004-Introduction 9(2) - Research Labs
Transcription
004-Introduction 9(2) - Research Labs
Remarques liminaires / Introductory remarks ECoSCIENCE Introductory remarks Spatial Analyses in Ecology: Statistical and Landscape Scale Issues Our environment is fundamentally spatial and temporal in nature. Explicit considerations of spatial structure in ecological studies have come to play an increasingly important role in attempts to better understand and manage ecological processes. In fact, spatial analysis has recently become one of the most rapidly growing fields in ecology. This popularity is directly related to two main factors: 1) a growing awareness among ecologists of the importance of spatial structure to understand ecological processes; and 2) the fact that current landscapes are altered at an increasing rate which requires a constant re-evaluation of their spatial heterogeneity. This interest in spatial statistics has also been facilitated by the introduction to these methods by key review papers (Legendre & Fortin, 1989; Rossi et al., 1992; Fortin, 1999) and textbooks (Upton & Fingleton, 1985; Haining, 1990; Cressie, 1993; Bailey & 1995; Dale, 1999) as well as the availability of software that perform such spatial analyses. Unfortunately, proper use of the existent spatial statitics is sometimes questioned due to this wide accessibility of user-friendly software. Indeed, the major drawback of spatial statistics software is that ecologists do not use the appro-priate method or do not check whether the statistical assumption of stationarity is fulfilled or not by their dataset. These misuses of the spatial statistical methods may result unfortunately in distorted identified spatial patterns with an incorrect significant level associated with them. Furthermore, as more and more ecologists are designing and performing spatial analyses at the landscape scale, most, if not all of these datasets violate the stationarity assumption required by spatial statistics. This lack of stationarity is likely to occur when spatial analyses are carried out using data from heterogeneous landscape, i.e., large spatial area (extent), where several different ecological processes and environmental conditions are acting on the data. This special feature will focus on statistical issues that occurred while spatial analyses of ecological data from homogeneous landscape or heterogeneous landscape are carried out. The scope of this special feature is not to provide the state-of-the-art in the field of spatial statistics but rather to present an overview of the new promising research directions that are currently of interest for ecologists. Specifically, the first goal, of this special feature, is to introduce newly developed spatial analysis methods in the context of homogeneous landscape (i.e., stationary), as well as to survey methods that can be used to correct for the presence of spatial autocorrelation in the data. The series of papers start therefore with the introduction of two new methods that can analyse the spatial interaction among several species. Perry & Dixon developed a new method, based on a comparison of the spatial SADIE clustering index, which tests the spatial association between two sets of count data. Then, Dixon proposed a new method, based on a multispecies contingency table, which tests the degree of spatial interaction for three or more species. Next, Ver Hoef demonstrates that geostatistics, which relies on model-based inference, can be a better estimator of the average value of a variable, than classical sampling which relies on designbased inference. The last paper of this first section by Dale and Fortin deals with statistical issues and surveys the pros and cons of the different types of methods that have been proposed to correct for the presence of spatial autocorrelation in the data. The next series of papers address the second goal of this special feature which is to present the types of new challenges that emerge when spatial analyses are performed at the landscape scale and to provide new frameworks to carry out spatial analyses at these large spatial scales. The three first papers are more theoretical ones while the last three are more examples on how spatial analyses should be performed in heterogeneous landscapes. Boots starts by differentiating when global and local measures of spatial autocorrelation should be used. This paper is a good bridge between the sections of this special feature by opposing homogeneous or heterogeneous landscape