PROJET ECOQUANT
Aïssatou DEME
2024-06
Enseignant: Staentzel Cybill
Fi Ecologie: Mobilité
INTRODUCTION
L’érosion est un Phénomène naturel généralement provoqué par le
courant, participant au transport de la charge solide et à la recharge
sédimentaire du cours d’eau. Les érosions de berges sont à l’origine des
migrations de méandres, et garantissent le fonctionnement dynamique du
cours d’eau. toutefois les berges constituent les points d’encrages de
la végétation qui composent la ripisylve dont les racines servent de
nurserie à différents espéces de poissons, une érosion trop prononcée
qu’elle soit d’origine naturelle ou non a donc un impact significatif
sur le fonctionnement de l’écosystèmes du cours d’eau . Pour remedier à
ce probléme des écologiste on envisagé une solution basée sur une
technique d’érosion controlée.Elle consiste a provoquée une érosion
artificielle et controlée afin de restaurée les écosystémes aquatiques
tout en limitant la portée de l’érosion. Dans le cadre d’une étude ayant
pour but de prouvé l’efficacité de cette méthode,un projet déja élaborée
au niveau du barrage de KEMES a permis de collecter des données
d’environnements et de population sur la période de 2014 à 2019.
l’objectif de cette étude est d’analyser les informations recueillis et
d’étudier l’impact que peut avoir une zone d’érosion maitrisée sur les
communautés piscicoles. Pour répondre à ce questionnement nous allons
nous basé sur trois différentes hypothèses: Hypothèse 1:La population
des différentes espéces à augmenter au fil des années dans la zone
d’érosion et la partie aval. Hypothèse 2: L’érosion crée de nouveaux
habitats propice à la reproduction et la multiplication des espèces .
Hypothèse 3:il y a une amélioration de la diversité et de l’abondance
des populations piscicoles dans la zone d’érosion et la partie aval.
pour ce faire nous allons utilisés plusieurs procédé afin de valider ou
d’infirmer le succés de cette méthode. ### MATERIELS ET METHODES
### 1- MATERIELS
### 1-1 DONNEES D’ETUDE
De 2014 à 2019 plusieurs données détaillées sur les populations
piscicoles ont pu être rassemblé grâce à plusieurs points de pêche placé
le long de la zone d’étude. Parmi ces données nous avons des relevés de
diversité de population , d’abondance, de taille ainsi que des données
sur les habitats présents et les caractéristiques biologiques des
différentes éspéces.Cet encemble de données nous permet donc d’avoir un
suivis sur les populations présentes, leurs tailles,leurs abondance
ainsi que le milieu dans lequel ils évoluent. ### 1-2 RSTUDIO
RSTUDIO est un environnement de développement intégré(IDE) pour le
langage de programmation R et posséde une interface utilisateur
graphique conviviale qui facilite l’écriture, l’exécution et le débogage
de code R. Cette plateforme nous a permet d’éffectuer nos analyses et
d’avoir une bonne représentation grâce à diverses méthodes. ### 2-
METHODOLOGIE
Pour mener à bien notre étude nous avons utilisé plusieurs méthodes
d’analyse comme l’Analyse des composantes principales, l’analyse
multivariée ou la méthode Hill-smith en passant par le choix des données
à utiliser et le calcul de différents indices. ### 2-1-ACP
L’analyse en composantes principales (ACP) est une technique statistique
multivariée qui permet de réduire la dimensionnalité d’un ensemble de
données tout en préservant l’information la plus importante. Elle
consiste à transformer un ensemble de variables corrélées en un nouvel
ensemble de variables non corrélées appelées “composantes principales”.
