Abstract: Dans le cadre de notre travail de dossier de DATA, nous avons décidé de travailler sur l’article: “Copper distribution in German vineyards and its impact on soil organisms – Dataset of physical, chemical and biological soil parameters of a field survey from 2010 to 2014” de Nadine Herwig, Bernd Hommel et Dieter Felgentreu. Ils ont travaillé sur l’impact de l’utilisation du cuivre comme pesticide dans les vignobles du sud de lAllemagne. Cet article pourtant très complet n’aborde pas la correlation entre l’abondance des vers de Terre et la concentration du Cuivre dans les sols. Pour cette raison, nous avons décidé d’en faire la problématique de notre dossier.

Mots Clefs	Traduction en Anglais	Liens URI
Cuivre	Copper	http://opendata.inrae.fr/thesaurusINRAE/c_15666
Lumbricus	Lumbricus	http://opendata.inrae.fr/thesaurusINRAE/c_25808
pollution agricole	pollution from agriculture	http://opendata.inrae.fr/thesaurusINRAE/c_5036
pesticide	pesticide	http://opendata.inrae.fr/thesaurusINRAE/c_3475
agriculture biologique	organic agriculture	http://opendata.inrae.fr/thesaurusINRAE/c_2912
sol agricole	agricultural soil	http://opendata.inrae.fr/thesaurusINRAE/c_245
vignoble	vineyard	http://opendata.inrae.fr/thesaurusINRAE/c_2394

Introduction

Partout dans le monde et particulièrement en Europe, a lieu depuis quelques années une remise en question du système agricole industriel mis en place durant l’après-guerre. La réglementation tend aujourd’hui vers une agriculture plus durable et donc bénéfique sur le long-therme. Dans ce contexte, un grand nombre de fongicides ont été interdits à toutes exploitations agricoles voulant bénéficier de la certification Bio. La gestion des champignons est particulièrement importante dans le secteur de la vigne qui, historiquement a été beaucoup impacté par les différentes vagues de mildiou, oïdium ou encore botrytis. Pour conserver la certification BIO tout en limitant l’impact des champignons, les vignerons se sont tournés vers l’utilisation du cuivre, décrit comme naturel. Le cuivre est cependant aujourd’hui soumis à débat de part son impact néfaste sur l’environement, et de nombreuses études ont été mises en place pour tenter de le quantifier.

C’est dans ce contexte qu’a été élaboré la base de données “Summary field data Cu” qui associe le cuivre avec différent autres facteurs liés à la composition et la structure des sols, ainsi que leur diversité biologique. Dans le cadre de notre travail, nous alllons nous pencher sur un des éléments mesurés: l’abondance de vers de terre pour nous demander si celui est corrélé au taux de cuivre mesuré dans le sol.

Description du jeu de données

Origine du jeu de données

Le jeu de données “Summary field data Cu” est issu de l’article scientifique “Copper distribution in German vineyards and its impact on soil organisms – Dataset of physical, chemical and biological soil parameters of a field survey from 2010 to 2014” de Nadine Herwig est al. publié dans le volume 48 du journal Data in Brief en juin 2023

Ces données ont été réalisées dans 10 vignobles situés au sud-ouest de l’allemagne dans 10 régions viticoles différentes. Les chercheurs ont selectionnés 1 à 4 parcelles par vignobles et ont fait différents mesures à 4 points différents de chacune des parcelles. Ces mesures se sont déroulées sur 4 ans (de 2010 à 2014) et couvrent un grande variété de zones qui n’ont pas commencer à utiliser le cuivre au même moment et dans les mêmes proportions.

Format des données

Le jeu de données est structuré sous forme d’un fichier excel subdivisé en 9 feuilles (8 feuilles tableaux tabulaires et 1 de description). Nous avons transformé ces données en .csv pour pouvoir les utiliser dans Rmarkdowmn.

Métadonnées techniques

Les données proviennent d’une enquête sur le terrain menée par JKI ( institut allemand sur la protection des parcelles dans les cultures et les prairies ). L’enquête s’est déroulée sur 78 zones de prélèvements avec 4 point d’échantillons de 0,25 m2 chacun pour un total de 312 points d’échantillonnages.

