################################################################################
# DYNAMIQUE DU PAYSAGE FORESTIER 2000-2020 : FRAGMENTATION ET CONNECTIVITÉ
# Projet personnel - Landscape Analysis and Modeling 2026-2027 (Prof. J.-F. Bastin)
# Gembloux Agro-Bio Tech - Université de Liège
################################################################################
#
# PRÉPARATION AVANT EXÉCUTION (POUR UN TIERS QUI REPRODUIT L'ANALYSE)
#    - Créer un dossier de travail contenant ce script R et un sous-dossier "data/".
#    - Placer dans "data/" les rasters extraits depuis Google Earth Engine (30 m) :
#        * Para_Hansen_Forest_<ANNEE>_30m.tif            (binaire : 1=forêt, 0=non-forêt)
#        * Para_TMF_Forest_<ANNEE>_30m.tif               (binaire : 1=forêt, 0=non-forêt)
#        * Para_Agreement_Hansen_TMF_<ANNEE>_30m.tif     (0=non-forêt, 1=désaccord, 2=forêt)
#        * Para_Hansen_TreeCover_<ANNEE>_30m.tif         (pourcentage de couvert 0-100%)
#      pour <ANNEE> dans {2000, 2005, 2010, 2015, 2020}.
#    - Dans RStudio : Session -> Set Working Directory -> To Source File Location,
#      puis cliquer sur "Source" (Ctrl+Shift+S).
#    - Tous les tableaux Excel (.xlsx) et figures (.png) seront créés dans "outputs/".
#
################################################################################


# ==============================================================================
# ÉTAPE 0 : PARAMÈTRES GÉNÉRAUX (SEULE SECTION À ADAPTER SI BESOIN)
# ==============================================================================

DATA_DIR <- "C:/Users/Aliced/OneDrive - Universite de Liege/Documents/gembloux/cours/m1/landscape analyse/codeR_2015/Code_rapport"    # à changer avec le dossier contenant les fichiers .tif extraits de GEE
OUT_DIR  <- "C:/Users/Aliced/OneDrive - Universite de Liege/Documents/gembloux/cours/m1/landscape analyse/codeR_2015/Code_rapport"   # à changer avec le dossier où seront enregistrés tous les résultats

# Coordonnées du centre de la zone d'étude (Novo Progresso, Pará, Brésil - WGS84)
LON_CENTRE <- -55.6856
LAT_CENTRE <- -7.04254722

# Dimensions géométriques (en mètres)
DEMI_COTE      <- 10000  # Demi-côté -> carré de 20 x 20 km = 400 km²
TAILLE_QUADRAT <- 10000  # Tuiles intermédiaires -> 4 quadrats de 10 x 10 km (100 km²)
TAILLE_MAILLE  <- 1000   # Grille fine -> 400 mailles de 1 x 1 km (1 km²)

# Paramètres cartographiques et écologiques
CRS_METRIQUE <- "EPSG:32721"  # Projection métrique WGS 84 / UTM zone 21S (obligatoire pour les surfaces)
CLASSE_FORET <- 1             # Valeur du pixel "forêt" dans les rasters binaires
PROF_LISIERE <- 1             # Profondeur de lisière de référence : 1 pixel = 30 m (Zou et al., 2025)

# Temporalité, produits et seuils testés
ANNEES    <- c(2000, 2005, 2010, 2015, 2020)
PRODUITS  <- c("hansen", "tmf")
SEUILS_TC <- c(10, 30, 50)    # Seuils de couvert arboré (%) testés sur Hansen

# Surfaces de référence en m² (utilisées pour l'indice de Clark & Evans)
AIRE_ZONE_M2    <- (2 * DEMI_COTE)^2   # 400 000 000 m² (400 km²)
AIRE_QUADRAT_M2 <- TAILLE_QUADRAT^2    # 100 000 000 m² (100 km²)


# ==============================================================================
# ÉTAPE 0bis : VÉRIFICATION DES PACKAGES, DOSSIERS ET FONCTIONS OUTILS
# ==============================================================================

cat("\n--- ÉTAPE 0 : Vérification de l'environnement et des packages ---\n")
## 
## --- ÉTAPE 0 : Vérification de l'environnement et des packages ---
packages_requis <- c("terra", "landscapemetrics", "dplyr", "tidyr",
                     "ggplot2", "sf", "writexl")
manquants <- packages_requis[!vapply(packages_requis, requireNamespace,
                                     logical(1), quietly = TRUE)]
if (length(manquants) > 0) {
  stop("Packages manquants : ", paste(manquants, collapse = ", "),
       "\nExécutez d'abord : install.packages(c(",
       paste0('"', manquants, '"', collapse = ", "), "))")
}

suppressPackageStartupMessages({
  library(terra)
  library(landscapemetrics)
  library(dplyr)
  library(tidyr)
  library(ggplot2)
  library(sf)
  library(writexl)
})
## Warning: le package 'terra' a été compilé avec la version R 4.5.3
## Warning: le package 'landscapemetrics' a été compilé avec la version R 4.5.3
## Warning: le package 'sf' a été compilé avec la version R 4.5.3
## Warning: le package 'writexl' a été compilé avec la version R 4.5.3
if (!dir.exists(DATA_DIR)) {
  stop("Le dossier '", DATA_DIR, "' est introuvable dans : ", getwd(),
       "\nCréez ce dossier et placez-y vos fichiers .tif extraits de GEE.")
}
dir.create(OUT_DIR, showWarnings = FALSE, recursive = TRUE)
sortie <- function(nom_fichier) file.path(OUT_DIR, nom_fichier)