### 2-2-Analyse Multicritères
Les analyses multicritères regroupent différentes méthodes qui visent à
structurer et à agréger l’information provenant de plusieurs critères
d’évaluation souvent corrélés et parfois conflictuels, afin d’aider à la
prise de décision. Elles s’appliquent à des situations où il n’existe
pas de solution unique optimale et où différents points de vue doivent
être pris en compte. #### ANALYSE RESULTATS ET INTERPRETATIONS DES
DONNEES
#### 1- COLLECTE ET CORRECTION DES DONNEES
setwd("C:/Users/HUAWEI/OneDrive/Bureau/TD ECOQUANT")
library(dplyr)##
## Attachement du package : 'dplyr'## Les objets suivants sont masqués depuis 'package:stats':
##
## filter, lag## Les objets suivants sont masqués depuis 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(readxl)
Bio_Fish<-read_xlsx(path = "Bio_Fish.xlsx")## New names:
## • `` -> `...11`
## • `` -> `...12`Database<-Bio_Fish[,c("Zone","ESP","N","ANNEE")]## Creation d'un nouveau tableau Aggregate
Database <- aggregate(N ~ Zone +ANNEE+ESP, data = Bio_Fish, sum)
Database<-data.frame(transform(Database, Zone = paste0(Zone, "_", ANNEE)))
Database <- Database[,-2]
Zone <- unique(Database$Zone)
ESP <- unique(Database$ESP)
Mat <- matrix(NA, nrow = length(Zone), ncol = length(ESP))
rownames(Mat) <- Zone
colnames(Mat) <- ESP # Remplir la matrice avec les données
for(i in 1:nrow(Database)) {
Zone <- Database$Zone[i]
ESP <- Database$ESP[i]
n <- Database$N[i]
Mat[Zone, ESP] <- n
}
# Afficher la matrice et l'enregistrer
Mat## ABL ANG BAF BLA BOU BRO CHE EPI GAR GDK GDL GKS GTN HOT LOF LOP
## AVAL ZE_2015 5 NA 23 1 NA NA 280 1 NA 12 NA NA 77 21 NA 1
## ZE_2015 2 1 198 NA NA 1 787 8 NA 18 NA NA 240 16 NA 1
## ZE_2016 23 NA 96 NA 1 NA 556 2 2 2 NA NA 191 16 NA NA
## ZE_2017 32 1 124 NA NA NA 379 5 2 2 NA NA 234 12 1 1
## AVAL ZE_2018 4 NA 28 NA NA NA 96 6 NA 16 NA NA 170 111 2 2
## ZE_2018 9 1 259 NA NA NA 317 7 1 10 NA NA 119 116 1 1
## Amont ZE_2019 20 NA 5 NA NA NA 25 NA NA 2 NA NA 63 NA NA NA
## ZE_2019 44 NA 61 NA NA 1 148 2 NA 2 3 NA 133 12 NA 1
## Amont ZE_2014 NA NA 1 NA NA NA NA NA NA NA NA 2 16 NA NA NA
## AVAL ZE_2014 NA NA 1 NA NA NA 604 38 4 NA NA 5 15 178 NA NA
## ZE_2014 NA NA 25 NA NA NA 579 12 3 NA NA 9 29 10 2 NA
## Amont ZE_2015 NA NA 17 NA NA NA 35 NA 1 4 NA NA 81 1 NA NA
## Amont ZE_2016 NA NA 31 NA 1 NA 118 NA 1 1 NA NA 202 1 NA NA
## AVAL ZE_2016 NA NA 13 NA NA NA 107 NA 1 2 NA NA 115 2 NA 1
## Amont ZE_2017 NA NA 49 NA NA NA 105 NA NA 1 NA NA 120 NA NA NA
## AVAL ZE_2017 NA NA 10 NA NA NA 249 13 NA NA NA NA 174 12 NA 3
## Amont ZE_2018 NA NA 25 NA NA NA 4 NA 1 7 NA NA 48 1 NA NA
## AVAL ZE_2019 NA NA 26 NA NA NA 90 3 NA 1 3 NA 155 6 NA 10
## LOR LOT LPP