# Chargement des packages nécessaires
library(tidyverse) # Manipulation et visualisation de données
library(sf) # Données spatiales
library(ggspatial) # Extensions cartographiques
library(nasapower) # Données météorologiques NASA POWER
library(patchwork) # Combinaison de graphiques
library(readxl) # Lecture de fichiers Excel
library(janitor) # Nettoyage des données
library(tinytable) # Tableaux professionnels
Note
Ce document est un gabarit destiné à être complété et exécuté par les étudiant(e)s avec leurs propres données. Le code n’est pas exécuté ici (eval: false) puisqu’il repose sur des données fictives/à remplacer.
1 Introduction
Ce rapport présente une analyse spatio-temporelle de données d’échantillonnage entomologique collectées sur le campus de l’Université de Sherbrooke. L’objectif est de caractériser la diversité des arthropodes en fonction des conditions environnementales et météorologiques.
1.1 Objectifs
- Analyser la distribution spatiale des sites d’échantillonnage
- Intégrer les données météorologiques pour chaque site
- Comparer l’abondance des captures entre sites et types de pièges
- Produire des visualisations scientifiques de qualité
2 Méthodologie
2.1 Configuration de l’environnement
2.2 Chargement des données spatiales
# Chargement des données spatiales (.gpkg)
pieges <- st_read("pieges.gpkg") |>
st_transform(crs = 4326) # Transformation vers WGS84
recoltes_actives <- st_read("recoltes_actives.gpkg") |>
st_transform(crs = 4326)
# Affichage des premières lignes
glimpse(pieges)2.3 Chargement des données de captures
# Chargement des données de captures (remplacez par votre fichier)
# captures <- read_xlsx("donnees_captures.xlsx") |>
# clean_names() # Nettoyage automatique des noms de colonnes
# Pour la démonstration, création de données fictives
set.seed(123)
captures <- data.frame(
site = sample(1:2, 100, replace = TRUE),
type_piege = sample(c("malaise", "bol_jaune"), 100, replace = TRUE),
date_capture = seq.Date(from = as.Date("2024-05-01"),
to = as.Date("2024-09-30"),
length.out = 100),
nb_individus = rpois(100, lambda = 5),
ordre = sample(c("Diptera", "Coleoptera", "Hymenoptera", "Lepidoptera"),
100, replace = TRUE)
)
glimpse(captures)3 Résultats
3.1 Carte de la zone d’étude
# Classification des sites selon l'habitat
pieges <- pieges |>
mutate(habitat = ifelse(couverture_arborescente > 40, "Forestier", "Ouvert"))
recoltes_actives <- recoltes_actives |>
mutate(habitat = ifelse(couverture_arborescente > 40, "Forestier", "Ouvert"))
# Création de la carte principale
main_map <- ggplot() +
# Fond de carte OpenStreetMap
annotation_map_tile(type = "osm", zoom = 18) +
# Ajout des transects de récolte
geom_sf(data = recoltes_actives,
aes(color = as.factor(site), linetype = type_recolte),
linewidth = 1.5, alpha = 0.7) +
# Ajout des pièges
geom_sf(data = pieges,
aes(color = as.factor(site), shape = type_de_piege),
size = 3, alpha = 0.8) +
# Configuration des couleurs et formes
scale_color_manual(values = c("royalblue3", "mediumorchid3"),
name = "Site",
labels = c("Site 1 (Forestier)", "Site 2 (Ouvert)")) +
scale_shape_manual(values = c(15, 18),
labels = c("Bol Jaune", "Malaise"),
name = "Type de piège") +
scale_linetype_manual(values = c("dashed"),
labels = c("Filet Fauchoir"),
name = "Récoltes actives") +
labs(title = "Sites d'échantillonnage entomologique") +
theme_minimal() +
theme(legend.position = "bottom",
legend.direction = "horizontal",
plot.title = element_text(hjust = 0.5, size = 14))
main_map3.2 Données météorologiques
# Extraction des coordonnées des pièges malaise
malaise_coords <- pieges |>
filter(type_de_piege == "malaise") |>
st_coordinates() |>
as_tibble() |>
rename(longitude = X, latitude = Y) |>
mutate(site = c(1, 2)) # Assignation des sites
# Récupération des données météo pour la période d'échantillonnage
weather_data <- get_power(
community = "ag",
lonlat = c(malaise_coords$longitude[1], malaise_coords$latitude[1]),
pars = c("T2M", "PRECTOTCORR"),
dates = c("2024-05-01", "2024-09-30"),
temporal_api = "daily"
) |>
mutate(site = 1) |>
select(site, YYYYMMDD, T2M, PRECTOTCORR) |>
rename(date = YYYYMMDD, temperature = T2M, precipitation = PRECTOTCORR)
# Données pour le site 2 (simplifiées pour l'exemple)
weather_site2 <- weather_data |>
mutate(site = 2,
temperature = temperature + rnorm(nrow(weather_data), 0, 1),
precipitation = precipitation * runif(nrow(weather_data), 0.8, 1.2))
# Combinaison des données météo
weather_combined <- bind_rows(weather_data, weather_site2) |>
mutate(date = as.Date(as.character(date), format = "%Y%m%d"))3.3 Visualisation des données météorologiques
# Graphique de température
temp_plot <- weather_combined |>
ggplot(aes(x = date, y = temperature, color = as.factor(site))) +
geom_line(linewidth = 0.8) +
geom_smooth(method = "loess", se = FALSE, linewidth = 1.2) +
scale_color_manual(values = c("royalblue3", "mediumorchid3"),
name = "Site") +
labs(title = "Température moyenne journalière",
x = "Date", y = "Température (°C)") +
theme_minimal() +
theme(legend.position = "none")
# Graphique de précipitation
precip_plot <- weather_combined |>
