Compr茅hension des changements dans les 茅cosyst猫mes de mangroves
La compr茅hension des changements dans les 茅cosyst猫mes de mangroves, induits par les activit茅s humaines, le changement climatique et les variations environnementales, est essentielle pour une gestion 茅cologique efficace. Cette 茅tude se concentre sur la variabilit茅 spatiotemporelle de l'Indice de V茅g茅tation par Diff茅rence Normalis茅e (NDVI) et examine ses r茅ponses 脿 des param猫tres tels que le niveau de la mer (SL), l'脡vapotranspiration Potentielle (PET), les pr茅cipitations (RF), l'Indice Standardis茅 de Pr茅cipitation (SPI-1 mois), l'humidit茅 du sol (SM), la temp茅rature minimale (TN) et la temp茅rature maximale (TX) dans la zone d'茅tude.
Les tendances, les influences relatives, l'autocorr茅lation spatiale et les relations entre le NDVI et les variables climatiques et environnementales, ainsi que les corr茅lations partielles, ont 茅t茅 analys茅es 脿 l'aide du test de tendance monotone de Mann-Kendall (MKMT), de l'Analyse de Pond茅ration Relative (RWA), des coefficients de corr茅lation partielle (PCC) et des m茅thodes de R茅gression Lin茅aire Multiple (MLR).
Les sch茅mas spatiotemporels du NDVI r茅v猫lent une r茅duction des sols nus et une augmentation de la v茅g茅tation 茅parse et dense entre 1987 et 2022. N茅anmoins, des zones de d茅gradation ont 茅t茅 observ茅es, notamment dans le sud de Godoria en 2022 par rapport 脿 1987, comme l'indique le NDVI. Une d茅t茅rioration notable du NDVI (> 0,2) a 茅t茅 enregistr茅e entre 2000 et 2012, tandis que la tendance interannuelle globale montre un l茅ger d茅clin.
De plus, les analyses avec Mann-Kendall et la pente de Theil-Sen r茅v猫lent que TN, TX, PET et SPI-1 montrent des tendances 脿 la hausse, bien que non statistiquement significatives, tandis que SM et LST affichent des tendances 脿 la baisse. Pour les variables environnementales, SL indique une tendance 脿 la hausse. En outre, l'analyse de corr茅lation partielle identifie SL, TN, SPI-1, TX et PET comme les principaux facteurs climatiques contr么lant la dynamique de la v茅g茅tation 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 脿 partir d'un raster et shapefile :
Objectif : D茅terminer le nombre de pixels d'une image raster situ茅s dans une zone d茅finie par un shapefile, puis calculer la superficie correspondante en m² et hectares.
Superficie (m²) = N × (R茅solution_x × R茅solution_y)
Superficie (ha) = [N × (R茅solution_x × R茅solution_y)] ÷ 10 000
Nombre de pixels (N) : 12 500 pixels. R茅solution : 20 m × 20 m (pixels carr茅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 corr茅lation bivari茅s peuvent ne pas repr茅senter efficacement les relations complexes entre les variables dans une analyse de corr茅lation multivari茅e, 茅tant donn茅 que de multiples facteurs peuvent influencer ces relations. Par cons茅quent, des coefficients de corr茅lation partielle ont 茅t茅 calcul茅s pour 茅valuer la force et la direction spatiotemporelles de la relation lin茅aire entre le NDVI et chaque variable climatique, tout en contr么lant les effets des autres variables climatiques (c'est-脿-dire le niveau de la mer, PET, SM, SPI, LST, TN et TX). La corr茅lation la plus forte est proche de 1, tandis que la plus faible est inf茅rieure 脿 0,5. Ainsi, la corr茅lation partielle peut 锚tre calcul茅e comme suit (Cheng et al., 2017) :
(1)O霉 :
Rxy·Z = coefficient de corr茅lation partielle entre x et y, en contr么lant Z
Rxy = corr茅lation bivari茅e entre x et y
Rxz = corr茅lation bivari茅e entre x et z
Ryz = corr茅lation bivari茅e entre y et z
Z = ensemble des variables de contr么le (autres variables climatiques)
En d'autre termes :
x = NDVI
y = une variable climatique sp茅cifique (par exemple, TN)
Z = les autres variables climatiques (SL, PET, SM, SPI, LST, TX, etc.)