# Fonction de préparation d'un raster :
#   1. Remplace les valeurs manquantes (NA) par 0 (non-forêt)
#   2. Reprojette en UTM 21S (mètres) par plus proche voisin ("near") pour ne pas
#      altérer les classes discrètes (0 et 1).
preparer_raster <- function(chemin_tif, emprise_zone) {
  r <- rast(chemin_tif)
  r <- subst(r, NA, 0)
  r <- project(r, CRS_METRIQUE, method = "near")
  crop(r, emprise_zone)
}

# Fonction d'extraction rapide d'une métrique de classe pour la forêt
extraire_val_foret <- function(r, fun, ...) {
  res <- fun(r, ...) %>% filter(class == CLASSE_FORET) %>% pull(value)
  if (length(res) == 0) return(NA_real_)
  res
}

# Indice de distribution spatiale de Clark & Evans (R) :
#   R = distance moyenne observée au plus proche voisin (ENN_MN) / distance attendue sous distribution aléatoire
#   R < 1 : agrégé ; R = 1 : aléatoire ; R > 1 : régulier/dispersé
calculer_clark_evans <- function(enn_mn, np, aire_m2) {
  ifelse(is.na(enn_mn) | np <= 0, NA_real_, enn_mn / (0.5 / sqrt(np / aire_m2)))
}


# ==============================================================================
# ÉTAPE 1 : CONSTRUCTION DE LA ZONE D'ÉTUDE (400 km²) ET DES GRILLES MULTI-ÉCHELLES
# ==============================================================================

cat("--- ÉTAPE 1 : Création de l'emprise 20x20 km et des grilles (10 km et 1 km) ---\n")
## --- ÉTAPE 1 : Création de l'emprise 20x20 km et des grilles (10 km et 1 km) ---
# Conversion du point central WGS84 (degrés) vers UTM 21S (mètres)
centre_utm <- st_sfc(st_point(c(LON_CENTRE, LAT_CENTRE)), crs = 4326) %>%
  st_transform(CRS_METRIQUE) %>%
  st_coordinates()

cx <- unname(centre_utm[1, 1])
cy <- unname(centre_utm[1, 2])

# Boîte englobante (sf) et emprise (terra) de 20 x 20 km
bb <- st_bbox(c(xmin = cx - DEMI_COTE, ymin = cy - DEMI_COTE,
                xmax = cx + DEMI_COTE, ymax = cy + DEMI_COTE),
              crs = st_crs(CRS_METRIQUE))
zone_ext <- ext(cx - DEMI_COTE, cx + DEMI_COTE, cy - DEMI_COTE, cy + DEMI_COTE)

# 1. Grille intermédiaire : 4 quadrats de 10 x 10 km (100 km² chacun)
grid_10km <- st_make_grid(st_as_sfc(bb), cellsize = TAILLE_QUADRAT)
grid_10km <- st_sf(quadrat_id = seq_along(grid_10km), geometry = grid_10km)

# Attribution automatique du nom géographique (Nord-Ouest, Nord-Est, Sud-Ouest, Sud-Est)
ctr <- suppressWarnings(st_coordinates(st_centroid(grid_10km)))
grid_10km$secteur <- paste0(ifelse(ctr[, 2] > mean(ctr[, 2]), "Nord", "Sud"), "-",
                            ifelse(ctr[, 1] > mean(ctr[, 1]), "Est", "Ouest"))

# 2. Grille fine : 400 mailles de 1 x 1 km (1 km² chacune)
grid_1km <- st_make_grid(st_as_sfc(bb), cellsize = TAILLE_MAILLE)
grid_1km <- st_sf(grid_id = seq_along(grid_1km), geometry = grid_1km)

stopifnot(nrow(grid_10km) == 4, nrow(grid_1km) == 400)

# Objets vectoriels terra utilisés pour découper/échantillonner les rasters
zone_vect     <- vect(st_as_sfc(bb))
quadrats_vect <- vect(grid_10km)
mailles_vect  <- vect(grid_1km)


# ==============================================================================
# ÉTAPE 2 : BOUCLE PRINCIPALE SUR CHAQUE ANNÉE (2000 -> 2020)
#   Pour chaque date, le script charge les cartes, calcule les métriques
#   globales (400 km²) et par quadrat (10x10 km), produit les cartes et
#   histogrammes annuels, et extrait les données de sensibilité.
# ==============================================================================

cat("\n--- ÉTAPE 2 : Traitement année par année (2000 à 2020) ---\n")
## 
## --- ÉTAPE 2 : Traitement année par année (2000 à 2020) ---
tous_les_tif <- list.files(DATA_DIR, pattern = "\\.tif$", full.names = TRUE)
if (length(tous_les_tif) == 0) stop("Aucun fichier .tif trouvé dans '", DATA_DIR, "'.")