LPR PER PES SAN SAT SIL SPI TAN VAI
## AVAL ZE_2015 NA NA NA NA NA 3 NA NA NA NA NA 9
## ZE_2015 NA NA NA 1 NA 2 1 3 2 14 NA 8
## ZE_2016 NA NA NA 3 NA 2 NA 2 5 16 NA NA
## ZE_2017 NA NA NA NA 1 1 NA 1 1 57 5 14
## AVAL ZE_2018 NA NA NA NA NA NA NA 1 NA NA NA 11
## ZE_2018 NA NA NA NA 3 3 NA NA 9 51 3 8
## Amont ZE_2019 NA NA NA NA NA NA NA NA 1 NA NA NA
## ZE_2019 NA NA NA NA 1 NA NA NA 9 15 1 8
## Amont ZE_2014 NA NA NA NA NA NA NA NA NA NA NA NA
## AVAL ZE_2014 NA NA NA NA NA NA NA NA 1 NA NA 97
## ZE_2014 1 1 1 NA NA 1 NA 1 7 15 NA 23
## Amont ZE_2015 NA NA NA NA 1 NA NA NA 4 NA NA 1
## Amont ZE_2016 NA NA NA NA NA NA NA 1 NA NA NA 1
## AVAL ZE_2016 NA NA NA NA 1 NA NA NA NA NA 1 1
## Amont ZE_2017 NA NA NA NA NA NA NA NA NA 3 NA 2
## AVAL ZE_2017 NA NA NA NA NA NA NA NA NA NA 2 1
## Amont ZE_2018 NA NA NA NA 1 NA NA NA 4 1 NA NA
## AVAL ZE_2019 NA NA NA NA 4 NA NA 1 1 NA 1 20write.csv(Mat, file = "Data_Bio.csv", row.names = TRUE)
Data <- read.csv("Data_Bio.csv",sep = ",",dec = ".",row.names = 1, check.names=TRUE)
str(Data)## 'data.frame': 18 obs. of 28 variables:
## $ ABL: int 5 2 23 32 4 9 20 44 NA NA ...
## $ ANG: int NA 1 NA 1 NA 1 NA NA NA NA ...
## $ BAF: int 23 198 96 124 28 259 5 61 1 1 ...
## $ BLA: int 1 NA NA NA NA NA NA NA NA NA ...
## $ BOU: int NA NA 1 NA NA NA NA NA NA NA ...
## $ BRO: int NA 1 NA NA NA NA NA 1 NA NA ...
## $ CHE: int 280 787 556 379 96 317 25 148 NA 604 ...
## $ EPI: int 1 8 2 5 6 7 NA 2 NA 38 ...
## $ GAR: int NA NA 2 2 NA 1 NA NA NA 4 ...
## $ GDK: int 12 18 2 2 16 10 2 2 NA NA ...
## $ GDL: int NA NA NA NA NA NA NA 3 NA NA ...
## $ GKS: int NA NA NA NA NA NA NA NA 2 5 ...
## $ GTN: int 77 240 191 234 170 119 63 133 16 15 ...
## $ HOT: int 21 16 16 12 111 116 NA 12 NA 178 ...
## $ LOF: int NA NA NA 1 2 1 NA NA NA NA ...
## $ LOP: int 1 1 NA 1 2 1 NA 1 NA NA ...
## $ LOR: int NA NA NA NA NA NA NA NA NA NA ...
## $ LOT: int NA NA NA NA NA NA NA NA NA NA ...
## $ LPP: int NA NA NA NA NA NA NA NA NA NA ...
## $ LPR: int NA 1 3 NA NA NA NA NA NA NA ...
## $ PER: int NA NA NA 1 NA 3 NA 1 NA NA ...
## $ PES: int 3 2 2 1 NA 3 NA NA NA NA ...
## $ SAN: int NA 1 NA NA NA NA NA NA NA NA ...
## $ SAT: int NA 3 2 1 1 NA NA NA NA NA ...
## $ SIL: int NA 2 5 1 NA 9 1 9 NA 1 ...
## $ SPI: int NA 14 16 57 NA 51 NA 15 NA NA ...
## $ TAN: int NA NA NA 5 NA 3 NA 1 NA NA ...
## $ VAI: int 9 8 NA 14 11 8 NA 8 NA 97 ...Data[is.na(Data)] <- 0
View(Data)2- AFC
2-1- La population des différentes espéces à augmenter au fil des années dans la zone d’érosion et la partie aval
L’AFC représente la relation entre les zones d’études et les espèces aquatiques en termes d’évolution d’abondance sur l’intervalle 2014-2019.