Sur les 78 zones d’enquête il y a 30 domaines viticoles, 24 jachères et 24 prairies. Parmi les domaines viticoles 5 d’entre eux sont classés en « conventionnels » et les 25 autres en « gestion écologique ». La plupart des domaines en gestion écologique sont regroupés en association donc partagent les mêmes règles et méthodes. Les jachères représentent d’anciens domaines viticoles de la région sur lesquels aucun épandage de cuivre n’a été fait depuis plus de 20 ans. Les prairies sont qualifiées de référence car elles étaient sous enquête et sont typiques de la région et n’ont généralement pas été utilisées pour une utilisation agricole.

Vu le nombre de catégories de données dans cette partie nous allons nous concentrer sur celles que nous allons utiliser pour répondre a notre question scientifique.

Informations sur les variables, les unités de mesures, les codes

Land use site history : historique de l’utilisation de cette terre
Wine growing region : zone de prélèvement viticole
Ecolological group : groupe écologique de vers de terre
Taxa : taxon
Development stage : stade de développement des individus prélevés ( Juvénile , adultes )
Biomass : biomasse relative des individus prélevés
Cu : quantité de Cuivre en mgkg-1 de matière sèche ( Dry Mater )
Area : définit la zone d’échantillonnage selon les règles décrites ci-dessus
Sampling_point : numéro du point d’échantillonnage sur les 4 échantillons de chaque zone
Abundance : abondance constaté de vers de terre

Qualité des données : informations sur la qualité et la fiabilité des données, y compris les méthodes de contrôle de la qualité

Les informations sur les zones d’échantillonnages ont principalement été collectées par des entretiens avec les agriculteurs pendant l’échantillonnage ce qui donne une qualité de données relative bien que cela soit objectif.

L’institut JKI étant national on suppose que les méthodes de prélèvement et de vérification des données sont fiables et reconnues par des scientifiques du domaine. Ce même institut a permis d’employer l’analyse ICP-OES ( Inductively Coupled Plasma Optical Emission Spectroscopy ) pour déterminer une quantité d’éléments chimiques dans l’échantillon en utilisant des matériaux de références BCR 142 et 143 en référence de sol.

Les points sont suffisamment éloignés ( 10 m ) et répartis sur les parcelles pour juger que l’effet de pente ou de type de sol puisse être exclu. Ils ont retourné un volume de sol de 60 kg environ à chaque fois. Par contre les données ont été récoltées sur 4 ans ce qui est relativement long. Ils ont mélangé les 4 échantillons d’une même parcelle pour obtenir des échantillons homogènes et un seul mix pour chaque zone. La communauté microbiologique n’étant pas le but de notre étude on se concentre sur l’analyse des composants du sol et non sur l’hétérogénéité de cette communauté. Cependant elle se révèlera utile plus tard pour mesurer l’effet du Cuivre sur celle-ci.

Les méthodes de prélèvement employés pour l’enquête et l’analyse des vers de terre et des microorganismes sont conformes à celle de l’OCDE ou ISO. Ceux-ci on par la suite étés utilisés pour mesurer les paramètres microbiologiques en répétant la procédure 5 fois pour chaque échantillon avec des témoins pour garantir une fiabilité des mesures.

Il n’y pas de déclaration vis-à-vis des valeurs aberrantes qui aies pu survenir durant le processus donc on suppose que cela a été fait très rigoureusement et qu’ils n’ont pas jugé pertinent d’en parler.

Analyse du jeu de données

Création d’un tableau pour l’analyse

Avant d’analyser le jeu de données, nous avons du modifier la forme des tableaux pour regrouper les données liées au cuivre et à l’abondance de vers de terre.

Nous avons d’abbord subdivisé en un excel plus restreint Donnée_chimiques.csv contenant les mesures des différents composants chimiques relevés provenant de la feuille 3 du data paper et Summary_field_data_Cu.csv contenant les données d’abondance des individus selon le point d’échantillonnage provenant de la feuille 7 du data paper.

