Mazel Florent INFLUENCE DE L'ENVIRONNEMENT SUR LA STRUCTURE DES COMMUNAUTES VEGETALES EN MILIEU ALPIN Le concept de biodiversité connait depuis quelques décennies un essor remarquable. De nombreuses décompositions de ce concept sont venues enrichir notre compréhension de la structure des communautés végétales. Ainsi on divise la biodiversité totale d'une région (biodiversité gamma) en biodiversité inter communautés (béta) et intra communautés (alpha). Ces indices peuvent s'exprimer en termes d'espèces ou en termes de fonctions biologiques. Pour définir ces indices de biodiversité fonctionnelle, le concept de traits fonctionnels (caractéristique morphologique, physiologique ou phénologique de la plante) est utilisé. Ici nous testons si les divers types de biodiversité de la vallée de la Guisane (Alpes Françaises) sont expliqués par les gradients environnementaux. Nous montrons effectivement que les paramètres climatiques, topographiques et édaphiques jouent un rôle significatif sur ces diversités. Par ailleurs il semble que la structuration à l'intérieur d'une communauté dépende des ressources limitantes du milieu (appartenant au gradient local) tandis que les différences de richesse et de composition entre communautés sont expliqués par les gradients régionaux. Introduction Le Laboratoire d'Ecologie Alpine (LECA) de Grenoble est constitué de trois équipes de recherche : l'équipe GPB (Génomique des Populations et Biodiversité), l'équipe PEX (Perturbations Environnementales et Xénobiotiques) et l'équipe TDE (Traits fonctionnels végétaux et Dynamique des Écosystèmes alpins) où j'ai travaillé. J'ai fondé mon étude sur la relation entre biodiversité et environnement. La biodiversité totale d'une région (gamma) peut-être divisée en deux composantes (Whittaker et al, 1972) : la diversité α et la β. La diversité α est une mesure de diversité intra communauté tandis que l'indice β reflète une différence de diversité entre communautés. Une communauté végétale est une zone de composition homogène d'espèce. La diversité utilisée dans les deux indices α et β peut être de différentes natures : elle peut être définie en terme de nombre d'espèces ou en termes de fonctions. Ainsi on défini une biodiversité spécifique ainsi qu'une fonctionnelle. La biodiversité α spécifique est simplement le nombre d'espèce et la β spécifique le turn-over d'espèces entre communautés. Pour définir la biodiversité en termes de fonctions on utilise les traits fonctionnels. Un trait fonctionnel est une caractéristique morphologique, physiologique ou phénologique ayant un impact indirect sur la fitness de la plante via ses effets sur sa croissance, sa reproduction et sa survie (Violle et al. 2007). Leur utilisation pourrait permettre de mieux comprendre la structuration des communautés végétales et en particulier leur lien avec l'environnement (McGill et al, 2006). Dans cette étude nous nous concentrerons sur deux traits importants : la hauteur végétative maximale qui reflète le pouvoir de développement de la plante et le SLA (Specific Leave Area, qui vaut la surface foliaire sur le poids sec foliaire) qui quantifie l'allocation de surface à la photosynthèse. Ce dernier trait différencie les espèces dîtes « consommatrices d'énergie » et les espèces plutôt « conservatrices ». Quelle est la relation entre biodiversité et environnement? En quoi cela peut il nous aider à comprendre la structure des communautés? Afin de répondre à ces questions , nous testons la corrélation entre la diversité α spécifique (=nombre d'espèces par communautés) / fonctionnelle et l'environnement. Pour tester l'effet de l'environnement sur la diversité β nous testons la corrélation entre la dissimilarité environnementale et spécifique des communautés. 