#ANALYSE MULTIVARIEE
library(ade4)
afc1<-dudi.coa(df = Data, scannf = FALSE, nf = 2)
afc1## Duality diagramm
## class: coa dudi
## $call: dudi.coa(df = Data, scannf = FALSE, nf = 2)
##
## $nf: 2 axis-components saved
## $rank: 17
## eigen values: 0.1976 0.1085 0.09144 0.05419 0.02867 ...
## vector length mode content
## 1 $cw 28 numeric column weights
## 2 $lw 18 numeric row weights
## 3 $eig 17 numeric eigen values
##
## data.frame nrow ncol content
## 1 $tab 18 28 modified array
## 2 $li 18 2 row coordinates
## 3 $l1 18 2 row normed scores
## 4 $co 28 2 column coordinates
## 5 $c1 28 2 column normed scores
## other elements: Nsc1<-s.label(afc1$co)
sc2<-s.label(afc1$l1)
detach("package:ade4",unload = TRUE)
library(adegraphics)## Registered S3 methods overwritten by 'adegraphics':
## method from
## biplot.dudi ade4
## kplot.foucart ade4
## kplot.mcoa ade4
## kplot.mfa ade4
## kplot.pta ade4
## kplot.sepan ade4
## kplot.statis ade4
## scatter.coa ade4
## scatter.dudi ade4
## scatter.nipals ade4
## scatter.pco ade4
## score.acm ade4
## score.mix ade4
## score.pca ade4
## screeplot.dudi ade4sc1<-s.label(afc1$co)
sc2<-s.label(afc1$l1)
ADEgS(list(sc1,sc2))
2-2- INTERPRETATION AFC
le graphique nous montre l’évolution dans le temps de l’occupation des différentes zones par les différentes espéces de poissons. En effet on peut constaté une augmentation progressive des espèces présentes dans les trois zones. De 2014 à 2015 la zone aval est fréquenté par des espéces comme HOT LOT VAI EPI GAR, et à partir de là on constate progressivement la venu d’éspéce comme GTN TAN BAF SPI ANG BOU et BRO. Il en est de même pour la zone d’érosion maitrisée qui a vu ses habitants CHE GLA BKS être rejoint par BAF TAN SIL ABL. Quand à la zone amont sa population est resté constante au fil des années sans évolution particulière . Elle a été habité tout du long par les espéces GDK, LOP, PER, GDL, GTN, TAN, BAF . Globalement la zone d’érosion et la zone aval on vu leur population augmenté de façon significative au fil des années. les communautés piscicoles ce sont aussi diversifiés. Les éspèces exotiques envahissantes comme le GDK,GDL,GTN ne sont pas présentes dans la zone d’érosion et la zone aval. On peut donc en conclure que la zone d’érosion a servi à favoriser le développement des espéces locales en les séparant des espèces exotiques envahissante.
3- Analyse des composantes principales ACP
3-l y a une amélioration de la diversité et de l’abondance des populations piscicoles dans la zone d’érosion et la partie aval
Pour faire l’analyse en composante principale nous aurons besoin de calculer préalablement 5 différentes indices qui sont: .l’abondance relative des individus qui se concentre sur le nombre d’individus de chaque espèce présents dans un environnement donné. Elle permet d’affiner un peu l’analyse en considérant la domination potentielle de certaines espèces. .la richesse spécifique qui se réfère simplement au nombre total d’espèces présentes dans un environnement donné. C’est un indicateur basique de la diversité, mais il ne prend pas en compte la répartition des espèces. .L’Indice d’équitabilité .l’Indice de Shannon qui prend en compte à la fois le nombre d’espèces et leur abondance relative. Des valeurs plus élevées indiquent une diversité plus élevée. .Et enfin l’Indice de Simpson qui mesure la probabilité qu’en sélectionnant deux individus au hasard dans la communauté, ils appartiennent à la même espèce. Des valeurs plus faibles indiquent une diversité plus élevée.
