Comment mesurer la Biodiversité?

Dimension: px
Commencer à balayer dès la page:

Download "Comment mesurer la Biodiversité?"

Transcription

1 Comment mesurer la Biodiversité? Pr Francour Patrice

2 La Biodiversité Quelle biodiversité? : génétique, spécifique, écosystémique (habitat, fonctions) Si biodiversité = diversité en espèce, il «suffit» de compter ces dernières! Est-ce aussi simple? Pour mieux la protéger, il faut aussi connaître la distribution spatiale de la biodiversité Nous verrons : Méthodes d inventaire de la biodiversité (échantillonnages) Indicateurs de diversité (richesse spécifique, indice de Shannon, diversité taxinomique) Comment mesurer la distribution spatiale de la biodiversité? Recours à des bio-indicateurs

3 Echantillonnage des espèces accessibilité aux espèces (encore des régions peu explorées) disponibilité des spécialistes (groupes difficiles) notion d espèce (une ou plusieurs; complexe d espèces; apport de la biologie moléculaire) inventaire complet = investissement important

4 Résultats Taxa Nombre d espèces identifiées dans le PNM en 2007 Nombre d espèces identifiées en France Nombre d espèces estimées dans le Mercantour Nombre d espèces identifiées dans le PNM en 2011 Bacterium 0?? 0 Protistes (Algues, protozoaires ) 0?? 182 (+100%) Vertébrés (+0%) Invertébrés (insectes, arachnides, mollusques ) à (+210%) Champignons? (+100%) Plantes (+31%) TOTAL +/ / / à / (+160%) Premier Inventaire en Europe par son envergure (200 chercheurs); le 2 ème au Monde

5 Echantillonnage des espèces accessibilité aux espèces (encore des régions peu explorées) disponibilité des spécialistes (groupes difficiles) notion d espèce (une ou plusieurs; complexe d espèces; apport de la biologie moléculaire) inventaire complet = investissement important possible de recourir à des «calculs»

6 1982: un entomologiste américain, Terry Erwin propose une méthode rigoureuse Forêts tropicales de Panama : insecticide sur un échantillon de 19 arbres (Luehea seemannii) 1200 espèces de coléoptères récoltés 40 à 100 espèces d arbres par hectare de forêt tropicale, soit une moyenne de 70/ha 163 espèces (13.6% des 1200 espèces) d hôtes spécifiques par essence tropicale 163 espèces de coléoptères * 70 espèces d arbres/hectare = espèces spécifiques, plus les espèces non spécifiques (1037), soit espèces de coléoptère/ha de canopée Coléoptères = 40% des arthropodes, donc, espèces d arthropodes/ha canopée Canopée : deux fois plus riche que le sol, donc * 1.33, soit espèces d arthropodes par hectare de forêt tropicale espèces d arbres tropicaux 30 millions d espèces d arthropodes dans les forêts tropicales espèces actuellement répertoriées

7 Figures A à E, donnent par extrapolation le nombre de taxons existant (asymptote); impossible pour les Espèces (F) G: de 1 (Phylums) à 5 (Genres), asymptotes de A-G, on «étend» la droite aux espèces (6) pour estimer le nombre d espèces vivants sur Terre 8.7 millions d espèces tous règnes confondus

8 Echantillonnage des espèces accessibilité aux espèces (encore des régions peu explorées) disponibilité des spécialistes (groupes difficiles) notion d espèce (une ou plusieurs; complexe d espèces; apport de la biologie moléculaire) inventaire complet = investissement important possible de recourir à des «calculs» nombreuses espèces décrites et encore à décrire compte tenu du nombre d espèces actuellement connues (1.5 millions d Eucaryotes) et du rythme actuel de description des espèces, il faudra 500 ans pour finir l inventaire (May, 2011) problème des espèces rares : quel est leur poids dans les différents calculs de diversité?

9 Didogobius splechtnai (d après Francour, AI&P, 38(2): )

10 Les moyens d échantillonnage Comparaison d inventaires spécifiques par plongée et par pêche (réserve naturelle de Scandola; Francour, 1999) Plongée Pêche Les 2 Total 1 23 (65.6) 8 (25.0) 3 (9.4) (17.7) 30 (48.4) 21 (33.9) (6.9) 2 (6.9) 25 (86.2) 29 Total N(%) pour les poissons rares (1) à très communs (3)

11 Comment définir une espèce rare? Trois critères : - Distribution géographique : large ou réduite - Type d habitat : indifférent ou particulier - Densité locale : élevée ou non Rabinowitz et al. (1986) Gaston (1994) Espèce rare : (1) sur de nombreux sites, mais densité faible (2) sur peu de sites, avec abondance élevée ou faible Distinguer les causes et les conséquences de la rareté est souvent difficile

12 Mesurer la diversité en espèces - Diversité ponctuelle : nombre d espèces présente en un point donné de l espace (une station) - Diversité α : diversité intrabiotique ou intrahabitat; c est le nombre d espèces dans un même habitat ou biotope - Diversité β : diversité interhabitat; c est un indice de dissimilitude entre 2 habitats -Diversité γ : diversité d un ensemble de stations; c est la diversité sectorielle ou totale (combine α et β; modèles multiplicatif ou additif) - Diversité δ : c est un indice de similitude interrégions ou intersecteurs

13 Mesurer la diversité en espèces Diversité alpha et gamma se mesurent Diversité bêta se calcule Initialement, Whittaker (1972) a propose que la diversité bêta soit mesurée à partir du modèle multiplicatif : gamma = bêta x alpha moyen. Plus récemment, Lande (1996) a suggéré de calculer la diversité bêta à partir d un modèle additif : gamma = bêta + alpha moyen.

14 Lien entre diversité en espèces, fragmentation et fonctionnement Perturbation Fonctionnement de l écosystème (Sodhi N.S., Ehrlich P.E., 201. Conservation biology for all. Oxford Press)

15 Lien entre diversité en espèces et protection/gestion Que protéger? «Règles possibles» zones/habitats avec de fortes valeurs de diversité γ quand la diversité γ est similaire entre milieux, une faible diversité α est associée à une diversité β élevée (le contraire est vrai) en terme de protection, une faible diversité α (par rapport à γ) implique de protéger la collection de milieux; par contre, une forte diversité α (proche de γ) pourra supporter une protection partielle de quelques uns de ces milieux exemple : mares et herbier à Posidonia oceanica.

