Outil de typologie des pâturages sahéliens à partir d`analyses
publicité
Fiche technique n° 3 Amélioration de la production fourragère en zone tropicale Juin 2012 Outil de typologie des pâturages sahéliens à partir d’analyses multivariées I. Domaines concernés Cette fiche est destinée aux chercheurs et aux techniciens d’élevage. Ces derniers porteront l’essentiel du message aux éleveurs. II. Définition La typologie des pâturages correspond aux différentes unités de végétation pâturées d’une région ou d’un parcours. C’est une classification de la végétation à partir de la structure des espèces (physionomie) ou des relevés floristiques (composition floristique). III. Objectifs Dans cette fiche nous envisageons la méthode de discrimination des différentes unités de pâturages en combinant les méthodes de relevé phytosociologique (relevés floristiques) et d’analyses multivariées. IV. Description de la méthode 4.1. Données à récolter Pour faire la typologie des pâturages, il est indispensable de disposer des relevés floristiques de la zone ou du parcours. Pour cela, il faut faire les relevés floristiques de la zone ou du parcours suivant un plan d’échantillonnage choisi (gradient environnemental, stratification, etc.) (Godron, 1971). Cet inventaire floristique doit être réalisé au moment du pic de végétation (Saadou, 1984). 4.2. Méthodes de relevés floristiques Deux types de mesures peuvent être entrepris : - les mesures quantitatives : l’analyse linéaire de points quadrats (Daget et Poissonet, 1971) ; - les mesures semi-quantitatives : méthode d’évaluation de l’abondance- dominance de Braun-Blanquet (1932). La classification de Braun-Blanquet est un moyen pour estimer visuellement la couverture de chaque espèce en un site donné. On distingue 6 classes de recouvrement moyen de la végétation : 5 : espèce à recouvrement moyen de 87,5%; 4 : espèce à recouvrement moyen de 62,5%; 3 : espèce à recouvrement moyen de 37,5%; 2 : espèce à recouvrement moyen de 15%; 1 : espèce à recouvrement moyen de 3%; + : espèce à recouvrement moyen de 0,5%. 4.3. Traitements des données Les analyses multivariées se partagent en deux grandes classes : les méthodes d'ordination, qui ordonnent les relevés selon des gradients, et les méthodes de classification, qui classent 1 les relevés dans des groupes. Développées par des écoles de pensée opposées, elles sont maintenant considérées comme deux outils complémentaires pour représenter l'information d'un fichier multivarié. Les méthodes d'ordination et de classification sont très nombreuses. On ne les détaillera pas ici, vu l'abondante littérature qui existe sur le sujet. Étant donné leur qualité et leur clarté, deux ouvrages (Jongmann et al., 1987 ; McCune & Grace, 2002) ont servi de référence pour notre choix des analyses multivariées. En outre, deux logiciels performants sont associés aux deux ouvrages, respectivement le logiciel PCORD (McCune & Grace, 2002) et le logiciel CANOCO (Ter Braak, 1988). a. Méthodes d’ordinations Les méthodes d'ordination ont pour objectif de représenter les objets étudiés dans un nouvel espace caractérisé par un nombre moindre de dimensions orthogonales, et donc indépendantes les unes des autres. Ces nouvelles dimensions sont appelées axes principaux, dont l'ordre est déterminé par l'importance de l'information originale qu'ils expliquent. Dans cette fiche, trois méthodes d'ordination sont utilisées : l'analyse en composantes principales, l'analyse factorielle des correspondances et l'analyse canonique des correspondances. Analyse Factorielle des Correspondances (AFC) Mise au point par Benzecri (1964) et Cordier (1965), l’AFC apparaît comme l’outil privilégié pour le traitement des données floristiques. Cette technique a pour objet de décrire sous forme de graphique le maximum d’information contenu dans un tableau de données, croisant des individus et des variables (espèces x relevés). La représentation graphique de la projection des relevés et des espèces sur les axes factoriels permettra de déterminer le gradient écologique sous-tendant chacun des axes (Figure 1). Figure 