Conditional life-history strategies and short-term adaptive mechanisms: an integrated approach using mark-recapture data with application to wild Atlantic salmon (Salmo salar).
Conditionnement des stratégies d'histoire de vie et mécanismes adaptatifs à court terme : approche intégrée par capture-marquage-recapture et application au saumon atlantique (Salmo salar) en condition naturelle
Résumé
Understanding the origin of life history variations of organisms requires studying life history strategies and evolutionary processes that drive them. This thesis aims at studying life history strategies under natural conditions and how they are conditioned by individual characteristics. Life history strategies are seen as a combination of reaction norms and evolutionary trade-offs. The study of evolutionary processes in the wild faces to methodological issues. Indeed, the exhaustive monitoring of individuals over time is often impossible in the wild. Capture-mark-recapture methods allow a partial observation of life histories and life history traits. This work was based on the idea that our observations are only the visible part of underlying processes that need to be accounted for to limit the risk of flawed statistical inferences. I resort to hidden structure modeling to 1) separate the observation process from the dynamic process of interest, 2) model the full life histories of individuals, 3) integrate within a single and coherent framework life history decisions and evolutionary trade-offs and 4) explicitly represent the underlying mechanisms that generate our observations. Within this framework, one can confront theories and concepts in evolutionary biology with observational data through appropriate statistical tools. Finally, I illustrate this work by studying the conditioning of life-history strategies in a natural population of Atlantic salmon on the Scorff river (Morbihan) using CMR data. My results highlight status- dependent life history decisions and evolutionary trade-offs that could not be identified without our proposed modeling framework.
Pour comprendre l’origine des variations d’histoire de vie des organismes, il faut étudier et mettre en évidence les stratégies d’histoire de vie et les processus évolutifs qui les gouvernent. Ce travail de thèse a pour objectif d’étudier les stratégies d’histoire de vie et leur conditionnement par les caractéristiques individuelles en conditions naturelles. Les stratégies d’histoire de vie sont vues comme un agencement de normes de réactions et de compromis évolutifs. Cependant, l’étude des processus évolutifs en milieu naturel se heurte à des problèmes d’ordre méthodologique. En effet, le suivi exhaustif au cours du temps d’individus d’une population est difficilement réalisable, voire impossible en conditions naturelles. Les méthodes de capture-marquage-recapture permettent une observation partielle des histoires de vie et des traits d’histoire de vie. Ce travail se base sur l’idée que nos observations ne sont que la partie visible de processus sous-jacents qu’il est nécessaire de prendre en compte pour ne pas biaiser nos inférences statistiques. J’utilise la modélisation à structure cachée pour 1) séparer le processus d’observation du processus dynamique d’intérêt, 2) modéliser les histoires de vie complètes des individus, 3) intégrer dans un cadre unique et cohérent les décisions d’histoire de vie et les compromis évolutifs et 4) représenter explicitement les mécanismes sous-jacents qui génèrent nos observations. Dans ce cadre, on peut alors intégrer les théories et concepts de la biologie évolutive dans l’analyse statistique des données d’observations. J’illustre ce travail par l’étude du conditionnement des stratégies d’histoire de vie dans une population naturelle de saumon Atlantique sur le Scorff (Morbihan) à partir de données de CMR. Mes résultats mettent en évidence des décisions d’histoire de vie statut-dépendantes et des compromis évolutifs qui n’auraient pas pu être mis en évidence hors du cadre de modélisation proposé.
Origine : Fichiers produits par l'(les) auteur(s)