Nous avons ensuite réduit le nombre de valeurs et de conditions de notre tableau global de données provenant de data en ne conservant que la surface ( Area ) et le point d’échantillonnage ( sampling_point ). Il a par la suite fallut faire la moyenne des différentes valeurs d’abondances par zone sous data_bis pour avoir autant de lignes dans chaque tableaux. Nous avons à nouveau réduit notre tableau mais cette fois-ci dans dataCu afin de grouper la surface avec le point d’échantillonnage. De la même façon que pour les données d’abondances, nous avons fait la moyenne de Cu (la quantité de Cuivre) en le ressortant sous dataCu_bis.

Enfin on associe les données de data_bis et dataCu_bis pour obtenir data_global contenant un tableau avec la surface, le point de prélèvement, l’abondance moyenne et la quantité de Cuivre moyenne. Ce sera à partir de ce tableau que nous ferons notre étude.

library(tidyr)
library(tidyverse)

## Warning: le package 'tidyverse' a été compilé avec la version R 4.4.3

## Warning: le package 'lubridate' a été compilé avec la version R 4.4.3

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ purrr     1.0.2
## ✔ forcats   1.0.0     ✔ readr     2.1.5
## ✔ ggplot2   3.5.1     ✔ stringr   1.5.1
## ✔ lubridate 1.9.4     ✔ tibble    3.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(lme4)

## Le chargement a nécessité le package : Matrix
## 
## Attachement du package : 'Matrix'
## 
## Les objets suivants sont masqués depuis 'package:tidyr':
## 
##     expand, pack, unpack

library(dplyr)

setwd("C:/Users/lucie/Documents/Travail/IL3/OI/Dossier_DATA/2024_data_manageR_VF_grp_SQY03")
data <- read.csv("Données_chimiques.csv", sep=";")
dataCu <- read.csv("Summary_field_data_Cu.csv", sep=";")

library(dplyr)

data_bis <- data %>%
  group_by(Area, Sampling_point) %>%
  summarise(Abundance = mean(Abundance))

## `summarise()` has grouped output by 'Area'. You can override using the
## `.groups` argument.

library(dplyr)

dataCu_bis <- dataCu %>%
  group_by(Area, Sampling_point) %>%
  summarise(Cu = mean(Cu))

## `summarise()` has grouped output by 'Area'. You can override using the
## `.groups` argument.

data_global <- left_join(data_bis, dataCu_bis)

## Joining with `by = join_by(Area, Sampling_point)`

Statistiques descriptives du jeu de données

Maintenant que nous avons créé un tableau avec juste 4 colonnes : “Area”, “Sampling_point”, “Abundance” et “Cu”, nous pouvons réaliser quelques travaux de statistiques descriptives.

On peut commencer par afficher la valeur moyenne et la répartition des données (écart type) de chaque Area dans un tableau.

resultats <- data_global %>%
  group_by(Area) %>%
  summarise(Moyenne_Cu = mean(Cu), Ecart_type_Cu = sd(Cu), Moyenne_A = mean(Abundance), Ecart_type_A = sd(Abundance))

Il est représenté ici:

Area	Moyenne_Cu	Ecart_type_Cu	Moyenne_A	Ecart_type_A
BA_01	101.100393	14.713424	5.624397	1.6602182
BA_01_2	225.249528	79.984833	7.866666	2.4239547
BA_02	171.924723	30.401265	11.914015	2.6457028
BA_05	52.735847	18.244716	9.444999	3.1519237
BA_06	58.250316	23.507187	11.973383	0.9692863
FR_05	44.750721	8.721569	4.596446	1.4088149
FR_05_2	71.500388	27.147867	2.564266	1.3083453
MO_03	108.141180	38.690267	6.919120	1.8566502
MO_03_2	211.500215	36.355684	5.750000	1.5957119
MO_04	142.441640	24.712195	4.747948	0.8565945
MO_06	114.416784	43.171161	6.663112	0.9219909
MO_07	131.249891	13.576958	5.652066	0.9439608
MR_01	73.599483	7.817909	5.278326	1.3202945
MR_01_2	131.474998	32.973066	3.858333	1.0393639
MR_03	42.500224	7.798905	4.584928	0.8280883
NH_01	49.108628	8.199340	6.562076	2.1412847
NH_01_2	77.424084	26.337100	3.320833	0.9623828
PF_02	56.933577	8.019060	6.434043	2.1101407
PF_03	80.576051	8.167720	6.499178	1.3964203
RG_03	93.758053	3.717295	5.608890	0.2437916
RH_04	91.774449	18.678383	6.970491	0.7679363
RH_06	56.908098	14.286320	13.578125	3.8624101
RH_10	65.466899	4.146872	5.973927	0.8979126
RH_11	47.425312	5.831408	5.682037	1.1221845
SN_01	9.412846	1.917760	3.166666	2.0092380
SN_01_2	36.050344	9.238092	1.737500	0.8806950
WB_07	66.807808	15.923830	4.269792	1.8751769
WB_08	88.191760	17.700607	3.475490	0.2802284
WB_10	205.358831	32.127997	5.581169	1.3297216
WB_13	85.299625	9.119062	8.711684	1.9656265

Avec ce tableau, on peut constater que les moyenne sont très éparses. “Moyenne_Cu” se situe entre 9.41 et 225.25 (23 fois plus) et “Moyenne_A” va de 1.73 à 11.91 (environ 7 fois plus). De même, les écarts-types tournent autour de 20% de la valeur de la moyenne et vont même jusqu’à 1/3 dans le cas de “Moyenne_Cu” de “BA_01_2”. Ces obvervations vont dans le sens des arguments des auteurs de l’article qui ont écrit qu’il y avait de grande variations entre les résultats à causes de nombreux facteurs comme la date de début d’application du traitement au cuivre, les conditions naturelles locales, les caractéristiques du sol et la biodiversité autochtone. Ils expliquent donc que ces données ne sont pas transposables à d’autres zones du monde (surtout dans le cas d’autres vignobles).

Nous pouvons réaliser un graphique (nuage de points) des valeurs de l’abondance de vers de terre en fonction du cuivre dans le sol pour avoir un premier aperçu de la corrélation entre les deux valeurs.

plot <- ggplot(data_global, aes(Cu, Abundance)) +
  geom_point()
plot

Avec le graphique, on peut supposer que les données ne sont pas corrélées, mais on ne peut pas en avoir la certitude tant que l’on a pas fait un test statistique pour le prouver.

Question Simple

Les statistiques descriptives du jeu de données et notament le graphique nuage de points de la quantité de cuivre de chaque zone de mesure en fonction de l’abondance de vers de terre montrent que le liens de corrélations entre les deux ne peut pas être confirmé.

La question auquelle on va répondre est donc: Existe-t-il un lien de corrélation significatif entre la quantité de cuivre et l’abondance de vers de terre à un même endroit ?

On s’attend normalement à voir le taux de cuivre dans le sol évoluer de manière inversement proportionelle à l’abondance de vers de terre dans le sol, car comme le présupose la conctroverse actuelle son utilisation dégrade la biodiversité (Kupczak, 2025).

Réponse Statistique

Dans le cas d’un test de corrélation, deux cas sont possibles. Si les deux variables (ici “Cu” et “Abundance”) suivent une loi normale, il faut se servir du test de corrélation de Pearson. Si au moins une des deux variables ne suit pas une loi normale, il faudra utiliser un test de corrélation de Spearman.

Pour décider du test que nous utiliserons, nous devons donc effectuer un test de normalité (Shapiro-Wilk) sur les deux variables concernées. Pour chacun des tests de normalité, on a pose deux hypothèses : H0, les données suivent une loi normale et H1 : les données ne suivent pas une loi normale.