# Listes de stockage qui accumuleront les résultats de chaque année
maps                   <- list()
liste_accord           <- list()
liste_global_400km2    <- list()
liste_quadrats_detail  <- list()
liste_profil_lisiere   <- list()
liste_zou_quadrats     <- list()
liste_echelles_tmf     <- list()
liste_def_hansen       <- list()

# Définition des métriques paysagères calculées
axis_metrics <- c("lsm_c_ca", "lsm_c_np", "lsm_c_area_mn", "lsm_c_lpi",
                  "lsm_c_shape_mn", "lsm_c_frac_mn", "lsm_c_enn_mn",
                  "lsm_c_ai", "lsm_c_ed")

metriques_zou <- c("lsm_c_tca", "lsm_c_lpi", "lsm_c_division",
                   "lsm_c_ai", "lsm_c_pladj", "lsm_c_enn_mn",
                   "lsm_c_area_mn", "lsm_c_np", "lsm_c_ed")

descr_accord <- c("0" = "0: Consensus Non-Foret",
                  "1" = "1: Desaccord (Hansen vs TMF)",
                  "2" = "2: Consensus Foret")

echelles_vect <- list(
  "1_Global_400km2" = zone_vect,
  "2_Quadrat_10km"  = quadrats_vect,
  "3_Maille_1km"    = mailles_vect
)

# Début de la boucle annuelle
for (a in ANNEES) {
  a_chr <- as.character(a)
  cat(sprintf("\n>>> Traitement de l'année %d <<<\n", a))
  
  # ----------------------------------------------------------------------------
  # 2A. Chargement des rasters Hansen et TMF pour l'année 'a'
  # ----------------------------------------------------------------------------
  maps[[a_chr]] <- list()
  for (prod in PRODUITS) {
    motif <- sprintf("^Para_%s_Forest_%d_30m\\.tif$", prod, a)
    f <- tous_les_tif[grepl(motif, basename(tous_les_tif), ignore.case = TRUE)]
    if (length(f) == 0) {
      warning("Fichier manquant pour ", toupper(prod), " en ", a)
    } else {
      maps[[a_chr]][[prod]] <- preparer_raster(f[1], zone_ext)
    }
  }
  prods_dispo <- names(maps[[a_chr]])
  if (length(prods_dispo) == 0) stop("Aucune carte forêt trouvée pour ", a)
  
  # ----------------------------------------------------------------------------
  # 2B. Carte d'accord spatial Hansen vs TMF (si présente dans data/)
  # ----------------------------------------------------------------------------
  f_acc <- file.path(DATA_DIR, sprintf("Para_Agreement_Hansen_TMF_%d_30m.tif", a))
  if (file.exists(f_acc)) {
    r_acc <- preparer_raster(f_acc, zone_ext)
    cpt <- as.data.frame(freq(r_acc))
    cpt$annee       <- a
    cpt$pourcentage <- round((cpt$count / sum(cpt$count)) * 100, 2)
    cpt$surface_ha  <- round((cpt$count * prod(res(r_acc))) / 10000, 1)
    cpt$description <- unname(descr_accord[as.character(cpt$value)])
    liste_accord[[a_chr]] <- cpt[, c("annee", "value", "description", "surface_ha", "pourcentage")]
  } else {
    message("  [Info] Carte d'accord absente pour ", a, " (ignorée).")
  }
  
  # ----------------------------------------------------------------------------
  # 2C. Calculs par produit (Hansen / TMF) pour l'année 'a'
  # ----------------------------------------------------------------------------
  for (p in prods_dispo) {
    r <- maps[[a_chr]][[p]]
    
    # (1) Indicateurs globaux sur l'ensemble des 400 km²
    base_glob <- calculate_lsm(r, what = axis_metrics, directions = 8) %>%
      filter(class == CLASSE_FORET) %>%
      select(metric, value)
    
    ca    <- extraire_val_foret(r, lsm_c_ca)
    tca30 <- extraire_val_foret(r, lsm_c_tca, edge_depth = 1, directions = 8)
    tca60 <- extraire_val_foret(r, lsm_c_tca, edge_depth = 2, directions = 8)
    np_z  <- extraire_val_foret(r, lsm_c_np, directions = 8)
    enn_z <- extraire_val_foret(r, lsm_c_enn_mn, directions = 8)
    aire_z <- expanse(r, unit = "m")[1, "area"]
    
    sup_glob <- tibble(
      metric = c("lsm_c_tca_30m", "lsm_c_tca_60m", "core_ratio", "clark_evans_R",
                 "lsm_c_division_ldi", "lsm_c_pladj"),
      value  = c(tca30, tca60, 100 * tca30 / ca,
                 calculer_clark_evans(enn_z, np_z, aire_z),
                 extraire_val_foret(r, lsm_c_division, directions = 8),
                 extraire_val_foret(r, lsm_c_pladj))
    )
    liste_global_400km2[[paste0(a_chr, "_", p)]] <- bind_rows(base_glob, sup_glob) %>%
      mutate(produit = p, annee = a)
    
    # (2) Profil de sensibilité à la profondeur de lisière (30, 60, 90, 120, 150 m)
    liste_profil_lisiere[[paste0(a_chr, "_", p)]] <- tibble(
      annee        = a,
      product      = p,
      edge_depth_m = (1:5) * 30,
      pct_core     = sapply(1:5, function(d)
        100 * extraire_val_foret(r, lsm_c_tca, edge_depth = d, directions = 8) / ca)
    )
    
    # (3) Tous les indicateurs détaillés sur les 4 quadrats de 10 x 10 km
    q_base <- sample_lsm(r, y = quadrats_vect,
                         what = c(axis_metrics, "lsm_c_division", "lsm_c_pladj", "lsm_c_tca"),
                         edge_depth = PROF_LISIERE, directions = 8) %>%
      filter(class == CLASSE_FORET) %>%
      mutate(metric = case_when(metric == "division" ~ "ldi",
                                metric == "tca"      ~ "tca_30m",
                                TRUE                 ~ metric))
    
    q_tca60 <- sample_lsm(r, y = quadrats_vect, what = "lsm_c_tca",
                          edge_depth = 2, directions = 8) %>%
      filter(class == CLASSE_FORET) %>%
      mutate(metric = "tca_60m")
    
    liste_quadrats_detail[[paste0(a_chr, "_", p)]] <- bind_rows(q_base, q_tca60) %>%
      transmute(annee = a, product = p, plot_id, metric, value)
    