1/10 Matériels & Méthodes Choix des espèces à échantillonner Site d'étude et données de communautés Notre site de recherche est localisé dans la vallée de la Guisane qui relie Briançon au col du Lautaret. Elle est orientée Sud-Est/Nord-Ouest et s'étend sur près de 20 km. Les espèces végétales présentent dans 107 communautés végétales couvrant un fort gradient de milieu (1296-2947m) ont été déterminées et leur couverture au sol mesurée lors de l'été 2007 par le botaniste Gilles Pellet (position latitude : entre 44°55 et 45°04, longitude : entre 6°22 et 6°38, Figure 1). Ces communautés sont définies comme une surface d'habitat homogène (i.e aire maximale au delà de laquelle la diversité en terme d'espèces n'augmente plus). La couverture au sol suit une l'échelle à cinq niveau (Braun-Blanquet et al, 1952) : 1: <10%; 2: 10-25%; 3: 25-50%; 4: 50-75%; 5: >75%. La couverture représente la surface occupée (à une hauteur donnée) par l'espèce dans la communauté. La somme de toutes les couvertures peut donc être supérieure à 100% étant donné que toutes les espèces ne vivent pas à la même hauteur. Au total 442 espèces ont été répertoriées. Col du Lautaret Dans cette étude nous avons utilisé la base de données ANDROSACE du LECA qui regroupe les traits fonctionnels d'une partie des espèces répertoriées dans nos sites d'étude. Cependant dans un souci de représentativité, une campagne d'échantillonnage a été effectuée. En effet la diversité fonctionnelle peut être estimée convenablement si les traits fonctionnels sont connus pour 80% de la biomasse de chaque communautés (Garnier, E. et al. 2004, Grime, J. P. 1998). Nous avons cherché les espèces pour lesquelles les traits fonctionnels étaient inconnus mais occupaient une part non négligeable de la biomasse totale de chaque communauté. Ceci nous a conduit à choisir et échantillonner en juin-juillet 2008, 100 espèces végétales allant de l'arbre à l'herbacée. Relevés d'espèces 12 (pour les mesures de traits) et 20 individus (pour les hauteurs) de chaque espèces ont été échantillonnés le matin (entre 8h et 11h30) afin de les préserver de la dessiccation. Les individus sont conservés dans milieu frais, humide et obscur jusqu'à leur étude. Par ailleurs, les individus recueillis ou mesurés sont relativement éloignés les uns des autres (afin d'éviter d'échantillonner deux fois le même individu = biais d'auto corrélation). Vers Grenoble Vers Briançon Figure 1 : Orthophotographie de la vallée de la Guisane et position des communautés étudiées. Les différentes communautés sont représentées en couleur, les flèches indiquent l'orientation de l'orthophotographie. Mesure des traits Différents traits fonctionnels ont été mesurés : le SLA ('Spécific Leaf Area', surface spécifique des feuilles) qui vaut le rapport de la surface foliaire sur le poids sec de la feuille, le LDMC ('Leaf dry matter content') qui représente la teneur en matière sèche et la hauteur végétative et d'inflorescence. La surface foliaire est calculée grâce au logiciel MideBMP, les pourcentages d'erreurs des mesures sont compris entre 0 et 5%. La masse sèche est mesurée après 3 jours à 60°C. Pour le détail de la mesure des traits, se reporter à Cornelisen et al (2003). Nous n'utiliserons que le SLA et la hauteur végétative dans l'exploitation des données. 2/10 Variables environnementales (2)Diversité α Les variables environnementales proviennent de différentes sources. Les données topographiques sont extraites d'un modèle numérique de terrain (MNT) de l'IGN à 50m de résolution. Les données climatiques sont extraites du modèle Aurhely de Météo France (1km*1km), désagrégé à une résolution de 50m (à l'aide d'un modèle qui utilise les paramètres topographiques pour préciser les variations dans le carré de 1km*1km). Pour chaque cellule de 50m x 50m on dispose donc d'une mesure de température, de radiation, de pluviométrie, d'aridité (index « Demartone »), de pente, de continentalité (« Gams »), de positions topographiques (« Positopo », grande catégories de positions topographiques vues sous l'angle du ruissellement : caractérisation des zones de départ et d'arrivée d'eau), d'altitude, de pente et d'orientation. On dispose également de variables édaphiques : teneur en matière organique, pH, teneur en limon, sable et argile, disponibilité en eau pour la plante, saturation en eau (capacité du terrain, quantité d'eau au delà de laquelle elle