Modélisation de l'évolution d'une horde de manchots
dans des conditions climatiques extrêmes
                                                     

Analyse de sensibilité


      Afin de conforter les résultats obtenus, nous avons décidé de tester quelques variations dans notre modèle puis d'évaluer leur impact sur les résultats. Pour cela, nous avons testé les modifications suivantes :

  1. Cumuler des valeurs du Heatloss sur les 5 dernières étapes
  2.       On peut en effet considérer qu'un manchot qui a froid depuis un certain temps aura plus de chance de partir que s'il avait chaud au cours des étapes précédentes. La façon de déterminer le manchot à déplacer est la même qu'auparavant sauf que l'on ne se base plus sur le Heatloss d'une seule étape mais sur le cumul des 5 dernières valeurs.

  3. Tenir compte du fait que certains manchots sont plus frileux
  4.       Nous pouvons penser que certains oiseaux supportent moins bien le froid que d'autres, comme par exemple les plus jeunes d'entre-eux. Pour cela, nous avons affecté aléatoirement à chaque manchot un coefficient. Ce coefficient multiplie systématiquement la valeur du Heatloss à chaque étape. On choisit alors un taux de variation maximale afin d'obtenir un effet plus ou moins grand de ce phénomène. Par exemple, avec un taux de variation maximal de 30%, on tire aléatoirement les coefficients multiplicateurs par une loi uniforme sur l'intervalle [0.7 ; 1.3]. Ce tirage est réalisé une seule fois en début de simulation et les manchots sont dès lors définis comme étant frileux ou non.

  5. Ajouter un aspect aléatoire dans la détermination du manchot à déplacer
  6.       Les méthodes exposées jusqu'à présent ont tous en commun le fait d'être déterministes. En effet, l'évolution ne dépend que de la situation initiale au travers des paramètres d'entrée et de la horde générée aléatoirement. Hors, dans la réalité, un manchot peut à tout moment décider de se déplacer alors que ce n'est pas lui qui a le plus froid. Pour tenir compte de cela, nous avons ajouté un aspect aléatoire dans le critère de déplacement. Nous avons alors procédé de la même façon que ce qui est décrit juste au-dessus sauf que le tirage aléatoire des coefficients est réalisé avant chaque nouveau déplacement. Cela nous permet une nouvelle fois de modifier l'ampleur de ce phénomène.

  7. Combiner les trois modifications énoncées ci-dessus
  8.       Il est également possible de combiner les différentes modifications décrites ci-dessus. Par exemple, nous avons réalisé des simulations avec cumul de Heatloss sur 5 étapes et en tenant compte de la capacité des manchots à résister au froid.


Résultats

     Pour le premier modèle utilisant le polygone passant par les centres des manchots, les modifications énoncées ci-dessus n'entrainent que de faibles changements dans les résultats obtenus. En effet, la horde finit toujours par s'allonger et avancer sur la banquise dans le sens du vent. Notons que lorsqu'on cumule les pertes de chaleurs sur les 5 dernières étapes, l'évolution générale reste la même mais elle est ralentie. Cela s'explique par le fait qu'un manchot qui vient de bouger est susceptible de repartir immédiatement étant donné qu'il cumule encore les sensations de froid subies aux étapes précédentes. Enfin, nous remarquons que même quand la part d'aléatoire dans le critère de mesure du froid est très grande, la tendance d'évolution reste inchangée (voir simulation avec un coeficient maximal de 100%). Seulement, elle est une nouvelle fois ralentie.

     Pour le second modèle utilisant le polygone qui décrit le contour de la horde, on constate la même évolution quelque soit les modifications apportées. La horde commence par adopter une forme régulière pour ensuite avancer sur la banquise dans le sens du vent. Il n'y a pas de phénomène d'allongement.


Chapitre précédent