Université Claude Bernard Lyon 1 - Kora

éseau, à l'inverse des indices domestiques qui découlent d'une démarche de l'éleveur. Celamontre bien que les indices sauvages ont un biais qui est plus acceptable pour la modélisationde la répartition du lynx que les indices domestiques. C'est un résultat qui parait logique, leslynx ne se nourrissant pas exclusivement de bétail et les troupeaux ne pouvant se situer qu'enmarge des domaines vitaux des lynx (les troupeaux restant dans les milieux ouverts qui sontévités par le lynx). Le modèle basé sur les indices sauvages prédit une aire minimale 30%plus élevée que celle basée sur les données télémétriques et est de ce fait bien moinsdiscriminant. L'ajout des indices domestiques dans le modèle améliore légèrement ceproblème sans toutefois en améliorer la performance globale. On obtient avec la télémétrie etles indices sauvages des conclusions qui concordent globalement, avec le modèle basé sur lesindices sauvages qui prédit huit fois sur dix un indice de qualité de l’habitat supérieure pourles observations de présence par rapport aux observations d'absence (basées sur la télémétrie).Ce résultat n'était pas forcément attendu au vu des limites de l'étude. Premièrement, la listedes variables environnementales utilisées n'est pas complète : il manque, d'un point de vuebiologique, les variables représentant la répartition ou la densité des proies principales de lynx(chevreuil et chamois) ainsi que l'altitude et les variables dérivées (exposition et pente).Deuxièmement, le nombre de lynx suivis par radio-pistage est assez faible (N=9) et lesrésultats issus de ces neuf lynx sont généralisés à une zone d'étude qui pourrait accueillirjusqu'à 100 lynx. Troisièmement, les indices sauvages et les indices télémétriques présententdes plans d'expérience très différents puisque la zone de télémétrie n'est qu'une fraction de lazone d'étude (et donc de la zone de prospection pour les indices sauvages).Ce travail a permis une évaluation de l'ENFA grâce à l'implémentation de ces procédures dansR. Contrairement à une analyse avec Biomapper, l'analyse avec R laisse le contrôle total desvariables à l'utilisateur et permet d'utiliser d'autres méthodes comme les modèles linéairesgénéralisés, à des fins de comparaison. L'utilisation de R propose également un cadre évolutifà l'ENFA qui pourra s'enrichir de nouvelles fonctionnalités dans le futur, par exemple auniveau du calcul de l'indice de qualité d'habitat (p.e. Hirzel et Arlettaz, 2003). L'ENFA aprouvé ici qu'elle est une analyse tout à fait valable pour la sélection de l'habitat et s'est mêmemontrée supérieure aux GLM, en ayant un plus grand pouvoir discriminant et en prédisantune plus faible aire minimale. Sur ce point, cette analyse va à l'encontre des conclusions deEngler et al. (2004) qui trouvent une aire minimale prédite deux fois plus élevées pourl'ENFA que pour les GLM. Zaniewski et al. (2002) montrent également une tendanceoptimiste de l'ENFA en comparaison à des Modèles Additifs Généralisés (GAM, Generalized25