analyses. Next, Csillag & Kabos explain how wavelets analysis can be used both to identify spatial pattern and to detect boundaries in heterogeneous landscape. Findings of boundaries will result in the delineation of several homogeneous landscapes that then can be analysed using global measures of spatial autocorrelation. Then Milne, Gupta & Restrepo use the change of the slope of the power law as an indicator of the scale at which a ‘phase transition’ occurred from water- to energylimited vegetation systems at the landscape scale. The three next papers are describing some specific statistical issues that can occur while performing spatial analyses at the landscape scale. First, Urban et al., present a methodological approach involving multi-scale analyses to study ecological processes at the landscape scale. Then, Fortin & Payette illustrate how significance testing can be impaired when spatially autocorrelated data are used. And finally, Hancock and Csillag show how local measures of spatial autocorrelation and a new boundary characterisation method can help to monitor landscape spatial pattern changes through time. Marie-Josée Fortin, Guest Editor DEPARTMENT OF ZOOLOGY, UNIVERSITY OF TORONTO TORONTO (ONTARIO) M5S 3G5 EMAIL: [email protected] iii Remarques liminaires / Introductory remarks Remarques liminaires Analyses spatiales en écologie : problèmes statistiques et de mise à l’échelle au niveau du paysage Notre environnement est structuré par des considérations de nature spatiale et temporelle. En écologie, on accorde de plus en plus d’importance à de telles considérations, de façon à mieux comprendre et gérer les processus écologiques. Depuis peu, beaucoup de progrès ont été réalisés en analyse spatiale des phénomènes écologiques. Deux facteurs peuvent expliquer la popularité récente de ce domaine de recherche : une prise de conscience toujours croissante des écologistes de l’importance de la structure spatiale pour expliquer les processus écologiques et le fait que les paysages sont sans cesse modifiés, ce qui nécessite un examen répété de leur hétérogénéité spatiale. L’intérêt pour les statistiques spatiales s’est également développé à la suite de la présentation des méthodes d’analyse dans des articles synthèses (Legendre & Fortin, 1989; Rossi et al., 1992; Fortin, 1999) et dans plusieurs volumes (Upton & Fingleton, 1985; Haining, 1990; Cressie, 1993; Bailey & 1995; Dale, 1999), ainsi qu’en raison de la disponibilité de logiciels exécutant des analyses spatiales. Malheureusement, les statistiques spatiales réalisées par des logiciels conviviaux ne sont pas toujours utilisées avec justesse. En effet, le principal inconvénient des logiciels de statistiques spatiales est que les écologistes qui les utilisent ne choisissent pas toujours la méthode la plus appropriée à leur ensemble de données ou ne vérifient pas si la supposition statistique de stationnarité est respectée par ce même ensemble. Ce mauvais usage des méthodes statistiques spatiales peut résulter en des patrons spatiaux déformés dont le niveau de signification est erroné. Par ailleurs, comme de plus en plus d’écologistes conçoivent et utilisent des analyses spatiales à l’échelle du paysage, la plupart, sinon tous les ensembles de données récoltés à cet usage ne respectent pas la supposition de stationnarité requise par les statistiques spatiales. Ce manque de stationnarité est susceptible d’apparaître lorsque les analyses spatiales sont appliquées à des données issues de paysages hétérogènes, notamment ceux couvrant de vastes étendues et qui sont alors influencés par bon nombre de conditions environnementales et processus écologiques. Ce numéro spécial d’Écoscience traite de façon toute particulière des problèmes statistiques qui se présentent lorsque des analyses spatiales sont appliquées à des données écologiques issues de paysages homogènes ou hétérogènes. Le but de ce numéro spécial n’est pas de présenter les règles de l’art de l’usage des statistiques spatiales, mais plutôt de proposer une vue d’ensemble des nouvelles orientations prometteuses de cette branche des statistiques susceptibles d’intéresser les écologistes. Les objectifs principaux de ce numéro sont donc de présenter de nouvelles méthodes d’analyse spatiale appropriées à l’étude de paysages homogènes (c’est-à-dire stationnaire) et de faire une revue des méthodes permettant d’apporter les corrections requises lorsqu’il y a présence d’autocorrélation spatiale au niveau des données. Cette série d’articles débute donc par la iv