ggplot(aes(x = date, y = precipitation, fill = as.factor(site))) +
geom_col(alpha = 0.7, position = "dodge") +
scale_fill_manual(values = c("royalblue3", "mediumorchid3"),
name = "Site") +
labs(title = "Précipitations journalières",
x = "Date", y = "Précipitations (mm)") +
theme_minimal() +
theme(legend.position = "bottom")
# Combinaison des graphiques
temp_plot / precip_plot3.4 Traitement et jointure des données
# Nettoyage et préparation des données de captures
captures_clean <- captures |>
# Conversion des types
mutate(
site = as.factor(site),
type_piege = as.factor(type_piege),
ordre = as.factor(ordre),
date_capture = as.Date(date_capture)
) |>
# Filtrage des données valides
filter(
!is.na(nb_individus),
nb_individus >= 0,
site %in% c(1, 2)
)
# Résumé par site et type de piège
captures_summary <- captures_clean |>
group_by(site, type_piege, ordre) |>
summarise(
total_individus = sum(nb_individus, na.rm = TRUE),
nb_echantillons = n(),
moyenne_par_echantillon = round(mean(nb_individus, na.rm = TRUE), 2),
.groups = "drop"
)
# Jointure avec les données spatiales
captures_geo <- pieges |>
st_drop_geometry() |>
select(site, type_de_piege, habitat) |>
rename(type_piege = type_de_piege) |>
mutate(
site = as.factor(site),
type_piege = recode(type_piege, "bol_jaune" = "bol_jaune")
) |>
right_join(captures_summary, by = c("site", "type_piege"))
glimpse(captures_geo)3.5 Graphiques en sucettes (lollipop) par site et type de piège
# Création des graphiques lollipop par site
lollipop_data <- captures_geo |>
group_by(site, habitat) |>
slice_max(total_individus, n = 8) |> # Top 8 ordres par site
ungroup()
# Graphique pour le Site 1
plot_site1 <- lollipop_data |>
filter(site == 1) |>
ggplot(aes(x = reorder(ordre, total_individus), y = total_individus)) +
geom_segment(aes(x = ordre, xend = ordre, y = 0, yend = total_individus),
color = "royalblue3", linewidth = 1.2) +
geom_point(aes(color = type_piege), size = 4) +
scale_color_manual(values = c("darkblue", "lightblue"),
name = "Type de piège") +
coord_flip() +
labs(title = "Site 1 (Forestier)",
x = "Ordre taxonomique",
y = "Nombre total d'individus") +
theme_minimal() +
theme(legend.position = "bottom")
# Graphique pour le Site 2
plot_site2 <- lollipop_data |>
filter(site == 2) |>
ggplot(aes(x = reorder(ordre, total_individus), y = total_individus)) +
geom_segment(aes(x = ordre, xend = ordre, y = 0, yend = total_individus),
color = "mediumorchid3", linewidth = 1.2) +
geom_point(aes(color = type_piege), size = 4) +
scale_color_manual(values = c("purple4", "plum"),
name = "Type de piège") +
coord_flip() +
labs(title = "Site 2 (Ouvert)",
x = "Ordre taxonomique",
y = "Nombre total d'individus") +
theme_minimal() +
theme(legend.position = "bottom")
# Combinaison des graphiques
plot_site1 | plot_site23.6 Tableau de synthèse des captures
# Création du tableau de synthèse
tableau_synthese <- captures_geo |>
select(site, habitat, type_piege, ordre, total_individus, nb_echantillons, moyenne_par_echantillon) |>
arrange(site, type_piege, desc(total_individus))
# Affichage avec tinytable
tableau_synthese |>
head(20) |> # Affichage des 20 premières lignes
tt() |>
format_tt(digits = 2) |>
style_tt(
bootstrap_css = "table table-striped table-hover",
align = "center"
)4 Discussion
4.1 Comparaison entre sites
Les résultats montrent des différences notables entre les deux sites d’échantillonnage :
- Site 1 (Forestier) : Caractérisé par une couverture arborescente élevée (>40%)
- Site 2 (Ouvert) : Environnement plus ouvert avec une faible couverture arborescente (≤40%)
4.2 Efficacité des méthodes de capture
La comparaison entre les pièges malaise et les bols jaunes révèle des patterns de capture différents selon les ordres taxonomiques, reflétant les préférences comportementales et écologiques des différents groupes d’arthropodes.
4.3 Influence des conditions météorologiques
Les données météorologiques obtenues via l’API NASA POWER permettent de contextualiser les variations d’abondance observées et d’identifier les périodes favorables à l’activité des arthropodes.
5 Conclusion
Cette analyse spatio-temporelle démontre l’importance de considérer à la fois les facteurs environnementaux locaux (type d’habitat) et les conditions météorologiques dans l’étude des communautés d’arthropodes. Les méthodes de visualisation employées facilitent l’interprétation des patterns écologiques et constituent des outils précieux pour la communication scientifique.
5.1 Recommandations pour de futures études
- Étendre la période d’échantillonnage pour capturer la variabilité saisonnière
- Inclure des variables environnementales supplémentaires (humidité du sol, pH)
- Analyser la diversité taxonomique au niveau spécifique
- Intégrer des analyses statistiques pour tester la significativité des différences observées
6 Références
- NASA Prediction of Worldwide Energy Resources (POWER). https://power.larc.nasa.gov/
- Pebesma, E. (2018). Simple Features for R: Standardized Support for Spatial Vector Data. The R Journal, 10(1), 439-446.
- Wickham, H. et al. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686.