On se base sur un seuil de confiance de 95%. Ce la implique qu’une p-value < 0.05 infirmera H0 et on qu’on acceptera H1 au risque de 5% de se tromper. A l’inverse une p-value > 0.05 validera Ho au seuil de confiance de 95%.

library(dplyr)

shapiro.test(data_global$Cu)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_global$Cu
## W = 0.89073, p-value = 6.774e-08

shapiro.test(data_global$Abundance)

## 
##  Shapiro-Wilk normality test
## 
## data:  data_global$Abundance
## W = 0.91878, p-value = 2.046e-06

data: 6.774e-08 << 0.05
Abundance: 2.046e-06 << 0.05

Dans les deux cas La p-value est strictement inférieure à 0.05. On rejette donc H0 er on accepte H1 avec un risque de 5%. Nos données ne suivant pas de loi normale, pour répondre a notre question, il faudra donc utiliser le test de corrélation de Spearman.

Pour le test de corrélation de Spearman, on a pose deux hypothèses : H0, les données suivent une loi normale et H1 : les données ne suivent pas une loi normale.

On se base sur un seuil de confiance de 95%. Ce la implique qu’une p-value > 0.05 infirmera H0 et on qu’on acceptera H1 au risque de 5% de se tromper. A l’inverse une p-value < 0.05 validera Ho au seuil de confiance de 95%.

Pour empêcher que la valeur de la p-value soit approximée à cause de résultats similaires, nous avons introduit du bruits dans les mesures

data_global$Cu <- data_global$Cu + runif(nrow(data_global), -1e-6, 1e-6)
data_global$Abundance <- data_global$Abundance + runif(nrow(data_global), -1e-6, 1e-6)

cor.test(data_global$Cu, data_global$Abundance,method = "spearman")

## 
##  Spearman's rank correlation rho
## 
## data:  data_global$Cu and data_global$Abundance
## S = 226310, p-value = 0.019
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.2141468

0.02 < 0.05

D’après le test de corrélation de spearman, la p-value est strictement inférieure à 0.05. Avec un risque de 95%, on accepte H0. On peut dire grâce au test de corrélation de Spearman qu’il y a une relation significative entre l’abondance de vers de terre et le taux de cuivre présent dans les sols mesurés.

Conclusion

En conclusion, nous avons determiné qu’il existait une relation significative entre le taux de cuivre dans le sol et l’abondance des vers de terre parmis l’echantillon de 312 mesures du taux cuivre et les 1946 mesures de l’abondance de vers de terre réparties sur 78 zones de prélèvements différentes. Il faut cependant préciser que même s’il existe une valeur de pollution seuil (comme pour n’importe quel élément chimique) au dela duquel l’environnement (les organismes du sols) se dégrade, l’idée que l’utilisation du cuivre dégrade l’environement ne fait pas encore consensus. Il ne faut pas oublier que ce résultat a été obtenu pour des sols ayant la même fonction: la culture de vigne. Cela peut influencer le résultat final, tout comme le fait que les vignobles étudiés se trouvent en majorité dans deux régions limitrophes : la Bade-Wurtemberg et la Rhénanie-Palatinat (Allemagne).

D’autres facteurs peuvent rentrer en jeux et fausser l’analyse comme le climat, la structure du sol, le type de production (bio/conventionel) ou les réseaux trophiques locaux. Un élément pertinent pour renforcer ce resultat serait de mesurer l’évolution du taux de cuivre et de l’abondance des vers de terre sur des vignobles avant et après l’utilisation de cuivre.C’est un élément qui manque à la base de données et qui empêche d’amoindrir l’impact d’éléments extérieurs.

Références

Herwig, N., Hommel, B., Felgentreu, D., (2022): Copper distribution in German vineyards and its impact on soil organisms – Dataset of a field survey from 2010 to 2014. Original data (DOI: 10.5073/20221101-085525; Open Agrar Repository: https://www.openagrar.de/receive/ openagrar_mods_00083234.)

