Il existe un grand nombre d'études sur ce sujet traitant de la réponse des traits fonctionnels ou écophysiologiques et des paramètres démographiques aux gradients (Cordell et al. Cette variabilité est due à la fois à la diversité génétique des espèces et à la plasticité phénotypique des différents génotypes ( Fig. 0.5), où les différences adaptatives et plastiques peuvent être complémentaires et non exclusives (Joshi et al.
Echantillonnage : principes et applications
Pourquoi échantillonner? Raisons et définitions
La théorie de l'échantillonnage fournit aux écologistes un cadre théorique qui leur permet de sélectionner un échantillon représentatif, puis d'estimer les paramètres (par exemple, moyenne, variance) de la variable biologique étudiée. Dans une stratégie probabiliste, toutes les unités de la base ont une probabilité connue et non nulle d'être échantillonnées, ce qui conduit à des estimations non biaisées des paramètres souhaités (par exemple, moyenne, variance).
Estimation de courbes de réponse : problèmes et solutions
Il n’existe donc pas d’échantillonnage standard, il doit donc être établi en fonction de la question posée. Les éléments d’échantillonnage (unités, population cible, base de sondage et localisation) doivent être spécifiquement définis et expliqués pour permettre la mise en œuvre de la stratégie la plus appropriée.
Base de données Guisane 2080 : réalités de l’échantillonnage
- Objectifs
- Sites d’étude et choix des gradients
- Seize espèces modèles
- Mise au point d’une stratégie d’échantillonnage
- Mesures de terrain: La base Guisane 2080
Niche 1 : amplitude de hauteur de la distribution des espèces (intervalle interquantile 10-90 %), sur la base des données de 2.3.2. Nous avons donc ajusté les points théoriques de la stratégie E4 à ces populations connues (gros points gris).
Variabilité fonctionnelle intraspécifique: quantification, structure,
Variabilité dans le temps et date d’échantillonnage
Les chiffres représentent l'étendue de la variabilité intraspécifique pour (de haut en bas et de gauche à droite) la hauteur végétative (cm), l'exposition de l'inflorescence par hauteur (HeightInflo-Hmax)/Hmax, la teneur en azote des feuilles (%), la teneur en carbone des feuilles (%) , teneur en matière sèche foliaire (%) et surface foliaire spécifique (mm²/mg-1) pour chaque espèce. Pour les quatre espèces suivies en 2007 et 2008, nous avons observé une forte variabilité des caractères au cours de la saison de croissance, mais peu entre les années, ce qui est en accord avec la bibliographie (Garnier et al. 2001, Al Haj Khaled et al. 2005). Décomposition de la variance relative des caractères au niveau de l'individu, de la sous-population et de la population pour (a) la hauteur végétative (14 espèces) ; (b) la teneur en matière sèche des feuilles (16 espèces) et (c) la teneur en azote des feuilles (16 espèces).
Quantification et structure des variabilités fonctionnelles intra- et
- Quelle est l’ampleur de la variabilité fonctionnelle intraspécifique ?
- Quelle est la structure spatiale de la variabilité fonctionnelle intraspécifique au sein des espèces ?
- La variabilité fonctionnelle intraspécifique est elle négligeable devant la variabilité interspécifique ?
- Qu’implique la variabilité fonctionnelle intraspécifique sur la définition des stratégies fonctionnelles ? 93
- Rôle des gradients environnementaux dans la variabilité fonctionnelle
- Modèle conceptuel
Décomposition de la variance en contributions inter- et intraspécifiques pour chaque trait (extrait de la section 8). Étonnamment, une grande partie de la variation restante était due aux différences entre les individus au sein d’une sous-population (en moyenne 53 % pour LDMC) et une très faible proportion de la variation était due aux sous-populations elles-mêmes (environ 10 %). Malgré ce fort chevauchement, une grande partie de la variabilité (en moyenne 70 %) reste due aux différences entre espèces (Fig. 2.9).
