Skip to contents

Biodiversité, Résilience & Services Climatiques

Pascal Obstétar

2026-02-03

Source: vignettes/biodiversity-resilience-v030_fr.Rmd
biodiversity-resilience-v030_fr.Rmd

Introduction

nemeton propose un référentiel d’indicateurs avec 4 familles couvrant la biodiversité, la résilience aux risques, les dynamiques temporelles et les services climatiques. Cette vignette démontre l’utilisation des 10 indicateurs (B1-B3, R1-R3, T1-T2, A1-A2) et leur intégration dans des workflows multi-familles.

Données de démonstration

Nous utilisons les données massif_demo_units avec quelques attributs synthétiques pour illustrer les nouveaux indicateurs.

# Charger les données de démonstration
data(massif_demo_units)
units <- massif_demo_units[1:10, ]

# Ajouter des attributs synthétiques pour les exemples
set.seed(42)
units$strata <- sample(c("Emergent", "Dominant", "Intermediate", "Suppressed"),
  10,
  replace = TRUE
)
units$age_class <- sample(c("Young", "Intermediate", "Mature", "Old", "Ancient"),
  10,
  replace = TRUE
)
units$species <- sample(c("Quercus", "Fagus", "Pinus", "Abies"), 10, replace = TRUE)
units$age <- sample(c(45, 80, 120, 150, 200), 10, replace = TRUE)
units$height <- runif(10, 15, 30)
units$density <- runif(10, 0.6, 0.95)

# Créer des zones protégées synthétiques
bbox <- st_bbox(units)
zone1 <- st_buffer(st_geometry(st_centroid(units[2, ])), 250)
zone2 <- st_buffer(st_geometry(st_centroid(units[7, ])), 400)

protected_areas <- st_sf(
  zone_id = c("ZNIEFF_001", "N2000_042"),
  type = c("ZNIEFF", "Natura2000"),
  geometry = c(zone1, zone2),
  crs = st_crs(units)
)

# Créer un corridor écologique synthétique
corridor_geom <- st_linestring(cbind(
  c(bbox["xmin"], bbox["xmax"]),
  c(mean(c(bbox["ymin"], bbox["ymax"])), mean(c(bbox["ymin"], bbox["ymax"])))
))

corridor <- st_sf(
  corridor_id = "TVB_001",
  geometry = st_sfc(corridor_geom, crs = st_crs(units))
)

Famille B : Biodiversité

B1 : Protection réglementaire

L’indicateur B1 calcule le pourcentage de surface en zones de protection.

result <- indicator_biodiversity_protection(
  units,
  protected_areas = protected_areas,
  source = "local"
)

summary(result$B1)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>    0.00    0.00    0.00   22.46   18.43  100.00

Interprétation : Les parcelles avec B1 > 50% bénéficient d’une protection significative.

B2 : Diversité structurelle

L’indicateur B2 mesure la diversité de Shannon à travers les strates, âges et essences.

result <- indicator_biodiversity_structure(
  result,
  strata_field = "strata",
  age_class_field = "age_class",
  species_field = "species",
  method = "shannon",
  weights = c(strata = 0.4, age = 0.3, species = 0.3)
)

summary(result$B2)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>    84.0    85.0    85.5    85.5    86.0    87.0

B3 : Connectivité écologique

L’indicateur B3 évalue la proximité aux corridors écologiques.

result <- indicator_biodiversity_connectivity(
  result,
  corridors = corridor,
  distance_method = "edge",
  max_distance = 3000
)

summary(result$B3)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>   721.7  1323.4  1566.1  1559.2  1927.8  2242.6

Famille R : Risques & Résilience

R1, R2, R3 : Risques combinés

Les indicateurs de risque évaluent les vulnérabilités aux perturbations. Note: Dans cette vignette, nous simulons les valeurs. Pour un usage réel, utilisez les fonctions indicator_risk_fire(), indicator_risk_storm() et indicator_risk_drought() avec des données DEM et climatiques.

