M O D É L I S AT I O N D E L A T E M P É R AT U R E L E S P R É A L P E S VA U D O I S E S Gauthier Sandoz, master en biogéosciences Sous la direction de: Prof. Antoine Guisan & Jean-Nicolas Pradervand Département d’Écologie et Évolution (Unil) 14 janvier 2014 Photo: G.Sandoz DA N S Sources: Guisan & Zimmerman (2000), modifié de Guisan (cours de modélisation, Msc BGS) 2 Species Distribution Modeling (SDM) ≡ climate envelope-modeling, habitat modeling, environmental/ecological niche-modeling,.. Sources: Guisan & Zimmerman (2000), modifié de Guisan (cours de modélisation, Msc BGS) 2 Species Distribution Modeling (SDM) ≡ climate envelope-modeling, habitat modeling, environmental/ecological niche-modeling,.. = chercher relations mathématiques entre distributions géographiques d’espèces et conditions environnementales. Concept de la niche écologique Sources: Guisan & Zimmerman (2000), modifié de Guisan (cours de modélisation, Msc BGS) 2 Species Distribution Modeling (SDM) ≡ climate envelope-modeling, habitat modeling, environmental/ecological niche-modeling,.. = chercher relations mathématiques entre distributions géographiques d’espèces et conditions environnementales. Humidité Concept de la niche écologique Température Sources: Guisan & Zimmerman (2000), modifié de Guisan (cours de modélisation, Msc BGS) 2 Species Distribution Modeling (SDM) ≡ climate envelope-modeling, habitat modeling, environmental/ecological niche-modeling,.. = chercher relations mathématiques entre distributions géographiques d’espèces et conditions environnementales. Humidité Concept de la niche écologique Température Sources: Guisan & Zimmerman (2000), modifié de Guisan (cours de modélisation, Msc BGS) 2 Species Distribution Modeling (SDM) ≡ climate envelope-modeling, habitat modeling, environmental/ecological niche-modeling,.. = chercher relations mathématiques entre distributions géographiques d’espèces et conditions environnementales. Humidité Concept de la niche écologique Température Sources: Guisan & Zimmerman (2000), modifié de Guisan (cours de modélisation, Msc BGS) 2 Sources: modifié de Guisan (cours de modélisation, Msc BGS) 3 Récolte des données Sources: modifié de Guisan (cours de modélisation, Msc BGS) 3 Modèle statistique (calibration) Humidité Récolte des données Température Sources: modifié de Guisan (cours de modélisation, Msc BGS) 3 Modèle statistique (calibration) Prédictions spatiales Humidité Récolte des données Température Sources: modifié de Guisan (cours de modélisation, Msc BGS) 3 Modèle statistique (calibration) Prédictions spatiales Humidité Récolte des données Température Nouvelles distributions potentielles dans le temps et l’espace ! Sources: modifié de Guisan (cours de modélisation, Msc BGS) ∆ variables env. 3 Planning conservation Sélection zones protégées Hypothèses biogéographiques & évolutives Suivi espèces invasives Impacts utilisation des terres SDMs Impacts changements climatiques … Sources: voir par exemple Guisan et al. (2013 et 2005), Svenning et al. (2011) 4 Sources: Projets EcoSpat (Groupe Guisan, Unil), Pradervand et al. (2013). Schéma: Pradervand J.-N. 5 S p a t i a l E c o l o g y G r o u p ( P r o f. G u i s a n , U n i l ) Modélisation en domaine alpin (Préalpes vaudoises) : Sources: Projets EcoSpat (Groupe Guisan, Unil), Pradervand et al. (2013). Schéma: Pradervand J.-N. 5 S p a t i a l E c o l o g y G r o u p ( P r o f. G u i s a n , U n i l ) Modélisation en domaine alpin (Préalpes vaudoises) : • Milieu très hétérogène, nombreux micro-habitats • Modèles à très haute résolution nécessaires Besoin de prédicteurs précis Sources: Projets EcoSpat (Groupe Guisan, Unil), Pradervand et al. (2013). Schéma: Pradervand J.