Résumé
Estimating demographic rates of wild populations is critical to understanding their dynamics but can be challenging because large amounts of data are required, and parts of the life cycle of individuals may be unobserved. In numerous research programmes, capture–recapture (CR) data and biologging data are collected in parallel. The latter often contain information on individual state (e.g. alive/dead, breeding/non‐breeding), but this information is seldom combined with CR data. Here, we present a Bayesian multi‐event CR framework to combine biologging containing information on individual state with CR data. Because biologging can inform on unobservable life cycle events like early offspring mortality, it can allow decomposing a demographic rate into two more precise demographic rates. We outline the principle of the model using a generic example then use simulations in a range of life cycles (ungulate, seabird, galliform, bear) to assess model performance. We then apply our model to 38 years of CR and biologging data from the Svalbard polar bear ( Ursus maritimus ) population. Simulations indicated that across life cycles, our model recovered most parameters well and often outperformed a standard CR model despite increased complexity. Benefits of including biologging data in terms of parameter estimates were apparent even for low biologger deployment probabilities and increased with deployment probability. Benefits were greater at low recapture probability when the amount of information on breeding status contained in biologging data was increased and possibly in long‐lived species. Benefits also extended to yearly offspring survival rates in the species with extended parental care. When applied to Svalbard polar bears, our model decomposed the traditionally estimated breeding probability into the denning probability and early litter survival probability. We document sharp age‐related changes in survival and reproductive success and find low evidence that denning incurred a future reproduction cost. Finally, we uncover pervasive negative impacts of sea‐ice loss on demographic rates. Our model is applicable to any species where CR and biologging data are simultaneously available—provided that biologging data contain information on individual state. It can increase the benefit‐to‐cost ratio of deploying biologgers and provide new demographic insights. L'estimation des taux démographiques des populations sauvages est essentielle pour comprendre leur dynamique, mais elle peut s'avérer difficile car elle nécessite de grandes quantités de données et certaines parties du cycle de vie des individus peuvent ne pas être observées. Dans de nombreux programmes de recherche, des données de capture‐marquage‐recapture (CMR) et des données de biologging sont collectées en parallèle. Ces dernières contiennent souvent des informations sur l'état des individus (par exemple, vivant/mort, reproducteur/non reproducteur), mais ces informations sont rarement combinées avec les données de CMR. Nous présentons ici une approche bayésienne de modélisation par CMR permettant de combiner des données de biologging (contenant des informations sur l'état des individus) avec des données de CMR. Comme le biologging peut fournir des informations sur des événements du cycle de vie non observables tels que la mortalité précoce des petits, il peut permettre de décomposer un taux démographique en deux taux démographiques plus précis. Nous commençons par décrire le principe du modèle à l'aide d'un exemple générique, d’utiliser des simulations dans une gamme de cycles de vie (ongulés, oiseaux marins, galliformes, ours) pour évaluer les performances du modèle. Nous appliquons ensuite notre modèle à 38 années de données de CMR et de biologging provenant de la population d'ours polaires ( Ursus maritimus ) du Svalbard. Les simulations montrent que, sur l'ensemble des cycles de vie, notre modèle estime correctement la plupart des paramètres et surpasse souvent un modèle de CMR standard, malgré une complexité accrue. La valeur ajoutée de l'inclusion des données de biologging en termes d'estimation des paramètres est apparente même pour de faibles probabilités de déploiement de biologgers, et augmente avec celle‐ci. La valeur ajoutée est plus importante lorsque la probabilité de recapture est faible, lorsque la quantité d'informations sur le statut reproducteur contenues dans les données de biologging augmente, et potentiellement chez les espèces à longue durée de vie. Les bénéfices s'étendent également aux taux de survie annuels des petits chez les espèces dont les soins parentaux sont prodigués sur plus d’un an. Appliqué aux ours polaires du Svalbard, notre modèle décompose la probabilité de reproduction traditionnellement estimée en une probabilité de mise bas et une probabilité de survie précoce des petits. Nous documentons des changements marqués liés à l'âge dans la survie et le succès reproducteur et ne détections pas de coût de la mise bas à elle seule sur la reproduction future. Enfin, nous mettons en évidence les effets négatifs généralisés de la disparition de la banquise sur les taux démographiques. Notre modèle est applicable à toute espèce animale chez laquelle des données de CMR et de biologging sont simultanément collectées, pour peu que les données de biologging contiennent des informations sur l'état des individus. Son utilisation permet d’augmenter le rapport coûts‐bénéfice du déploiement d’appareils de biologging et notre compréhension de la démographie des animaux sauvages.