16 Etude des étangs de la région du Limburg (Pays-Bas) De Bie T., Lemmens P., Declerck S., De Meester L.

17

18 Mesurer la diversité en espèces Le calcul de la diversité (α, β ou γ) est assez simple Par contre, cela nécessite de connaitre le nombre d espèces présentes Coût élevé (échantillonnage) Comment procéder à large échelle spatiale? Est-il possible de modéliser la distribution de la diversité en espèce? Solution 1 : établissement de relations (modèles) généraux de distribution

19 La diversité en espèces est influencée par la surface considérée Les relations surface (A) nombre d espèces (S) : S = c. A z Premier modèle SAR (species area relationship) établi par Arrhenius en 1921 sous le nom de loi puissance Modèle robuste pour décrire les liens Richesse spécifique et Surface : loi universelle Une méta-analyse de 794 SAR donne une valeur moyenne de z = 0.27 (Drakare et al., 2006) (d après Blondel, 1995)

20 (d après Blondel, 1995)

21 La diversité en espèces est influencée par la surface considérée Preston (1960) montre que les courbes SAR sont composées de 3 parties différentes (d après Marcon, 2014)

22 La diversité en espèces est influencée par la surface considérée les courbes SAR sont classiques en écologie : la surface est un proxy de l augmentation des ressources seuls les processus d émigration et d immigration sont considérés (MacArthur & Wilson, 1963) l existence de phénomènes de spéciation peut modifier la pente de la droite noirs : lacs sans spéciation (seulement des «colonists» bleu : lacs avec spéciation gris : nb d espèces «colonists» dans les lacs avec spéciation Cichlidae des grands lacs africains Augmentation de la pente = effet de la spéciation (Wagner et al., 2014)

23 La diversité en espèces est influencée par la latitude (ou l altitude) Stevens (1989, 1992) propose la règle de Rapoport : aux hautes latitudes/ altitudes, les espèces occupent un domaine vital plus large ou la distribution géographique (mesurée en degré de latitude/altitude) augmente avec la latitude (d après Stevens G.C., 1992)

24 La diversité en espèces est généralement maximale dans les régions tropicales Est-ce évident? NON et encore une grande incertitude pour la(les) cause(s) plus fort taux de prédation et prédateurs spécialisés? Pas évident et alors comment expliquer la richesse en prédateurs? plus grande productivité (éclairement)? Oui, mais forte productivités associées à des plus faibles diversités (hump-shaped curves) des saisons moins marquées et donc plus de spécialistes? (voir hypothèse 1) un âge plus ancien des terres en zone tropicale et donc un plus grand temps d évolution? Pas évident une plus grande surface des zones tropicales? Possible (Begon et al. 2006)

25 La diversité en espèces est influencée par la latitude (ou l altitude) Stevens (1989, 1992) propose la règle de Rapoport : aux hautes latitudes/ altitudes, les espèces occupent un domaine vital plus large ou la distribution géographique (mesurée en degré de latitude/altitude) augmente avec la latitude Règle de Rapoport : souvent remise en cause; les dernières publications montrent une grande importance de la méthode de calcul de l amplitude du domaine spatial (altitude ou latitude). Par bande géographique (latitude), moyenne des domaines spatiaux des différentes espèces présentes (une espèce peut être sur plusieurs bandes géographiques) Idem, mais en ne considérant que la limite nord de la distribution d une espèce (une espèce n appartient donc pas à plusieurs bandes géographiques) Idem, mais en ne considérant que le point médian de la distribution d une espèce Pour chaque espèce, étendue domaine spatial vs médiane du domaine spatial (autant de points que d espèces)

26 Modèle le plus «réaliste» ici (d après Luo et al 2011 Plos One)

27 Mesurer la diversité en espèces Le calcul de la diversité (α, β ou γ) est assez simple Par contre, cela nécessite de connaitre le nombre d espèces présentes Coût élevé (échantillonnage) Comment procéder à large échelle spatiale? Est-il possible de modéliser la distribution de la diversité en espèce? Solution 1 : établissement de relations (modèles) généraux de distribution : peu performants, peu intéressants Solution 2 : prise en compte de données de terrain et de paramètres abiotiques pour développer des modèles spécifiques de distribution

28 La diversité en espèces est influencée par les conditions abiotiques La plus connue ou la plus étudiée, mais pas forcément la plus fréquente Gradient : perturbation, prédation (ou herbivorie), productivité primaire, paramètre abiotique (humidité, ph, profondeur, altitude, etc.), latitude (Graham & Duda, 2011)

29 La diversité en espèces est influencée par les conditions abiotiques courbes en bosse (hump-shaped curves) Relation entre la richesse spécifique et la production primaire (PPR) pour différents taxons des grands lacs américains (régressions quadratiques) (Begon et al. 2006)

30 La présence des espèces est influencée par les conditions abiotiques modélisation possible de leur distribution spatiale en utilisant les prédicteurs abiotiques pertinents (Elith J., Leathwick J.R Species Distribution Models: Ecological Explanation and Prediction Across Space and Time. Annual Review of Ecology, Evolution, and Systematics, 40: )

31 Mesurer la diversité en espèces Le calcul de la diversité (α, β ou γ) est assez simple Par contre, cela nécessite de connaitre le nombre d espèces présentes Coût élevé (échantillonnage) Comment procéder à large échelle spatiale? Est-il possible de modéliser la distribution de la diversité en espèce? Solution 1 : établissement de relations (modèles) généraux de distribution : peu performants, peu intéressants Solution 2 : prise en compte de données de terrain et de paramètres abiotiques pour développer des modèles spécifiques de distribution La diversité (α, β ou γ) peut aussi être corrélée à des facteurs abiotiques Tenir compte de la diversité β permet de tenir compte de l hétérogénéité de la répartition des facteurs abiotiques

32 (Mokany et al., Combining α - and β -diversity models to fill gaps in our knowledge of biodiversity. Ecology Letters, 14: )

33 Mesurer la diversité en espèces : stratégie en vue de mesures de conservation Ferrier S Mapping Spatial Pattern in Biodiversity for Regional Conservation Planning: Where to from Here? Systematic Biology, 51: )

34 Mesurer la diversité en espèces mesurer le nombre d espèces sans tenir compte de leur abondance (α, β, γ) en tenant compte de leur abondance : indice de Shannon Recours à la théorie de l information et à la théorie des systèmes. Actuellement une branche de l écologie théorique en très fort développement (voir le cours sur le contrôle des populations)