    # (4) Extraction des 9 métriques de Zou et al. (2025) sur les 4 quadrats
    liste_zou_quadrats[[paste0(a_chr, "_", p)]] <- sample_lsm(
      r, y = quadrats_vect, what = metriques_zou,
      edge_depth = PROF_LISIERE, directions = 8
    ) %>%
      filter(class == CLASSE_FORET) %>%
      transmute(annee = a, produit = p, plot_id, metric, value)
  }
  
  # ----------------------------------------------------------------------------
  # 2D. Figures cartographiques et distributions pour l'année 'a'
  # ----------------------------------------------------------------------------
  # Figure A : Carte de l'habitat de cœur (mailles 1x1 km + quadrats 10x10 km en rouge)
  tca_1km <- bind_rows(lapply(prods_dispo, function(nm) {
    sample_lsm(maps[[a_chr]][[nm]], y = mailles_vect, what = "lsm_c_tca",
               edge_depth = PROF_LISIERE, directions = 8) %>%
      filter(class == CLASSE_FORET) %>%
      mutate(product = nm)
  }))
  
  grid_plot <- tidyr::crossing(st_drop_geometry(grid_1km), product = prods_dispo) %>%
    left_join(grid_1km, by = "grid_id") %>%
    left_join(tca_1km, by = c("grid_id" = "plot_id", "product" = "product")) %>%
    mutate(value = ifelse(is.na(value), 0, value)) %>%
    st_as_sf()
  
  quad_facets <- tidyr::crossing(st_drop_geometry(grid_10km), product = prods_dispo) %>%
    left_join(grid_10km, by = c("quadrat_id", "secteur")) %>%
    st_as_sf()
  
  carte_a <- ggplot() +
    geom_sf(data = grid_plot, aes(fill = value), color = "grey85", linewidth = 0.05) +
    geom_sf(data = quad_facets, fill = NA, color = "red", linewidth = 1.1) +
    geom_sf_text(data = quad_facets, aes(label = secteur),
                 color = "red", fontface = "bold", size = 3.8) +
    facet_wrap(~ product, ncol = 2) +
    scale_fill_viridis_c(option = "mako", direction = -1,
                         name = "Aire de cœur (ha)", limits = c(0, 100)) +
    labs(title = paste0("Habitat de cœur forestier en ", a, " (lisière = 30 m)"),
         subtitle = "Comparaison Hansen vs TMF sur mailles de 1x1 km et quadrats de 10x10 km") +
    theme_void() +
    theme(strip.text = element_text(size = 13, face = "bold"),
          legend.position = "bottom",
          plot.title = element_text(face = "bold", hjust = 0.5, size = 14),
          plot.subtitle = element_text(hjust = 0.5, size = 11))
  
  ggsave(sortie(paste0("carte_coeur_quadrats_", a, ".png")), carte_a,
         width = 10, height = 6, dpi = 300)
  
  # Figure B : Histogramme de l'aire des patchs forestiers par secteur en 'a'
  patch_area_a <- bind_rows(lapply(prods_dispo, function(nm) {
    sample_lsm(maps[[a_chr]][[nm]], y = quadrats_vect, what = "lsm_p_area",
               directions = 8) %>%
      filter(class == CLASSE_FORET) %>%
      mutate(product = nm)
  })) %>%
    left_join(st_drop_geometry(grid_10km), by = c("plot_id" = "quadrat_id"))
  
  histo_a <- ggplot(patch_area_a, aes(x = log10(value), fill = product)) +
    geom_histogram(bins = 25, color = "black", alpha = 0.7, show.legend = FALSE) +
    facet_grid(secteur ~ product) +
    labs(title = paste0("Distribution de la taille des fragments forestiers par secteur (", a, ")"),
         x = "log10(Aire du patch en ha)", y = "Nombre de patchs") +
    theme_bw() +
    theme(strip.text = element_text(face = "bold"),
          plot.title = element_text(face = "bold", hjust = 0.5))
  
  ggsave(sortie(paste0("histogramme_patchs_", a, ".png")), histo_a,
         width = 10, height = 8, dpi = 300)
  
  # ----------------------------------------------------------------------------
  # 2E. Extraction annuelle pour les analyses de sensibilité (Consigne 3)
  # ----------------------------------------------------------------------------
  # (a) Sensibilité à l'échelle spatiale sur TMF (400 km² vs 10x10 km vs 1x1 km)
  if (!is.null(maps[[a_chr]][["tmf"]])) {
    liste_echelles_tmf[[a_chr]] <- bind_rows(lapply(names(echelles_vect), function(ech) {
      sample_lsm(maps[[a_chr]][["tmf"]], y = echelles_vect[[ech]], what = metriques_zou,
                 edge_depth = PROF_LISIERE, directions = 8) %>%
        filter(class == CLASSE_FORET) %>%
        transmute(echelle = ech, annee = a, plot_id, metric, value)
    }))
  }
  
