Compréhension des changements dans les écosystÚmes de mangroves
La comprĂ©hension des changements dans les Ă©cosystĂšmes de mangroves, induits par les activitĂ©s humaines, le changement climatique et les variations environnementales, est essentielle pour une gestion Ă©cologique efficace. Cette Ă©tude se concentre sur la variabilitĂ© spatiotemporelle de l'Indice de VĂ©gĂ©tation par DiffĂ©rence NormalisĂ©e (NDVI) et examine ses rĂ©ponses Ă des paramĂštres tels que le niveau de la mer (SL), l'Ăvapotranspiration Potentielle (PET), les prĂ©cipitations (RF), l'Indice StandardisĂ© de PrĂ©cipitation (SPI-1 mois), l'humiditĂ© du sol (SM), la tempĂ©rature minimale (TN) et la tempĂ©rature maximale (TX) dans la zone d'Ă©tude.
Les tendances, les influences relatives, l'autocorrélation spatiale et les relations entre le NDVI et les variables climatiques et environnementales, ainsi que les corrélations partielles, ont été analysées à l'aide du test de tendance monotone de Mann-Kendall (MKMT), de l'Analyse de Pondération Relative (RWA), des coefficients de corrélation partielle (PCC) et des méthodes de Régression Linéaire Multiple (MLR).
Les schémas spatiotemporels du NDVI révÚlent une réduction des sols nus et une augmentation de la végétation éparse et dense entre 1987 et 2022. Néanmoins, des zones de dégradation ont été observées, notamment dans le sud de Godoria en 2022 par rapport à 1987, comme l'indique le NDVI. Une détérioration notable du NDVI (> 0,2) a été enregistrée entre 2000 et 2012, tandis que la tendance interannuelle globale montre un léger déclin.
De plus, les analyses avec Mann-Kendall et la pente de Theil-Sen révÚlent que TN, TX, PET et SPI-1 montrent des tendances à la hausse, bien que non statistiquement significatives, tandis que SM et LST affichent des tendances à la baisse. Pour les variables environnementales, SL indique une tendance à la hausse. En outre, l'analyse de corrélation partielle identifie SL, TN, SPI-1, TX et PET comme les principaux facteurs climatiques contrÎlant la dynamique de la végétation pendant la saison JJAS, avec des valeurs PCC de -0,89, 0,87, 0,77, -0,76, -0,75 et 0,86 avec le NDVI, respectivement.
2.1.1.Calcul de superficie Ă partir d'un raster et shapefile :
Objectif : DĂ©terminer le nombre de pixels d'une image raster situĂ©s dans une zone dĂ©finie par un shapefile, puis calculer la superficie correspondante en m² et hectares.
Superficie (m²) = N × (RĂ©solution_x × RĂ©solution_y)
Superficie (ha) = [N × (RĂ©solution_x × RĂ©solution_y)] ÷ 10 000
Nombre de pixels (N) : 12 500 pixels. RĂ©solution : 20 m × 20 m (pixels carrĂ©s):
Calcul : Superficie_m² = 12 500 × (20 × 20) = 12 500 × 400 = 5 000 000 m² ou Superficie_ha = 5 000 000 ÷ 10 000 = 500 ha
Correlation Partiel
Les coefficients de corrĂ©lation bivariĂ©s peuvent ne pas reprĂ©senter efficacement les relations complexes entre les variables dans une analyse de corrĂ©lation multivariĂ©e, Ă©tant donnĂ© que de multiples facteurs peuvent influencer ces relations. Par consĂ©quent, des coefficients de corrĂ©lation partielle ont Ă©tĂ© calculĂ©s pour Ă©valuer la force et la direction spatiotemporelles de la relation linĂ©aire entre le NDVI et chaque variable climatique, tout en contrĂŽlant les effets des autres variables climatiques (c'est-Ă -dire le niveau de la mer, PET, SM, SPI, LST, TN et TX). La corrĂ©lation la plus forte est proche de 1, tandis que la plus faible est infĂ©rieure Ă 0,5. Ainsi, la corrĂ©lation partielle peut ĂȘtre calculĂ©e comme suit (Cheng et al., 2017) :
(1)OĂč :
Rxy·Z = coefficient de corrĂ©lation partielle entre x et y, en contrĂŽlant Z
Rxy = corrélation bivariée entre x et y
Rxz = corrélation bivariée entre x et z
Ryz = corrélation bivariée entre y et z
Z = ensemble des variables de contrĂŽle (autres variables climatiques)
En d'autre termes :
x = NDVI
y = une variable climatique spécifique (par exemple, TN)
Z = les autres variables climatiques (SL, PET, SM, SPI, LST, TX, etc.)
