Too few, too many, or just right? Optimizing sample sizes for population-level inferences in animal tracking projects

Cet article propose un flux de travail intégré dans l'application R Shiny *movedesign* pour optimiser la taille des échantillons dans les projets de suivi animal, permettant aux chercheurs de déterminer les compromis idéaux entre la durée du suivi, la fréquence d'échantillonnage et le nombre d'individus afin d'assurer des inférences démographiques robustes malgré les contraintes logistiques et financières.

L'essentiel

🐾 Trop, pas assez, ou juste ce qu'il faut ? Le guide ultime pour suivre les animaux

Imaginez que vous êtes un détective chargé de résoudre le mystère de la vie d'un animal sauvage. Vous avez un GPS (un collier électronique) et vous devez décider : combien d'animaux suivre, pendant combien de temps, et à quelle fréquence prendre des photos de leur position ?

C'est là que l'article de Silva et son équipe intervient. Ils disent : « Attention ! Si vous faites de mauvais choix, vous risquez de gaspiller de l'argent, de stresser les animaux pour rien, et surtout, de tirer de mauvaises conclusions qui pourraient nuire à leur protection. »

Voici comment ils proposent de régler ce casse-tête, expliqué simplement.

1. Le Dilemme du Détective : La Durée vs La Fréquence

Pensez à l'animal comme à un personnage dans un film.

• Pour connaître son "maison" (son territoire) : Vous devez regarder le film longuement. Si vous ne regardez que 5 minutes, vous ne saurez jamais si le personnage visite le parc ou la plage. Il faut suivre l'animal pendant des mois, voire des années, pour voir tout son territoire.
• Pour connaître sa "vitesse" (comment il court) : Vous devez regarder le film très vite. Si vous ne prenez qu'une photo par heure, vous ne verrez pas s'il a couru ou marché. Il faut des photos toutes les minutes pour voir les détails de ses mouvements.

Le problème : Les batteries des GPS ne sont pas infinies et l'argent est compté. On ne peut pas tout faire en même temps ! Si on filme trop vite, la batterie s'épuise vite et on ne suit l'animal que peu de temps. Si on filme lentement, on a une longue durée mais on ne voit pas les détails rapides.

2. La Recette Magique : Le "Workflow" (Le Mode d'Emploi)

Les auteurs ont créé une méthode (un "workflow") pour trouver l'équilibre parfait. C'est un peu comme un chef cuisinier qui teste des recettes avant de servir le plat.

Voici les 5 étapes de leur recette :

1. Définir l'objectif : Voulez-vous connaître le territoire ou la vitesse ? (On ne peut pas tout optimiser en même temps).
2. Regarder les anciens films (Données pilotes) : Avant de partir en expédition, regardez ce que d'autres chercheurs ont déjà trouvé sur cette espèce (ou une espèce proche). C'est comme regarder les critiques de films avant d'en faire un.
3. Simuler (Le laboratoire virtuel) : Au lieu de mettre des colliers sur 50 vrais lions (ce qui coûte cher et stressant), on utilise un ordinateur pour créer 50 lions virtuels. On teste différentes stratégies : "Et si on les suivait 1 mois ? Et si on les suivait 1 an ? Et si on en suivait 5 ou 50 ?"
4. Tester la précision : On regarde si nos simulations nous donnent la bonne réponse. Est-ce qu'on sous-estime le territoire ? Est-ce qu'on rate la vitesse ?
5. Ajuster le tir : On change les paramètres jusqu'à trouver le point idéal où l'on a assez de données fiables sans gaspiller de ressources.

3. L'Outil Pratique : "Movedesign"

Pour que n'importe qui puisse utiliser cette méthode, ils ont créé une application gratuite sur ordinateur (une application "Shiny" en R). C'est comme un simulateur de vol pour les biologistes.

• Vous entrez vos contraintes (budget, poids des animaux, durée de la batterie).
• L'application vous dit : "Pour obtenir un résultat fiable, vous devez suivre X animaux pendant Y temps avec une fréquence de Z."
• Cela aide même à convaincre les financeurs (qui donnent l'argent) et les autorités (qui donnent les permis) que votre projet est sérieux et bien calculé.