Cette approche permet d'isoler l'effet sp茅cifique de chaque variable climatique sur le NDVI, ind茅pendamment des influences confondantes des autres facteurs climatiques.
(3)
Pour explorer l'autocorr茅lation spatiale des donn茅es NDVI, nous avons utilis茅 "l'analyse d'autocorr茅lation globale et locale bas茅e sur les statistiques de Moran I". Cette m茅thode permet d'茅valuer les diff茅rences spatiales moyennes entre les cellules individuelles et leurs voisines adjacentes, caract茅risant ainsi les attributs spatiaux d'une propri茅t茅 sp茅cifique 脿 travers toute la zone d'茅tude via l'analyse d'autocorr茅lation spatiale globale.
Dans les statistiques de Moran, le z-score normalis茅 peut varier de -1 脿 +1. Une valeur de Moran I sup茅rieure 脿 0 indique une corr茅lation positive, sugg茅rant un mod猫le de regroupement (clustering), tandis qu'une valeur inf茅rieure 脿 0 indique une corr茅lation n茅gative, refl茅tant un arrangement dispers茅.
Le calcul des statistiques de Moran I pour examiner l'autocorr茅lation spatiale est fourni par Xu et al. (2015) :
(2)
O霉 :
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 contigu茂t茅)
S² = variance des valeurs du NDVI
∑∑ = double sommation sur toutes les paires i et j
Interpr茅tation :
I > 0 : autocorr茅lation positive (valeurs similaires se regroupent)
I < 0 : autocorr茅lation n茅gative (valeurs diff茅rentes se m茅langent)
I ≈ 0 : pas d'autocorr茅lation spatiale (distribution al茅atoire).
Tandis que l'autocorr茅lation spatiale globale via les statistiques de Moran I r茅v猫le le sch茅ma global de regroupement, elle ne permet pas d'茅valuer les mod猫les d'association spatiale 脿 travers de multiples localisations. En revanche, l'Autocorr茅lation Spatiale Locale se concentre sur la significativit茅 des statistiques locales 脿 chaque localisation individuelle et identifie la pr茅sence de clusters spatiaux, une capacit茅 que l'autocorr茅lation spatiale globale ne poss猫de pas.
L'茅quation math茅matique de l'autocorr茅lation spatiale locale utilisant l'indice de Moran local (souvent appel茅 LISA - Local Indicators of Spatial Association) est d茅crite par Anselin (2010) :
o霉 :
I_i = indice de Moran local pour la localisation i
z_i = valeur standardis茅e de l'attribut 脿 la localisation i : (x_i - x̄) / 蟽
z_j = valeur standardis茅e de l'attribut 脿 la localisation j voisine
w_ij = 茅l茅ment de la matrice de poids spatiaux entre les localisations i et j
x_i = valeur du NDVI 脿 la localisation i
x̄ = moyenne des valeurs du NDVI sur toutes les localisations
蟽 = 茅cart-type des valeurs du NDVI
∑ = somme sur tous les voisins j de i
Interpr茅tation des quatre types de clusters locaux :
High-High (HH) : Localisation avec valeur 茅lev茅e entour茅e de voisins avec valeurs 茅lev茅es
z_i > 0 et ∑w_ij × z_j > 0
Low-Low (LL) : Localisation avec valeur faible entour茅e de voisins avec valeurs faibles
z_i < 0 et ∑w_ij × z_j < 0
High-Low (HL) : Localisation avec valeur 茅lev茅e entour茅e de voisins avec valeurs faibles
z_i > 0 et ∑w_ij × z_j < 0
Low-High (LH) : Localisation avec valeur faible entour茅e de voisins avec valeurs 茅lev茅es
z_i < 0 et ∑w_ij × z_j > 0
Test de significativit茅 :
Pour chaque I_i, un test de permutation (g茅n茅ralement 999 permutations) est utilis茅 pour calculer une pseudo-valeur p et d茅terminer si l'autocorr茅lation locale est statistiquement significative.
Cette analyse permet d'identifier :
Les "hot spots" de NDVI (clusters HH) : zones de v茅g茅tation dense des mangroves
Les "cold spots" de NDVI (clusters LL) : zones de d茅gradation ou faible v茅g茅tation
Les anomalies spatiales (HL et LH) : zones isol茅es n茅cessitant une attention particuli猫re
L'approche LISA fournit ainsi une cartographie d茅taill茅e des sch茅mas de distribution spatiale du NDVI, compl茅mentaire 脿 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)
