Télécharger le fichier pdf d’un mémoire de fin d’études
Description botanique et phénologie
Le Tsiperifery est une liane dioïque à tige devenant ligneuse, grimpant à 5-20 m sur les arbres. Ses rameaux sont stériles et rampent ou grimpent en adhérant au support par des racines crampons naissant au niveau des nœuds. Il présente des feuilles simples, entières, alternes, uniquement cordiformes chez les plantules et les jeunes plantes. Le Tsiperifery présente une inflorescence en grappe solitaire, opposée aux feuilles. Les fruits sont pédonculés globuleux de couleur rouge ou rouge orangé à maturité (RAZAFIMANDIMBY, 2011).
Figure 1 : Racine crampon de Tsiperifery (RAKOTONASOLO, 2009)
Les lianes adultes présentent deux types de rameaux manifestant un dimorphisme foliaire (RAZAFIMANDIMBY, 2011) :
– rameaux plagiotropes reproductifs à feuilles oblongues qui se ramifient et forment un feuillage dense autour du tronc du tuteur et produisent des inflorescences donc des infrutescences (grappes) ;
– rameaux orthotropes végétatifs à feuilles cordiformes qui développent des racines-crampons adhésives au niveau des nœuds et s’accrochent sur les écorces des arbres tuteurs.
Figure 2 : Liane présentant un dimorphisme foliaire (RATSARAEFATRARIVO, 2012)
La fructification des pieds de poivre sauvage s’avère très irrégulière. Les populations de Tsiperifery connaissent deux pics de fructification, l’un en juin-juillet et l’autre, en septembre-novembre. Un pied ne fructifie qu’une fois dans l’année. Cependant, il est possible de trouver des grappes à maturité de début mars à fin janvier, en très petites quantités en dehors de ces pics de fructification. D’autre part, la maturation des grappes nécessite 2 à 4 mois. Ainsi, sur le même plant, les lianes sont à maturité différente. De même, sur la même grappe, les grains ne sont pas matures simultanément (TOUATI, 2012).
Figure 3 : Tsiperifery en fructification présentant une forte variabilité dans la maturité des grappes (RATSARAEFATRARIVO, 2012)
La fructification connaît également de fortes variations interannuelles, avec généralement une année de production très abondante suivie d’une année de très faible production. Cette alternance de la productivité n’a pas lieu en même temps pour chacune des lianes. Ainsi une liane peu connaître une fructification abondante alors qu’une autre à proximité peut ne pas fructifier du tout.
La reproduction du Tsiperifery est surtout végétative par les tiges, les racines ou stolons. Des essais de bouturage ont été également effectués pour la multiplication de l’espèce en vue de sa domestication. Il faut préciser que quatre (4) morphotypes de Tsiperifery ont été décrits jusqu’à présent (cf. annexe 1)
Niche écologique
Le Tsiperifery se rencontre surtout dans la partie orientale de Madagascar, particulièrement dans la forêt dense humide sempervirente orientale. Selon RAZAFIMANDIMBY (2011), la répartition de ces lianes est dépendante de la couverture forestière du fait que c’est une espèce à tempérament sciaphile et les bas-fonds sont principalement leur habitat privilégié. Les plantules sont effectivement et extrêmement abondantes, par îlots ; dans des zones très ombragées et sur les substrats forestiers humides (RATSARAEFATRARIVO, 2012). Néanmoins, le Tsiperifery a une mauvaise tolérance à la perturbation de son habitat et supporte mal les trouées et les ouvertures de la canopée (RAZAFIMANDIMBY, 2011).