-N. 5 S p a t i a l E c o l o g y G r o u p ( P r o f. G u i s a n , U n i l ) Modélisation en domaine alpin (Préalpes vaudoises) : • Milieu très hétérogène, nombreux micro-habitats • Modèles à très haute résolution nécessaires Besoin de prédicteurs précis Actuellement: précision des modèles ne permet pas de capturer tout les habitats potentiels Sources: Projets EcoSpat (Groupe Guisan, Unil), Pradervand et al. (2013). Schéma: Pradervand J.-N. 5 S p a t i a l E c o l o g y G r o u p ( P r o f. G u i s a n , U n i l ) Modélisation en domaine alpin (Préalpes vaudoises) : • Milieu très hétérogène, nombreux micro-habitats • Modèles à très haute résolution nécessaires Besoin de prédicteurs précis Actuellement: précision des modèles ne permet pas de capturer tout les habitats potentiels Mon travail de master: Améliorer et créer des variables environnementales à très hautes résolutions Sources: Projets EcoSpat (Groupe Guisan, Unil), Pradervand et al. (2013). Schéma: Pradervand J.-N. 5 Sources: Pradervand et al. (2013), Lassueur et al. (2006), schéma Pradervand J.-N. 6 Prédicteurs environnementaux: 1) Données topographiques: altitude, pente, exposition, courbure, radiations solaires,.. Sources: Pradervand et al. (2013), Lassueur et al. (2006), schéma Pradervand J.-N. 6 Prédicteurs environnementaux: 1) Données topographiques: altitude, pente, exposition, courbure, radiations solaires,.. Dérivées de DEM (Digital Elevation Model) à hautes résolutions Bonne précision déjà acquise Sources: Pradervand et al. (2013), Lassueur et al. (2006), schéma Pradervand J.-N. 6 Prédicteurs environnementaux: 1) Données topographiques: altitude, pente, exposition, courbure, radiations solaires,.. Dérivées de DEM (Digital Elevation Model) à hautes résolutions Bonne précision déjà acquise 2) Données climatiques: températures journalières, degrés-jours, humidité, enneigement,.. Sources: Pradervand et al. (2013), Lassueur et al. (2006), schéma Pradervand J.-N. 6 Prédicteurs environnementaux: 1) Données topographiques: altitude, pente, exposition, courbure, radiations solaires,.. Dérivées de DEM (Digital Elevation Model) à hautes résolutions Bonne précision déjà acquise 2) Données climatiques: températures journalières, degrés-jours, humidité, enneigement,.. Interpolées de données météorologiques Résolution plus faible Variables à améliorer! Sources: Pradervand et al. (2013), Lassueur et al. (2006), schéma Pradervand J.-N. 6 Prédicteurs environnementaux: 1) Données topographiques: altitude, pente, exposition, courbure, radiations solaires,.. Dérivées de DEM (Digital Elevation Model) à hautes résolutions Bonne précision déjà acquise 2) Données climatiques: températures journalières, degrés-jours, humidité, enneigement,.. Interpolées de données météorologiques Résolution plus faible Variables à améliorer! Mon travail de master Sources: Pradervand et al. (2013), Lassueur et al. (2006), schéma Pradervand J.-N. 6 Sources: Schéma personnel, Lassueur et al. (2006), modifié de Guisan (cours de modélisation, Msc BGS) 7 Approche par interpolation stations météoSuisse Sources: Schéma personnel, Lassueur et al. (2006), modifié de Guisan (cours de modélisation, Msc BGS) 7 Approche par interpolation stations météoSuisse Sources: Schéma personnel, Lassueur et al. (2006), modifié de Guisan (cours de modélisation, Msc BGS) 7 Approche par interpolation stations météoSuisse Phénomènes à variation constante, diffusifs Sources: Schéma personnel, Lassueur et al. (2006), modifié de Guisan (cours de modélisation, Msc BGS) 7 Approche par interpolation Approche prédictive stations météoSuisse Phénomènes à variation constante, diffusifs Sources: Schéma personnel, Lassueur et al. (2006), modifié de Guisan (cours de modélisation, Msc BGS) 7 Approche par interpolation Approche prédictive stations météoSuisse Phénomènes à variation constante, diffusifs Phénomènes à variation fine, irrégulière Sources: Schéma personnel, Lassueur et al. (2006), modifié de Guisan (cours de modélisation, Msc BGS) 7 Sources: modifié de Guisan (cours de modélisation, Msc BGS) 8 Récolte des données Sources: modifié de Guisan (cours de modélisation, Msc BGS) 8 Récolte des données Modèle statistique (calibration) Sources: modifié de Guisan (cours de modélisation, Msc BGS) 8 Récolte des données Modèle statistique (calibration) Sources: modifié de Guisan (cours de modélisation, Msc BGS) Prédictions spatiales 8 Sources: schéma personnel, Maxim Integrated, Pradervand J.