#CREER UN TABLEAU
library(diverse)## Le chargement a nécessité le package : proxy##
## Attachement du package : 'proxy'## Les objets suivants sont masqués depuis 'package:stats':
##
## as.dist, dist## L'objet suivant est masqué depuis 'package:base':
##
## as.matrix## Le chargement a nécessité le package : reshape2## Le chargement a nécessité le package : foreignTableau<-(Data)
str(Tableau)## 'data.frame': 18 obs. of 28 variables:
## $ ABL: num 5 2 23 32 4 9 20 44 0 0 ...
## $ ANG: num 0 1 0 1 0 1 0 0 0 0 ...
## $ BAF: int 23 198 96 124 28 259 5 61 1 1 ...
## $ BLA: num 1 0 0 0 0 0 0 0 0 0 ...
## $ BOU: num 0 0 1 0 0 0 0 0 0 0 ...
## $ BRO: num 0 1 0 0 0 0 0 1 0 0 ...
## $ CHE: num 280 787 556 379 96 317 25 148 0 604 ...
## $ EPI: num 1 8 2 5 6 7 0 2 0 38 ...
## $ GAR: num 0 0 2 2 0 1 0 0 0 4 ...
## $ GDK: num 12 18 2 2 16 10 2 2 0 0 ...
## $ GDL: num 0 0 0 0 0 0 0 3 0 0 ...
## $ GKS: num 0 0 0 0 0 0 0 0 2 5 ...
## $ GTN: int 77 240 191 234 170 119 63 133 16 15 ...
## $ HOT: num 21 16 16 12 111 116 0 12 0 178 ...
## $ LOF: num 0 0 0 1 2 1 0 0 0 0 ...
## $ LOP: num 1 1 0 1 2 1 0 1 0 0 ...
## $ LOR: num 0 0 0 0 0 0 0 0 0 0 ...
## $ LOT: num 0 0 0 0 0 0 0 0 0 0 ...
## $ LPP: num 0 0 0 0 0 0 0 0 0 0 ...
## $ LPR: num 0 1 3 0 0 0 0 0 0 0 ...
## $ PER: num 0 0 0 1 0 3 0 1 0 0 ...
## $ PES: num 3 2 2 1 0 3 0 0 0 0 ...
## $ SAN: num 0 1 0 0 0 0 0 0 0 0 ...
## $ SAT: num 0 3 2 1 1 0 0 0 0 0 ...
## $ SIL: num 0 2 5 1 0 9 1 9 0 1 ...
## $ SPI: num 0 14 16 57 0 51 0 15 0 0 ...
## $ TAN: num 0 0 0 5 0 3 0 1 0 0 ...
## $ VAI: num 9 8 0 14 11 8 0 8 0 97 ...N=apply(Tableau,1,sum)
S=apply(Tableau>0,1,sum)
Tableau$N<-N
Tableau$S<-S
str(Tableau)## 'data.frame': 18 obs. of 30 variables:
## $ ABL: num 5 2 23 32 4 9 20 44 0 0 ...
## $ ANG: num 0 1 0 1 0 1 0 0 0 0 ...
## $ BAF: int 23 198 96 124 28 259 5 61 1 1 ...
## $ BLA: num 1 0 0 0 0 0 0 0 0 0 ...
## $ BOU: num 0 0 1 0 0 0 0 0 0 0 ...
## $ BRO: num 0 1 0 0 0 0 0 1 0 0 ...
## $ CHE: num 280 787 556 379 96 317 25 148 0 604 ...
## $ EPI: num 1 8 2 5 6 7 0 2 0 38 ...
## $ GAR: num 0 0 2 2 0 1 0 0 0 4 ...
## $ GDK: num 12 18 2 2 16 10 2 2 0 0 ...
## $ GDL: num 0 0 0 0 0 0 0 3 0 0 ...
## $ GKS: num 0 0 0 0 0 0 0 0 2 5 ...
## $ GTN: int 77 240 191 234 170 119 63 133 16 15 ...
## $ HOT: num 21 16 16 12 111 116 0 12 0 178 ...
## $ LOF: num 0 0 0 1 2 1 0 0 0 0 ...
## $ LOP: num 1 1 0 1 2 1 0 1 0 0 ...
## $ LOR: num 0 0 0 0 0 0 0 0 0 0 ...
## $ LOT: num 0 0 0 0 0 0 0 0 0 0 ...
## $ LPP: num 0 0 0 0 0 0 0 0 0 0 ...
## $ LPR: num 0 1 3 0 0 0 0 0 0 0 ...
## $ PER: num 0 0 0 1 0 3 0 1 0 0 ...
## $ PES: num 3 2 2 1 0 3 0 0 0 0 ...
## $ SAN: num 0 1 0 0 0 0 0 0 0 0 ...
## $ SAT: num 0 3 2 1 1 0 0 0 0 0 ...
## $ SIL: num 0 2 5 1 0 9 1 9 0 1 ...
## $ SPI: num 0 14 16 57 0 51 0 15 0 0 ...
## $ TAN: num 0 0 0 5 0 3 0 1 0 0 ...
## $ VAI: num 9 8 0 14 11 8 0 8 0 97 ...
## $ N : num 433 1303 917 873 447 ...
## $ S : int 11 17 14 18 11 17 6 15 3 9 ...library(vegan)## Le chargement a nécessité le package : permute## Le chargement a nécessité le package : lattice## This is vegan 2.6-6.1##
## Attachement du package : 'vegan'## L'objet suivant est masqué depuis 'package:diverse':
##
## diversityTableau$H<-diversity(Tableau[,1:28],index="shannon")#H
Tableau$D<-diversity(Tableau[,1:28],index="simpson")#D
Tableau$J<-diversity(Tableau[,1:28],index="shannon")/log2(Tableau$S)#J
Tableau<-Tableau[,-1:-28]
View(Tableau)
Mat <- matrix(NA, nrow = length(Zone), ncol = length(ESP))#ANALYSE DES COMPOSANTES PRINCIPALES
library(ade4)##
## Attachement du package : 'ade4'## Les objets suivants sont masqués depuis 'package:adegraphics':
##
## kplotsepan.coa, s.arrow, s.class, s.corcircle, s.distri, s.image,
## s.label, s.logo, s.match, s.traject, s.value, table.value,
## triangle.classpcal<-dudi.pca(df = Tableau, scale = TRUE, scannf = FALSE, nf = 2)
summary(pcal)## Class: pca dudi
## Call: dudi.pca(df = Tableau, scale = TRUE, scannf = FALSE, nf = 2)
##
## Total inertia: 5
##
## Eigenvalues:
## Ax1 Ax2 Ax3 Ax4 Ax5
## 2.70156 1.95213 0.24590 0.08816 0.01224
##
## Projected inertia (%):
## Ax1 Ax2 Ax3 Ax4 Ax5
## 54.0313 39.0426 4.9181 1.7633 0.2448
##
## Cumulative projected inertia (%):
## Ax1 Ax1:2 Ax1:3 Ax1:4 Ax1:5
## 54.03 93.07 97.99 99.76 100.00pcal## Duality diagramm
## class: pca dudi
## $call: dudi.pca(df = Tableau, scale = TRUE, scannf = FALSE, nf = 2)
##
## $nf: 2 axis-components saved
## $rank: 5
## eigen values: 2.702 1.952 0.2459 0.08816 0.01224
## vector length mode content
## 1 $cw 5 numeric column weights
## 2 $lw 18 numeric row weights
## 3 $eig 5 numeric eigen values
##
## data.frame nrow ncol content
## 1 $tab 18 5 modified array
## 2 $li 18 2 row coordinates
## 3 $l1 18 2 row normed scores
## 4 $co 5 2 column coordinates
## 5 $c1 5 2 column normed scores
## other elements: cent normscatter(pcal)
sc1<- s.corcircle(pcal$co)
sc1<-s.label(pcal$li)
pcaQ<-dudi.pca(df=Tableau, scale = TRUE,scannf = FALSE,nf=2)
pcaQ## Duality diagramm
## class: pca dudi
## $call: dudi.pca(df = Tableau, scale = TRUE, scannf = FALSE, nf = 2)
##
## $nf: 2 axis-components saved
## $rank: 5
## eigen values: 2.702 1.952 0.2459 0.08816 0.01224
## vector length mode content
## 1 $cw 5 numeric column weights
## 2 $lw 18 numeric row weights
## 3 $eig 5 numeric eigen values
##
## data.frame nrow ncol content
## 1 $tab 18 5 modified array
## 2 $li 18 2 row coordinates
## 3 $l1 18 2 row normed scores
## 4 $co 5 2 column coordinates
## 5 $c1 5 2 column normed scores
## other elements: cent normscl<- s.corcircle(pcaQ$co)
scl## s.corcircle(dfxy = pcaQ$co)scatter(pcaQ)