Matériels
Afin de déterminer la distribution potentielle du poivre sauvage de Madagascar, il a fallu des données d’observation de l’espèce et des variables environnementales. Concernant les bassins d’approvisionnement, différents jeux de données ont également été indispensables. Les données utilisables pour la réalisation de cette étude sont :
– des points d’occurrence géoréférencés de l’espèce qui ont été collectés au niveau de l’Herbarium de Tsimbazaza, du DRFGRN de FOFIFA et sur le site web Tropicos (www.tropicos.org) afin de constituer les données d’observation. Au total, 193 points d’occurrence du Tsiperifery à Madagascar ont été recensés. Ce nombre de points est largement suffisant pour le lancement de la modélisation sur MaxEnt ;
– 19 variables bioclimatiques de l’IPCC (http://www.ipcc-data.org/sres/hadcm3_download.html) en guise de contraintes pour la modélisation ; s’ajoutent à cela les couches raster sur l’altitude SRTM (http://gdex.cr.usgs.gov/gdex/) et la couverture forestière en 2013 (issue du PERR-FH) puis celle en 2100 (issue d’une prédiction avec les données concernant les forêts à Madagascar sur http://bioscenemada.cirad.fr/maps/) ;
– celles sur le réseau routier, sur les limites et les chefs-lieux de districts à Madagascar qui sont géoréférencées et issues de BD5002 (1998) et BD_commune (2008), essentielles pour l’identification des bassins d’approvisionnement potentiels.
Différents logiciels ont été mobilisés dans le cadre de ce travail afin d’atteindre les objectifs, dont : Excel 2103 pour l’enregistrement des données GPS, ArcGIS 10.3 pour les prétraitements (uniformisation) et traitements des données sur l’aire de distribution, les surfaces exploitables et les bassins de collecte, MaxEnt 3.3.3.k pour la production des cartes de répartition potentielle du Tsiperifery et QGIS 2.12.2 pour la prédiction de la couverture forestière en 2100.
Méthodes
Détermination de l’aire potentielle de répartition du Tsiperifery
Notion d’entropie maximale
L’entropie est une fonction, fondamentale en théorie de l’information, qui retourne à la quantité d’information délivrée/contenue par une source S (SHANNON, 1948). Pour une source S comportant n symboles, un symbole i a une probabilité pi d’apparaître. Alors l’entropie de la source S est définie comme suit :
Equation 1 : Formule de l’entropie (SHANNON, 1948) H(S) = – ∑ =1 log2 (pi) Avec : H(S) étant l’indice de SHANNON.
L’entropie est une mesure d’« incertitude ». Plus la source émet des informations différentes, plus l’entropie (incertitude) est grande et inversement. Si la source émet des valeurs avec le même signal, alors l’entropie est nulle ; par contre, elle est maximale quand les valeurs prennent chacune un signal différent car dans ce cas la distribution est uniforme et la source S est maximalement informative. En d’autres termes, l’entropie correspond à la caractérisation statistique de l’information manquante (VENDITTI, 1998).
La maximisation de l’entropie se base sur deux (2) principes :
– le principe du rasoir d’Occam « L’hypothèse la plus simple est souvent la bonne », c’est-à-dire qui ne présume pas au-delà de ce qui est connu ;
– le principe d’indifférence (LAPLACE) : en cas d’information manquante, le mieux à faire est de considérer les événements comme équiprobables (distribution uniforme).
Le maximum d’entropie (MaxEnt) consiste à choisir, pour un phénomène donné, une distribution qui maximise l’entropie (SHANNON), c’est-à-dire « l’incertitude ». Il correspond à la loi de probabilité permettant de prendre en compte un maximum d’incertitude dans le processus de modélisation. Cette modélisation est réalisée à partir de données observées et en fonction de contraintes connues (ELITH et al., 2011 ; S. J. PHILLIPS et al., 2006 ; S. J. PHILLIPS et al., 2004). Le modèle statistique MaxEnt est principalement utilisé en écologie des populations, il permet d’évaluer la distribution spatiale potentielle de taxa grâce à des données d’observation accompagnées de variables environnementales.
Choix de la méthode
Il arrive souvent que les données de présence disponibles ne couvrent pas la totalité de l’aire de distribution naturelle d’une espèce. Les programmes de modélisation de la distribution d’espèces comme MaxEnt (PHILIPS et al., 2006) permettent d’approcher la distribution dans sa globalité et sont des outils pratiques pour identifier les zones où il y a des chances de trouver une espèce. Les résultats de l’analyse de modélisation de la distribution d’espèces peuvent être utilisés dans différentes analyses spatiales combinées, par exemple pour évaluer l’impact des changements climatiques sur la distribution d’espèces, identifier les zones de collecte ou les zones appropriées et la production forestière.
Le programme MaxEnt identifie, comme zones d’occurrence possible d’une espèce, les sites où les conditions environnementales sont comparables à celles où l’espèce a déjà été observée. Pour identifier ces zones de distribution potentielle, les données requises comprennent les points de présence de l’espèce et les rasters des variables environnementales qui couvrent la zone étudiée. Le modèle calcule alors la probabilité de la présence de l’espèce dans chaque cellule des rasters utilisés.
