%0 Journal Article
%9 ACL : Articles dans des revues avec comité de lecture non répertoriées par l'AERES
%A Mastrorillo, S.
%A Dauba, F.
%A Oberdorff, T.
%A Guégan, Jean-François
%A Lek, S.
%T Predicting local fish species richness in the Garonne river basin
%D 1998
%L fdi:010021047
%G ENG
%J Comptes-Rendus de l'Académie des Sciences.Série 3 : Sciences de la Vie
%@ 0764-4469
%K POISSON D'EAU DOUCE ; DIVERSITE SPECIFIQUE ; DISTRIBUTION SPATIALE ; STRUCTURE DE POPULATION ; BASSIN VERSANT ; COURS D'EAU ; FACTEUR ECOLOGIQUE ; MODELISATION ; INTELLIGENCE ARTIFICIELLE ; ETUDE EXPERIMENTALE
%K FRANCE
%K GARONNE BASSIN VERSANT
%P 423-428
%R 10.1016/S0764-4469(98)80307-7
%U https://www.documentation.ird.fr/hor/fdi:010021047
%> https://horizon.documentation.ird.fr/exl-doc/pleins_textes/pleins_textes_7/b_fdi_53-54/010021047.pdf
%V 321
%W Horizon (IRD)
%X Ce travail a consisté à prédire la richesse spécifique locale de poissons dans le bassin de la Garonne à partir de trois variables environnementales : la distance à la source, l'altitude et la surface du bassin versant. Le plus souvent, la richesse spécifique d'un bassin est étudiée en utilisant des modèles de régression linéaire simple ou multiple. Dans notre travail, un réseau de neurones a été utilisé pour développer un modèle prédictif de la richesse spécifique. Deux bases de données indépendantes ont été utilisées, une pour construire et tester le modèle, l'autre pour le valider. Les coefficients de corrélation obtenus pour le test et la validation sont élevés et hautement significatifs (respectivement, r = 0,904, p est inférieur à 0,001 et r = 0,822, p est inférieur à 0,001). Près de 70% de la variation de la richesse est expliquée par les trois variables environnementales. A travers ces résultats, les réseaux de neurones artificiels peuvent être considérés comme un puissant outil prédictif face aux approches de modélisations plus traditionnelles. (Résumé d'auteur)
%$ 036EAUCON01