Krzysztof, K., Rafał, W., Vojtěch, E., Martin, M., (2025): The impact of buried historical copper slags on contemporary soil contamination, (DOI : https://doi.org/10.1016/j.gexplo.2025.107743)

E. Belotti, J. Becker Auswirkungen von kupferbelasteten Weinbergsboeden auf das Artenspektrum und die Funktion von Regenwurmzoenosen Mitteilungen der Deutschen Bodenkundlichen Gesellschaft, 95 (2001), pp. 15-18 https://www.gbv.de/dms/goettingen/331880784.pdf

S. Jaensch, J. Roembke, H.-J. Schallnass, K. TerytzeDerivation of soil values for the path ‘Soil-Soil Organisms’ for metals and selected organic compounds using species sensitivity distributionsEnvironmental Science and Pollution Research, 14 (5) (2007), pp. 308-318, 10.1065/espr2006.06.310View at publisher Google Scholar

S. Jaensch, J. Roembke, Einsatz von Kupfer als Pflanzenschutzmittel-Wirkstoff: Oekologische Auswirkungen der Akkumulation von Kupfer im Boden, Texte “Umwelt Bundesamt” 10(09) (2009). https://www.umweltbundesamt.de/sites/default/files/medien/publikation/long/3752.pdf.Google Scholar

M. Komarek, E. Cadkova, V. Chrastny, F. Bordas, J.C. BollingerContamination of vineyard soils with fungicides: a review of environmental and toxicological aspectsEnviron. Int., 36 (1) (2010), pp. 138-151, 10.1016/j.envint.2009.10.005 View PDF View article View in Scopus Google Scholar

R.W. Sims, B.M. B.M. Gerard, Earthworms: Notes for the identification of British Species. 4th Edition, in: The Linnean Society of London and the Estuarine and Coastal Sciences Association by Field Studies Council, Montford Bridge, Shrewsbury, UK, pp 1-169.Google Scholar

O. GraffBodenzoologische Untersuchungen mit besonderer Beruecksichtigung der terrikolen Oligochaeten, Zeitschrift für Pflanzenernaehrung, DuengungBodenkunde, 61 (1) (1953), pp. 72-77, 10.1065/espr2006.06.310 View in Scopus Google Scholar

E. Christian, A. ZicsiEin synoptischer Bestimmungsschluessel der Regenwuermer Oesterreichs (Oligochaeta: Lumbricidae)Die Bodenkultur, 50 (2) (1999), pp. 121-131https://diebodenkultur.boku.ac.at/volltexte/band-50/heft-2/christian.pdf View in Scopus Google Scholar

E.G. EastonA guide to the valid names of Lumbricidae (Oligochaeta)J.E. Satchell (Ed.), Earthworm Ecology: From Darwin to Vermiculture, Springer Netherlands, Dordrecht (1983), pp. 475-487, 10.1007/978-94-009-5965-1_41 Google Scholar

R. Blakemore, An updated list of valid, invalid and synonymous names of Criodriloidea and Lumbricoidea (Annelida: Oligochaeta: Criodrilidae, Sparganophilidae, Ailoscolecidae, Hormogastridae, Lumbricidae, Lutodrilidae), A series of searchable texts on earthworm biodiversity, ecology and systematics from various regions of the world (2007) 1-68. https://www.researchgate.net/publication/292401504.Google Scholar

S. Krueck, M. Joschko, R. Schultz-Sternberg, B. Kroschewski, J. TessmannA classification scheme for earthworm populations (Lumbricidae) in cultivated agricultural soils in Brandenburg, GermanyJournal of Plant Nutrition and Soil Science, 169 (5) (2006), pp. 651-660, 10.1002/jpln.200521903View at publisher Google Scholar

P.R. Dalby, G.H. Baker, S.E. SmithFilter paper method” to remove soil from earthworm intestines and to standardise the water content of earthworm tissueSoil Biology and Biochemistry, 28 (4) (1996), pp. 685-687, 10.1016/0038-0717(95)00157-3 View PDF View article View in Scopus Google Scholar

NEPISAttachment 4-1 Guidance for Developing Ecological Soil Screening Levels (Eco-SSLs) Exposure Factors and Bioaccumulation Models for Derivation of Wildlife Eco-SSLsdOSWER Directive, 9285 (2007), pp. 7-55https://rais.ornl.gov/documents/ecossl_attachment_1-4.pdf Google Scholar

Impact du cuivre sur l’abondance en vers de terre et les vignes en allemagne

Berthommier Lucien, Guy Jean-Baptiste

2025-02-11