La distribution avec l’entropie maximale est celle qui est la plus uniforme et, donc, celle qu’il serait le moins arbitraire d’utiliser pour représenter une connaissance imparfaite. En pratique, c’est la distribution qui contient le moins de cas particuliers qui divergent de ce qui est le plus probable. Elle ne présume pas au-delà des données.
MaxEnt comporte un certain nombre de points forts :
– Il ne nécessite en entrée que des données de présence, en complément des variables environnementales sur toute la zone d’étude (LAHOZ-MONFORTet al., 2010 ; PEARSON et al., 2006 ; PECK et al., 2010 ; S. J. PHILLIPS et al., 2004 ; THORN et al., 2009). Il peut donc se passer de données d’absence pour fonctionner.
– Il permet aussi bien l’utilisation de variables quantitatives que qualitatives (ELITH et al., 2011 ; FRIEDLAENDER et al., 2011 ; THUILLER et MÜNKEMÜLLER, 2005).
– Des algorithmes déterministes efficients ont été développés, et garantissent une convergence vers la distribution optimale (ELITH et al., 2011).
Modélisation de la distribution du Tsiperifery
Pour que MaxEnt puisse traiter les rasters environnementaux, ces derniers doivent avoir les mêmes propriétés, résolution et coordonnées des coins ou sommets (vertices). D’où, avant d’entrer les données dans le programme, certains prétraitements se sont imposés que ce soit pour la distribution actuelle ou pour la prédiction en 2100.
Tout d’abord, les points GPS recensés ont dû être convertis en degré décimal et le fichier Excel a été enregistré au format « .csv ». Ensuite pour les variables d’environnement, quelques règles ont été respectées :
– la conversion des rasters en « .asc » s’est effectuée dans ArcGIS par la fonction : conversion tools, from raster to ascii ;
– les différents fichiers ont tous dû se trouver dans le même répertoire ;
– pour obtenir la même emprise sur l’ensemble de la zone d’étude il a fallu procéder à une extraction par masque avec le polygone cote5003 (Extract by mask dans Spatial Analysis Tools) ;
– et les différentes couches d’environnement doivent impérativement être à la même résolution.
Le module Resample dans ArcGIS est employé à cet effet et la résolution choisie pour cette étude à été de 1 km².
Une fois ces quelques prétraitements terminés, il a suffi d’introduire les données dans MaxEnt pour qu’il puisse déterminer les zones de probabilité de présence du Tsiperifery. L’un des paramètres utilisés pour évaluer la capacité prédictive d’un modèle généré par MaxEnt est la Surface Incluse sous la Courbe (en anglais : AUC) de la courbe Receiver Operating Characteristic (ROC) (annexe 2).
Le sous-ensemble de la zone prédite (Fractional predicted area) sur l’axe X fait référence au sous-ensemble de l’aire totale de l’étude où l’espèce est modélisée, alors que la sensibilité (Sensivity) sur l’axe Y fait référence à la proportion de points de présence dans l’aire d’occurrence prédite par rapport au nombre total de points de présence (PHILIPPS, 2009). L’AUC est égal à la vraisemblance qu’un point de présence choisi au hasard soit situé dans une cellule du raster avec une plus grande probabilité d’occurrence de l’espèce qu’un point d’absence choisi au hasard. Pourtant, la modélisation de la distribution d’espèce dans le programme ne prend en compte que les points de présence. Afin de pouvoir quand même calculer l’AUC, MaxEnt remplace les points d’absence par des points de la zone d’étude générés de manière aléatoire. L’AUC peut alors être interprété comme la vraisemblance qu’un point de présence choisi au hasard soit situé dans une cellule du raster avec une plus grande probabilité d’occurrence de l’espèce qu’un point généré aléatoirement (PHILIPS et al., 2006).
