Vous êtes sur la page 1sur 65

Statistiques descriptives à une

dimension
Master BEE année 2018-2019

Christian Kerbiriou & Kévin Barré


UPMC, Muséum National d’Histoire Naturelle
Conservation des Espèces, Restauration et Suivis des Populations
Kerbiriou@mnhn.fr
Statistiques descriptives à une dimension

Jeu de données : les revenus français


X = revenu mensuel en euros
Variable quantitative

http://www.insee.fr
Statistiques descriptives à une dimension

Le jeu de données « classique »


Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupont Nadine 3712 XX XX XX
Dupont Paul 1276 XX XX XX
Dupont Robert 1415 XX XX XX
Dupont Georgette 1103 XX XX XX
Dupont Anne-Marie 5612 XX XX XX
Dupont Bernard 1325 XX XX XX
Dupont Claude 875 XX XX XX
Dupont Delphine 1373 XX XX XX
Dupont Edith 1158 XX XX XX
Dupont Isabelle 1078 XX XX XX
Dupont Pascale 2250 XX XX XX
… … … … … …
Statistiques descriptives à une dimension

Le jeu de données « classique »


Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupont fonctions
Quelques Nadinepour manipuler
3712 XX
tableaux XX XX
Dupont Paul 1276 XX XX XX
Concaténation
Dupont par ligne
Robert 1415 XX XX XX
X
Dupont Georgette 1103 XX XX XX
>Z <- rbind (X, Y)
Dupont Anne-Marie 5612 XX XX XX
Dupont Bernard 1325 Y XX XX XX
Dupont Claude 875 XX XX XX
Dupont Delphine 1373 XX XX XX
Dupont Edith 1158 XX XX XX
Z
Dupont Isabelle 1078 XX XX XX
Dupont Pascale 2250 XX XX XX
… … … … … …
Statistiques descriptives à une dimension

Le jeu de données « classique »


Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupont fonctions
Quelques Nadinepour manipuler
3712 XX
tableaux XX XX
Dupont Paul 1276 XX XX XX
Concaténation
Dupont par colonne
Robert 1415 XX XX XX
X Y
Dupont Georgette 1103 XX XX XX
>Z <- cbind (X, Y)
Dupont Anne-Marie 5612 XX XX XX
Dupont Bernard 1325 XX XX XX
Dupont Claude 875 XX XX XX
Dupont Delphine 1373 XX XX XX
Dupont Edith 1158 XX XX XX
Z
Dupont Isabelle 1078 XX XX XX
Dupont Pascale 2250 XX XX XX
… … … … … …
Statistiques descriptives à une dimension

Le jeu de données « classique »


Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupontfonctions
Quelques Nadine 3712 tableaux
pour manipuler XX XX XX
Dupont Paul 1276 XX XX XX
Fusion par clé
Dupont Robert
Nom Prénom Revenu Sexe Ville
1415 XX XX
Ville Département Région code postale
XX
Dupont Georgette 1103 XX XX XX
>Z <- merge (X, Y, by=« Ville »)
Dupont Anne-Marie 5612 XX XX XX
Dupont Bernard 1325 XX XX XX
Dupont Claude 875 XX XX XX
Dupont Delphine 1373 XX XX XX
Dupont Edith 1158 XX
Z XX XX
Dupont Isabelle 1078 XX XX XX
Dupont Pascale 2250 XX XX XX
… … … … … …
Statistiques descriptives à une dimension

Le jeu de données « classique »


Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupontfonctions
Quelques Nadine 3712 tableaux
pour manipuler XX XX XX
Dupont Paul 1276 XX XX XX
Tableau croisé
Dupont Robert 1415 XX
Nom Prénom Revenu Sexe Ville
XX XX
Dupont Georgette 1103 XX XX XX
>MonTableauCroise <- xtable (Ville, Sexe)
Dupont Anne-Marie 5612 XX XX XX
Dupont Bernard 1325 XX XX XX
Nombre d’hommes
Dupont Claude 875 XX XX XX
ou de femmes pour
Dupont Delphine
chaque ville1373 XX XX XX
Dupont Edith 1158 XX XX sexe XX
Homme Femme
Dupont Isabelle 1078 XX XX XX
Outil ergonomique dans Bezier
Dupont
Excel : le tableau Pascale
croisé 2250 XX XX
Bordeaux XX
Ville Brest

dynamique … … … … …
Statistiques descriptives à une dimension

Le jeu de données « classique »