35 Rappel : l analyse des systèmes complexes est née sous l impulsion de Shannon, chercheur des laboratoires Bell (problèmes de téléphonie) - théorie de l information I = f 1 p La quantité d information d un signal est inversement proportionnelle à sa fréquence (ex : feux à 3 couleurs ou 10 couleurs) Si deux évènements indépendants se produisent, l information totale fournie doit être égale à la somme des informations apportées par les deux évènements : I(E1 et E2) = I(E1) + I(E2) Comme la probabilité de co-occurrence E1 et E2 = produit de leurs probabilités, on doit avoir : f 1 = f ( 1 ) + f ( 1 ) p p p p La seule fonction mathématique à avoir cette propriété est la fonction log; donc : I = 1 log = log( p) p

36 Le choix de la base du logarithme est arbitraire (= choix d échelle) car on passe d une base à l autre en multipliant par une constante. On retient, de façon pratique, une base telle que l information apportée par un jeu «pile ou face» soit de 1 (on est sûr qu il y aura pile ou face au prochain tirage, car ils sortent chacun avec une probabilité de 1/2). Donc I = 1 = f(1/2) = -log(1/2) = log 2 La seule base à satisfaire log 2 = 1, est la base 2 D où : I = -log 2 p = log 2 (1/p) L unité sera le BIT (binary digit) Remarque : si base e, l unité est le Nat; si base 10, l unité est le Hartley (non utilisées en écologie) Sur ces bases, la Théorie de l Information a été développée pour analyser les systèmes de communication (= systèmes complexes)

37 Si on a S évènements, comme l information est positive et additive (voir avant), l information totale qui en résultera sera la somme des informations de chaque évènements (une des propriétés recherchées = additivité). Si chaque événement ne se produit pas forcément, mais apparaît avec une probabilité p i, alors, l information moyenne qui en résultera sera : S p = = i. Ii = i 1 S i p.log 1 i 2 p i Cette information moyenne n est rien d autre que l Entropie du système ou encore l indice de diversité de Shannon!

38 Mesurer la diversité en espèces mesurer le nombre d espèces sans tenir compte de leur abondance (α, β, γ) en tenant compte de leur abondance : indice de Shannon / Simpson (D ou 1-D) problèmes : Shannon est sensible aux espèces relativement rares; Simpson sensible aux espèces abondantes; influence forte de l effort d échantillonnage Zones riches = zone forestière Zones riches = rivage (Dray S., 1999)

39 Mesurer la diversité en espèces mesurer le nombre d espèces sans tenir compte de leur abondance (α, β, γ) en tenant compte de leur abondance : indice de Shannon / Simpson (D ou 1-D) problèmes : Shannon est sensible aux espèces relativement rares; Simpson sensible aux espèces abondantes; influence forte de l effort d échantillonnage prise en compte des différence entre espèces (Mérigot B., 2008)

40 Mesurer la diversité en espèces Diversité fonctionnelle : un élément important dans la structuration des écosystèmes Diversité taxinomique : un proxy de la diversité fonctionnelle Principes de calcul : très simple : 1 branche = incrément de 1; on limite à 100 ou pas. calcul d une valeur équivalente à la moyenne et une autre à la variance calcul d un encadrement par «rééchantillonnage» Diversité taxinomique de Clarke et Warwick

41 Mesurer la diversité en espèces : Clarke et Warwick Dufour F., Guidetti P., Francour P. (2007) comparaison d inventaires de poissons dans des aires marines protégées des AMPs d âge et de surface variables les valeurs AvTD sont indépendantes de la surface (Spearman; p = 0.823) mais dépendantes de l âge de l AMP (Spearman; p = 0.005)

42 les AMPs très bien surveillées (PC, Sc, Lav) ont des valeurs «normales» les AMPs non surveillées ont des valeurs bien inférieures aux valeurs attendues

43 Mesurer la diversité en espèces Diversité fonctionnelle : un élément important dans la structuration des écosystèmes Diversité taxinomique : un proxy de la diversité fonctionnelle Diversité fonctionnelle : mesurer par la diversité des «traits» caractéristique d une espèce (régime alimentaire, taille, mode de vie, reproduction, etc.)

44 (Mérigot B., 2008)

45 Mesurer la diversité en espèces Diversité fonctionnelle : un élément important dans la structuration des écosystèmes Diversité taxinomique : un proxy de la diversité fonctionnelle Diversité fonctionnelle : mesurer par la diversité des «traits» caractéristique d une espèce (régime alimentaire, taille, mode de vie, reproduction, etc.) Comment calculer un indice de diversité fonctionnelle? solution 1 : regrouper les espèces dans des catégories fonctionnelles (guildes) et compter le nombre de guildes problème : quelles sont les limites des guildes peu strictes et 1 guilde, très strictes et autant de guildes que d espèces? solution 2 : espèce = espace à n-dimensions (traits); calculer une diversité fonctionnelle revient à calculer la diversité de S espèces représentées chacune par n-dimensions Indice de FD de Petchey & Gaston (2002, 2006) Entropie quadratique Q de Rao (1982)

46 Mesurer la diversité en espèces : FD et Q Principes de calcul : choix des traits fonctionnels S espèces, T traits : matrice 1 S x T choix d une mesure de similarité ou de dissimilarité matrice de similarité / dissimilarité : matrice 2 S x T S espèces dans Z stations (abondance ou présence/absence) matrice 3 S x Z choix d un indice fonctionnel croisement matrice 2 et matrice 3

47 Mesurer la diversité en espèces mesurer le nombre d espèces sans tenir compte de leur abondance (α, β, γ) en tenant compte de leur abondance : indice de Shannon / Simpson (D ou 1-D) problèmes : Shannon est sensible aux espèces relativement rares; Simpson sensible aux espèces abondantes; influence forte de l effort d échantillonnage prise en compte des différence entre espèces Toutes les espèces sont importantes, mais toutes n ont pas le même rôle Prise en compte de certaines espèces seulement?