Conclusion & perspectives
Cependant, je ne pense pas que nos résultats s’opposent à l’utilisation massive de grandes bases de données de caractères (Weiher et al. 1999 ; Garnier et al. 2001), mais plutôt qu’ils soulignent la nécessité de prêter une grande attention à la qualité et à la nature des données. trouvés dans ces bases de données. En effet, il est essentiel que les mesures de propriétés en tant que telles soient accompagnées d'informations sur la localisation, l'environnement, le protocole de mesure et, si possible, la variabilité des mesures (Garnier et al. 2007 ;
Signification des modèles d'habitat et lien avec les traits fonctionnels
Principe
Aujourd’hui, cet objectif s’accompagne de la volonté de prédire les évolutions potentielles de ces distributions sous l’influence de variables de forçage (ex : changement climatique). Cette biogéographie prédictive admet que la répartition des espèces est déterminée – au moins en partie – par des variables environnementales et que des approximations raisonnables de ces variables peuvent être estimées (Austin 2007). Il propose donc de caractériser les conditions environnementales propices à l'apparition d'une espèce à l'aide de méthodes statistiques et corrélatives (Guisan & Thuiler 2005) ou mécanistiques (Chuine et al.
Construire un modèle d’habitat
On considère souvent que les variables climatiques sont un estimateur des gradients de ressources (a) et que les paramètres démographiques, les traits fonctionnels et l'abondance sont des estimateurs de fitness (b). Ils sont souvent descriptifs de l'environnement climatique (température, précipitations) et physique (type de sol) et parfois biologique (par exemple interactions biotiques : Araujo & Luoto 2007). L'étalonnage d'un modèle implique, par exemple, une mesure de réduction de la variance (ou de déviance) ou une maximisation de la vraisemblance.
Hypothèses de construction
Cela concerne par exemple le choix des formes de relation autorisées (ex : linéaire, quadratique, cubique). Comme il est rare de disposer de jeux de données indépendants, on utilise souvent une partie aléatoire du jeu de données d'origine (par exemple 70%) pour calibrer le modèle et la partie restante (par exemple cette bonne représentation du volume que l'espèce occupe dans l'espace écologique (par exemple conditions climatiques). ) est essentiel pour prédire correctement la répartition potentielle de l’espèce dans les zones géographiques où elle n’a pas été étudiée.
Algorithmes utilisés et sélection de modèle
La plupart nécessitent des données d'absence pour établir des contrastes entre les conditions dans lesquelles l'espèce est présente et celles dans lesquelles elle est absente. D'autres, comme l'ENFA, nécessitent uniquement des données de présence pour modéliser les conditions dans lesquelles l'espèce est présente. Pour pallier le manque de données fiables sur les absences, certaines méthodes proposent également de sélectionner des pseudo-absences, permettant d'établir des contrastes entre les conditions dans lesquelles l'espèce est présente et celles dans lesquelles elle est supposée ne pas l'être.
Utilisations des modèles d’habitat
Limites techniques et conceptuelles
Ainsi, les espèces modélisées avec peu de données de présence ont tendance à avoir des valeurs de probabilité de présence plus faibles que les autres, ce qui peut poser problème pour comparer les résultats du modèle entre les espèces (qualité de l'habitat). Les modèles d'habitats sont des modèles simples, corrélatifs, statiques, d'une part ils ne prennent pas directement en compte les processus écologiques (dispersion, interactions biotiques, perturbations) et d'autre part ils les prennent en compte indirectement en partant de la répartition actuelle des espèces. . qui est le résultat de tous ces processus (article 2). Il n’est donc pas aisé de lier ces modèles d’habitat à des concepts écologiques, et le débat sur leur signification est loin d’être clos.
Trouver un sens
Dans ce cas, une qualité d’habitat de 0,4 est meilleure qu’une qualité de 0,3 et pire qu’une de 0,5. Il serait nécessaire de pouvoir comparer les résultats des modèles d'habitat avec des mesures de performance d'individus ou de populations. Principe d'analyse : construction d'un modèle d'habitat et échantillonnage hiérarchique conduisant à la comparaison de deux mesures de la niche.
