################################################################################
# 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/'