Sexe Ville

Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupontfonctions
Quelques Nadine 3712 tableaux
pour manipuler XX XX XX
Dupont Paul 1276 XX XX XX
Tableau décroisé
Dupont Robert 1415 XX XX XX sexe
Homme Femme
Dupont Georgette 1103 XX XX XX
>MonTablDec <- as.data.frame(MonTableauCroise) Bezier
Dupont Anne-Marie 5612 XX XX Bordeaux XX
Brest
Dupont les fréquences
Nous obtenons Bernard de chaque
1325 XX Ville
XX XX
combinaison
Dupontet non pasClaude
une ligne pour875
chaque XX XX XX
individu !!!
Dupont Delphine 1373 XX XX XX Sexe Ville Fréq.

Dupont Edith 1158 XX XX XX X1 X2 X3

Dupont Isabelle 1078 XX XX XX


Dupont Pascale 2250 XX XX XX
… … … … … …
Statistiques descriptives à une dimension

Le jeu de données « classique »


Revenu
Nom Prénom Sexe Ville Profession
mensuel
Dupont Jean 1225 XX XX XX
Dupont Nadine 3712 XX XX XX
Dupont Paul 1276 XX XX XX
Dupont Robert 1415 XX XX XX
Dupont Georgette 1103 XX XX XX
Dupont Anne-Marie 5612 XX XX XX
Dupont Bernard 1325 XX XX XX
Dupont Claude 875 XX XX XX
Revenu (€) [0,100] ]100,200] ]200,300] … ]5000,5500] ]5900,+∞[
Dupont Delphine 1373 XX XX XX
Effectif
Dupont Edith
0.06 1158
0.08 XX
0.12 XX 0.05 XX 0.04
(millions)
Dupont Isabelle 1078 XX XX XX
Dupont sommePascale
Fréquence, = 1 (ou 100, 2250
si on exprime XX XX en pourcentage)
les fréquences XX
… … … … … …
Statistiques descriptives à une dimension

Distributions de fréquences et représentations graphiques

Revenu (€) [0,100] ]100,200] ]200,300] … ]5000,5500] ]5900,+∞[


Effectif
0.06 0.08 0.12 0.05 0.04
(millions)

Histogrammes dans R fonction hist()

8 2% des français ont un


7 revenus compris entre
6 2100 et 2200 euros
Fréquence (%)

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Revenu mensuel en euros
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Nature des données -

6
Fréquence (%)

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Revenu mensuel en euros

Variable continue,
Existence de bornes ?
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de position -
Mode (=1050 €)
9

1 n
x   xi
6
Fréquence (%)

Moyenne
5 (=1503 €) n i 1
4

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Revenu mensuel en euros
Quantiles

Médiane
(=1314 €)
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de position -

6
Fréquence (%)

0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Revenu mensuel en euros
Quantiles

Médiane un quartile est chacune des 3 valeurs qui divisent


(=1314 €) les données triées en 4 parts égales, de sorte que
1er quartile 3e quartile chaque partie représente 1/4 de l'échantillon de
(=896€) (=1675€) population
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Boîte à moustaches
 Intervalle

5500
  Q0.90  Q0.10 (=1610 €)

5000
4500
4000
Revenu mensuel en euros
3500
3000
 Ratio interquantile (d)

2500
2000
Q0.90
d
Q0.75

1500
(=3,1) Médiane
Q0.10 Q0.25 1000
500
0
9

Fréquence (%)
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Variance  Boîte à moustaches


1 n
s   ( xi  x ) 2
2
X
(=652804 €)

5500
n i 1

5000
 écart type

4500
s X  s X2

4000
(=808 €)

Revenu mensuel en euros


3500
x + 1.96sX

3000
 Erreur Standard

2500
x + sX

2000
SE = Sx /√n

1500
Moyenne
1000
 Intervalle de confiance seuil 0.05 x - sX
500

x - 1.96sX < z < + 1.96sX x - 1.96sX


0
9

Fréquence (%)
Statistiques descriptives à une dimension

Représentations graphiques : cartes


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

Adapté d’après un scenario de Denis Poinsot, Stat pour les statophobes


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

Adapté d’après un scenario de Denis Poinçot, Stat pour les statophobes


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

Adapté d’après un scenario de Denis Poinsot, Stat pour les statophobes

Surf island La datcha noire


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

D’après une histoire de Denis Poinsot ,Stat pour les statophobe

Surf island La datcha noire

Min. : 1.0 Min. : 20.00


1st Qu.: 9.0 1st Qu.: 64.75
Median : 11.0 Median : 81.00
Mean : 20.8 ans Mean : 71.80 ans
3rd Qu.: 39.0 3rd Qu.: 92.25
Max. : 53.0 Max. : 104.00
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

