0 Academic des sciences / Elsevier, Paris lkologie / Ecology Predicting local fish species richness in the Garonne River basin ModtYe pkdictfde la richessesph$que locale despoissons du bassin de h Garonne Sylvain Mastrorillo”*, Francis Dauba”, Thierry Oberdorff’, Jean-Francois Gu@and, Sovan Lek” ’ CNRS UMR i576, &sac, universite Paul-Sahaticr, &it. IVR3, 1 18, route de Narbonne, 31062 Toulouse cedex, France ” Laboratoirc ing@nierie agronomique, iquipe environnement aquatique et aquaculture, INP-Ensat, avenue de I’Agrobiopole, BP 107, Auzeville Tolosane, 3 1326 Cnsianet-Tolosan, France ‘ Laboratnire d’ichtyologie g&&ale et ap$iquPe, Museum national d’histoire naturelle, 43, rue Cuvicr, 75231 Paris ccdex 05, f’ranc-e “Orstom, CNRS UMR 5556, Station mddittlrran&nnede I’environnement littoral. universite Montpellier-Ii, 1, quai de la Daurade, .14200 S&e, France (Received Y December 1997, accepted after revision 22 December 1097) Abstract - The aim of this work was to predict local fish species richness in the Garonne river basin using three environmental variables (distance from the source, elevation and catchment area). Commonly, patterns of fish species richness have been investigated using simple or multi-linear statistical models. Here, we used backpropagation of artifi- cial neural networks (ANNs) to develop stoc:hastic models of local fish diversity. Two independent data collections were used, the first one to build and test the model; the second one to validate the model. Correlation coefficients between observed values and predicted values both in the testing and the validation procedures were highly signifi- cant (r = 0.904, P < 0.001 and r = 0.1122, P < 0.001, respectively!. The ANN model obtained using only three environmental variables succeeded in explaining ca 70 ‘% of the total variation in local fish species richness. Through these findings, ANNs can be seen as a powerful predictive tool compared to traditional modelling approaches. (0 AcadGmie des sciences / Elsevier, I’aris.) local species richness / fish / Garonne river basin / environmental variables / artificial neural networks R&sum& - Ce travail a consisr6 B p&dire la richessr spkifique locale de poissons dans le bassin de la Garonne h partir de trois variables environnementales : la distance h la source, l’altitude et la surface du bassin versant. Le plus souvent, la richesse spkifique d’un bassin est ktudik en utilisant des modkles de rtgression IinCaire simple ou mulriple. Dans nofre travail, un rtseau de neurones a 6tP utilisi pour developpet un modkle prtdictifde la richesse spkifique. Deux bases de don&es indCpendantes ont Ptk utili&s, une pour construire et tester le modkle, I’autte pour le valider. Les coefficients de corrClation obtenus pour le test CI la validation sont Clev& et haurement significatifs (respectivement, r = 0,904, p < 0,001 et r = 0,822, / I < 0,001). P&s de 70 % de la variation de la richesse est expliqute par les trois variables environnementales. A travers ccs rksultats, les rtseaux de neurones artificiels peuvent &re consid&& comme un b?uissant outil prkdictif face aux appro- ches de mode’lisations plus traditionnelles. (0 Acadknie des sciences / Elsevier, Paris.) richesse spkcifique locale / p&sons I bassin de la Garonne I variables environnementales / rCsealu de neurones anificiels Note communicated by Henri D&amps. *Correspondence and rel?rints E-mail: mdstrori~~)~ict.ir C. R. Acad. Sci, Paris, Sciences de la vie / Life Sciences 1998.32 1,423-428 423