1. Discrimination de cinq types de pâturage à partir d’une AFC appliquée à 76 relevés et 162 espèces, logiciel utilisé est PCORD 5 (Soumana et al., 2012) Analyse en Composantes Principales (ACP) L’ACP est utilisée pour synthétiser l’information contenue dans un grand nombre de variables. Les composantes principales issues de la combinaison linéaire des variables originales, sont de nouvelles variables, possédant chacune une variance maximum qui permet la représentation graphique de grands tableaux de données trop complexes à 2 décrire par les méthodes graphiques habituelles. Sur la carte factorielle, ces variables sont représentées par des vecteurs (Legendre & Legendre, 1984). Plus une variable est corrélée à un axe, plus l’information qu’elle apportait en particulier est maintenant exprimée par cet axe (figure 2). Légende : topographie : DEP = dépression, PENEPLAI = pénéplaine, FIX-DUN = dune fixée ; Texture : SAND-SILT = Sablo-limoneuse, SAND = sableuse ; FALLOW = jachère Figure 2. Discrimination des même pâturages (figure 1) à partir d’une NMS appliquée à au à 76 relevés et 162 espèces et, aux variables environnementales, logiciel utilisé est PCORD 5 (Soumana et al., 2012) Analyse Canonique des Correspondances (ACC) Technique directe d’analyse de gradient, l’ACC permet d’élucider les relations existant entre les relevés (ou espèces) et les variables environnementales (Gauch & Wentworth, 1976 ; ter Braak, 1986 ; Palmer, 1993). Un autre avantage de cette technique est de tester la signification des variables environnementales sur la distribution des espèces en utilisant le test de permutation de Monte Carlo. A la place de l’ACC, on peut utiliser l’Analyse Canonique de Redondance (ACR) (figure 3). 0.8 Axe 2 Ae_Sl Ca++ Bs_Cb Mg++ CEC Pass. S pH Gt_Cs At_Dh C/N Ba_Sp Sp_Br Sb_Bx CE Ptot. Lp_As C -0.6 An_Ec -0.6 Axe 1 1.0 Légende : Lp_As : Groupement à Leptadenia pyrotechnica- Aristida sieberiana ; Sb_Bx : groupement à Sclerocarya birreaBrachiaria xantholeuca ; At_Dh : groupement à Acacia tortilisDigitaria horizontalis ; Bs_Cb : groupement à Boscia senegalensis-Cenchrus biflorus ; Ba_Sp : groupement à Balanites aegyptiaca- Setaria pallide fusca ; Sp_Br : groupement à Salvadora persicaBrachiaria ramosa ; Gt_Cs : groupement à Grewia tenax-Cymbopogon schonantus ; Ae_Sl : groupement à Acacia erhenbergiana-Sesbania leptocarpa ; An_Ec : groupement à Acacia nilotica- Echinochloa colona Figure 3. ACC appliquée à neuf groupements végétaux pâturés et aux variables édapho-chimiques (Ca++, pH, Mg++, CEC, Pass, Ptot, C, S, C/N), le logiciel utilisé est CANOCO 4.5 (Soumana, 2011). 3 b. Les Méthodes de classification ou de groupement (cluster analysis) Les techniques de classification sont également nombreuses et permettent de repartir les éléments (espèces ou relevés) d’un ensemble en groupes (cluster), c'est-à-dire une partition d’un ensemble en groupement (figure 4). Chaque groupe doit être le plus homogène possible et les groupes doivent être les plus différents possibles entre eux (Chessel et al., 2004). De plus, one se contente pas d’une partition, mais on cherche une hiérarchie de partitions, qui constitue un arbre binaire de classification appelé dendrogramme (Podani et al., 2000). La hiérarchisation peut être ascendante (agglomérative, agrégative), quand elle associe les objets et les groupent les uns après les autres pour terminer par un seul groupe ou descendante (divisive), quand elle subdivise les groupes jusqu’à obtenir autant de groupes qu’il a d’objet (Dufrêne, 1998). Toutes ces méthodes de classifications nécessitent l’utilisation d’un indice similarité ou de distance (dissimilarité). Dans toutes les classifications, le choix de l’indice similarité ou de dissimilarité est décisif car les résultats obtenus sont très différents selon l’indice utilisé. Il existe en effet de nombreux indices de similarité ou dissimilarité. Sans être exhaustif et entrer dans le détail de des méthodes de classification, on peut énumérer les indices suivants et leurs algorithmes mathématiques : o L’indice de Whittaker o L’indice de Jaccard o L’indice de Sorensen Figure 4. Classification hiérarchique de 76 relevés et 162 espèces suivant TWINSPAN (Two-Way Indicator Species Analysis), le logiciel utilisé est PCORD 5 (Soumana et al., 2012). 