présentation de deux nouvelles méthodes permettant d’analyser l’interaction spatiale entre plusieurs espèces. La méthode développée par Perry et Dixon est basée sur la comparaison de l’indice de groupement spatial SADIE, qui détermine l’association spatiale qui existe entre deux ensembles de données avec dénombrements. Dixon propose ensuite une nouvelle méthode qui s’appuie sur un tableau de contingence à espèces multiples et qui vérifie le degré d’interaction spatiale pour trois espèces ou plus. Ver Hoef démontre ensuite que les géostatistiques, qui reposent sur un modèle, peuvent fournir de meilleurs estimateurs de la valeur moyenne d’une variable que l’échantillonnage classique qui repose sur un plan d’échantillonnage. Dans le dernier article de cettre première section, Dale et Fortin s’intéressent aux problèmes de nature statistique et font une revue des pour et des contre des différentes méthodes qui ont été proposées à ce jour pour corriger la présence d’autocorrélation spatiale des données. Les articles qui suivent tentent de répondre au second objectif de ce numéro spécial, soit de présenter les nouveaux défis qui apparaissent lorsques des analyses spatiales sont utilisées à l’échelle du paysage. Ils indiquent également quels sont les nouveaux cadres de travail requis pour effectuer des analyses à de si grandes échelles spatiales. Les trois premiers articles sont de nature plus théorique alors que les trois derniers illustrent à l’aide d’exemples l’exécution d’analyses spatiales pour des paysages hétérogènes. L’article de Boots contient des informations permettant de déterminer dans quelles circonstances des mesures générales ou locales d’autocorrélation spatiale sont appropriées. Cet article fait le pont entre les deux sections de ce numéro spécial en mettant en opposition les analyses portant sur les paysages homogènes et hétérogènes. Pour leur part, Csillag et Kabos expliquent comment l’analyse des ondelettes peut être utilisée à la fois pour identifier des patrons spatiaux et pour détecter les limites des paysages hétérogènes. La découverte des limites permet d’identifier plusieurs paysages homogènes pouvant ensuite être analysés à l’aide de mesures générales d’autocorrélation spatiale. Milne, Gupta et Restrepo utilisent dans leurs travaux le changement de pente de la power law en tant qu’indicateur de l’échelle à laquelle une phase de transition se produit dans les systèmes végétaux, c’est-à-dire lorsque l’énergie remplace l’eau en tant que facteur limitatif pour les plantes à l’échelle du paysage. Les trois articles qui suivent montrent quelques problèmes statistiques qui peuvent être rencontrés lorsque l’on effectue des analyses spatiales à l’échelle du paysage. D’abord, Urban et ses collaborateurs présentent une méthode impliquant des analyses à plusieurs échelles pour étudier les processus écologiques à l’échelle du paysage. Ensuite, Fortin et Payette expliquent comment des tests significatifs peuvent être faussés lorsque les données sont autocorrelées dans l’espace. Enfin, Hancock et Csillag montrent comment des mesures locales d’autocor- Remarques liminaires / Introductory remarks rélation spatiale, ainsi qu’une nouvelle méthode d’identification des frontières, peuvent aider à suivre les changements de patrons spatiaux des paysages dans le temps. Marie-Josée Fortin, Rédactrice invitée DEPARTMENT OF ZOOLOGY, UNIVERSITY OF TORONTO TORONTO (ONTARIO) M5S 3G5 COURRIEL: [email protected] RÉFÉRENCES / LITERATURE CITED Bailey, T. C. & A. C. Gatrell, 1995. Interactive Spatial Data Analysis. Longman Scientific & Technical, Essex. Cressie, N. A. C., 1993. Statistics for Spatial Data. John Wiley & Sons, New York. Dale, M. R. T., 1999. Spatial Pattern Analysis in Plant Ecology. Cambridge University Press, Cambridge. Fortin, M.-J., 1999. Spatial statistics in landscape ecology. P. 253-279 in Klopatek, J. M. and Gardner R. H. (eds). Landscape Ecological Analysis. Issues and Applications. Springer-Verlag, New York. Haining, R., 1990. Spatial Data Analysis in the Social and Environmental Sciences. Cambridge University Press, Cambridge. Legendre, P. & M.-J. Fortin, 1989. Spatial pattern and ecological analysis. Vegetatio, 80: 107-138. Rossi, R. E., D. Mulla, A. G., Journel & E. H. Franz, 1992. Geostatistical tools for modeling and interpreting ecological spatial dependence. Ecological Monographs, 62: 277-314. Upton, G. J. G. & B. Fingleton, 1985. Spatial Data Analysis by Example. Volume 1: Point Pattern and Quantitative Data. John Wiley & Sons, New York. v