  # (c) Sensibilité à la définition de la forêt (10%, 30%, 50% sur Hansen TreeCover)
  f_tc <- file.path(DATA_DIR, sprintf("Para_Hansen_TreeCover_%d_30m.tif", a))
  if (file.exists(f_tc)) {
    r_tc <- preparer_raster(f_tc, zone_ext)
    liste_def_hansen[[a_chr]] <- bind_rows(lapply(SEUILS_TC, function(s) {
      # Binarisation selon le seuil 's' + filtre majoritaire 3x3 + suppression patchs < 0,5 ha (6 px)
      r_bin  <- ifel(r_tc >= s, 1, 0)
      r_maj  <- focal(r_bin, w = 3, fun = "modal", na.rm = TRUE)
      p_id   <- patches(r_maj, directions = 8, zeroAsNA = TRUE)
      f_p    <- freq(p_id)
      petits <- f_p$value[f_p$count < 6]
      if (length(petits) > 0) r_maj[p_id %in% petits] <- 0
      
      calculate_lsm(r_maj, what = c("lsm_c_ca", metriques_zou),
                    edge_depth = PROF_LISIERE, directions = 8) %>%
        filter(class == 1) %>%
        transmute(annee = a, seuil = paste0("Hansen_", s, "%"), metric, value)
    }))
  } else {
    message("  [Info] Fichier TreeCover absent pour ", a, " (sensibilité seuil ignorée).")
  }
} # <--- Fin de la boucle annuelle
## 
## >>> Traitement de l'année 2000 <<<
## 
## >>> Traitement de l'année 2005 <<<
## 
## >>> Traitement de l'année 2010 <<<
## 
## >>> Traitement de l'année 2015 <<<
## 
## >>> Traitement de l'année 2020 <<<
# ==============================================================================
# ÉTAPE 3 : CONSOLIDATION DES TABLEAUX GLOBAUX, QUADRATS ET COURBE DE LISIÈRE
# ==============================================================================

cat("\n--- ÉTAPE 3 : Assemblage des tableaux de synthèse et graphique de lisière ---\n")
## 
## --- ÉTAPE 3 : Assemblage des tableaux de synthèse et graphique de lisière ---
# 3.1 Tableau d'accord spatial Hansen vs TMF
comptage <- bind_rows(liste_accord)
if (nrow(comptage) > 0) print(comptage)
##    annee value                  description surface_ha pourcentage
## 1   2000     0       0: Consensus Non-Foret      716.4        1.79
## 2   2000     1 1: Desaccord (Hansen vs TMF)      897.3        2.24
## 3   2000     2           2: Consensus Foret    38389.5       95.97
## 4   2005     0       0: Consensus Non-Foret     3216.9        8.04
## 5   2005     1 1: Desaccord (Hansen vs TMF)     1865.7        4.66
## 6   2005     2           2: Consensus Foret    34920.6       87.29
## 7   2010     0       0: Consensus Non-Foret     5979.1       14.98
## 8   2010     1 1: Desaccord (Hansen vs TMF)     3462.1        8.67
## 9   2010     2           2: Consensus Foret    30478.9       76.35
## 10  2015     0       0: Consensus Non-Foret     9239.1       23.10
## 11  2015     1 1: Desaccord (Hansen vs TMF)     2792.7        6.98
## 12  2015     2           2: Consensus Foret    27971.4       69.92
## 13  2020     0       0: Consensus Non-Foret    12374.7       30.93
## 14  2020     1 1: Desaccord (Hansen vs TMF)     2476.2        6.19
## 15  2020     2           2: Consensus Foret    25152.3       62.88
# 3.2 Tableau synthétique global (400 km²)
tableau_synthese <- bind_rows(liste_global_400km2) %>%
  mutate(value = case_when(
    metric %in% c("ca", "lsm_c_tca_30m", "core_ratio") ~ round(value, 0),
    metric == "clark_evans_R"                          ~ round(value, 2),
    TRUE                                               ~ round(value, 3)
  )) %>%
  mutate(colonne = paste0(produit, "_", annee)) %>%
  select(metric, colonne, value) %>%
  pivot_wider(names_from = colonne, values_from = value)

# 3.3 Tableau détaillé par quadrat (10 x 10 km) incluant Clark & Evans
indices_quadrats <- bind_rows(liste_quadrats_detail)

clark_quadrats <- indices_quadrats %>%
  filter(metric %in% c("np", "enn_mn")) %>%
  pivot_wider(names_from = metric, values_from = value) %>%
  mutate(metric = "clark_evans_R",
         value  = calculer_clark_evans(enn_mn, np, AIRE_QUADRAT_M2)) %>%
  select(annee, product, plot_id, metric, value)

tableau_quadrats <- bind_rows(indices_quadrats, clark_quadrats) %>%
  left_join(st_drop_geometry(grid_10km), by = c("plot_id" = "quadrat_id")) %>%
  pivot_wider(names_from = product, values_from = value) %>%
  select(secteur, annee, metric, hansen, tmf) %>%
  arrange(secteur, metric, annee)