Tests de la signification des modèles d’habitat
- Les modèles d’habitat comme une description fonctionnelle de la niche
- Une relation distendue entre modèles d’habitat et démographie : manipulation de germination et survie
- Une relation distendue entre modèles d’habitat et démographie : démographie des forêts des Alpes
Nous avons mesuré la proportion de variabilité des traits expliquée (R²) par la qualité de l'habitat (encadré 2.1). R² et signes de relations (modèles mixtes linéaires) entre qualité de l'habitat et traits fonctionnels (seulement R² > 5% donné). Il y avait une tendance aux effets négatifs de la qualité de l'habitat sur la germination et aux effets positifs sur la survie.
Conclusion
Il n’est donc pas utile de discuter davantage des limites des modèles résidentiels eux-mêmes. Cela pose également la question d’un arbitrage entre la portée de l’étude et la qualité des modèles d’habitat mis en œuvre. Dans leur étude, Elmendorf & Moore (2008) ont calibré des modèles d'habitat à l'aide de variables très fines (sol, rayonnement) mesurées localement.
Prise en compte de la variabilité fonctionnelle intraspécifique et
Quoi faire changer ?
Tout d’abord, il est important de se demander quels traits fonctionnels ou paramètres démographiques doivent varier (dans un modèle, on peut se poser la même question sur les paramètres de ce modèle). Caractères associés à la fécondité (par exemple le nombre de graines) ou au succès d'établissement (par exemple la masse des graines, le taux de germination), ceux liés à la croissance (par exemple le taux de croissance) et à la morphologie (par exemple la hauteur), ceux qui sont associés à la réponse aux perturbations (par exemple la résistance vs .tolérance aux herbivores) ou encore des paramètres démographiques (par exemple croissance démographique). Nos résultats (chapitres 2 et 3) ne répondent que partiellement à ces questions : les propriétés fonctionnelles que nous avons mesurées sont variables, mais n'ont pas toutes la même amplitude de variation ; les paramètres démographiques semblent également variables, mais nous n'avons trouvé aucune loi sur cette variabilité.
Comment faire pour une espèce ?
Comment faire pour plusieurs espèces ?
Quel lien avec les modèles d’habitat ?
L'effet de la prise en compte de la variabilité fonctionnelle interspécifique sur la diversité fonctionnelle. Considérons une communauté végétale composée de deux espèces (violette et grise), où l'espèce violette est deux fois plus nombreuse que l'espèce grise. au-dessus de). Sans variabilité interspécifique, la composition fonctionnelle de la communauté sera la même dans différentes conditions environnementales. bas) Avec une variabilité interspécifique qui dépend de l'environnement, la composition fonctionnelle de la communauté peut être très différente selon les conditions environnementales dans lesquelles elle se trouve.
Implication dans l’évaluation de la diversité fonctionnelle
- Le concept de diversité fonctionnelle
- Effet de la variabilité fonctionnelle intraspécifique, de sa structure et de ses sources sur la stabilité des
Les indices calculés sur les deux caractères n'avaient pas la même sensibilité à la variabilité interspécifique. Nos résultats montrent également que la structure de la variabilité peut jouer un rôle dans le caractère informatif des indices moyens. Il s’agit d’une autre étape essentielle pour comprendre l’importance de la variabilité intraspécifique dans l’utilisation des traits fonctionnels.
Implication dans la modélisation de la dynamique d’un paysage
- Vers des modèles « hybrides »
- L’exemple de Lamos/Biomove
L'hétérogénéité de la qualité de l'habitat dans l'espace est donnée par la projection des modèles d'habitat sur l'ensemble de la zone traitée dans Biomove. Il existe donc une très forte influence de la qualité de l'habitat sur la dynamique du mélèze en présence du réchauffement climatique et sans compétition ni perturbation. La manière dont cette qualité d'habitat est prise en compte (fonction de commutation binaire ou linéaire) a également une influence.
Conclusion
De plus, nous avons démontré que chaque trait pouvait suivre une courbe de réponse générique à travers la distribution des espèces. Ainsi, nous avons montré que les différents indices calculés à partir de différents caractères n’étaient pas tous aussi robustes lorsqu’on considère la variabilité interspécifique. De nouveaux progrès sont réalisés avec la prise en compte progressive de la variabilité fonctionnelle interspécifique.
