Université Claude Bernard Lyon 1 - Kora

3.1.3. Initialisation des GLML'Analyse en Composantes Principales révèle deux groupes de variables extrêmementcorrélées (pNat, pIFN, pForets et pOuver d'une part, dUrb et dArtif de l'autre, Fig. 9). Lastructure du jeu de données est suffisamment marquée pour pouvoir sélectionner les deuxpremiers axes de l'ACP (qui représentent plus de 50% de la variance expliquée) ou les quatrepremiers axes (qui représentent plus de 75% de la variance expliquée).pRoad3pIFN pForetspNatpRoad4pHydrodFleuvdRoad1pOuverdFerdRoad2dUrb dArtifFigure 9 : cercle de corrélation de l’ACP des variables environnementales.3.1.4. Prédiction des modèlesL'indice de qualité d'habitat de l’ENFA est calculé sur l'axe de marginalité et les deuxpremiers axes de spécialisation. Le résultat montre une utilisation beaucoup plus élevéequ’attendue pour les habitats de bonne qualité (Fig. 10). Le seuil utilisé pour établir larépartition potentielle est établi graphiquement à 0.4 et définit une aire de 6209 cellules (unpeu plus de 1500 km²).Pour le GLM, l'histogramme du modèle à deux facteurs paraît beaucoup moins discriminantque celui de l'ENFA (Fig. 10) et montre même que les habitats de qualité élevée sont moinssélectionnés que ce qui est attendu par l'effet du hasard (ce qui voudrait dire qu'ils sont mêmeévités !). Le seuil de la répartition potentielle est fixé ici à 0.25 et définit une aire de 13862cellules (presque 3500 km²). L'histogramme du modèle à quatre facteurs semble meilleur(Fig. 10) et montre une utilisation supérieure à ce qui est attendu par l'effet du hasard pour19