Le graphique représentant l’analyse en composantes principales (ACP)
ci-dessus montre la relation entre les zones d’étude et les indices de
diversité des communautés piscicoles dans l’intervalle allant de 2014 à
2019. on peut constaté que l’axe 1 semble etre majoritairement
représenté par le gradient d’équitabilité(J), l’indice de Simpson et
l’indice de Shannon. on peut constaté que les zones les plus
équitablement représentées sont en haut et les moins représentées sont
en bas. On peut en déduire une variation de la compositions des
communautés aquatiques en fonction des années. l’axe 2 de son côté
semble être représenter par l’indice de richesse spécifique(S) et
l’indice d’abondance. on constate ainsi un regroupement des zones les
plus riche du côté droit et les zones les moins riches du côté gauche.
Cela suggére que l’abondance et la richesse des communautés piscicoles
varie en fonction des années.
On obtient donc la formation de deux groupes: -le premier groupe formé par les indices qui composent l’axe1 permet une quantification de la diversité des espéces dans un écosystème. Celles-ci permettent ici de comparer la diversité des espéces au fil des années. -le deuxième groupe regroupe les indices qui mesures la diversité en ne tenant compte que de l’abondance et de la richesse spécifique. On peut donc voir l’évolution de l’abondance et de la richessed dans les différentes zone en fonction des années.
3-2 INTERPRETATION ACP
l’analyse des composantes principales nous a permis de mettre en
évidence des points importants. On constate que l’abondance et la
richesse augmentent dans la zone et la partie aval dans les années
postérieure à l’année de mise en place de la zone d’érosion en
commençant par l’année 2015. On voit aussi une diversification
importante dans la zone d’érosion et la zone aval à partir de l’année
2018. Ce retard peut ce justifier par la nécessité de mise en place des
conditions environnementales nécessaires à l’épanouissement de plusieurs
espéces. On peut donc en déduire que la mise en place de la zone à
favoriser l’abondance et la diversification des communautés piscicoles
présentes dans la zone d’étude. #### 4 HILL-SMITH
#### 4-1-1L’érosion crée de nouveaux habitats propice à la reproduction
et la multiplication des espéces
## Trait
library(vegan)
library(readxl)
Trait<-read_excel("C:/Users/HUAWEI/OneDrive/Bureau/TD ECOQUANT/Traits.xlsx")
Trait<-Trait[-22,]
Trait<-Trait[-29,]
write.csv(Trait,file="Trait.csv", row.names = TRUE)
Trait<-read.csv("Trait.csv",sep = ",",dec = ".",row.names = 2, check.names=TRUE)
Trait<-Trait[,-1]
View(Trait)###hill smith
library(vegan)
detach("package:adegraphics", unload = TRUE)
library(ade4)
Hill_Trait<-Trait
View(Hill_Trait)
pcahillR<-dudi.hillsmith(df = Hill_Trait, scannf = FALSE, nf = 2)
detach("package:ade4", unload = TRUE)
library(adegraphics)## Registered S3 methods overwritten by 'ade4':
## method from
## biplot.dudi adegraphics
## plot.betcoi adegraphics
## plot.betrlq adegraphics
## plot.between adegraphics
## plot.coinertia adegraphics
## plot.discrimin adegraphics
## plot.dpcoa adegraphics
## plot.foucart adegraphics
## plot.krandtest adegraphics
## plot.mcoa adegraphics
## plot.mfa adegraphics
## plot.multispati adegraphics
## plot.niche adegraphics
## plot.pcaiv adegraphics
## plot.procuste adegraphics
## plot.pta adegraphics
## plot.randtest adegraphics
## plot.rlq adegraphics
## plot.sepan adegraphics
## plot.statis adegraphics
## plot.witcoi adegraphics
## plot.within adegraphics
## plot.witrlq adegraphics
## plot.bcaloocv adegraphics
## plot.discloocv adegraphics
## screeplot.dudi adegraphics## Registered S3 methods overwritten by 'adegraphics':
## method from
## biplot.dudi ade4
## kplot.foucart ade4
## kplot.mcoa ade4
## kplot.mfa ade4
## kplot.pta ade4
## kplot.sepan ade4
## kplot.statis ade4
## scatter.coa ade4
## scatter.dudi ade4
## scatter.nipals ade4
## scatter.pco ade4
## score.acm ade4
## score.mix ade4
## score.pca ade4
## screeplot.dudi ade4scatter(pcahillR)
Le diagramme d’Hill-Smith présente la relation entre les espèces