Un modèle généré par MaxEnt atteint le plus haut pouvoir prédictif lorsque l’AUC a une valeur de 1. Ce serait le cas si tous les points de présence avaient une plus haute probabilité que les points générés aléatoirement. En pratique, aucun AUC ne sera inférieur à 0,5. Dans ce cas, les cellules du raster où il y a des points de présence n’ont pas une probabilité supérieure à celle des cellules du raster où il y a des points générés aléatoirement, et le modèle généré par MaxEnt n’a aucun pouvoir prédictif. Cette situation est reflétée dans le graphique par la courbe de référence Random Prediction. ARAÙJO et al. (2005) recommandent l’interprétation suivante de l’AUC pour les modèles générés : Excellente si AUC>0,90 ; Bonne si 0,80<AUC<0,90 ; Acceptable si 0,70<AUC<0,80 ; Mauvaise si 0,60<AUC<0,70
; Invalide si 0,50<AUC<0,60. Une autre fonctionnalité permettant d’évaluer la viabilité du modèle consiste à réserver une partie des données d’observation (Test data) pour éprouver la qualité de la distribution probable. 30% des données d’observation ont donc été affectées à cette vérification de la viabilité des modèles par le biais des valeurs de l’AUC.
Pour la suite de l’étude, un seuil donné par MaxEnt a été considéré ; il représente la probabilité minimale qu’une espèce soit présente dans l’environnement d’une cellule spécifique. Ce concept suppose que les sites qui ont une probabilité supérieure au seuil ont des conditions climatiques et géophysiques appropriées pour l’espèce, tandis que cette dernière ne se trouverait pas dans les sites en dessous du seuil. Plus le seuil est élevé, plus les aires de distribution potentielle sont réduites. Il n’y a pas de valeur de seuil normalisée mais dans cette analyse, le seuil de 10 percentile training presence (annexe 3) est utilisé : c’est la probabilité que 90% des points de présence tombent dans cette aire potentielle. Les 10% restant, qui tombent en dehors de l’aire potentielle, sont ceux qui ont un environnement atypique, qui n’entrent pas dans les limites de la niche effective. Ce choix a pour but de faciliter les analyses des données mais il faut aussi noter que les modèles sans filtrage spatiale avec un seuil de 10% de l’aire de répartition ont une sensitivité significative (DARREN, 2014).
Néanmoins, sachant que le Tsiperifery nécessite la présence de couverture forestière pour se développer, seules les surfaces comprises dans les forêts ayant une probabilité supérieure au seuil de 10 percentile training presence sont considérées comme des aires de présence potentielle de l’espèce.
Prédiction de la couverture forestière en 2100
Le choix de cette date réside dans le fait que les effets des changements climatiques et de la déforestation se ressentent mieux entre des dates assez éloignées ; mais il est aussi dû à la disponibilité des données. Afin de pouvoir sortir le modèle de distribution du Tsiperifery en 2100, il a fallu prédire l’évolution de la couverture forestière pour cette année. Pour cela, le module MOLUSCE de QGIS a été utilisé ; il permet d’analyser, modéliser et simuler les changements d’utilisation des terres et de couverture. En guise de jeu de données, les cartes de couverture forestière à différentes périodes (1953, 1973, 1990, 2000, 2010, 2014)4 ont été entrées avec comme facteur de déforestation le réseau routier. Le module calcule les variations de la couverture entre deux périodes (T1 et T2). Des matrices et des cartes de transition pour le changement de couverture ont été alors produites.
MOLUSCE utilise Artificial Neural Network (ANN) ou réseau neuronal artificiel qui est un ensemble d’algorithmes optimisés par des méthodes d’apprentissage de type probabiliste permettant de créer des classifications rapides.
Il simule également des automates cellulaires, qui consiste en une grille régulière de « cellules » contenant chacune un « état » choisi parmi un ensemble fini et qui peut évoluer au cours du temps (la présence ou non de couverture forestière dans ce cas). L’état d’une cellule au temps t+1 est fonction de l’état t d’un nombre fini de cellules appelé son « voisinage ». Ce qui lui permet de modéliser le changement potentiel de la couverture forestière entre deux périodes et de simuler une carte de couverture future.