Cette approche permet d'isoler l'effet spécifique de chaque variable climatique sur le NDVI, indépendamment des influences confondantes des autres facteurs climatiques.
(3)
Pour explorer l'autocorrélation spatiale des données NDVI, nous avons utilisé "l'analyse d'autocorrélation globale et locale basée sur les statistiques de Moran I". Cette méthode permet d'évaluer les différences spatiales moyennes entre les cellules individuelles et leurs voisines adjacentes, caractérisant ainsi les attributs spatiaux d'une propriété spécifique à travers toute la zone d'étude via l'analyse d'autocorrélation spatiale globale.
Dans les statistiques de Moran, le z-score normalisé peut varier de -1 à +1. Une valeur de Moran I supérieure à 0 indique une corrélation positive, suggérant un modÚle de regroupement (clustering), tandis qu'une valeur inférieure à 0 indique une corrélation négative, reflétant un arrangement dispersé.
Le calcul des statistiques de Moran I pour examiner l'autocorrélation spatiale est fourni par Xu et al. (2015) :
(2)
OĂč :
n = nombre total d'observations spatiales
x_i et x_j = valeurs du NDVI aux locations i et j
x̄ = moyenne des valeurs du NDVI
w_ij = poids spatiaux entre les locations i et j (matrice de contiguïté)
S² = variance des valeurs du NDVI
∑∑ = double sommation sur toutes les paires i et j
Interprétation :
I > 0 : autocorrélation positive (valeurs similaires se regroupent)
I < 0 : autocorrélation négative (valeurs différentes se mélangent)
I ≈ 0 : pas d'autocorrĂ©lation spatiale (distribution alĂ©atoire).
Tandis que l'autocorrélation spatiale globale via les statistiques de Moran I révÚle le schéma global de regroupement, elle ne permet pas d'évaluer les modÚles d'association spatiale à travers de multiples localisations. En revanche, l'Autocorrélation Spatiale Locale se concentre sur la significativité des statistiques locales à chaque localisation individuelle et identifie la présence de clusters spatiaux, une capacité que l'autocorrélation spatiale globale ne possÚde pas.
L'équation mathématique de l'autocorrélation spatiale locale utilisant l'indice de Moran local (souvent appelé LISA - Local Indicators of Spatial Association) est décrite par Anselin (2010) :
oĂč :
I_i = indice de Moran local pour la localisation i
z_i = valeur standardisĂ©e de l'attribut Ă la localisation i : (x_i - x̄) / Ï
z_j = valeur standardisée de l'attribut à la localisation j voisine
w_ij = élément de la matrice de poids spatiaux entre les localisations i et j
x_i = valeur du NDVI Ă la localisation i
x̄ = moyenne des valeurs du NDVI sur toutes les localisations
Ï = Ă©cart-type des valeurs du NDVI
∑ = somme sur tous les voisins j de i
Interprétation des quatre types de clusters locaux :
High-High (HH) : Localisation avec valeur élevée entourée de voisins avec valeurs élevées
z_i > 0 et ∑w_ij × z_j > 0
Low-Low (LL) : Localisation avec valeur faible entourée de voisins avec valeurs faibles
z_i < 0 et ∑w_ij × z_j < 0
High-Low (HL) : Localisation avec valeur élevée entourée de voisins avec valeurs faibles
z_i > 0 et ∑w_ij × z_j < 0
Low-High (LH) : Localisation avec valeur faible entourée de voisins avec valeurs élevées
z_i < 0 et ∑w_ij × z_j > 0
Test de significativité :
Pour chaque I_i, un test de permutation (généralement 999 permutations) est utilisé pour calculer une pseudo-valeur p et déterminer si l'autocorrélation locale est statistiquement significative.
Cette analyse permet d'identifier :
Les "hot spots" de NDVI (clusters HH) : zones de végétation dense des mangroves
Les "cold spots" de NDVI (clusters LL) : zones de dégradation ou faible végétation
Les anomalies spatiales (HL et LH) : zones isolées nécessitant une attention particuliÚre
L'approche LISA fournit ainsi une cartographie détaillée des schémas de distribution spatiale du NDVI, complémentaire à l'analyse globale de Moran.
|
|
|
Fig. 1. (a)Estimation of relative importance of climate variables as predictors of
NDVI. (b) Pearson correlation coefficient between NDVI and climate variables.
|
Table 1. Mann Kendall Trend and
Theil-sen slope statistics of NDVI and climate variables from 1987 to 2022.
Abdi-Basid ADAN, 2024
The Abdi-Basid Courses Institute (TABCI)