# Simulation des indicateurs de risque
# (Dans un cas réel, utiliser les fonctions avec DEM et données climatiques)
set.seed(43)
result$R1 <- pmin(100, pmax(0, 40 + runif(10, -20, 30))) # Risque incendie
result$R2 <- pmin(100, pmax(0, 45 + runif(10, -25, 35))) # Vulnérabilité tempête
result$R3 <- pmin(100, pmax(0, 35 + runif(10, -15, 40))) # Stress hydrique

# Les pins en pente ont plus de risque incendie
result$R1[result$species == "Pinus"] <- result$R1[result$species == "Pinus"] * 1.3
result$R1 <- pmin(100, result$R1)

# Les peuplements hauts/denses ont plus de risque tempête
result$R2 <- result$R2 * (result$height / 22) * (result$density / 0.8)
result$R2 <- pmin(100, result$R2)

summary(result[, c("R1", "R2", "R3")])
#>        R1              R2              R3                 geometry 
#>  Min.   :29.15   Min.   :19.16   Min.   :20.55   POLYGON      :10  
#>  1st Qu.:37.82   1st Qu.:28.72   1st Qu.:31.86   epsg:2154    : 0  
#>  Median :46.24   Median :30.68   Median :47.03   +proj=lcc ...: 0  
#>  Mean   :48.88   Mean   :38.88   Mean   :48.04                     
#>  3rd Qu.:54.94   3rd Qu.:47.93   3rd Qu.:65.54                     
#>  Max.   :82.70   Max.   :71.67   Max.   :73.04

Famille T : Dynamique Temporelle

T1 : Ancienneté

L’indicateur T1 mesure l’âge des peuplements.

# Utiliser les âges déjà définis
result$T1 <- result$age # Directement l'âge en années
summary(result$T1)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>    45.0    80.0   100.0   113.5   150.0   200.0

T2 : Changements d’occupation

L’indicateur T2 détecte les transformations. Note: Utiliser indicator_temporal_change() avec des rasters Corine Land Cover multi-dates pour un usage réel.

# Simulation de taux de changement (%/an)
set.seed(44)
result$T2 <- runif(10, 0, 25)
# Les forêts anciennes sont plus stables
result$T2[result$T1 > 150] <- result$T2[result$T1 > 150] * 0.3
summary(result$T2)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>  0.8048  1.9630  9.1258  8.1851 12.3251 18.5854

Famille A : Air & Microclimat

A1 : Couverture arborée

L’indicateur A1 mesure le % de couverture arborée dans un buffer de 1km. Note: Utiliser indicator_air_coverage() avec un raster de végétation pour un usage réel.

# Simulation de couverture dans buffer 1km
set.seed(45)
result$A1 <- runif(10, 40, 95)
summary(result$A1)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>   40.29   52.71   56.92   57.56   60.45   74.84

A2 : Qualité de l’air

L’indicateur A2 évalue la qualité de l’air. Note: Utiliser indicator_air_quality() avec des données ATMO ou sources de pollution pour un usage réel.

# Simulation d'indice qualité air
set.seed(46)
result$A2 <- runif(10, 55, 95)
summary(result$A2)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>   62.37   65.76   78.55   77.23   87.91   92.94

Workflow Multi-Familles

Normalisation et agrégation

Normalisons tous les indicateurs et créons les indices par famille.

# Normaliser tous les nouveaux indicateurs
result_norm <- normalize_indicators(
  result,
  indicators = c("B1", "B2", "B3", "R1", "R2", "R3", "T1", "T2", "A1", "A2"),
  method = "minmax"
)

# Créer les indices composites par famille
result_norm <- create_family_index(
  result_norm,
  family_codes = c("B", "R", "T", "A"),
  method = "mean"
)

# Afficher les indices par famille
result_norm |>
  st_drop_geometry() |>
  select(parcel_id, family_B, family_R, family_T, family_A) |>
  head()
#>   parcel_id family_B family_R family_T family_A
#> 1       P01 39.80832 60.45303 61.29032 50.00000
#> 2       P02 68.82910 60.02550 17.62303 28.71851
#> 3       P03 49.84050 39.18232 44.71207 44.90653
#> 4       P04 29.08790 22.14935 62.47047 40.25588
#> 5       P05 24.27117 34.80352 11.29032 30.80376
#> 6       P06 55.55556 42.09048 41.69098 54.08198

Agrégation conservative (méthode “min”)

Pour les risques, utilisons la méthode “min” (pire cas) :

# Agrégation conservative pour la famille Risques
result_risk_min <- create_family_index(
  result_norm,
  family_codes = "R",
  method = "min" # Score = pire indicateur
)