Cependant, afin d’évaluer le pouvoir prédictif de cet outil, la matrice de confusion et l’indice Kappa ont été employés. Il s’agit de s’assurer de la précision de la classification de la couverture forestière en 1990 en utilisant comme base de données les cartes de 1953 et 1973 mais aussi celle en 2010 par le biais des cartes de 1990 et 2000. Pour ce faire, il a été question de comparer les cartes de couverture forestière en 1990 et en 2010 par rapport à celles prédites par MOLUSCE à la même date et d’en déduire la précision de prédiction de ce dernier. La méthode s’est appuyée sur un échantillonnage aléatoire, c’est-à-dire que 3000 points ont été générés de manière aléatoire sur les cartes de couverture forestière puis les valeurs des pixels correspondant à ces points ont été extraites. La matrice de confusion permet ainsi de grouper les différences entre les cartes prédites par MOLUSCE et les cartes de référence4. La somme des éléments de la diagonale représente le nombre total de pixels correctement classés. Le rapport de ce nombre et du nombre total de pixels de la matrice donne la « précision globale » de la classification (Benhadj, 2008).Les erreurs de classification sont de deux types : omission et commission. Les erreurs d’omission surviennent chaque fois qu’un pixel qui aurait dû être affecté à une classe n’a pas été reconnu. Les erreurs de commission apparaissent quand les pixels associés à une classe sont incorrectement identifiés. L’indice Kappa évalue à partir de la matrice de confusion l’accord entre les prédictions et la référence. Il varie de 0 à 1 et s’interprète comme suit : accord très faible de 0 à 0,20 ; accord faible de 0,21 à 0,40 ; accord modéré de 0,41 à 0,60 ; accord important de 0,61 à 0,80 et accord presque parfait de 0,81 à 1 (BLUM et al., 1995).
Equation 2 : Formule de l’indice Kappa (CONGALTON, 1991)
Avec r : Nombre de lignes dans la matrice de confusion
xii : Nombre d’observations sur la ligne i et la colonne i
xi+ et x+i : Totaux marginaux de la ligne i et de la colonne i respectivement
N : Nombre d’observations total
Cette équation peut s’écrire de la manière simplifiée suivante :
Avec Po : Pourcentage réel obtenu de la classification de la couverture forestière
Pc : Probabilité pour obtenir une classification correcte
Calcul des surfaces exploitables
Le but étant de faire sortir pour chaque district la superficie propice au développement du Tsiperifery. Le module Calculate Areas dans ArcGIS a été employé à cet effet, il calcule les valeurs de surface de chaque entité appartenant à une classe d’entités surfaciques.
Figure 4 : Illustration du module Calculate areas
Puis l’analyse des données issues de ce module s’est effectuée sur Excel ; permettant ainsi de séparer les superficies comprises dans les AP, les NAP et les transferts de gestion de celles qui sont en dehors pour la période actuelle. Néanmoins, pour la prédiction de distribution de l’espèce en 2100, le calcul de ces surfaces a également été fait par district afin de voir et de comparer l’évolution de la répartition future par rapport à la distribution actuelle mais sans tenir compte des AP, NAP et transferts de gestion car ces paramètres peuvent changer au cours du temps. Il s’agit seulement d’avoir un ordre d’idée des effets des changements climatiques et de la déforestation sur l’aire potentielle de répartition du Tsiperifery.
Accessibilité aux bassins d’approvisionnement
L’accessibilité peut être définie comme la capacité d’interaction ou de contact avec des sites d’intérêt économique ou social (DEICHMANN, 1998), mais il existe une multitude de façons de définir ce concept intuitif dans la littérature. L’accessibilité est définit comme la facilité avec laquelle un emplacement peut être atteint à partir d’autres endroits. En Géographie, l’accessibilité d’un lieu est généralement définie comme la plus ou moins grande facilité avec laquelle ce lieu peut être atteint à partir d’un ou de plusieurs autres lieux, par un ou plusieurs individus susceptibles de se déplacer à l’aide de tout ou partie des moyens de transport existants (COQUIO, 2008).
Ainsi, l’accessibilité ne renvoie pas uniquement à la seule possibilité d’atteindre ou non un lieu donné, mais elle traduit également la pénibilité du déplacement, la difficulté de la mise en relation appréhendée le plus souvent par la mesure des contraintes spatio-temporelles. De ce fait, elle va dépendre non seulement de la position géographique respective des lieux d’origine et de destination, mais également du niveau de service offert par le ou les systèmes de transport utilisés pour accomplir le déplacement. Les bassins d’approvisionnement de Tsiperifery ont été estimés à partir des conditions d’accessibilité déterminées par le réseau routier (routes, pistes et chemins), les pentes et la distance aux marchés (Chefs-lieux de districts). Ces bassins d’approvisionnement ont été conçus comme la portion du territoire immédiatement accessible aux marchés dans lesquels le bilan de l’offre potentielle et de la consommation du poivre sauvage est positif.