n'est plus retenue par les sols), point de flétrissement ( teneur en eau en deçà de laquelle la plante flétrit). La diversité α spécifique est mesurée par le nombre d'espèces (richesse spécifique) dans chaque communauté échantillonnée. La diversité α fonctionnelle peut quant à elle être exprimée en trois composantes complémentaires : la richesse, la régularité et la divergence (Villéger et al., 2008). Ces trois indices se servent de l'espace composé par les traits fonctionnels. Chaque espèce -ayant des valeurs particulières de traitest un point de l'espace. La richesse fonctionnelle correspond au volume qu'occupe une communauté dans cet espace. L'indice de régularité mesure la régularité de la distribution des espèces d'une même communauté (cet indice diminue si la distance (dans l'hypervolume) entre les espèces n'est pas régulière). Enfin, la divergence considère la déviation des traits des espèces vis à vis de la moyenne non pondérée de la communauté (une divergence de 1 traduit le fait que les espèces fortement abondantes sont éloignées de cette moyenne). Pour étudier comment les diversités α (spécifique et fonctionnelle) répondent à l'environnement (exprimé par les premiers axes de l'ACP), on utilise une analyse de régression linéaire . Différents modèles de complexité croissante ont été testés (termes linéaires et polynomiaux de degré 2). Le calcul de ces mesures nécessite d'avoir l'abondance relative de chaque espèce dans chaque communauté, tandis que les données que nous avons sont exprimées sous la forme d'un indice. L'abondance relative est estimée par la couverture relative. On calcule donc la part relative de couverture pour chaque espèce (en utilisant la moyenne des % que l'indice regroupe). Pour tester la validité des résultats découlant de ces mesures, nous avons créé une fonction permettant d'attribuer à chaque espèce un pourcentage (et non un indice non linéaire) de couverture. On tire un pourcentage aléatoire parmi ceux que l'indice regroupe. Pour chaque matrice ainsi construite,on calcule les indices de biodiversité, on teste les corrélations et on répète l'expérience 250 fois. On évalue ainsi si la distribution des r² est centré sur une valeur ou alors est totalement dépendante du tirage. La diversité β est estimée grâce à l'indice de Analyse statistique L'analyse statistique est effectuée sur le logiciel R (R Development Core Team (2008)). (1)Réduction de la dimension des variables environnementales: Pour éviter tout problèmes de multi-colinéarité et d'avoir trop de variables à expliquer, nous avons tout d'abord utiliser une analyse en composante principale (ACP, Rao 1964) qui permet de simplifier un jeu de données environnementales. Cette analyse extrait des axes simplifiés qui sont en fait des combinaisons linéaires des variables environnementales. On réduit ainsi la dimension de l'espace des variables et on évite toute colinéarité entre les variables (=les axes ne sont pas corrélés entre eux = ils sont orthogonaux). 3/10 Jaccard (Jaccard, 1901) qui est calculé entre deux communautés. Il vaut simplement le rapport du nombre d'espèces partagées entre les deux communautés sur le nombre total d'espèces retrouvées dans les deux communautés. Il ne tient donc pas compte de l'abondance de chaque espèces. On obtient donc une matrice de dissimilarité ou la case (i,j) correspond à l'indice de Jaccard entre les communautés i et j. On construit le même type de matrice pour l'environnement en utilisant la distance de Gower (Legendre & Legendre 1998) entre les sites. Pour cela on définit pour un axe une similitude entre deux communautés A et B : Sj = 1-( XAj - Xbj )/Rj où XAj est la valeur de la variable environnementale j pour la parcelle A. Rj est l'étendue de la variable j (= maximum – minimum). Sj est donc une similitude. On effectue ensuite la moyenne de cette distance pour toutes les variables. Il n'y a donc pas de pondération selon l'importance de la variable. Dans notre étude, nous utilisons les coordonnées de l'ACP de chaque communautés comme variable. A. Pour étudier la corrélation