D’après une histoire de Denis Poinsot ,Stat pour les statophobe

Surf island La datcha noire

Min. : 1.0 Min. : 20.00


1st Qu.: 9.0 1st Qu.: 64.75
Median : 11.0 Median : 81.00
Mean : 20.8 ans Mean : 71.80 ans
3rd Qu.: 39.0 3rd Qu.: 92.25
Max. : 53.0 Max. : 104.00

Var : 232 Var : 833


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

D’après une histoire de Denis Poinsot, Stat pour les statophobe

Surf island La datcha noire

Min. : 1.0 Min. : 20.00


1st Qu.: 9.0 1st Qu.: 64.75
Median : 11.0 Median : 81.00
Mean : 20.8 ans Mean : 71.80 ans
3rd Qu.: 39.0 3rd Qu.: 92.25
Max. : 53.0 Max. : 104.00

Var : 232 Var : 833


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

Mean Mean
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

Dans R fonction hist()

Hist (SURF, nclass=3)


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Boîte à moustaches
Dans R fonction boxplot()

Par défaut
boxplot(x, ..., range = 1.5, width = NULL, varwidth = FALSE,
notch = FALSE, outline = TRUE, names, plot = TRUE,
border = par("fg"), col = NULL, log = "", pars = list(boxwex =
0.8, staplewex = 0.5, outwex = 0.5), horizontal = FALSE,
add = FALSE, at = NULL)

Q0.75

mediane

Q0.25
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Boîte à moustaches
Dans R fonction boxplot()

Par défaut
boxplot(x, ..., range = 1.5, width = NULL, varwidth = FALSE,
notch = FALSE, outline = TRUE, names, plot = TRUE,
border = par("fg"), col = NULL, log = "", pars = list(boxwex =
0.8, staplewex = 0.5, outwex = 0.5), horizontal = FALSE,
add = FALSE, at = NULL)

Dans les statistiques, un outlier est une valeur aberrante est une
observation qui est numériquement éloignée du reste des
données.
= on s ’éloigne d’une distribution normale
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Boîte à moustaches
Dans R fonction boxplot()

Par défaut
boxplot(x, ..., range = 1.5, width = NULL, varwidth = FALSE,
notch = FALSE, outline = TRUE, names, plot = TRUE,
border = par("fg"), col = NULL, log = "", pars = list(boxwex =
0.8, staplewex = 0.5, outwex = 0.5), horizontal = FALSE,
add = FALSE, at = NULL)

boxplot(Var, medcol="transparent",boxwex=0.6)
means <- mean(Var)
points(means, col="red",pch=22,bg='red')

Ici on visualise non pas la médiane (rendue invisible) mais la moyenne à


l’aide d’un point rouge bordé de noir
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

boxplot

hist
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

1. Changer le répertoire,
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

1. Changer le répertoire,
Ou bien archiver votre changement de
répertoire par une ligne de commande

setwd ("C:/Users/AnalysesR/MesFichiers »)
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

1. Changer le répertoire,
2. Importer le fichier,
Pouillot <- read.table ("phycol.txt", h=TRUE)
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

1. Changer le répertoire,
2. Importer le fichier,
A partir d’Excel, vous pouvez aussi faire un
copier coller
Indique le type de Indique quel est le
séparateur utilisé dans type de séparateur
Excel pour passer d’une (points ou virgule)
case à une autre utilisé comme
indicateur de valeur
décimale

phycol<-read.table("clipboard", sep="\t", dec=".", header=T)


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

1. Changer le répertoire,
2. Importer le fichier,

library("data.table")
setwd("C:/Users/repertoire") # définition répertoire de travail
data <- fread("./phycol.txt") # adapter l'extension .txt .csv etc...
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

> head(Pouillot)
espece Sexe LP
1 PHYCOL F 50.0
2 PHYCOL F 52.5
3 PHYCOL M 52.5
4 PHYCOL F 53.0
5 PHYCOL F 53.0
6 PHYCOL F 53.0