-N. 9 iButton Temperature Logger (DS1922L): Paramétrables Précision: ± 0.5°C Résolution: 0.0625°C Mesures de -40°C à +85°C Intervalle de mesure : 2h Sources: schéma personnel, Maxim Integrated, Pradervand J.-N. 9 iButton Temperature Logger (DS1922L): Paramétrables Précision: ± 0.5°C Résolution: 0.0625°C Mesures de -40°C à +85°C Intervalle de mesure : 2h Deux à trois loggers par site Sol: -5 à-10cm Air: 5-10cm 2m: 2m Sources: schéma personnel, Maxim Integrated, Pradervand J.-N. 9 iButton Temperature Logger (DS1922L): Paramétrables Précision: ± 0.5°C Résolution: 0.0625°C Mesures de -40°C à +85°C Intervalle de mesure : 2h Deux à trois loggers par site Sol: -5 à-10cm Air: 5-10cm 2m: 2m Sources: schéma personnel, Maxim Integrated, Pradervand J.-N. 9 iButton Temperature Logger (DS1922L): Paramétrables Précision: ± 0.5°C Résolution: 0.0625°C Mesures de -40°C à +85°C Intervalle de mesure : 2h Deux à trois loggers par site Sol: -5 à-10cm Air: 5-10cm 2m: 2m J.-N. Pradervand Sources: schéma personnel, Maxim Integrated, Pradervand J.-N. 9 Sources: schéma personnel, MétéoSuisse, SwissTopo. Infos zone: voir Randin et al. (2009) 10 Sites MétéoSuisse (7) 0 8 16 km Sources: schéma personnel, MétéoSuisse, SwissTopo. Infos zone: voir Randin et al. (2009) 10 Sites MétéoSuisse (7) Loggers Soil & Air (83) Loggers Soil, Air & 2m (13) 0 8 16 km Sources: schéma personnel, MétéoSuisse, SwissTopo. Infos zone: voir Randin et al. (2009) 10 données brutes script personnel matrice-sol matrice-air matrice-2m sol air 2m enneig. Sources: schéma personnel BIOMOD Végétation, insectes,… 11 1 . Tr a i t e m e n t d e s I n p u t données brutes script personnel matrice-sol matrice-air matrice-2m sol air 2m enneig. Sources: schéma personnel BIOMOD Végétation, insectes,… 11 1 . Tr a i t e m e n t d e s I n p u t 2. Cartes T°C modélisées données brutes script personnel matrice-sol matrice-air matrice-2m + sol air 2m enneig. Sources: schéma personnel BIOMOD Végétation, insectes,… 11 1 . Tr a i t e m e n t d e s I n p u t 2. Cartes T°C modélisées données brutes script personnel matrice-sol matrice-air matrice-2m 3. Modèles de distribution d’espèces sol air 2m enneig. Sources: schéma personnel BIOMOD Végétation, insectes,… 11 1 . Tr a i t e m e n t d e s I n p u t 2. Cartes T°C modélisées données brutes script personnel Amélioration du pouvoir prédictif des SDMs ? matrice-sol matrice-air matrice-2m 3. Modèles de distribution d’espèces sol air 2m enneig. Sources: schéma personnel BIOMOD Végétation, insectes,… 11 Sources: schéma personnel, Guisan (cours de modélisation, Msc BGS) 12 2. Cartes T° & enneig. modélisées matrice-sol matrice-air Prédict. topo: MNT + MNS Courbure Pente Expo Srad ... matrice-2m Effets du paysage: Effet des glaciers Circulation Vallée … + sol air 2m Cartes journalières (min / max / moy.) enneig. Cartes journalières Sources: schéma personnel, Guisan (cours de modélisation, Msc BGS) 12 2. Cartes T° & enneig. modélisées Modèles statistiques matrice-sol matrice-air Prédict. topo: MNT + MNS Courbure Pente Expo Srad ... -Model Linéaire Généralisé (GLM), GAM, Classification Trees (CT), .. -Ensemble? matrice-2m Effets du paysage: Effet des glaciers Circulation Vallée … + sol air 2m Cartes journalières (min / max / moy.) enneig. Cartes journalières Sources: schéma personnel, Guisan (cours de modélisation, Msc BGS) 12 2. Cartes T° & enneig. modélisées Modèles statistiques matrice-sol matrice-air Prédict. topo: MNT + MNS Courbure Pente Expo Srad ... -Model Linéaire Généralisé (GLM), GAM, Classification Trees (CT), .. -Ensemble? matrice-2m Effets du paysage: Effet des glaciers Circulation Vallée … Evaluer le modèle Validation croisée (ex: 70% - 30%) puis R2, AUC, KAPPA, .. Réitéré 10’000x + sol air 2m Cartes journalières (min / max / moy.) enneig. Cartes journalières Sources: schéma personnel, Guisan (cours de modélisation, Msc BGS) 12 Source: Pradervand J.