# 3.4 Graphique de sensibilité à la profondeur de lisière (30 à 150 m)
profil_lisiere <- bind_rows(liste_profil_lisiere)

courbe_lisiere <- ggplot(profil_lisiere,
                         aes(x = edge_depth_m, y = pct_core, color = product)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  facet_wrap(~ annee) +
  labs(title = "Perte d'habitat de cœur selon la profondeur de lisière (2000-2020)",
       x = "Profondeur de lisière (m)", y = "% de forêt en cœur") +
  theme_minimal()

ggsave(sortie("courbe_sensibilite_lisiere.png"), courbe_lisiere,
       width = 10, height = 7, dpi = 300)

write_xlsx(
  list(Global_400km2         = as.data.frame(tableau_synthese),
       Quadrats_10x10km      = as.data.frame(tableau_quadrats),
       Profil_lisiere        = as.data.frame(profil_lisiere),
       Accord_Multi_Produits = as.data.frame(comptage)),
  sortie("indices_toutes_annees.xlsx")
)


# ==============================================================================
# ÉTAPE 4 : PROCESSUS SPATIAUX DE FRAGMENTATION (ARBRE DE BOGAERT ET AL., 2004)
# ==============================================================================

cat("--- ÉTAPE 4 : Classification des processus spatiaux (Bogaert et al., 2004) ---\n")
## --- ÉTAPE 4 : Classification des processus spatiaux (Bogaert et al., 2004) ---
# Implémentation de l'arbre décisionnel de Bogaert et al. (2004) comparant t1 et t2
# à partir de l'évolution du nombre de patchs (NP), de l'aire (CA) et de la lisière (TE)
bogaert_process <- function(t1, t2) {
  n1 <- extraire_val_foret(t1, lsm_c_np); if (is.na(n1)) n1 <- 0
  a1 <- extraire_val_foret(t1, lsm_c_ca); if (is.na(a1)) a1 <- 0
  p1 <- extraire_val_foret(t1, lsm_c_te); if (is.na(p1)) p1 <- 0
  
  n2 <- extraire_val_foret(t2, lsm_c_np); if (is.na(n2)) n2 <- 0
  a2 <- extraire_val_foret(t2, lsm_c_ca); if (is.na(a2)) a2 <- 0
  p2 <- extraire_val_foret(t2, lsm_c_te); if (is.na(p2)) p2 <- 0
  
  if (a1 == 0) {
    process <- ifelse(a2 > 0, "Creation", "No Forest")
  } else if (n2 < n1) {
    process <- ifelse(a2 > a1, "Aggregation", "Attrition")
  } else if (n2 == n1) {
    if (a2 > a1) {
      process <- "Enlargement"
    } else if (isTRUE(all.equal(a2, a1))) {
      process <- "Deformation"
    } else {
      process <- ifelse(p2 > p1, "Perforation", "Shrinkage")
    }
  } else {
    if (a2 > a1) {
      process <- "Creation"
    } else {
      process <- ifelse((a2 / a1) > 0.5, "Dissection", "Fragmentation")
    }
  }
  
  tibble(n_t1 = n1, n_t2 = n2,
         aire_ha_t1 = round(a1, 2), aire_ha_t2 = round(a2, 2),
         lisiere_m_t1 = round(p1, 1), lisiere_m_t2 = round(p2, 1),
         processus = process)
}

periodes <- list(c("2000", "2005"), c("2005", "2010"), c("2010", "2015"),
                 c("2015", "2020"), c("2000", "2020"))

bogaert_quadrats_df <- bind_rows(lapply(PRODUITS, function(prod) {
  bind_rows(lapply(periodes, function(per) {
    t1_yr <- per[1]; t2_yr <- per[2]
    if (is.null(maps[[t1_yr]][[prod]]) || is.null(maps[[t2_yr]][[prod]])) return(NULL)
    
    bind_rows(lapply(seq_len(nrow(grid_10km)), function(i) {
      q_geom <- quadrats_vect[i, ]
      t1_sub <- crop(maps[[t1_yr]][[prod]], q_geom, mask = TRUE)
      t2_sub <- crop(maps[[t2_yr]][[prod]], q_geom, mask = TRUE)
      
      tibble(
        quadrat_id        = grid_10km$quadrat_id[i],
        secteur           = grid_10km$secteur[i],
        produit           = toupper(prod),
        annee_initiale_t1 = as.integer(t1_yr),
        annee_finale_t2   = as.integer(t2_yr),
        type_pas          = ifelse(t1_yr == "2000" & t2_yr == "2020",
                                   "Bilan 20 ans", "Pas de 5 ans")
      ) %>%
        bind_cols(bogaert_process(t1_sub, t2_sub))
    }))
  }))
})) %>%
  arrange(secteur, produit, type_pas, annee_initiale_t1)

bogaert_large <- bogaert_quadrats_df %>%
  mutate(col_periode = paste0(annee_initiale_t1, "_vs_", annee_finale_t2)) %>%
  select(quadrat_id, secteur, produit, col_periode, processus) %>%
  pivot_wider(names_from = col_periode, values_from = processus) %>%
  arrange(secteur, produit)

print(bogaert_large)
## # A tibble: 8 × 8
##   quadrat_id secteur    produit `2000_vs_2020` `2000_vs_2005` `2005_vs_2010`
##        <int> <chr>      <chr>   <chr>          <chr>          <chr>         
## 1          4 Nord-Est   HANSEN  Dissection     Dissection     Dissection    
## 2          4 Nord-Est   TMF     Dissection     Dissection     Dissection    
## 3          3 Nord-Ouest HANSEN  Dissection     Dissection     Dissection    
## 4          3 Nord-Ouest TMF     Dissection     Dissection     Dissection    
## 5          2 Sud-Est    HANSEN  Dissection     Dissection     Dissection    
## 6          2 Sud-Est    TMF     Dissection     Dissection     Dissection    
## 7          1 Sud-Ouest  HANSEN  Dissection     Dissection     Dissection    
## 8          1 Sud-Ouest  TMF     Dissection     Dissection     Dissection    
## # ℹ 2 more variables: `2010_vs_2015` <chr>, `2015_vs_2020` <chr>
write_xlsx(
  list(Tableau_Synthese    = as.data.frame(bogaert_large),
       Detail_Comparaisons = as.data.frame(bogaert_quadrats_df)),
  sortie("processus_bogaert.xlsx")
)