48 Des espèces indicatrices exemple 1 : rôle majeur des prédateurs de haut-niveau trophique (TL # 4) TL i + ( TLj. DCij) = j 1 TL: Trophic level; TL j : TL de la proie j; DC ij : fraction de la proie j pour i Pourcentage de poissons ichtyophages (% biomasse du peuplement total) dans et à proximité d aires marines protégées en Méditerranée NT: no-take area (réserve intégrale); R: Réserve avec quelques activités de prélèvements, OR: outside reserve (hors réserve) (modifié d après Francour et al., 2010)

49 Des espèces indicatrices exemple 1 : rôle majeur des prédateurs de haut-niveau trophique exemple 2 : prise en compte de la structure de l habitat Juvéniles de Symphodus spp. Réserve marine de Scandola (d après Cheminée, 2012)

50 Des espèces indicatrices exemple 1 : rôle majeur des prédateurs de haut-niveau trophique exemple 2 : prise en compte de la structure de l habitat exemple 3 : espèces indicatrices (notion de bio-indicateurs) Idée de base : Evolution du pourcentage de poissons observés au sein d une liste préétablie d espèces cibles (recherchées par la pêche professionnelle ou amateur) % R. intégrale Hors réserve Effo rt (modifié d après Harmelin et al., 1997)

51 Application : construction d un indice qui tienne compte de plus de paramètres que la pression de pêche, utilisable par n importe qui et n importe où. liste de 25 espèces prise en compte de la taille (2 classes de taille) uniquement Présence/Absence (15 minutes de nage au hasard) 6 comptages par station 5 paramètres sont calculés : indice moyen, indice cumulé, CV, proportion P & G, nombre d espèces la comparaison des valeurs simultanément permet d apprécier l état du peuplement Calcul de l index: Prise en compte d un facteur (multiplicatif) traduisant l importance de l espèce («valeur patrimoniale») Espèce Petit ou Moyen Grand Valeur Dentex dentex x 1 Sparus aurata x x 3 Labrus spp. x 2 Index = somme des valeurs

52 Les espèces retenues : les espèces cibles, recherchées par la pêche amateur ou professionnelle ou la chasse sous-marine des espèces représentatives des principaux habitats (herbier à Posidonia oceanica, sable, roche, coralligène) des «couples» d espèces (ex : Conger conger et Muraena helena) les espèces très peu fréquentes et d intérêt (écologique, patrimonial) sont retenues comme jokers (pas d estimation de la taille) nécessité de développer des listes régionales : Méditerranée nordoccidentale; Afrique du nord (Tunisie); Méditerranée orientale (Turquie); Caraïbes

53 Calcul de l index Si il y a 25 espèces, la valeur maximale est alors 25 x 3 = 75 En posant 75 = 100%, on calcule l Index en pourcentage. Si aucune espèce n est vue durant la plongée, l index = 0. Si les 25 espèces sont vues, l index = 100. Comme cet index est calculé en pourcentage, sa valeur est indépendante du nombre d espèces sélectionnées dans la liste au préalable. Index est calculé pour chaque comptage (6 de 15 minutes, nage au hasard) MI : index moyen représente la moyenne arithmétique des 6 Index CV : coefficient de Variation est calculé pour les 6 comptages (rapport entre l écart-type et la moyenne) CI : index cumulé est calculé selon la même procédure mais en regroupant les 6 comptages CP : proportion d espèces carnivores LP : proportion de grands (espèces pour lesquelles des individus de grande taille ont été notés) RSR : nombre d espèces vues Comme l Index calculé pour chaque comptage, ces valeurs sont indépendantes du nombre d espèces dans la liste

54 Calcul supplémentraires Calcul de l occurrence d une espèce par comptage unitaire Exemple : une espèce E a été vue 3 fois au cours des 6 comptages; son occurrence est de 3/6 = 50% est fait pour chacune des classe de taille considérée intéressant pour les espèces les plus vulnérables ou les espèces à forte valeur patrimoniale et/ou économique

55 Suivis des peuplements de poissons du Cantonnement de Pêche du Cap Roux (Var, France) (Seytre, 2009) R : Réserve = Cantonnement N et S : Nord et Sud du Cantonnement = hors réserve Mise en évidence d un effet «protection» dès 2007, 4 ans après la mise en place du cantonnement

56 Mise en application de la méthode FAST (Fish Assemblage Sampling Technique) suivis à moyen ou long terme d un site; l évolution des métriques calculées n est pas entachée de la forte variance liée aux procédures de comptages classiques une autre approche : comparaison des résultats obtenus par rapport à une grille de référence

57 Clustering Ward's method of aggregation Euclidian Distances 500 Aggregation distance MI CI RSR CP LP Cluster 1 >30 >55 >70 >15 >30 Cluster 2 <30 [40-55] >60 >15 >20 Cluster 3 [20-25] [35-55] [50-60] <15 >20 Cluster 4 [20-25] [35-55] >65 <12 >20 Cluster 5 <20 <35 <65 <10 <20 0 SC99NOT PC02 SC00NOT1 PC99_2 TL02_3 SC00NOT2 SC01NOT SC00MED1 TL02_1 PC99_1 LC99ILE SC01RES2 SC01RES1 TL02_2 LC99RECB SC99RES SC99SUD LC01MUG MEN01 VLF01_3 LC01CAS2 LC01ILE2 LC01BEC ANT02_2 SC00RES1 LC01LIOU LC99RECA MEN00 LC01LAR3 LC99LARG SC99NORD LC01ILE1 ANT02_1 VLF02 SC00RES2 SC00MED2 LC02ILE VLF01_2 VLF99 LC01LAR2 LC01P2 LC01LAR1 LC01P1 LC01ALON LC01CAS1 LC01P3 LC99BON VLF01_1 LC01ARN ANT01

58 Peuplements de poissons et paysages sous-marins en vue de l extension de la réserve naturelle de Scandola Peuplements de poissons Méthode FAST Secteur MI CI RSR CP LP CV Etat Ecol. Cavallo Nord Cavallo Milieu Cavallo Sud Scuglietti Terre Scuglietti Mer C. Morgana Focolara Pori Punta Nera Réserve Intégrale Sud Réserve Girolata Nord Cenino Cenino Sud Capo Rosso Est Capo Rosso Centre Capo Rosso Ouest (tiré de Francour et al., 2014)

59 Peuplements de poissons et paysages sous-marins en vue de l extension de la réserve naturelle de Scandola Peuplements de poissons Occurrences par comptage de 15 minutes Grands D. dentex E. marginatus S. umbra S. cabrilla 0 (tiré de Francour et al., 2014)

4. Résultats et discussion

4. Résultats et discussion 17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les

Plus en détail

Régionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique

Régionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique Régionalisation des régimes de perturbations et implications pour l aménagement dans un contexte de changement climatique Sylvie Gauthier, Chercheuse scientifique, successions forestières RNCan-SCF-CFL

Plus en détail

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

MASTER (LMD) GESTION DE DONNEES ET SPATIALISATION EN ENVIRONNEMENT (GSE)

MASTER (LMD) GESTION DE DONNEES ET SPATIALISATION EN ENVIRONNEMENT (GSE) MASTER (LMD) GESTION DE DONNEES ET SPATIALISATION EN ENVIRONNEMENT (GSE) RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : STIC POUR L'ECOLOGIE

Plus en détail

«Poursuivre au-delà de BEEST : une approche fonctionnelle basée sur les traits de vie des espèces en relation avec l habitat».