entre les matrices de dissimilarité, le test de Mantel (Legendre & Legendre 1998) est utilisé. Il compare simplement les deux matrices et calcule une pvalue en effectuant des randomisations des matrices et en recalculant le r². Résultats ACP de l'environnement L'analyse en composante principale a été effectuée avec l'ensemble des variables environnementales d'une part et l'ensemble des données topographiques et climatiques d'autre part. Les deux ACP montrent que trois axes (dans les deux cas) peuvent refléter l'essentiel de la variance environnementale (62% pour l'ACP globale et 77% pour l'autre). Chaque axe possède une corrélation avec les variables brutes (données non présentées) : pour l'ACP topographie/climat le premier axe représente en fait un axe de température/altitude tandis que le deuxième relève plutôt de la pente et de la radiation. Le troisième axe représente quant à lui un axe de continentalité. La deuxième ACP est une généralisation de la première puisqu'on B. Figure 2 : Illustration de l'analyse en composantes principales. A. ACP environnement global. B. ACP topographie/climat. Les graphiques possèdent les axes 1 et 2 de la ACP (respectivement à l'horizontale et à la verticale). Les différentes données environnementales sont représentées par des flèches dont l'orientation et la longueur dépendent de la corrélation avec les axes de l' ACP . 4/10 Axe1: Temp/%sable Axe2 : Mat-Orga/Fletrissement Axe3 : Dispo-H2O Axe1 : Temp/%sable réponse Axe2 : Mat-Orga/Fletrissement polynomiale Axe3 : Dispo-H2O Modèle saturé réponse linéaire tendance (-) (+) (-) lin(-) lin(+) lin(-) r² 0,06 0,09 0,070 0,08 0,11 0,08 0,27 P-value <0,02 <0,01 <0,02 <0,05 <0,01 <0,05 <0,01 Tableau 1 : Résultats de la régression linéaire entre le nombre d'espèce par communauté et leurs coordonnées sur les axes de l'ACP complète. Les deux modèles sont présentés comme « linéaire » et « polynomial ». Chaque gradient est testé, la tendance pour le modèle linéaire représente le signe du coefficient directeur de la droite. Dans le modèle polynomial, la tendance « lin » signifie que la composante linéaire est la seule significative dans le modèle. Les P-value sont calculée à partir du test des r² par rapport à 0. introduit les variables édaphiques. L'axe 1 est principalement un gradient d'altitude/température/précipitation mais aussi de teneur en sable/argile. L'axe 2 est relié à la teneur en matière organique du sol et au point de flétrissement du terrain. Enfin le troisième axe est surtout représentatif de la disponibilité en eau. Dans tous les cas, les axes de la ACP sont ordonnés par pourcentage de variabilité expliquée décroissante. Relation diversité α spécifique/environnement Il apparaît que les trois gradients jouent un rôle significatif et similaire sur la diversité α spécifique (tableau1). La composante linéaire est la seule significative. D'autre part les même tests effectués sur les axes de l'ACP climat/topographie font apparaître des pertes de significativité (données non représentées). Ceci permet de dire que les paramètres édaphiques jouent un rôle déterminant dans la structuration de la biodiversité α. Ainsi le nombre d'espèces diminue avec la température, la teneur en sable du sol et la disponibilité en eau et surtout augmente avec la teneur en matière organique du sol et le point de flétrissement. Au final 27% de la variabilité spécifique est expliquée par ces facteurs. Test de la méthode des indices Nous appliquons ici la répétition de calcul de r² (cf. Matériels&Méthodes). A titre d'exemple, on utilise la corrélation entre divergence fonctionnelle et gradient température/%sable. Il apparaît que le r² suit une loi normale. La moyenne des r² a donc une valeur statistique puisque la dispersion des valeurs de corrélations n'est pas uniforme. La part explicative du jeu de données n'est que peu dépendante de la méthode de passage des indices à l'abondance. La moyenne de l'intervalle des % de couverture couvert par les indices a donc été utilisée pour estimer l'abondance de chaque espèce dans chaque communauté. 