# ==============================================================================
# ÉTAPE 5 : INDICES COMPOSITES CFI / AFI / SFI (ZOU ET AL., 2025)
# ==============================================================================

cat("--- ÉTAPE 5 : Calcul des indices normalisés CFI, AFI, SFI (Zou et al., 2025) ---\n")
## --- ÉTAPE 5 : Calcul des indices normalisés CFI, AFI, SFI (Zou et al., 2025) ---
# Direction écologique de chaque métrique (signe = +1 : hausse = plus fragmenté ;
# signe = -1 : baisse = plus fragmenté)
sens_zou <- tibble(
  metric = c("tca", "lpi", "division", "ai", "pladj", "enn_mn",
             "area_mn", "np", "ed"),
  indice = c("CFI", "CFI", "CFI", "AFI", "AFI", "AFI", "SFI", "SFI", "SFI"),
  signe  = c(-1, -1, +1, -1, -1, +1, -1, +1, +1)
)

# Fonction générique de normalisation Min-Max entre 0 (non fragmenté) et 1 (fragmentation max)
normaliser_zou <- function(df_metriques, vars_groupe) {
  df_metriques %>%
    inner_join(sens_zou, by = "metric") %>%
    group_by(across(all_of(c(vars_groupe, "metric")))) %>%
    mutate(
      vmin = min(value, na.rm = TRUE),
      vmax = max(value, na.rm = TRUE),
      norm = case_when(
        vmax == vmin ~ 0,
        signe == +1  ~ (value - vmin) / (vmax - vmin),
        signe == -1  ~ (vmax - value) / (vmax - vmin)
      )
    ) %>%
    ungroup()
}

# 5.1 Indices par quadrat (normalisation globale par produit sur 2000-2020)
indices_quadrats_zou <- normaliser_zou(bind_rows(liste_zou_quadrats), vars_groupe = "produit") %>%
  group_by(produit, annee, plot_id, indice) %>%
  summarise(valeur = round(mean(norm, na.rm = TRUE), 3), .groups = "drop") %>%
  left_join(st_drop_geometry(grid_10km), by = c("plot_id" = "quadrat_id")) %>%
  select(produit, annee, plot_id, secteur, indice, valeur)

evolution_zou <- indices_quadrats_zou %>%
  pivot_wider(names_from = annee, values_from = valeur, names_prefix = "a") %>%
  mutate(delta = round(a2020 - a2000, 3),
         plus_fragmente = delta > 0) %>%
  arrange(secteur, produit, indice)

resume_evolution <- evolution_zou %>%
  group_by(produit, indice) %>%
  summarise(pct_quadrats_fragmentes = 100 * mean(plus_fragmente, na.rm = TRUE),
            .groups = "drop")

indices_par_annee <- indices_quadrats_zou %>%
  group_by(produit, annee, indice) %>%
  summarise(valeur = round(mean(valeur, na.rm = TRUE), 3), .groups = "drop") %>%
  pivot_wider(names_from = indice, values_from = valeur)

print(indices_par_annee)
## # A tibble: 10 × 5
##    produit annee   AFI   CFI   SFI
##    <chr>   <dbl> <dbl> <dbl> <dbl>
##  1 hansen   2000 0.079 0.043 0.266
##  2 hansen   2005 0.321 0.189 0.521
##  3 hansen   2010 0.474 0.363 0.716
##  4 hansen   2015 0.584 0.616 0.772
##  5 hansen   2020 0.703 0.733 0.832
##  6 tmf      2000 0.1   0.068 0.288
##  7 tmf      2005 0.276 0.214 0.561
##  8 tmf      2010 0.412 0.4   0.705
##  9 tmf      2015 0.476 0.555 0.778
## 10 tmf      2020 0.629 0.671 0.854
write_xlsx(
  list(Indices_par_quadrat = as.data.frame(indices_quadrats_zou),
       Evolution_2000_2020 = as.data.frame(evolution_zou),
       Part_Quadrats_Frag  = as.data.frame(resume_evolution),
       Moyenne_Annuelle    = as.data.frame(indices_par_annee)),
  sortie("indices_CFI_AFI_SFI_quadrats.xlsx")
)

# 5.2 Tableau synthétique Ratio de cœur & Clark & Evans par quadrat
metriques_compl <- indices_quadrats %>%
  filter(metric %in% c("ca", "tca_30m", "np", "enn_mn")) %>%
  pivot_wider(names_from = metric, values_from = value) %>%
  mutate(core_ratio    = round((tca_30m / ca) * 100, 1),
         clark_evans_R = round(calculer_clark_evans(enn_mn, np, AIRE_QUADRAT_M2), 2)) %>%
  left_join(st_drop_geometry(grid_10km), by = c("plot_id" = "quadrat_id")) %>%
  select(secteur, produit = product, annee, ca, tca_30m, core_ratio, clark_evans_R) %>%
  arrange(secteur, produit, annee)

write_xlsx(as.data.frame(metriques_compl),
           sortie("metriques_complementaires_2000_2020.xlsx"))