4 V. Intérêts et limites d’application Les techniques d’analyses multivariées utilisées dans l’étude de la typologie des pâturages sont nombreuses. Cependant elles nécessitent au préalable une bonne connaissance des plantes, une maitrise des analyses multivariées et des méthodes d’échantillonnage. Après la discrimination des unités de pâturages, on peut évaluer la quantité et la qualité du fourrage offert par chaque pâturage. Ceci permet de faire le bilan fourrager annuel et de reconnaitre les zones de forte ou de faible valeur pastorale. VI. Références bibliographiques Benzecri J.P. 1964. Sur l’analyse factorielle des proximités. Pub. Inst. Statist. Univ. Paris, 14 (1) : 165-180. Braun-Blanquet J., 1932. Plant sociology. The study of plant communities. Ed. McGray Hill, New York, London, p 439. Chesel D., Thioulouse J. & Dufour A.B., 2004. Analyse des coorespondances simples. Fiche de Biostatistique- Stage 7, 56 p. adresse intrenet : http ://pbil.univlyon.fr/R/stage/stage4.pdf Cordier B. 1965. Sur l’analyse factorielle des correspondances. Thèse 3ème cycle, Univ. Rennes : 66 p. Daget P., Poissonet J., 1971. Principes d'une technique d'analyse quantitative de la végétation des formations herbacées. Cam. Sem. sur les méthodes d'inventaire des prairies permanentes. Montpellier, mars 1969, C.N.R.S. - C.E.P.E., document n° 56: 85-100. Dufrêne M., 1998. Cours d’analyse des données écologiques e biogéographiques. Version 11.05.2003. adresse: http://biodiversite.wallonie.be/outils/methodo/home.htm Gauch H.G. & Wentworth T.R., 1976. Canonical correlation analysis as an ordination technique. Vegetation vol. 33, p 17 -22 GODRON M., 1971. Quelques aspects de l'hétérogénéité dans les formations herbacées du Cantal. Cam. Sem. sur les méthodes d'inventaires des prairies permanentes, Montpellier, mars 1969, C.N.R.S. - C.E.P.E., document n° 56: 101-114. Jongmann, R. H. G., ter Braak, C. J. F. & van Tongeren, O. F. R. (Eds.), 1987. Data Analysis in Community And Landscape Ecology. Pudoc, Wageningen, 299 pp. Legendre L. & Legendre P. 1984. Ecologie numérique. 1. Le traitement multiple des données écologiques. Collection d’écologie 12, 2ème édition, Masson, Paris. 260 p. McCune B. & Grace J. B., 2002. Analysis of ecological communities. Gleneden Beach, Oregon: MJM Software Design, p 300. Palmer M. W., 1993. Putting things in even better order : the advantages of canonical correspondence analysis. Ecology. 74 (8), p 2215-2230. Podani J., Csontos P. & Tamas J., 2000. Additive trees in the analysis of community data. Community Ecology, 1, 1-9. Saadou M., 1984. Contribution à l’étude de la flore et de la végétation des milieux drainés de l’ouest de la République du Niger, de la longitude de Dogondoutchi au fleuve Niger. Thèse de 3e cycle, Univ. de Bordeaux II, p 177. Soumana I., Mahamane A., Gandou Z., Ambouta J.M.K. & Saadou M., 2012. Vegetation and plant diversity pattern study of central eastern Niger grasslands. Int. J. Biol. Chem. Sci., February 2012, Volume 6, Number 1, p 394-407. Soumana I. 2011. Groupements végétaux pâturés des parcours de la région de Zinder et stratégies d’exploitation développées par les éleveurs Uda’en. Thèse de Doctorat de l’Université de Niamey, p. 222. 5 ter Braak, C.J.F., 1988. CANOCO a FORTRAN program for canonical community ordination by (partial) (detrended) (canonial) correspondance analysis, principal components and redundancy analysis (version 2.1) - Updated in 1990 (version 3.1). Agricultural Mathematics Group, Ministry of Agriculture and Fisheries, Wageningen, 95 + 35 pp. Ter Braak C. J. F. 1986. Canonical correspondence analysis: a new eigenvector technique formultivariate direct gradient analysis. Ecology, 67, 1167-1179. SOUMANA Idrissa, Département de Productions Animales (DPA), Institut National de la Recherche Agronomique du Niger (INRAN), BP : 429, Niamey/Niger, mail : [email protected] 6