«Poursuivre au-delà de BEEST : une approche fonctionnelle basée sur les traits de vie des espèces en relation avec l habitat». «Poursuivre au-delà de BEEST : une approche fonctionnelle basée sur les traits de vie des espèces en relation avec l habitat». Philippe USSEGLIO-POLATERA Université Paul Verlaine Metz UMR-CNRS 746 - LIEBE

Plus en détail

Les macroinvertébrés: des bioindicateurs incontournables pour le monitoring des cours d eau en CH

Les macroinvertébrés: des bioindicateurs incontournables pour le monitoring des cours d eau en CH Les macroinvertébrés: des bioindicateurs incontournables pour le monitoring des cours d eau en CH 4 e Rencontres de l eau 20 mars 2015, UNIL Nathalie Menétrey Hydrobiologiste Bureau d étude aquatique et

Plus en détail

Indexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge!

Indexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge! Indexmed : Le big data en écologie? Pas encore disent certains Pas si sûr! Avec IndexMed Relevons ce challenge! Origine du consortium L état des lieux (source : séminaire Allenvie, séminaire Indexmed1)

Plus en détail

Principe d un test statistique

Principe d un test statistique Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre

Plus en détail

Programme GREAT-MED: «Generating a Risk and Ecological Analysis Toolkit for the Mediterranean»

Programme GREAT-MED: «Generating a Risk and Ecological Analysis Toolkit for the Mediterranean» Programme GREAT-MED: «Generating a Risk and Ecological Analysis Toolkit for the Mediterranean» Idée du GREAT-MED synthèse et transfert de connaissances de biodiversité Réfuges & Hotspots de plantes méditerranéennes

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

«Suivi d un projet Livelihoods» Medan, Indonésie 7 au 11 octobre 2013

«Suivi d un projet Livelihoods» Medan, Indonésie 7 au 11 octobre 2013 «Suivi d un projet Livelihoods» Medan, Indonésie 7 au 11 octobre 2013 Mangroves, Sénégal Hellio-Vaningen En octobre 2013, dans le cadre d un partenariat entre la Convention de Ramsar et le Groupe Danone,

Plus en détail

Indexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge!

Indexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge! Indexmed : Le big data en écologie? Pas encore disent certains Pas si sûr! Avec IndexMed Relevons ce challenge! Origine du consortium L état des lieux (source : séminaire Allenvie, séminaire Indexmed1)

Plus en détail

Samuel Decout, Sandra Luque. Sandra.luque@cemagref.fr

Samuel Decout, Sandra Luque. Sandra.luque@cemagref.fr !""#$%&'()*+,-#,'((.'(&),#/#%&)0/1$*(.'("/+%&0(.2&/3)+/+('*(4/5'6#(.'(7/(%$**'%15)+,(8(( 9)7)'6:($65'#+0('+(9)7)'6:(4$#'01'#0( ( (!"#$%&#'"#(%#)*"+,-.(("#*,-&&"#"+#/&0*"# Samuel Decout, Sandra Luque Sandra.luque@cemagref.fr

Plus en détail

LE MONITORING DE LA BIODIVERSITE EN SUISSE. Hervé LETHIER, EMC2I

LE MONITORING DE LA BIODIVERSITE EN SUISSE. Hervé LETHIER, EMC2I LE MONITORING DE LA BIODIVERSITE EN SUISSE Hervé LETHIER, EMC2I INTRODUCTION OBJECTIFS L INSTRUMENT LES INDICATEURS UN PREMIER BILAN INTRODUCTION OBJECTIF De simples inventaires spécialisés et ciblés Combler

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Comptes des changements de la biodiversité des systèmes et des espèces

Comptes des changements de la biodiversité des systèmes et des espèces ATELIER INFRAREGIONAL POUR LA REGION DE L AFRIQUE DE L OUEST SUBSAHARIENNE SUR L ÉVALUATION ET LES MESURES INCITATIVES Ouagadougou, Burkina Faso, 14 17 Mai 2013 COMPTABILITÉ DE L ENVIRONNEMENT ET DES ÉCOSYSTÈMES

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

Plus en détail

Traits fonctionnels : concepts et caractérisation exemples des prairies Marie-Laure Navas, Eric Garnier, Cyrille Violle, Equipe ECOPAR

Traits fonctionnels : concepts et caractérisation exemples des prairies Marie-Laure Navas, Eric Garnier, Cyrille Violle, Equipe ECOPAR Traits fonctionnels : concepts et caractérisation exemples des prairies Marie-Laure Navas, Eric Garnier, Cyrille Violle, Equipe ECOPAR Ecole Chercheurs AgroEcologie 5-8 Juin 2012 1 Diversité spécifique

Plus en détail

Item 169 : Évaluation thérapeutique et niveau de preuve

Item 169 : Évaluation thérapeutique et niveau de preuve Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes

Plus en détail

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE

Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction

Plus en détail

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke

Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3

Plus en détail

Data issues in species monitoring: where are the traps?

Data issues in species monitoring: where are the traps? Data issues in species monitoring: where are the traps? French breeding bird monitoring : Animations locales : - dealing with heterogenous data - working with multi-species multi-sites monitoring schemes

Plus en détail

Protocoles pour le suivi des pontes de tortues marines dans le cadre de Protomac. Professeur Marc Girondot

Protocoles pour le suivi des pontes de tortues marines dans le cadre de Protomac. Professeur Marc Girondot Muséum National d'histoire Naturelle de Paris Département de Systématique et Evolution Laboratoire des Reptiles et Amphibiens 25 rue Cuvier 75005 Paris & Laboratoire Ecologie, Systématique et Evolution

Plus en détail

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Quelle est l ampleur de la crise actuelle de biodiversité?