# ==============================================================================
# ÉTAPE 6 : CONSOLIDATION DES ANALYSES DE SENSIBILITÉ (CONSIGNE 3)
# ==============================================================================

cat("--- ÉTAPE 6 : Consolidation des 3 analyses de sensibilité ---\n")
## --- ÉTAPE 6 : Consolidation des 3 analyses de sensibilité ---
# (a) Sensibilité à l'échelle spatiale (TMF)
sensi_echelle_tmf <- normaliser_zou(bind_rows(liste_echelles_tmf), vars_groupe = "echelle") %>%
  group_by(echelle, annee, plot_id, indice) %>%
  summarise(valeur = mean(norm, na.rm = TRUE), .groups = "drop") %>%
  group_by(echelle, annee, indice) %>%
  summarise(moyenne = round(mean(valeur, na.rm = TRUE), 3), .groups = "drop") %>%
  pivot_wider(names_from = indice, values_from = moyenne) %>%
  arrange(echelle, annee)

print(sensi_echelle_tmf, n = Inf)
## # A tibble: 15 × 5
##    echelle         annee   AFI   CFI   SFI
##    <chr>           <dbl> <dbl> <dbl> <dbl>
##  1 1_Global_400km2  2000 0     0     0    
##  2 1_Global_400km2  2005 0.245 0.196 0.461
##  3 1_Global_400km2  2010 0.53  0.443 0.737
##  4 1_Global_400km2  2015 0.586 0.879 0.846
##  5 1_Global_400km2  2020 1     1     1    
##  6 2_Quadrat_10km   2000 0.1   0.068 0.288
##  7 2_Quadrat_10km   2005 0.276 0.215 0.562
##  8 2_Quadrat_10km   2010 0.412 0.399 0.705
##  9 2_Quadrat_10km   2015 0.476 0.556 0.778
## 10 2_Quadrat_10km   2020 0.629 0.671 0.854
## 11 3_Maille_1km     2000 0.011 0.063 0.054
## 12 3_Maille_1km     2005 0.028 0.154 0.115
## 13 3_Maille_1km     2010 0.048 0.259 0.172
## 14 3_Maille_1km     2015 0.06  0.313 0.206
## 15 3_Maille_1km     2020 0.082 0.384 0.235
# (c) Sensibilité au seuil de couvert arboré (Hansen 10%, 30%, 50%)
if (length(liste_def_hansen) > 0) {
  df_def <- bind_rows(liste_def_hansen)
  
  sensi_definition_detail <- df_def %>%
    mutate(value = round(value, 2)) %>%
    pivot_wider(names_from = seuil, values_from = value) %>%
    arrange(metric, annee)
  
  sensi_definition_indices <- normaliser_zou(df_def, vars_groupe = "seuil") %>%
    group_by(seuil, annee, indice) %>%
    summarise(valeur = round(mean(norm, na.rm = TRUE), 3), .groups = "drop") %>%
    pivot_wider(names_from = indice, values_from = valeur) %>%
    arrange(seuil, annee)
  
  print(sensi_definition_indices, n = Inf)
  
  write_xlsx(
    list(Echelle_TMF_Indices  = as.data.frame(sensi_echelle_tmf),
         Def_Hansen_Indices   = as.data.frame(sensi_definition_indices),
         Def_Hansen_Metriques = as.data.frame(sensi_definition_detail)),
    sortie("analyses_sensibilite.xlsx")
  )
} else {
  write_xlsx(list(Echelle_TMF_Indices = as.data.frame(sensi_echelle_tmf)),
             sortie("analyses_sensibilite.xlsx"))
}
## # A tibble: 15 × 5
##    seuil      annee   AFI   CFI   SFI
##    <chr>      <dbl> <dbl> <dbl> <dbl>
##  1 Hansen_10%  2000 0     0     0    
##  2 Hansen_10%  2005 0.278 0.21  0.502
##  3 Hansen_10%  2010 0.532 0.454 0.815
##  4 Hansen_10%  2015 0.771 0.844 0.916
##  5 Hansen_10%  2020 1     1     1    
##  6 Hansen_30%  2000 0.005 0     0    
##  7 Hansen_30%  2005 0.27  0.209 0.505
##  8 Hansen_30%  2010 0.447 0.454 0.831
##  9 Hansen_30%  2015 0.747 0.843 0.92 
## 10 Hansen_30%  2020 1     1     1    
## 11 Hansen_50%  2000 0     0     0    
## 12 Hansen_50%  2005 0.31  0.207 0.494
## 13 Hansen_50%  2010 0.559 0.452 0.835
## 14 Hansen_50%  2015 0.784 0.843 0.911
## 15 Hansen_50%  2020 1     1     1
# ==============================================================================
# ÉTAPE 7 : ENREGISTREMENT DE LA TRACE DE REPRODUCTIBILITÉ
# ==============================================================================

writeLines(capture.output(sessionInfo()), sortie("sessionInfo.txt"))
cat("\n=== TERMINÉ AVEC SUCCÈS ===\nTous les tableaux Excel et graphiques PNG ont été générés dans : '", OUT_DIR, "/'\n", sep = "")
## 
## === TERMINÉ AVEC SUCCÈS ===
## Tous les tableaux Excel et graphiques PNG ont été générés dans : 'C:/Users/Aliced/OneDrive - Universite de Liege/Documents/gembloux/cours/m1/landscape analyse/codeR_2015/Code_rapport/'