DCM est située
généralement dans cette classe de profondeur et peut être très variable en allant de l’Ouest vers l’Est.
En revanche, la variabilité au niveau de CQI-3 est plus au moins stable par rapport aux 2 autres
classes. En effet, la variation de la pente (Figure 20b) des 3 modèles OLS en fonction de chaque classe
de profondeur a donné des estimations proches des valeurs de la Chl-a
HPLC
(Figure 21), sachant que la
pente a varié de la surface vers le fond avec environ 33%.
1 RMSD : Root Mean Square Deviation.
64
Figure 20: Constantes du modèle de régression linéaire entre les données Fluo et les données Chl-a
HPLC . (a) Le
coefficient de variation (CV) et le standard déviation (SD) des deux modèles de régression linéaire dans les trois classes
de CQI. (b) La pente et le coefficient de corrélation ‘r’ de la méthode OLS. Cette figure est générée en utilisant le logiciel
libre R (version 3.4.4 (2018-03-15), https://cran.r-project.org/ )
[0,20[ (m)
[20,60[ (m)
[60,200[ (m)
CQI-1
CQI-2
CQI-3
0
0,2
0,4
0,6
0,8
1
1,2
0,11
0,37
0,3
0,11
0,41
0,31
0,87
0,91
0,75
0,92
1,1
0,79
SD_OLS
SD_DAL
CV_OLS
CV_DAL
SD & CV
[0,20[ (m)
[20,60[ (m)
[60,200[ (m)
CQI-1
CQI-2
CQI-3
0
0,5
1
1,5
2
2,5
3
3,5
4
3,72
2,13
2,49
0,95
0,91
0,95
Slope
r
Slope (OLS regression)
a)
b)
déviation (SD) ainsi que le coefficient de variation (CV) des résultats Chl-a
F
de chaque modèle pour les
2 méthodes ont été évalués. Les résultats des valeurs de SD et CV sont représentés dans la (Figure
20a).
Dans notre étude, la méthode OLS (Figure 20b) est la mieux adaptée pour l’estimation de la Chl-a
F
.
La régression OLS est l’une des principales techniques utilisées pour estimer les paramètres des
modèles à effets mixtes (évaluer l'accord et les erreurs de mesure entre les deux variables (Legendre et
Legendre, 1998 ; Warton et al., 2006)). Les caractéristiques de chaque classe de CQI sont
représentées dans le Tableau 4 sous forme de calculs statistiques de la méthode OLS qui sera retenue
dans notre travail pour estimer la Chl-a
F
.
Tableau 4: Chlorophyll Quenching Index (CQI)
Model Class Depth (m) N° point Chl-a range (mg m
-3
) Slope
r
R
2
RMSD
1
OLS-1 CQI-1 [0-10]
43
[0.074 , 1.000]
3.716
0.95
0.91
0.042
OLS-2 CQI-2 ]10-60[
83
[0.156 , 2.815]
2.127
0.91
0.84
0.151
OLS-3 CQI-3 [60-200]
104
[0.101 , 1.941]
2.490
0.95
0.91
0.100
Les valeurs élevées du CV au niveau de la CQI-2 (Figure 20a) montrent que la variabilité de la Chl-a
dans cette classe est due à d’autres facteurs que l’effet les NCQ. En effet, la DCM est située
généralement dans cette classe de profondeur et peut être très variable en allant de l’Ouest vers l’Est.
En revanche, la variabilité au niveau de CQI-3 est plus au moins stable par rapport aux 2 autres
classes. En effet, la variation de la pente (Figure 20b) des 3 modèles OLS en fonction de chaque classe
de profondeur a donné des estimations proches des valeurs de la Chl-a
HPLC
(Figure 21), sachant que la
pente a varié de la surface vers le fond avec environ 33%.
1 RMSD : Root Mean Square Deviation.
64
Figure 20: Constantes du modèle de régression linéaire entre les données Fluo et les données Chl-a
HPLC . (a) Le
coefficient de variation (CV) et le standard déviation (SD) des deux modèles de régression linéaire dans les trois classes
de CQI. (b) La pente et le coefficient de corrélation ‘r’ de la méthode OLS. Cette figure est générée en utilisant le logiciel
libre R (version 3.4.4 (2018-03-15), https://cran.r-project.org/ )
[0,20[ (m)
[20,60[ (m)
[60,200[ (m)
CQI-1
CQI-2
CQI-3
0
0,2
0,4
0,6
0,8
1
1,2
0,11
0,37
0,3
0,11
0,41
0,31
0,87
0,91
0,75
0,92
1,1
0,79
SD_OLS
SD_DAL
CV_OLS
CV_DAL
SD & CV
[0,20[ (m)
[20,60[ (m)
[60,200[ (m)
CQI-1
CQI-2
CQI-3
0
0,5
1
1,5
2
2,5
3
3,5
4
3,72
2,13
2,49
0,95
0,91
0,95
Slope
r
Slope (OLS regression)
a)
b)