5/10 Figure 3 : Histogrammes des valeurs de r² et de p-value pour la corrélation entre la divergence fonctionnelle et le gradient température/%sable après 250 répétitions. 250 répétitions du calcul de la corrélation ont été réalisées. La fréquence est exprimée en nombre d'occurrences. Temp/%sable réponse Mat-Orga/Fletrissement linéaire Dispo-H2O Temp/%sable réponse Mat-Orga/Fletrissement polynomiale Dispo-H2O Modèle saturé tendance (+) lin(+) Richesse r² 0,17 0,03 0,015 0,19 0,03 0,02 0,27 P-value <0,001 NS NS <0,001 NS NS <0,001 Régularité tendance r² 0,0004 (-) 0,05 0,03 0,0007 pol(-) lin(-) 0,12 0,05 0,15 P-value NS <0,05 NS NS <0,01 NS NS Divergence tendance r² (+) 0,09 0,02 (-) 0,05 lin(+) 0,1 0,06 pol(-)lin(-) 0,1 0,26 P-value <0,01 NS <0,03 <0,02 NS <0,02 <0,001 Tableau 2 : Résultats de la régression linéaire entre la diversité fonctionnelle d'une communauté et ses coordonnées sur les axes de l'ACP totale. Les deux modèles sont présentés comme « linéaire » et « polynomiale ». Chaque gradient est testé, la tendance pour le modèle linéaire représente le signe du coefficient directeur de la droite. Dans le modèle polynomial, la tendance « lin » signifie que la composante linéaire est la seule significative dans le modèle, la tendance « lin()pol() » indique que les deux facteurs jouent un rôle similaire. Les P-value sont calculées à partir du test des r² par rapport à 0. 6/10 Relation diversité fonctionnelle/environnement La richesse fonctionnelle est significativement corrélée linéairement au gradient de température/ %sable(tableau 2). Elle est indépendante des autres facteurs édaphiques. On peut retrouver cette observation en testant la richesse fonctionnelle contre les axes de l'ACP topographie/climat (données non représentées). On s'aperçoit alors que la corrélation avec le modèle saturé est forte (r²=0,42). Par ailleurs les trois gradients répondent significativement à cet indice (le modèle polynomial étant le meilleur). Ainsi la richesse fonctionnelle augmente avec la température, la continentalité et diminue avec la radiation. autres axes jouent un rôle mineur, surtout celui correspondant au gradient de pente/radiation qui n'a aucun impact significatif sur la diversité β. L'axe représentant la continentalité joue un rôle significatif mais faible (<1% de variabilité expliquée). Il est à noter que la variabilité expliquée par le modèle complet n'est pas la somme des variabilités observées par les trois axes. Ceci vient du fait que le modèle complet est construit différemment ici. En fait le « modèle complet » se traduit par une distance environnementale de Gower tenant en compte les trois axes de variations. Ceci ne peut donc pas conduire à une additivité des variabilités expliquée par les trois axes comme dans une régression linéaire simple. Une forte régularité est expliquée par une faible teneur en matière organique et un bas point de flétrissement. Cette réponse semble être davantage polynomiale que linéaire (r² de 0,12 au lieu de 0,05). L'utilisation de l'ACP topographie/climat n'est en aucun cas significative (données non représentées), ce qui confirme l'importance des paramètres édaphiques. T°/Altitude Pente/Rad Gams Modèle complet Une forte divergence est en partie expliquée par une forte température/teneur en sable et une faible disponibilité en eau. Les gradients topographiques et climatiques purs (ACP topo/climat) n'expliquent pas mieux cette diversité (r² du modèle saturé = 0,16, données non représentées). Une fois de plus les paramètres édaphiques jouent un rôle prépondérant. Relation diversité β/environnement. r² 0.28142 P-value <0.01 8.2e-07 NS 0.00614 <0.01 0.17423 <0.01 Tableau 3 : Tests de Mantel : relation entre βdiversité et dissimarité environnementale topographique et climatique. Seule la corrélation linéaire a été testée ici. Le modèle complet correspond à une distance environnementale de Gower calculée à partir des 3 axes de l'ACP. Discussion Les résultats des tests de Mantel sont présentés dans le tableau 3. Seul les corrélations avec les gradients topographiques et climatiques