-N 13 2m air (5-10cm) sol (-5 à-10cm) J.-N. Pradervand Source: Pradervand J.-N 13 temps (∆ saisons) sites (∆ altitude) Source: figure personnelle 14 Source: Buri et al. (In Press) 15 Cartes de températures modélisées: Attendues plus précises car: (1) Jeu de donnée plus important (2) Modèle intégrant de nombreux prédicteurs Source: Buri et al. (In Press) 15 Cartes de températures modélisées: Attendues plus précises car: (1) Jeu de donnée plus important (2) Modèle intégrant de nombreux prédicteurs Permettent SDMs plus performants ? Meilleurs outils pour conservation, impacts changements climatiques,.. Source: Buri et al. (In Press) 15 Cartes de températures modélisées: Attendues plus précises car: (1) Jeu de donnée plus important (2) Modèle intégrant de nombreux prédicteurs Permettent SDMs plus performants ? Meilleurs outils pour conservation, impacts changements climatiques,.. Recherches complémentaires / futures: Amélioration autres prédicteurs: humidité, facteurs édaphiques,.. Nouveau jeu de prédicteurs complets à très hautes résolutions Source: Buri et al. (In Press) 15 MERCI ! 59 Buri A., Pradervand J.-N., Pinto-Figueroa E., Adatte T., Spangenberg J., Yashiro E., Guisan A (In Press) Predicting plant distribution: does edaphic factor matter? Ecospat – Spatial Ecology Group. Projets MODIPLANT & BIOASSEMBLE. http://www.unil.ch/ecospat/page88398_ en.html Guisan A., Zimmerman N. (2000) Predictive habitat distribution models in ecology. Ecological Modelling 135, pp. 147–186 Guisan A., Thuiller W. (2005) Predicting species distribution: offering more than simple habitat models. Ecology Letters (2005) 8, pp.993-1009 Guisan A., Tingley R., Baumgartner, J.B., NaujokaitisLewis I., Sutcliffe P.R. et al. (2013) Predicting species distributions for conservation decisions. Ecology Letters (2013) 16, pp.1424-1435 Guisan A. (2013) Support du cours de modélisation pour le Msc Biogéosciences. Département d’Ecologie et d’Evolution, Université de Lausanne, Suisse. Lassueur T., Joosta S., Randin C.F. (2006) Very high resolution digital elevation models: Do they improve models of plant species distribution? Ecological Modelling 198, pp.139-153 Maxim Integrated. http://www.maximintegrated.com/ Office fédéral de météorologie et de climatologie MétéoSuisse. Département fédéral de l’intérieur, Confédération suisse. http://www.meteosuisse.admin.ch/web/fr.html Pradervand J.-N., Dubuis A., Pelissier L., Guisan A., Randin C. (2013) Very high-resolution environmental predictors in species distribution models: moving beyond topography. Progress in Physical Geography Randin C.F., Jaccard H., Vittoz P., et al. (2009) Land use improves spatial predictions of mountain plant abundance but not presence-absence. Journal of Vegetation Science, 20(6), pp.996–1008 Svenning J.-C., Fløjgaard C., Marske K.A., Nógues-Bravo D., Normand S. (2011) Applications of species distribution modeling to paleobiology. Quaternary Science Reviews (2011) 30, pp.2930-2947 1. Equilibrium: species in equilibrium with their environment? 2. Niche conservatism: fitted niche constant over time and space? 3. Independence of biotic observations: are observations spatially uncorrelated? 4. Whole niche of species captured: are data used to fit the model spanning gradients larger than species’s tolerance? Source: Guisan (cours de modélisation, Msc BGS)