Modélisation multi-niveaux des systèmes socio-écologiques marins : dynamiques de population, pressions de pêche et résilience des habitats face au changement global // Multi-level modelling of marine socio-ecological systems: population dynamics, fishing

L'océan Indien abrite des zones de biodiversité exceptionnelles et soutient des pêcheries essentielles pour la sécurité alimentaire et les moyens de subsistance des populations côtières. Ces systèmes socio-écologiques sont de plus en plus affectés par la variabilité climatique, le changement global et les pressions humaines telles que la pêche artisanale, l'aménagement côtier et le tourisme. Des outils de gestion existent, tels que les aires marines protégées (AMP), les fermetures saisonnières et la régulation des tailles de capture, mais leur efficacité est difficile à évaluer en raison de l'incertitude écologique et de l'intégration fragmentée des données.
Cette thèse vise à développer un cadre de modélisation hiérarchique multi-niveaux permettant d'analyser conjointement les dynamiques de population, la structure des communautés, l'état des habitats et les pressions humaines à différentes échelles spatiales et temporelles. Un livrable clé consiste en un outil opérationnel d'aide à la décision, capable de traduire des résultats complexes en informations exploitables pour les gestionnaires du Parc Naturel Marin de Mayotte (PNMM) et parties prenantes.
En se concentrant sur Mayotte, en collaboration avec le Parc naturel marin de Mayotte, le projet combine le suivi écologique sur site, les informations environnementales issues de satellites et les indicateurs socio-économiques. Des approches bayésiennes seront employées, notamment des modèles N-mixture dynamiques, des modèles de distribution conjointe d'espèces (JSDM) et des modèles spatiaux utilisant l'approximation de Laplace intégrée imbriquée (INLA) avec des équations différentielles partielles stochastiques (SPDE).
La théorie des graphes complète ces approches en offrant un cadre simple pour représenter les interactions entre espèces, habitats, zones de pêche et autres composantes clés du système socio-écologique. Elle permet l'identification de modules, c'est-à-dire de groupes de nœuds indiscernables depuis l'extérieur, et l'analyse de la décomposition modulaire pour comprendre la structure globale du réseau. Certains modules critiques jouent un rôle important dans le maintien de la connectivité et de la résilience, en raison de leur position ou de leur structure interne.
Lorsque les données sont manquantes ou incomplètes, les techniques de reconstruction de graphes peuvent aider à reconstituer la structure globale du réseau à partir d'informations locales. Cela complète l'analyse modulaire et améliore la robustesse des résultats. Les sorties seront présentées via une application d'aide à la décision permettant d'explorer différents scénarios, d'interpréter l'incertitude et d'évaluer les compromis écologiques et socio-économiques, soutenant ainsi la gestion adaptative et la conservation de la biodiversité.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The Western Indian Ocean (WIO) hosts one of the most biologically diverse marine regions worldwide, characterized by extensive coral reef systems, high species richness, and productive coastal fisheries that are essential for food security and the livelihoods of coastal populations. These ecosystems provide a wide range of ecosystem services, including food provision, coastal protection, and cultural and economic value. However, they are increasingly threatened by cumulative anthropogenic pressures. These stressors affect ecosystem functioning, reduce biodiversity, and compromise the resilience of marine socio-ecological systems (McClanahan et al., 2020). Management strategies in the region increasingly rely on spatially explicit measures such as marine protected areas (MPAs), locally managed marine areas (LMMAs), and seasonal or periodic fishing closures (Ban et al., 2013). Despite their widespread implementation, assessing their effectiveness remains challenging due to the complexity of interactions between environmental drivers, ecological processes, and human activities. These interactions are often non-linear, occur across multiple spatial and temporal scales, and are affected by significant uncertainty in both ecological observations and socio-economic data (Ovaskainen et al., 2017). In addition, many existing modelling approaches treat ecological and socio-economic components separately, limiting their ability to provide integrated insights for decision-making.
This project aims to address these challenges by developing a multi-level and integrative modelling framework for marine socio-ecological systems in the WIO. The approach explicitly links oceanographic conditions (such as temperature and turbidity), habitat dynamics, species populations, community structure, and human pressures. By integrating these components within a unified framework, the project seeks to better understand how marine ecosystems respond to combined environmental and anthropogenic disturbances.
At the population level, the project will model species abundance dynamics while accounting for imperfect detection and observation effort, using approaches such as N-mixture models (Royle, 2004; Dail & Madsen, 2011). At the community level, it will analyse species co-occurrence patterns and functional composition in relation to environmental and anthropogenic gradients (Ovaskainen et al., 2017). At the habitat level, it will investigate the dynamics of key ecosystem variables such as coral cover, habitat fragmentation, and environmental conditions (Journiac et al., 2023; Sobrino et al., 2020). These different levels will be coupled with regional-scale oceanographic drivers to capture large-scale variability and extreme events.
The methodological framework combines hierarchical statistical modelling, spatial approaches, and machine learning techniques to capture complex, non-linear relationships. In particular, Bayesian inference methods such as those implemented in INLA provide efficient tools for fitting complex hierarchical models (Meehan, 2019). In addition, graph theory will be used to represent and analyse interactions between species, habitats, and human activities (Boudabbous et al., 2015; Boudabbous & Lopez, 2005; Alzohairi et al., 2023). This approach enables the identification of key structures within socio-ecological networks, such as modules and critical nodes, which play an important role in maintaining ecosystem connectivity and resilience.
A central objective of the project is to translate model outputs into operational tools for decision-making, which will allow to explore different management scenarios, assess ecological and socio-economic trade-offs, and better understand uncertainty. Ultimately, the project aims to support adaptive and evidence-based management strategies for sustainable fisheries and biodiversity conservation in the Western Indian Ocean.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrat doctoral

Concours pour un contrat doctoral

Université de Montpellier

166 I2S - Information, Structures, Systèmes

- Diplôme de Master ou d'Ingénieur en Mathématiques Appliquées, Statistiques, Science des Données ou dans un domaine connexe, avec une solide formation en mathématiques - Fort intérêt pour l'application de méthodes statistiques et computationnelles avancées à des données écologiques ou environnementales - Connaissances en modélisation statistique (par ex. inférence bayésienne, régression, processus stochastiques) souhaitables - Expérience avec des langages de programmation tels que R et/ou Python - Intérêt pour la recherche interdisciplinaire à l'interface entre écologie, science des données et gestion de l'environnement
- MSc or Engineering degree in Applied Mathematics, Statistics, Data Science, or a related field, with a strong mathematical background - Strong interest in applying advanced statistical and computational methods to ecological or environmental data - Knowledge of statistical modelling (e.g., Bayesian inference, regression, or stochastic processes) is desirable - Experience with programming languages such as R and/or Python Interest in interdisciplinary research at the interface between ecology, data science, and environmental management