Gestion des données du PVF2 : vers une base de données phytosociologique nationale en France

Transcription

1 Gestion des données du PVF2 : vers une base de données phytosociologique nationale en France Jan-Bernard Bouzillé et Gilles Thébaud

2 Préambule Le prodrome PVF2 a pour objectif de proposer une liste nationale de référence des associations végétales et faciliter l identification des syntaxons Il constitue un attendu préalable essentiel dans le cadre du programme de cartographie des habitats : CarHab. Pour cartographier il faut pouvoir identifier et pour identifier il faut classer. Et, évidemment, la qualité de la cartographie est fonction de la pertinence de l identification et donc des modalités de classification.

3 Comment faire pour conduire une démarche de qualité?

4 Quelques références bibliographiques Qualité de la donnée de base = relevé phytosociologique : «Species constancy depends on plot size a problem for vegetation classification and how it can be solved» J. Dengler et al. (2009, Journal of Vegetation Science) Echantillonnage : «Heterogeneity constrained random resampling of phytosociological databases» A. Lengyel (2011, Journal of Vegetation Science) Espèces diagnostiques. Le concept de fidélité : «Determination of diagnostic species with fidelity measures» M. Chytry et al. (2002, Journal of Vegetation Science) Classification des relevés : «Towards consistency in vegetation classification» M.De Caceres & S.K. Wiser (2012, Journal of Vegetation Science) Determination of diagnostic species in large data sets d où l intérêt d une base de données

5 De quoi dispose t-on actuellement dans le cadre du prodrome?

6 A national synsytem of the french vegetations (PVF2) : a key tool for setting up a national vegetation dataset Frédéric Bioret, Vincent Gaudillat, Gilles Thébaud, Jérôme Millet, Arnault Lalanne, Jan-Bernard Bouzillé & Anne Bonis European Vegetation Survey 21 st Workshop Vienna, May 2012

7 PVF2, an example of declination: OXYCOCCO PALUSTRIS SPHAGNETEA MAGELLANICI extract of synoptic table : Sphagnion magellanici M. Kästner & Flössner medioeuropean ombrotrophic or ombrominerotrophic bogs; 9 associations in France European Vegetation Survey 21 st Workshop Vienna, May 2012

8 Pour l élaboration d une base de données : un logiciel Turboveg à adapter à la démarche française.

9 Intégration de tableaux synoptiques dans Turboveg Liste des syntaxons (codes) Relevé synthétique (classes de présence) Base de données des syntaxons (Turboveg)

10 Quelques adaptations nécessaires de Turboveg pour la BD Syntaxons A créer

11 Intégration de relevés stationnels dans Turboveg Lieux et codes des relevés Variables environnentales Indices de diversité Relevé stationnel (coefficient abondance/dominance ou %) Base de données de relevés stationnels (Turboveg)

12 Adaptations nécessaires de Turboveg pour la BD relevés stationnels A créer A créer

13 Intégration de relevés paysagers dans Turboveg Elaborer une liste des syntaxons Relevé paysager (coefficient abondance/ dominance ou %) Base de données géosyntaxons (Turboveg)

14 Comment ensuite traiter les données?

15 Quelques exemples de traitement des données : Utilisation du logiciel Juice Classification : modified Twinspan Ordination : R-DCA Description des associations végétales Exemple : Heracleo-Rumicetum obtusiflori Identification phytosociologique des relevés : utilisation d un système expert et/ou utilisation d un indice de similarité

16 Exemple d utilisation du système expert de Juice Codes d associations végétales. Ex. HORLO = Hordeo-Lolietum Rédaction de définitions formelles s appuyant sur des formules logiques Hordeo secalini-lolietum perennis (<### Lolium perenne>and(<### Ranunculus acris>or<phleum pratense s. pratenseup01>))not((<trifolium maritimum s. maritimumup01>or< Oenanthe silaifoliaup01>)or<pulicaria dysentericaup01>)

17 Exemple d utilisation d un indice de similarité : l index Frequency Positive Fidelity Tableau synoptique de référence (groupes de relevés) Relevés à identifier

18 Exemple d utilisation d un indice de similarité Numéro du groupe auquel se rattache le relevé MAIS : ces méthodes utilisent habituellement des données phytosociologiques stationnelles

19

20

21

22 Exemple d un tableau synoptique importé dans Juice

23 Informations relatives aux associations végétales

24 Codes synsystème et nombre de relevés

25 Exemples d analyse des données Classification. Ordination

26 Tableau de relevés générés aléatoirement

27 Utilisation d un indice de similarité : l index Frequency Positive Fidelity Tableau synoptique Relevés à identifier

28 Exemple d utilisation d un indice de similarité Numéro du groupe auquel se rattache le relevé

29 Tableau synoptique initial

30 Ré-échantillonnage des relevés

31 Exemple d utilisation d un indice de similarité Numéro du groupe auquel se rattache le relevé

32 Identification syntaxonomique des relevés Donc, pour réaliser une bonne identification il faut retenir un échantillonnage adéquat mais aussi considérer le nombre de relevés pris en compte. Pour cartographier il faut pouvoir identifier et pour identifier il faut classer. L exercice de cartographie nécessite des étapes scientifiques préliminaires importantes parmi lesquelles l opération de classification des relevés est capitale et d où l importance d une base de données conséquente. Néanmoins le traitement des données des tableaux synoptiques montre qu il est parfaitement possible de les utiliser pour avancer dans le projet CarHab en ce qui concerne l identification phytosociologique des relevés

33 Comment s organiser pour être efficace?

34

35 Joop Schaminée John Rodwell Milan Chytrý Stephan Hennekens (Turboveg) Merci de votre attention Lubomír Tichý (Juice)