Revue internationale d'écologie méditerranéenne Mediterranean ...
Revue internationale d'écologie méditerranéenne Mediterranean ...
Revue internationale d'écologie méditerranéenne Mediterranean ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
MARWAN CHEIKH AL BASSATNEH, BRUNO FADY, SYLVIE SIMON-TEISSIER, THIERRY TATONI<br />
32<br />
mique forestier, quel que soit ce type de forêt<br />
(Sciama 1999). La significativité des répartitions<br />
en richesse spécifique d’un type forestier<br />
à l’autre a été évaluée par un test de Kruskal-Wallis.<br />
L’influence des conditions environnementales<br />
(milieu, gestion) sur la répartition et l’abondance<br />
des espèces végétales a été appréhendée<br />
grâce à des analyses canoniques redressées<br />
(ACR), couplées à des analyses<br />
canoniques des correspondances (ACC) (Ter-<br />
Braak 1986) ou à des analyses de redondance<br />
(Ter-Braak & Smilauer 1998). La pertinence<br />
de l’utilisation conjointe de l’ACR et de l’ACC<br />
a été décrite par Okland (1990) et Brocard et<br />
al. (1992). On utilise d’abord l’ACR, qui est<br />
une méthode indirecte d’analyse de gradients,<br />
afin d’identifier les principaux assemblages<br />
végétaux. On affine ensuite le travail grâce à<br />
l’ACC pour déterminer la répartition des<br />
espèces le long des gradients environnementaux<br />
formés de la combinaison linéaire des<br />
variables de l’habitat (Ter-Braak 1987 ; Ter-<br />
Braak & Prentice 1998). L’ACC réduit la<br />
multi-dimensionnalité des données à deux ou<br />
trois axes principaux le long desquels la dispersion<br />
de l’amplitude écologique des espèces<br />
est maximisée (Ter-Braak 1987). Un graphique<br />
bidimensionnel illustre la relation qui<br />
existe entre la végétation et son environnement<br />
: les points représentent les espèces ou<br />
les relevés, alors que les vecteurs symbolisent<br />
les variables environnementales ; la direction<br />
et la longueur des vecteurs révèlent l’importance<br />
et la signification des gradients. Lorsque<br />
les gradients analysés par l’ACC étaient de<br />
faible amplitude, nous avons choisi d’utiliser,<br />
au lieu de l’ACC, l’analyse de redondance<br />
(ARD), méthode linéaire plus pertinente dans<br />
ce cas-là (Ter-Braak & Smilauer 1998), et qui<br />
a comme propriété supplémentaire de représenter<br />
les espèces comme variables environnementales,<br />
sous forme de flèches. Ainsi, les<br />
relevés floristiques et les variables environnementales<br />
issus des forêts de sapin pectiné<br />
et de pin noir ont été analysés par ARD, alors<br />
que ceux issus des forêts de hêtre l’ont été par<br />
ACC.<br />
Les ordinations ont été réalisées avec le logiciel<br />
CANOCO (Ter-Braak & Smilauer 1998).<br />
La mise à l’échelle des graphiques bidimensionnels<br />
a été effectuée avec l’option « double<br />
projection », laquelle convient mieux aux<br />
petits gradients (Ter-Braak & Smilauer 1998).<br />
La signification statistique de chaque ordina-<br />
tion a été évaluée à l’aide d’un test de permutation<br />
de type Monte-Carlo.<br />
Nous avons ensuite utilisé la régression PLS<br />
(Partial Least Squares, Tenenhaus 1988) pour<br />
déterminer quelles étaient les variables du<br />
milieu et de gestion influant de manière significative<br />
sur la biodiversité floristique (exprimée<br />
à nouveau comme la richesse spécifique<br />
par relevé). Cette méthode consiste à<br />
construire un modèle y = f(X) à partir d’un<br />
tableau de variables explicatives X (milieu et<br />
gestion) et d’une variable à expliquer y (la<br />
richesse spécifique). On cherche à ajuster la<br />
variable y par combinaison linéaire des<br />
variables xi . La particularité de cette méthode<br />
réside dans le fait qu’elle optimise non pas la<br />
corrélation mais la covariance entre les<br />
variables xi et la variable y. Elle constitue ainsi<br />
une solution alternative à la régression multiple<br />
dès que le nombre de variables explicatives<br />
est grand et/ou supérieur au nombre<br />
d’individus. Elle est fortement conseillée<br />
lorsque les variables explicatives sont fortement<br />
corrélées (Tenenhaus 1988).<br />
La régression PLS est une méthode procédant<br />
par itération. L’analyse cherche d’abord une<br />
première composante qui est une combinaison<br />
linéaire des variables explicatives. Avec<br />
ce premier modèle, on détermine la prévision<br />
linéaire de la variable à expliquer à l’aide du<br />
coefficient de régression. Si le pouvoir explicatif<br />
de cette première régression est trop<br />
faible, une deuxième composante, non corrélée<br />
à la première, est construite. Pour cela, la<br />
prévision de la variable à expliquer, ainsi que<br />
la combinaison prédictive des variables explicatives,<br />
sont enlevées. Ainsi, on obtient une<br />
nouvelle variable à prédire, résidu du premier<br />
tour, et de nouvelles variables prédictrices<br />
(explicatives), indépendantes de la combinaison<br />
linéaire déjà utilisée. Pour déterminer le<br />
nombre d’itérations à utiliser, on emploie un<br />
test de permutation consistant à comparer la<br />
fréquence des permutations aléatoires, qui<br />
donnerait un pourcentage d’explication aussi<br />
élevé.<br />
Résultats<br />
Les trois peuplements montrent une richesse<br />
spécifique différente : le pin noir possède la<br />
richesse spécifique globale la plus élevée, et<br />
le hêtre la plus faible (figure 2). Cependant,<br />
les peuplements de pin noir sont surtout<br />
ecologia mediterranea – Vol. 33 – 2007