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