4. Ce que les simulations ont révélé (Les surprises !)

En testant cette méthode sur deux animaux réels (le buffle d'Afrique et la gazelle de Mongolie), ils ont découvert des choses surprenantes :

• Le piège du nombre : Avoir un grand nombre d'animaux (ex: 50 buffles) ne compense pas une mauvaise méthode. Si vous ne les suivez pas assez longtemps, vous aurez 50 mauvaises réponses au lieu d'une bonne. La qualité de la durée prime sur la quantité d'animaux.
• Le cas de la gazelle mongole : Ces gazelles parcourent des distances énormes et vivent peu de temps (4 ans). Pour connaître leur territoire, il faudrait les suivre pendant 9 ans... ce qui est impossible car elles meurent avant ! Cela montre que pour certaines espèces, il est mathématiquement impossible de connaître leur territoire exact avec les technologies actuelles, peu importe le nombre d'animaux suivis.
• La vitesse est plus facile : Pour connaître la vitesse, il suffit souvent de prendre des mesures très fréquentes, même avec peu d'animaux.

5. Pourquoi est-ce important pour tout le monde ?

Imaginez que vous devez protéger une forêt.

• Si vous sous-estimez le territoire d'un animal (parce que vous l'avez suivi trop peu de temps), vous risquez de créer une réserve trop petite. L'animal sortira de la réserve, se fera tuer par des chasseurs ou entrera en conflit avec les fermiers.
• Si vous surestimez la vitesse ou le comportement, vous pourriez prendre de mauvaises décisions de gestion.

En résumé :
Cet article nous dit : « Ne tirez pas au hasard ! » Avant de mettre un collier GPS sur un animal, prenez le temps de faire des simulations. Utilisez les outils gratuits créés par les auteurs pour trouver le juste milieu entre l'argent, le bien-être de l'animal et la qualité scientifique. C'est la seule façon de s'assurer que nos efforts de conservation sont basés sur la réalité et non sur des suppositions.

Résumé technique

1. Problématique

Les projets de suivi animalier (biologging) font face à un dilemme fondamental lors de la conception de l'étude : comment optimiser les ressources financières et logistiques limitées pour obtenir des inférences robustes au niveau de la population ? Les chercheurs doivent arbitrer entre trois paramètres critiques :

• La durée de l'échantillonnage ($T$) : Durée du suivi de chaque individu.
• La fréquence d'échantillonnage ($\Delta t$) : Intervalle entre deux localisations.
• La taille de l'échantillon de population ($m$) : Nombre d'individus suivis.

Les études antérieures montrent souvent des biais importants (sous-estimation des domaines vitaux, erreurs sur la vitesse) dues à des designs d'étude sous-optimaux. Les méthodes classiques (comme les Polygones Convexes Minimums ou les Estimateurs de Densité Nucléaire) supposent souvent l'indépendance des données, ce qui est faux pour les données de mouvement modernes (autocorrélées). De plus, il est difficile de déterminer si un nombre insuffisant d'individus ou une durée de suivi trop courte est la cause principale de l'incertitude, ce qui peut conduire à des décisions de conservation erronées.

2. Méthodologie

Les auteurs proposent un flux de travail (workflow) itératif basé sur des simulations guidées par des données empiriques, intégré dans l'application R Shiny « movedesign ». Ce workflow vise à déterminer la taille d'échantillon optimale pour estimer la surface du domaine vital moyen et la vitesse de déplacement moyenne d'une population.

Les étapes clés sont :

1. Définition des objectifs : Traduction des questions de recherche en objectifs quantifiables (ex: précision de l'estimation de la surface du domaine vital).
2. Extraction de paramètres pilotes : Utilisation de données existantes (ex: Movebank) pour estimer les échelles de mouvement caractéristiques de l'espèce via des modèles de mouvement en temps continu (CTMM). Les paramètres clés sont :
   • $\tau_p$ : Échelle de temps d'autocorrélation de la position (temps de traversée du domaine vital).
   • $\tau_v$ : Échelle de temps d'autocorrélation de la vitesse (persistance directionnelle).
3. Simulation de données synthétiques : Génération de trajectoires basées sur les paramètres pilotes, en incorporant des sources de biais réalistes (erreur de localisation, perte de données, pannes de matériel).
4. Estimation et analyse :
   • Utilisation de méthodes robustes insensibles à l'échantillonnage : AKDE (Autocorrelated Kernel Density Estimation) pour les domaines vitaux et CTSD (Continuous-Time Speed and Distance) pour la vitesse.
   • Modélisation hiérarchique (cadre log-normal-normal matriciel) pour propager l'incertitude de l'échelle individuelle à l'échelle de la population, en tenant compte de la variabilité inter-individuelle.
5. Analyses de sensibilité :
   • Rééchantillonnage : Évaluation de la stabilité des estimations en fonction du nombre d'individus ($m$) et des combinaisons d'individus sélectionnés.
   • Validation croisée "Leave-one-out" : Détection des individus influents qui pourraient fausser les résultats.

