MODÉLISATION DE LA TEMPÉRATURE DANS LES

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)