sont représentés ici. En effet les axes de l'ACP globale explique moins bien la dissimilarité spécifique (données non représentées). Il semble clair que le gradient température/Précipitation joue un rôle primordial dans l'établissement de la dissimilarité spécifique. Il explique plus de 28% de la variabilité observée (p-value<0,01). Les deux Données environnementales et traits fonctionnels Les données environnementales, bien que nombreuses, sont insuffisantes pour expliquer toutes la variabilité végétale. Un biais est introduit lors de l'utilisation des données édaphiques. En effet elles ne sont présentent que sur 82 parcelles, ce qui obligent à réduire à ce nombre les données climatiques et topographiques. Malgré le nombre limité de 7/10 traits fonctionnels utilisés, leurs nature permet plus stressantes et plus dure pour les plantes : les d'appréhender une partie importante des ressources sont plus limitées (la matière fonctions de la plante (Westoby, 1998). organique retient les nutriments dans le sol). Ainsi une forte régularité pourrait permettre aux Choix des modèles végétaux d'exploiter différemment les ressources. Concernant le point de flétrissement, cela paraît Le modèle linéaire a été choisis pour sa plus contradictoire. En effet l'abaissement de ce simplicité et sa rapidité. Cependant rien ne peut point conduit à un plus large spectre de teneur en laisser penser que la biodiversité va répondre eau du sol où la plante peut survivre. Ainsi on linéairement à l'environnement. On s'attendrait s'attendrait à voir la régularité baisser. Cependant plutôt (Austin, 1989) à la présence d'un la ressource limitante dans la vallée de la optimum. Le modèle polynomial permet de Guisane est davantage la matière organique que repérer ce type de réponse. la teneur en eau (Thuiller et al, données non publiées). Ainsi la teneur en matière organique Richesse d'espèces et richesse fonctionnelle serait plus structurante pour les communautés. La divergence augmente avec la baisse de la Le « filtre environnemental » semble être un disponibilité en eau. Ceci montre que dans des facteur structurant les communautés. Il agit conditions relativement stressantes, les espèce théoriquement plus au niveau des fonctions abondantes utilisent des ressources différentes végétales qu'au niveau des espèces elles-mêmes par rapport aux autres espèces. Ainsi il est (deux espèces différentes peuvent avoir des traits possible que certaines plantes utilisent la plupart fonctionnels très similaires). On s'attend donc à des ressources en eau du sol tandis que d'autres, avoir davantage de corrélation en richesse plus spécialistes, survivent avec peu d'eau. La fonctionnelle qu'en richesse en termes d'espèces. présence de trois sempervivum (espèce grasse, Même si l'on ne retrouve pas cette hypothèse au adaptée à la sécheresse, avec un faible SLA, niveau des r² observée, les p-values sont plus considérée comme un spécialiste) dans une significatives dans le cas de la richesse communauté relativement aride illustre cette fonctionnelle, ce qui permet d'appuyer notre interprétation. hypothèse. Importance des gradients régionaux et locaux Apport des indices de biodiversité fonctionnelle dans la structuration des communautés dans la compréhension des structurations des communautés Les gradients de topographie et de climat sont régionaux tandis que les gradients La richesse fonctionnelle augmente caractéristiques du sol sont plutôt locaux (et donc significativement avec la température. Or cette très variables entre sites). Il semble que la augmentation peut se traduire par un structuration inter-communauté (β diversité) et la métabolisme accéléré et donc une facilité accrue richesse fonctionnelle des communautés pour la plante à se développer. Ceci pourrait dépendent des gradients régionaux. A l'inverse, la permettre aux plantes « d'explorer » de nouvelles structuration intra communautaire (divergence, fonctions permettant d'utiliser d'autres régularité) semble davantage expliqué par les ressources. Ainsi la richesse fonctionnelle se gradients locaux. Ce