Pour mettre en évidence l’accessibilité aux bassins d’approvisionnement de Tsiperifery, la méthode par isochrones a été utilisée. Un isochrone est une ligne sur une carte qui joint des points d’égal temps de trajet à partir d’un point de référence donné. Plusieurs facteurs influent sur la forme des isochrones, tels que :
– la structure du réseau routier, qui peut faire qu’il sera possible de se déplacer plus rapidement dans certaines directions que d’autres ;
– le mode de déplacement utilisé ; ainsi une isochrone à 10 minutes (donc tous les lieux qui peuvent être atteints en moins de 10 minutes) aura une surface plus importante si le déplacement se fait en voiture que si celui-ci est la marche à pied.
Dans le cas de cette étude, la marche a été privilégiée car l’approvisionnement en Tsiperifery se fait surtout en forêts et les déplacements se font généralement à pied. L’outil Cost distance dans ArcGIS a été employé pour le calcul de cette accessibilité par rapport aux bassins d’approvisionnement. Il faut préciser que tous les outils de distance de coût nécessitent à la fois un jeu de données source (marchés) et un raster de coût en entrée (surface de friction). La surface de friction ou friction surface se définie comme l’effort à mobiliser pour parcourir l’espace. Elle se compose d’une grille ou image bidimensionnelle où chaque pixel de l’image représente soit le fond du territoire (pentes pour cette étude) soit les couches de voie de transport telles que les routes, les fleuves ainsi que les rivières (CONESA, 2010).
Chaque surface possède ses propres caractéristiques. Une route goudronnée, par exemple, permet un temps de parcours plus rapide qu’un chemin de terre accidenté. Pour calculer le temps « contrainte » pour parcourir un pixel, une matrice de friction a été élaborée pour tenter d’intégrer les facteurs les plus influents sur les conditions d’accès à la ressource qui est le Tsiperifery. La vitesse de marche couramment admise est de 4 km/h donc le temps mis pour traverser un pixel (100 m) est d’environ 2 minutes ce qui est admissible sur les routes, pistes et chemins. Mais selon la pente, ce temps de parcours est variable. Afin de lancer le module, les jeux de données en entrée doivent être convertis en format raster avec une zone tampon de 45 m de part et d’autre pour le réseau routier (buffer). Il est important de noter que les coûts attribués aux facteurs agissent sur l’accessibilité aux bassins d’approvisionnement de la ressource.
Les valeurs de multiplication des pentes ont été prises de manière générale vu que le calcul de l’accessibilité dans la présente étude est à défaut de l’occupation du sol. Or le temps de déplacement sur différents types d’occupation n’est pas le même ; par exemple le temps mis pour parcourir une forêt dense sur une pente comprise entre 0° et 10° ne sera pas pareil à celui pour parcourir une savane herbeuse sur une même pente. Donc, cette généralisation des valeurs de multiplication permet quand même de prendre en compte la difficulté de déplacement à travers toute la zone d’étude.
La matrice de friction finale est obtenue par la multiplication des deux couches d’information dans raster calculator. Cette étape combine les éléments de friction des pentes et des réseaux routiers dans un même raster, avec la logique suivante :
Equation 4 : Impédance de la zone d’étude (ANDY, 2000) Friction = Pente x Précédence (Routes, zones urbaines, occupation du sol, …)
Du point de vue de la cellule, l’objectif de l’outil cost distance est de déterminer le chemin de moindre coût pour atteindre une source (marchés dans ce cas) pour chaque emplacement de cellule dans la fenêtre d’analyse. Autrement-dit, il permet de créer un raster en sortie dans lequel chacune des cellules se voit attribuer le coût cumulé du déplacement jusqu’à la cellule source la plus proche. Les valeurs de coût attribuées à chacune des cellules représentent le coût par unité de distance pour le déplacement à travers chaque cellule, c’est-à-dire, si la taille de cellule est exprimée en mètres, le coût affecté à la cellule est le temps nécessaire pour parcourir un mètre dans la cellule.