> summary(Pouillot)
espece Sexe LP
PHYCOL:122 F:36 Min. :50.0
M:86 1st Qu.:55.5
Median :58.0
Mean :58.0
3rd Qu.:60.0
Max. :70.0
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -
> head(Pouillot)
espece Sexe LP
1 PHYCOL F 50.0
2 PHYCOL F 52.5
3 PHYCOL M 52.5
4 PHYCOL F 53.0
5 PHYCOL F 53.0
6 PHYCOL F 53.0

> summary(Pouillot)
espece Sexe LP
PHYCOL:122 F:36 Min. :50.0
M:86 1st Qu.:55.5
Median :58.0
Mean :58.0
3rd Qu.:60.0
Max. :70.0
> str(Pouillot)
'data.frame': 122 obs. of 3 variables:
$ espece: Factor w/ 1 level "PHYCOL": 1 1 1 1 1 1 1 1 1 1 ...
$ Sexe : Factor w/ 2 levels "F","M": 1 1 2 1 1 1 1 1 1 1 ...
$ LP : num 50 52.5 52.5 53 53 53 53 54 54 54 ...
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

> hist(LP, nclass=15)


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

> hist(phycol$LP, nclass=15) > plot(density(phycol$LP))


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

> hist(phycol$LP, nclass=15)


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

> hist(phycol$LP, nclass=15)

> boxplot(phycol$LP~Sexe)
> stripchart(phycol$LP~Sexe, vertical = TRUE,
method= "jitter",pch = 21, col = "blue", bg =
"bisque", add=T)
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

A-t-on vraiment des outliers ?


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

D’un point de vue écologique-


biologique, qui est aberrant ?
A-t-on vraiment des outliers ?
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Le graph de Cleveland
A-t-on vraiment des outliers ? Dans R fonction dotchart()

Ordonner les individus en fonction de leur poids


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Le graph de Cleveland
A-t-on vraiment des outliers ? Dans R fonction dotchart()

Ordonner les individus en fonction de leur poids


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Le graph de Cleveland
Dans R fonction dotchart()
A-t-on vraiment des outliers ?
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Le graph de Cleveland
Dans R fonction dotchart()
A-t-on vraiment des outlier ?

Là on a
vraiment un
individu qui a
une aille
bien plus
grande
qu’attendue
…. Une
mesure
aberrante ?
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

 Identifier les points « aberrants »


>MesResultats <- boxplot(Wing)
>MesValAberrantes <- MesResultats$out
>MesValAberrantes
63.5 64 64.5 65.5 66 67

>which(Wing%in%MesValAberrantes)
5 107 212 245 302 415

Renvoie les numéros de lignes où se


trouvent ses valeurs
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

Définir des niveaux de référence


Type : faible, moyen, fort…)
Cas de la mesure de l’activité de chasse des
chiroptères

Alexandre Haquart 2013,


Mémoire de diplôme EPHE
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Paramètres de dispersion -

1er, 2ième, 3ième, 4ième quartiles


Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


-Paramètres de dispersion –
- Calcul de l’intervalle de confiance de la moyenne -

> mystaGB<-read.table("MystacinusGB.txt", h=TRUE)


> attach(mystaGB)
Les objets suivants sont masqués from mystaFC
AB, OBSERVATEUR
> summary(mystaGB)
OBSERVATEUR AB
GB:70 Min. :33.10
1st Qu.:34.60
Median :35.45
Mean :35.38
3rd Qu.:35.90
Max. :38.80
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


-Paramètres de dispersion –
- Calcul de l’intervalle de confiance de la moyenne -

Intervalle de confiance de n’importe quoi (loi inconnue, non normale…)

Méthode du Bootstrap On crée un tableau à une seule rangée


nommé table devant accueillir 1000
table = numeric(1000) variable contenant valeurs numériques. Il contiendra les
l’ensemble des
valeurs de
1000 valeurs de moyennes obtenues
mesures d’avant par tirage avec remise au sein même du
bras jeu de données.
for(i in 1:1000) Annonce une boucle utilisant un
compteur i et qui va tourner 1000 fois
{
Placer dans la case de table de rang [i]
table[i]=mean(sample(AB,10,replace=T)) la moyenne obtenue en tirant 10
individus avec remises (replace = T)
} dans salaire
Accolade de fin de boucle
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