Quelle est l ampleur de la crise actuelle de biodiversité? Quelle est l ampleur de la crise actuelle de biodiversité? Anne Teyssèdre, Département d Ecologie et de Gestion de la Biodiversité, MNHN Réduction et dégradation généralisée des habitats, changement global

Plus en détail

La gestion des données en écologie des communautés végétales : l exemple de Phytobase

La gestion des données en écologie des communautés végétales : l exemple de Phytobase Journée Bases de Données Besançon 21 mars 2013 La gestion des données en écologie des communautés végétales : l exemple de Phytobase François Gillet Université de Franche-Comté CNRS UMR 6249 Chrono-environnement

Plus en détail

Gestion obligataire passive

Gestion obligataire passive Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE

INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN

Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques

Plus en détail

Diagnostic de la stabilité des peuplements à l aide des données de l IFN

Diagnostic de la stabilité des peuplements à l aide des données de l IFN GIP Ecofor Diagnostic de la stabilité des peuplements à l aide des données de l IFN P. Riou-Nivert (IDF) avec J.-C. Hervé (Engref/IFN), B. Piton (Engref), T. Belouard, J.-P. Renaud, C. Cluzeau, A. Colin

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES

UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,

Plus en détail

Le risque Idiosyncrasique

Le risque Idiosyncrasique Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

Végétaux Exemples d individus

Végétaux Exemples d individus Végétaux Formation Biologie 2011 2012 Végétaux Exemples d individus Végétaux Embranchement Classification Description Reproduction Mode de vie Exemples d individu Végétaux Règne > Etymologie «Végetaux»

Plus en détail

CENTRALES HYDRAULIQUES

CENTRALES HYDRAULIQUES CENTRALES HYDRAULIQUES FONCTIONNEMENT Les différentes centrales hydrauliques Les centrales hydrauliques utilisent la force de l eau en mouvement, autrement dit l énergie hydraulique des courants ou des

Plus en détail

Une nouvelle écologie des parcs et des jardins

Une nouvelle écologie des parcs et des jardins Une nouvelle écologie des parcs et des jardins Une nouvelle écologie des parcs et des jardins Patrimoine vert bordelais et politique de développement et de gestion Ecologie : grands principes et applications

Plus en détail

Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.

Feuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre. Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences

Plus en détail

CAR/ASP. J. G. Harmelin. J. G. Harmelin. J. G. Harmelin G. Pergent

CAR/ASP. J. G. Harmelin. J. G. Harmelin. J. G. Harmelin G. Pergent Liste de Référence des Types d Habitats Marins pour la sélection des sites à inclure dans les inventaires nationaux de sites naturels d intérêt pour la conservation CAR/ASP G. Pergent Juillet 2006 Avant-propos

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe commune aux séries ES, L et S : boîtes et quantiles Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

UNIVERSITE D ANTANANARIVO FACULTE DES SCIENCES DEPARTEMENT DE BIOLOGIE ET ECOLOGIE VEGETALES

UNIVERSITE D ANTANANARIVO FACULTE DES SCIENCES DEPARTEMENT DE BIOLOGIE ET ECOLOGIE VEGETALES UNIVERSITE D ANTANANARIVO FACULTE DES SCIENCES DEPARTEMENT DE BIOLOGIE ET ECOLOGIE VEGETALES Mémoire pour l obtention de Diplôme d Etudes Approfondies (D.E.A.) en Biologie et Ecologie Végétales Option

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

PLAN GÉNÉRAL D AMÉNAGEMENT FORESTIER SEIGNEURIE DE PERTHUIS RÉSUMÉ NOTE AU LECTEUR

PLAN GÉNÉRAL D AMÉNAGEMENT FORESTIER SEIGNEURIE DE PERTHUIS RÉSUMÉ NOTE AU LECTEUR NOTE AU LECTEUR Dans le cadre de notre certification forestière à la norme du Forest Stewardship Council de la Seigneurie de Perthuis, nous vous présentons un résumé du plan général d aménagement forestier

Plus en détail

Séries Statistiques Simples

Séries Statistiques Simples 1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &

Plus en détail

Compléments et commentaires liés à l outil d initiation à la biodiversité à destination du secteur privé

Compléments et commentaires liés à l outil d initiation à la biodiversité à destination du secteur privé Compléments et commentaires liés à l outil d initiation à la biodiversité à destination du secteur privé Afin de parfaire la présentation «Initiation à la biodiversité à destination du secteur privé»,

Plus en détail

au concept de «développement durable» Pour une éducation ouverte sur le monde

au concept de «développement durable» Pour une éducation ouverte sur le monde Fiche prolongement 6 Du lien entre environnement et développement au concept de «développement durable» Pour une éducation ouverte sur le monde 20% de la population mondiale consomme 87 % des ressources

Plus en détail

Atelier Environnement Préparatoire au Projet d Aménagement et de Développement Durable. S e p t e m b r e 2 0 0 8

Atelier Environnement Préparatoire au Projet d Aménagement et de Développement Durable. S e p t e m b r e 2 0 0 8 Atelier Environnement Préparatoire au Projet d Aménagement et de Développement Durable S e p t e m b r e 2 0 0 8 Le PADD : un Projet Politique Le PADD : un Projet Politique L e S C O T, u n o u t i l a

Plus en détail

On the spot. Ecocertification et images satellites. Exploitation forestière tropicale au Cameroun

On the spot. Ecocertification et images satellites. Exploitation forestière tropicale au Cameroun On the spot Ecocertification et images satellites Exploitation forestière tropicale au Cameroun Exploitation forestière tropicale au Cameroun Un nombre croissant d opérateurs forestiers s engagent dans

Plus en détail

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION

LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs

Plus en détail

Evaluation du LIDAR et de solutions innovantes pour la chaîne d approvisionnement du bois : les résultats du projet européen FlexWood

Evaluation du LIDAR et de solutions innovantes pour la chaîne d approvisionnement du bois : les résultats du projet européen FlexWood Evaluation du LIDAR et de solutions innovantes pour la chaîne d approvisionnement du bois : les résultats du projet européen FlexWood Le projet de recherche européen FlexWood («Flexible wood supply chain»)

Plus en détail

Extraction d informations stratégiques par Analyse en Composantes Principales

Extraction d informations stratégiques par Analyse en Composantes Principales Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction

Plus en détail

Document d orientation sur les allégations issues d essais de non-infériorité

Document d orientation sur les allégations issues d essais de non-infériorité Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette

Plus en détail

Lignes directrices pour de meilleures pratiques en matière d inventaire et de suivi des populations de grands singes

Lignes directrices pour de meilleures pratiques en matière d inventaire et de suivi des populations de grands singes Lignes directrices pour de meilleures pratiques en matière d inventaire et de suivi des populations de grands singes H. Kühl, F. Maisels, M. Ancrenaz & E.A. Williamson Série éditée par E.A. Williamson

Plus en détail

ESTIMATION DE LA TAILLE DES POPULATIONS D ANOURES DE LA FORET DE FONTAINEBLEAU (SEINE ET MARNE)

ESTIMATION DE LA TAILLE DES POPULATIONS D ANOURES DE LA FORET DE FONTAINEBLEAU (SEINE ET MARNE) ESTIMATION DE LA TAILLE DES POPULATIONS D ANOURES DE LA FORET DE FONTAINEBLEAU (SEINE ET MARNE) Philippe LUSTRAT 33 rue de la garenne 77760 VILLIERS SOUS GREZ Lustrat P. (1999) - Estimation de la taille

Plus en détail

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE

Chapitre 6 Test de comparaison de pourcentages χ². José LABARERE UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables

Plus en détail

Enjeux environnementaux prioritaires des forêts de Poitou-Charentes

Enjeux environnementaux prioritaires des forêts de Poitou-Charentes Annexe 3 Enjeux environnementaux prioritaires des forêts de Poitou-Charentes Cette annexe présente les enjeux environnementaux ayant été définis comme prioritaires en Poitou-Charentes. Une série de cartes

Plus en détail

L'écologie. Introduction à l écologie des communautés. Différents types de niveau d organisation correspondent à différents domaines de l écologie

L'écologie. Introduction à l écologie des communautés. Différents types de niveau d organisation correspondent à différents domaines de l écologie Introduction à l écologie des communautés L'écologie! Ecologie : des mots grecs "Oikos", maison / habitat, et "logos", discours / étude! Ecologie : Science qui étudie les organismes (leur distribution

Plus en détail

SOMMAIRE CYCLE 1. Des jeux tout prêts. Des activités à préparer. Les solutions

SOMMAIRE CYCLE 1. Des jeux tout prêts. Des activités à préparer. Les solutions CYCLE 1 SOMMAIRE Des jeux tout prêts Colorie les animaux Le pelage des animaux Mères et petits Les modes de locomotion Animaux mélangés Plumes, poils et écailles Ranger les familles par ordre de taille

Plus en détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Expérience 3 Formats de signalisation binaire

Expérience 3 Formats de signalisation binaire Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx

Plus en détail

Une espèce exotique envahissante: Le Roseau commun. ou Phragmites australis

Une espèce exotique envahissante: Le Roseau commun. ou Phragmites australis Une espèce exotique envahissante: Le Roseau commun ou Phragmites australis Indigène vs exotique Il y a deux sous-espèces de Phragmites australis, L indigène: n envahit pas le milieu, cohabite avec les

Plus en détail

Le drone en forêt : Rêve ou réalité de performance?

Le drone en forêt : Rêve ou réalité de performance? Le drone en forêt : Rêve ou réalité de performance? Denis Cormier, ing.f., M.Sc. et Udaya Vepakomma, PhD Colloque 2015, Ass. forestière Vallée du St-Maurice 5 mai 2015, Golf Le Mémorial, Shawinigan Agenda

Plus en détail

CHOU BIOLOGIQUE. Evaluation d aménagements floristiques sur la répartition intra-parcellaire des auxiliaires

CHOU BIOLOGIQUE. Evaluation d aménagements floristiques sur la répartition intra-parcellaire des auxiliaires CHOU BIOLOGIQUE Evaluation d aménagements floristiques sur la répartition intra-parcellaire des auxiliaires Essai de plein champ conditions expérimentales 1 Auteurs : Christian ICARD (Ctifl-SERAIL), Nadine

Plus en détail

Site d étude. Résultats

Site d étude. Résultats Avec la collaboration de l Université de Bretagne Occidentale, (Institut Universitaire Européen de la Mer, Laboratoire d'ecophysiologie et de Biotechnologie des Halophytes et Algues Marines) Site d étude

Plus en détail

Cours IV Mise en orbite

Cours IV Mise en orbite Introduction au vol spatial Cours IV Mise en orbite If you don t know where you re going, you ll probably end up somewhere else. Yogi Berra, NY Yankees catcher v1.2.8 by-sa Olivier Cleynen Introduction

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

Simulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat

Simulation d application des règles CNAV AGIRC ARRCO sur des carrières type de fonctionnaires d Etat CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 10 avril 2014 à 9 h 30 «Carrières salariales et retraites dans les secteurs et public» Document N 9 Document de travail, n engage pas le Conseil Simulation

Plus en détail

Master 2. Mention : «Ecosciences, Microbiologie» Domaine : Sciences Technologies Santé Responsable : F. Menu

Master 2. Mention : «Ecosciences, Microbiologie» Domaine : Sciences Technologies Santé Responsable : F. Menu Master 2 Mention : «Ecosciences, Microbiologie» Domaine : Sciences Technologies Santé Responsable : F. Menu Université Claude Bernard Lyon I Établissements cohabilités (spécialités 1,2,4) : INSA VetAgro

Plus en détail

Appui scientifique à la mise en œuvre de la Directive Cadre Européenne sur l Eau

Appui scientifique à la mise en œuvre de la Directive Cadre Européenne sur l Eau Appui scientifique à la mise en œuvre de la Directive Cadre Européenne sur l Eau Modèles pressions / impacts Approche méthodologique, modèles d extrapolation spatiale et modèles de diagnostic de l état

Plus en détail

Théorie des sondages : cours 5

Théorie des sondages : cours 5 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI 1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage

Plus en détail

Les débouchés des diplômés de L LMD Sciences de la Nature et de la Vie

Les débouchés des diplômés de L LMD Sciences de la Nature et de la Vie Les débouchés des diplômés de L LMD Sciences de la Nature et de la Vie Pour quel métier vous êtes fait? Des doutes sur ta formation actuelle : faut-il poursuivre? Vous avez une idée de métier mais est-ce

Plus en détail

Population responses to environmental forcing : approaches to model and monitor habitat characteristics

Population responses to environmental forcing : approaches to model and monitor habitat characteristics Approche systémique des pêches Boulogne-sur sur-mer 2008 Population responses to environmental forcing : approaches to model and monitor habitat characteristics Pierre Petitgas (1), M. Huret (1), B. Planque