La résolution est de 100 mètres pour la carte d’accessibilité, donc le coût total de déplacement horizontal ou vertical à travers la cellule (ou pixel) serait le coût affecté multiplié par la longueur verticale ou horizontale du pixel.
Equation 5 : Valeur de friction pour une cellule (traversé horizontal ou vertical) (ANDY, 2000)
Coût total = Coût x 100
Coût total = Coût x 100
Pour voyager en diagonale à travers la cellule, le coût total serait 1,414 fois le coût de déplacement dans la cellule multiplié par la résolution de cette dernière.
Equation 6 : Valeur de friction pour un pixel (traversé diagonal) (ANDY, 2000)
Coût diagonal total = 1.414 x Coût x 100
Limites méthodologiques
Les données utilisées constituent une limite méthodologique lors de l’exécution des démarches mentionnées. En effet, les données bioclimatiques entrées dans MaxEnt pour la détermination de la distribution actuelle du Tsiperifery sont datées de 2000 ; or des changements se sont produits entre temps. Les données plus récentes ont une résolution très faible et ne permettent pas de mieux distinguer la distribution de l’espèce au niveau national.
Les données concernant la production par pieds et la densité de Tsiperifery ne sont pas fiables car les chiffres donnés par différents auteurs sont très variés. Ce qui fait que l’étude s’est limitée à fournir des superficies au lieu du stock disponible de la ressource. Enfin, le calcul de l’accessibilité n’a pas pris en compte l’occupation du sol car les données y afférentes au niveau national ne sont pas sures et manquent de précision donc seuls les facteurs pentes et réseaux routiers ont été retenus. Une des limites de cette étude est aussi l’absence de travaux de terrain pour la validation des points de présence de l’espèce. Cette validation s’est alors basée sur une partie des points géoréférencés à disposition.
|
Table des matières
Introduction
Partie 1 : Matériels et Méthodes
1.1. Problématique
1.2. Hypothèses
1.3. Etat des connaissances
1.3.1. Systématique du Tsiperifery
1.3.2. Description botanique et phénologie
1.3.3. Niche écologique
1.4. Matériels
1.5. Méthodes
1.5.1. Détermination de l’aire potentielle de répartition du Tsiperifery
1.5.1.1. Notion d’entropie maximale
1.5.1.2. Choix de la méthode
1.5.1.3. Modélisation de la distribution du Tsiperifery
1.5.1.4. Prédiction de la couverture forestière en 2100
1.5.2. Calcul des surfaces exploitables
1.5.3. Accessibilité aux bassins d’approvisionnement
1.6. Limites méthodologiques
1.7. Résumé Méthodologique
1.8. Cadre opératoire
Partie 2 : Résultats
2.1. Distribution du Tsiperifery
2.1.1. Prédiction de la couverture forestière en 2100
2.1.2. Modèles de distribution proprement-dit du Tsiperifery
2.2. Détermination des surfaces exploitables
2.3. Identification des bassins d’approvisionnement
Partie 3 : Discussions et Recommandations
3.1. Discussions méthodologiques
3.2. Discussions sur les résultats
3.2.1. Distribution potentielle du Tsiperifery
3.2.2. Surfaces de présence de l’espèce
3.2.3. Bassins d’approvisionnement
3.3. Vérification des hypothèses
3.4. Recommandations
Conclusion
Références Bibliographiques
Annexe 1 : Description des quatre morphotypes de Tsiperifery (RAFITOHARSON, 2016)
Annexe 2 : Illustration de la courbe ROC sur MaxEnt pour le modèle de distribution actuelle
Annexe 3 : Illustration du seuil de 10 percentile training presence donné par MaxEnt
Annexe 4 : Cartes des couvertures forestières prédites en 2047, 2075 et 2100
Annexe 5 : Plages de valeurs des variables influençant la distribution du Tsiperifery
Annexe 6 : Surfaces de présence du Tsiperifery par district pour selon le modèle de distribution actuelle
Annexe 7 : Surfaces de présence du Tsiperifery par district pour selon le modèle de distribution potentielle en 2100
Annexe 8 : Niche écologique du Tsiperifery issue de l’étude en 2011 (par RAZAFIMANDIMBY) XIII
Télécharger le rapport complet