-Paramètres de dispersion –
- Calcul de l’intervalle de confiance-

Intervalle de confiance de n’importe quoi (loi inconnue, non normale…)

Méthode du Bootstrap Nouvelle table Trier table par ordre croissant de ses
valeurs et placer les résultats dans
table.sorted
table.sorted=sort(table) Afficher les éléments de table sorted
de rang [25] et [975]

c(table.sorted[25],table.sorted[975])
[1] 34.77 36.04
Statistiques descriptives à une dimension

Eclairer l’échantillon : les nombres indices


- Le coefficient de variation
Le coefficient de variation est une mesure de la dispersion
relative : il se calcule comme le rapport entre l'écart-type et la
moyenne, on peut donc comparer la dispersion autour de
moyennes qui sont différentes entre elles

Salaire moyen annuel coefficient de variation

Suède 40 000 4.6


Angleterre 25 000 19.3
Pays-Bas 27 000 4.9
USA 26 000 16.7
France 20 000 13.4
Grèce 19 000 5.7
Statistiques descriptives à une dimension
PS: pour les salaires, l’indice couramment utilisé est le coefficient de Gini est une
mesure du degré d'inégalité de la distribution des revenus dans une société
donnée, développée par le statisticien italien Corrado Gini.

Car en pratique, on ne dispose pas du revenu de chaque habitant, mais de « tranches » de la


population. Pour n tranches, le coefficient s'obtient par la formule :

où X est la part cumulée de la population, et Y la part cumulée du revenu.


Statistiques descriptives à une dimension

Gradient d’habitat
Statistiques descriptives à une dimension

Gradient d’habitat
Abondance

Gradient d’habitat
Abondance

Mesure du degré de spécialisation des espèces

Gradient d’habitat
Statistiques descriptives à une dimension
Calculer : Indice de spécialisation à l’habitat
Relative abundance

Relative abundance
4 4
3 3
2 2
1 1
0 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Habitat classes Habitat classes

=> SSI = Coefficient de variation de l’abondance dans les différents habitats


Statistiques descriptives à une dimension
Indice de Spécialisation des Communautés (CSI)
À partir du SSI et de l’abondance des espèces détectées

SSI2 SSI3
SSI3

SSI1

SSI4
SSI4 SSI4

Indice de Spécialisation de la Communauté :

1SSI1+1SSI2+2SSI3+3SSI4
CSI =
1+1+2+3
Statistiques descriptives à une dimension
Réaction du CSI aux changements affectant l’espace ?

STOC Données Paysage

fragmentation

Perturbation
Statistiques descriptives à une dimension
Réaction du CSI aux changements affectant le paysage

0.20 CSI 0.20 CSI

0.10 0.10

0.00 0.00

-0.10 -0.10
5 10 15 20 25 30
0.05 0.10 0.15 0.20 0.25 0.30

Gradient de fragmentation Gradient de perturbation

Réponse négative à Réponse négative à une


un état fragmenté perturbation temporelle
(CORINE) (TERUTI)
Quiz pour les ornithos de la salle :
Question 1 : Quel est l’habitat « remarquable »
caché derrière ces 3 communautés ?

+ Changements globaux
Quiz pour les ornithos de la salle :
Question 2 : Quel est l’habitat « remarquable »
caché derrière ces 3 communautés ?

Homogénéisation fonctionnelle
de la biodiversité
Réaction du CSI dans le temps, Le Viol et al. 2012 Biology Letter
5 pays européens, plus de 5.000 sites suivis pendant deux décennies (1990-2008)
161 espèces d’oiseaux communs, 7 200 000 données

0.020 Netherlands *** 0.030 Sweden ***


0.010 0.010
0.000

CSI
-0.010
CSI

-0.010

France -0.020 -0.030


0.010 *** -0.030
1990 1993 1996 1999 2002 2005 2008 -0.050
0.000 year 1990 1993 1996 1999 2002 2005 2008
year
CSI

-0.010

Czech rep
-0.020
***
0.005
-0.030
1990 1993 1996 1999 2002 2005 2008
-0.005
year

CSI
0.02 -0.015

0.01
-0.025
0.00 Catalonia
CSI

1990 1993 1996 1999 2002 2005 2008


-0.01 NS year
-0.02

-0.03
1990 1993 1996 1999 2002 2005 2008
Signature de l’impact des
year changements d’occupation du
sol à l’échelle de l’Europe
65

Vous aimerez peut-être aussi