aquatiques et les facteurs environnementaux propices à leur
épanouissement.le premier axe est généralement composé des stratégies de
reproduction tandis que le second se base plus sur les caractéristiques
physiologiques et comportementales des différentes espèces. #### 5-
INTERPRETATIONS HILL-SMITH
L’analyse révèle une dynamique comportementales des communautés
aquatiques, avec des changements de composition, de diversité, de milieu
et d’abondance des espèces. Le diagramme d’Hill-Smith apporte des
informations précieuses sur les relations entre les espèces et leurs
Trait fonctionnels, permettant de mieux cerner leurs adaptations et
leurs stratégies de vie. on constate entre autre des regroupements de
plusieurs espèces en fonctions de leur environnement , de leur habitat
ou de leur mode de reproduction. la dynamique que suit le déplacement
des espèces montre qu’il y a de nouveau habitats propice à leur
développement et qui convient à leur monde de reproduction.
INTERPRETATION
l’analyse des données nous a permis de constater plusieurs changements au sein des populations de poissons tant au niveau de l’abondance et de la diversité d’espèces retrouver qu’au niveau des habitats . l’Analyse des composantes principales nous a permis de constater que la mise en place de la zone à favoriser l’abondance et la diversification des communautés piscicoles présentes dans la zone d’étude. l’Analyse multicritères montre une augmentation et une diversification des espèces présentes dans la zone d’érosion et la zone aval. on a aussi une séparation des éspèces exotiques envahissantes qui ne sont pas présentes dans la zone d’érosion et la zone aval. On peut donc en conclure que la zone d’érosion a servi à favoriser le développement des espéces locales en les séparant des espèces exotiques envahissante. Pour finir l’AFC et le diagramme de Hill-smith des données Trait nous montre les tendances de regroupement des différentes espèces en fonction des factueurs environnementaux et des modes de reproduction. On peut aussi dire que la zone pourrait servir de nurserie pour les différentes espèces qui si rencontrent. Avec ces trois analyses nous avons pu confirmé les hypothèses émis en début de l’étude nous pouvons donc en conclure que le projet de zone d’érosion maitrisée à eu un certain succès sur la communauté piscicole.
CONCLUSION
Cette étude nous a permis d’analyser globalement les données collectées sur le projet et d’évaluer l’impact que peut avoir l’érosion maitrisée sur l’abondance, la diversité et la richesse de la communauté piscicole d’un cours d’eau. Les différentes techniques d’analyses utilisé nous ont permis de vérifier les hypothèses émis pour valider le succés de cette méthode. Notre étude révèle que les communautés piscicoles dans les zones d’érosion contrôlée et en aval présentent une dynamique temporelle et une richesse remarquable en espèces. Les Trait fonctionnels de ces espèces influencent leur répartition et leurs interactions au sein de l’écosystème. On peut en conclure que les zones d’érosion contrôlée joue un rôle positif dans la préservation de la diversité des espèces dans la zone et en aval. Ces résultats soulignent l’importance d’une gestion durable des zones d’érosion pour la conservation de la biodiversité aquatique.