Plus en détail

Thème 3. LA GESTION DES RECIFS ARTIFICIELS : CAS DU PARC MARIN DE LA COTE BLEUE

Thème 3. LA GESTION DES RECIFS ARTIFICIELS : CAS DU PARC MARIN DE LA COTE BLEUE Séminaire récifs artificiels en Languedoc : bilan et perspectives. 20 novembre 2008 Sète Thème 3. LA GESTION DES RECIFS ARTIFICIELS : CAS DU PARC MARIN DE LA COTE BLEUE Frédéric BACHET & Eric CHARBONNEL,

Plus en détail

Christophe SANNIER christophe.sannier@sirs-fr.com

Christophe SANNIER christophe.sannier@sirs-fr.com Systèmes d Information à Référence Spatiale Utilisation d un Estimateur de Régression avec des Données Landsat pour l Estimation de l Etendu et des Changements du Couvert Forestier du Gabon de 1990 à 2010

Plus en détail

DOSSIER DE PRESSE. Centre Beautour la biodiversité en Pays de la Loire Animateur de réseaux et catalyseur de projets de recherche

DOSSIER DE PRESSE. Centre Beautour la biodiversité en Pays de la Loire Animateur de réseaux et catalyseur de projets de recherche Centre Beautour la biodiversité en Pays de la Loire Animateur de réseaux et catalyseur de projets de recherche Inauguré en juin 2013, le centre régional pour la biodiversité Beautour redonne vie à l héritage

Plus en détail

Objectifs présentés. Discussion générale

Objectifs présentés. Discussion générale Risque de feux et productivité forestière, de part et d autre de la limite nordique d attribution des forêts dans un contexte de changements climatiques Sylvie Gauthier Collaborateur : Yves Bergeron, Martin

Plus en détail

Rapport d évaluation à mi-parcours de thèse

Rapport d évaluation à mi-parcours de thèse Rapport d évaluation à mi-parcours de thèse **************** Titre : Gestion de données complexes pour la modélisation de niche écologique Candidat : Ndiouma BAME Email : ndiouma.bame@lip6.fr Directeur

Plus en détail

LA RECHERCHE AU CENTRE DE FORESTERIE DES LAURENTIDES DE RESSOURCES NATURELLES CANADA. biomasse forestière

LA RECHERCHE AU CENTRE DE FORESTERIE DES LAURENTIDES DE RESSOURCES NATURELLES CANADA. biomasse forestière LA RECHERCHE AU CENTRE DE FORESTERIE DES LAURENTIDES DE RESSOURCES NATURELLES CANADA La biomasse forestière Mention de source De haut en bas et de gauche à droite Page 1 J. Morissette (RNCan) Page 2 N.

Plus en détail

Pagaie rouge. Lieu de pratique Plan d eau calme ou piscine comprenant un parcours sur deux buts (terrain 36 mètres par 20 mètres).

Pagaie rouge. Lieu de pratique Plan d eau calme ou piscine comprenant un parcours sur deux buts (terrain 36 mètres par 20 mètres). Compétences Compétences générales Naviguer avec vitesse et précision (performance) en s engageant et en prenant des informations pertinentes dans un contexte très complexe et incertain de déplacement,

Plus en détail

L ombre commun dans le canton de Vaud

L ombre commun dans le canton de Vaud Centre de conservation de la faune et de la nature Inspection de la pêche Chemin du Marquisat 1 1025 St-Sulpice Service des forêts, de la faune et de la nature www.dse.vd. vd.ch T 021 557 86 30 F 021 557

Plus en détail

M. F. PITA Departamento de Geografía Física. Universidad de Sevilla. C/ María de Padilla s.n. 41.002-SEVILLA (Espagne). mfpita@cica.

M. F. PITA Departamento de Geografía Física. Universidad de Sevilla. C/ María de Padilla s.n. 41.002-SEVILLA (Espagne). mfpita@cica. Un nouvel indice de sécheresse pour les domaines méditerranéens. Application au bassin du Guadalquivir (sudo-uest de l Espagne). En: Un nouvel indice de sécheresse pour les domaines méditerranéens. Application

Plus en détail

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :

t 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre : Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant

Plus en détail

Mesure agnostique de la qualité des images.

Mesure agnostique de la qualité des images. Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire

Plus en détail

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes

STA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités

Plus en détail

Classe de première L

Classe de première L Classe de première L Orientations générales Pour bon nombre d élèves qui s orientent en série L, la classe de première sera une fin d étude en mathématiques au lycée. On a donc voulu ici assurer à tous

Plus en détail

EXAMEN DES PROPOSITIONS D'AMENDEMENT DES ANNEXES I ET II. Autres propositions

EXAMEN DES PROPOSITIONS D'AMENDEMENT DES ANNEXES I ET II. Autres propositions Prop. 11.33 EXAMEN DES PROPOSITIONS D'AMENDEMENT DES ANNEXES I ET II Autres propositions A. Proposition Transférer Eunymphicus cornutus cornutus de l'annexe II à l'annexe I. La perruche de la chaîne a

Plus en détail

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude et variabilité : la nécessité de les intégrer dans les modèles Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre

Plus en détail

La biodiversité : oui! Mais pourquoi?

La biodiversité : oui! Mais pourquoi? La biodiversité : oui! Mais pourquoi? On entend souvent parler de l importance de la biodiversité sans jamais savoir pourquoi elle est si importante que cela, est-ce que la sélection naturelle n est pas

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

Chapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3

Chapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3 Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des

Plus en détail

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

Plus en détail

CBBC Canadian Business & Biodiversity Council

CBBC Canadian Business & Biodiversity Council CBBC Canadian Business & Biodiversity Council Centre de la Science de la Biodiversité du Québec 72 chercheurs et 350 étudiants en thèse distribués sur un réseau de 8 partenaires universitaires et 2 institutions.

Plus en détail

La biodiversité : enjeu scientifique et enjeu éthique

La biodiversité : enjeu scientifique et enjeu éthique La biodiversité : enjeu scientifique et enjeu éthique Jane Lecomte Pr Université Paris-Sud jane.lecomte@u-psud.fr Unité Ecologie, Systématique, Evolution Bât. 360 et 362, Faculté des Sciences d Orsay UMR

Plus en détail

un environnement économique et politique

un environnement économique et politique Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque

Plus en détail