résultat permet de trouverait augmentée. comprendre que l'environnement explique à Habituellement une forte régularité fonctionnelle plusieurs échelles les diverses structurations des augmente la complémentarité fonctionnelle entre communautés. les différentes espèces, diminuant ainsi la La β diversité est évaluée par l'indice de Jaccard. compétition et favorisant le développement. Ici Ceci introduit nécessairement une perte elle augmente avec la diminution de matière d'information sur la structuration inter organique et le point de flétrissement. La baisse communauté. En effet l'abondance peut de matière organique conduit à des conditions différencier deux communautés de composition 8/10 en espèce identique. Une nouvelle étude tenant Méditerranéenne, Montpellier, France, compte de l'abondance dans le calcul de Publication CNRS. dissimilarité serait intéressante. Cornelissen, J.H.C., Lavorel, S., Garnier, E., Élargissement Díaz, S., Buchmann, N., Gurvich, D.E., Reich, P.B., ter Steege, H., Morgan, H.D., van der Dans cette étude, seule la diversité β spécifique a Heijden, M.G.A., Pausas, J.G., & Poorter, H. été étudiée. Cependant il existe des indices qui (2003) Handbook of protocols for standardised quantifie le turn-over de traits fonctionnels entre and easy measurement of plant functional traits communautés. Il serait judicieux de les comparer worldwide. Australian Journal of Botany, 51, à la même dissimilarité utilisée dans cette étude. 335-380. Par ailleurs les arbres de régression pourraient nous aider à tester les diverses intéractions entre Garnier, E. et al. 2004. Plant functional markers les variables environnementales (ce qui n'est pas capture ecosystem properties during secondary possible dans le modèle linéaire utilisé). Ces succession. Ecology 85: 26302637. arbres cherchent à trouver quelles combinaisons de fourchettes des variables environnementales Grime, J. P. 1998. Benefits of plant diversity to ecosystems: immediate, filter and founder expliquent le mieux la diversité observée. Enfin la compréhension de la structuration de la effects. J. Ecol. 86: 902 910. biodiversité est primordial pour comprendre dans quelle mesure les changements climatiques Jaccard P.(1901) Bulletin de la Société Vaudoise des Sciences Naturelles 37, 241-272. globaux vont affecter la flore. Remerciements Legendre, Numerical Elsevier. P. and Ecology. Legendre, L. (1998) 2nd English Edition. Pour la collecte des données extérieures : Sandra McGill BJ, Enquist B, Weiher E, Westoby M Lavorel et Marie-Pascale Colace, Cécile, (2006) Rebuilding community ecology from Philippe Choler, le Leda, Claire Lavergne pour functional traits. Trends Ecol Evol 21:178–185. l'extraction du Leda, Florence. R Development Core Team (2008). R: A language and environment for statistical Pour le reste : Wilfried pour tout, Rémi pour les computing. R Foundation for Statistical reconnaissances, Isabelle pour R, Francesco pour Computing, Vienna, Austria. ISBN sa bonne humeur permanente, Sébastien pour ses 3-900051-07-0, URL http://www.R-project.org. remarques et son serieux, Cécile pour ses conseils, Loïc pour l'entraide, Roland et Serge Rao, C. R. (1964), The use and interpretation of pour les déterminations, D.Mouillot pour les principal correspondence analysis in applied scripts R de calcul de diversité fonctionelle. research. Sankhya A 26:329-359. Références bibliographiques Villeger S., Mason W.H., Mouillot D., (2008) New multidimensional functional diversity indices for a multifaceted framework in functional ecology, Ecology Austin, M. P., and T. M. Smith. 1989. A new model for the continuum concept. Vegetatio Violle C., Navas M.-L., Vile D., Kazakou E., 83:35-47. Fortunel C., Hummel I., Garnier E. (2007) Let the concept of trait be functional! Oikos Braun-Blanquet J., Roussine N., Nègre R. (1952), Les groupements végétaux de la France Westoby, M. 1998. A leaf-heigh-seed (LHS) 9/10 plant ecology strategy scheme. Plant and soil. 199:213-227 Whittaker, R.H. (1972). Evolution and measurement of species diversity. Taxon, 21, 213-251. 10/10