3. Contributions Clés

• Extension au niveau populationnel : Contrairement aux travaux précédents axés sur l'individu, ce workflow optimise spécifiquement la taille de l'échantillon de population ($m$) nécessaire pour obtenir des estimations précises de la moyenne de la population.
• Intégration de l'incertitude : Le workflow ne se contente pas de fournir une estimation ponctuelle, mais quantifie et propage l'incertitude (intervalles de confiance) à travers toute la chaîne d'analyse.
• Outil accessible : L'intégration dans l'application interactive « movedesign » permet aux chercheurs, gestionnaires et financeurs de tester facilement différents scénarios de conception d'étude avant le déploiement.
• Distinction des échelles temporelles : Mise en évidence de la nécessité de distinguer les échelles temporelles pour les domaines vitaux (liées à $\tau_p$) et pour la vitesse (liées à $\tau_v$), montrant qu'un seul design ne peut pas toujours optimiser les deux simultanément.

4. Résultats Principaux

Les simulations ont été menées sur deux espèces : le buffle d'Afrique (Syncerus caffer) et la gazelle de Mongolie (Procapra gutturosa).

• Estimation des domaines vitaux :
  • Une durée de suivi insuffisante par rapport au temps de traversée du domaine vital ($\tau_p$) entraîne une sous-estimation systématique, même avec un grand nombre d'individus ($m$).
  • Pour les buffles, une durée de 2 mois a conduit à une sous-estimation de 25 %, même avec 50 individus. Seules des durées très longues (≥ 3 ans) ont permis d'atteindre une erreur acceptable (< 5 %).
  • Pour les gazelles de Mongolie, dont le temps de traversée est très long (> 2,7 mois) et la durée de vie courte (4 ans), il est impossible d'obtenir une estimation précise du domaine vital avec une erreur < 5 % dans des conditions réalistes, quelle que soit la taille de l'échantillon.
• Estimation de la vitesse :
  • La précision dépend principalement de l'intervalle d'échantillonnage ($\Delta t$) par rapport à la persistance directionnelle ($\tau_v$).
  • Pour les buffles, un intervalle de 4 heures ($\Delta t > \tau_v$) a conduit à une sous-estimation de 8 % de la vitesse, même avec 50 individus. Des intervalles plus courts (1h ou 30 min) ont permis une estimation précise.
  • Pour les gazelles, la vitesse est estimée avec précision même avec des intervalles plus longs car leur $\tau_v$ est plus long (0,8 jour).
• Impact de la variabilité inter-individuelle :
  • À très petits échantillons ($m < 4$), les estimations sont hautement variables et peuvent donner de fausses impressions de précision.
  • L'augmentation de la taille de l'échantillon ($m$) améliore la précision, mais ne compense pas un biais introduit par un mauvais choix de durée ou d'intervalle d'échantillonnage.

5. Signification et Implications

Ce travail fournit un cadre rigoureux pour la conception d'études en écologie du mouvement, avec plusieurs implications majeures :

• Optimisation des ressources : Il démontre que pour les estimations de domaines vitaux, il est souvent plus efficace d'augmenter la durée de suivi (si possible) que d'augmenter le nombre d'individus, et inversement pour la vitesse.
• Éthique et bien-être animal : En permettant de justifier scientifiquement le nombre minimal d'individus nécessaires, le workflow aide à respecter les principes de réduction (3R) et à limiter l'impact des tags sur la physiologie et la survie des animaux.
• Prise de décision en conservation : Des estimations biaisées peuvent conduire à des erreurs de gestion (ex: sous-estimation de la densité, mauvaise délimitation des zones protégées). Ce workflow assure que les données utilisées pour la gestion sont fiables.
• Réalisme des objectifs : Il permet d'identifier dès la phase de proposition de projet si un objectif est atteignable compte tenu des contraintes biologiques de l'espèce (ex: durée de vie vs temps de traversée du domaine vital) et logistiques, évitant ainsi des échecs coûteux.

En conclusion, l'article plaide pour une approche de conception d'étude basée sur les données et les simulations, plutôt que sur des règles empiriques, pour garantir la robustesse scientifique et l'efficacité des projets de suivi animalier.