# Comparer méthodes "mean" vs "min"
comparison <- result_norm |>
  st_drop_geometry() |>
  select(parcel_id, R1_norm, R2_norm, R3_norm, family_R) |>
  mutate(
    risk_min = pmin(R1_norm, R2_norm, R3_norm)
  ) |>
  head()

comparison
#>   parcel_id   R1_norm   R2_norm   R3_norm family_R  risk_min
#> 1       P01 28.205045  53.15405 100.00000 60.45303 28.205045
#> 2       P02 67.956914  21.54089  90.57869 60.02550 21.540886
#> 3       P03  1.120893 100.00000  16.42606 39.18232  1.120893
#> 4       P04 48.780961  17.66709   0.00000 22.14935  0.000000
#> 5       P05 12.187465  55.34306  36.88004 34.80352 12.187465
#> 6       P06 33.620254  77.29592  15.35528 42.09048 15.355282

Interprétation : La méthode “min” identifie le facteur limitant (risque le plus élevé).

Visualisation Radar Multi-Axes

Radar à 4 familles

Visualisons le profil écosystémique d’une parcelle avec les 4 familles :

# Radar pour une parcelle (4 familles)
nemeton_radar(
  result_norm,
  unit_id = 1,
  mode = "family",
  title = "Profil - Parcelle 1"
)

Radar complet avec toutes les familles disponibles

Pour voir l’ensemble des services écosystémiques, ajoutons aussi les autres familles :

# Ajouter quelques indicateurs des familles existantes pour démonstration
result_norm$C1 <- runif(10, 40, 90) # Carbon biomass
result_norm$W1 <- runif(10, 30, 80) # Water network
result_norm$F1 <- runif(10, 35, 85) # Soil fertility
result_norm$L1 <- runif(10, 25, 75) # Landscape fragmentation

# Normaliser
result_norm <- normalize_indicators(
  result_norm,
  indicators = c("C1", "W1", "F1", "L1"),
  method = "minmax"
)

# Créer indices familles existantes
result_complete <- create_family_index(
  result_norm,
  family_codes = c("C", "W", "F", "L"),
  method = "mean"
)
# Radar complet : 8 familles
nemeton_radar(
  result_complete,
  unit_id = 1,
  mode = "family",
  title = "Profil écosystémique complet - Parcelle 1 (8 familles)"
)

Comparaison de parcelles

nemeton propose le mode comparaison pour visualiser plusieurs parcelles simultanément :

# Comparer 3 parcelles sur le même radar
nemeton_radar(
  result_complete,
  unit_id = c(1, 5, 8),
  mode = "family",
  title = "Comparaison de 3 parcelles - 8 familles"
)

Utilisation : Identifiez rapidement les parcelles à haute biodiversité (famille B) mais forte vulnérabilité (famille R).

Analyses Thématiques

Hotspots biodiversité + ancienneté

Identifier les forêts anciennes à haute valeur écologique :

hotspots_bio <- result_complete |>
  filter(family_B > 60, T1 > 100) |>
  arrange(desc(family_B))

cat("Forêts anciennes à haute biodiversité :", nrow(hotspots_bio), "parcelles\n")
#> Forêts anciennes à haute biodiversité : 1 parcelles

# Afficher les parcelles identifiées
if (nrow(hotspots_bio) > 0) {
  hotspots_bio |>
    st_drop_geometry() |>
    select(parcel_id, family_B, T1, family_R) |>
    head()
}
#>   parcel_id family_B  T1 family_R
#> 1       P07 90.94836 150 52.78104

Parcelles vulnérables multi-risques

Détecter les parcelles cumulant plusieurs risques :

multi_risques <- result_complete |>
  mutate(
    nb_risques = (R1_norm > 60) + (R2_norm > 60) + (R3_norm > 60)
  ) |>
  filter(nb_risques >= 2) |>
  arrange(desc(nb_risques))

cat("Parcelles à risques multiples (≥2) :", nrow(multi_risques), "\n")
#> Parcelles à risques multiples (≥2) : 1

# Détail des risques
if (nrow(multi_risques) > 0) {
  multi_risques |>
    st_drop_geometry() |>
    select(parcel_id, R1_norm, R2_norm, R3_norm, nb_risques, family_R) |>
    head()
}
#>   parcel_id  R1_norm  R2_norm  R3_norm nb_risques family_R
#> 1       P02 67.95691 21.54089 90.57869          2  60.0255

Services climatiques urbains

Évaluer le potentiel de régulation climatique :

services_climat <- result_complete |>
  filter(A1 > 70, A2 > 70) |>
  arrange(desc(family_A))

cat("Parcelles à fort potentiel climatique :", nrow(services_climat), "\n")
#> Parcelles à fort potentiel climatique : 1

if (nrow(services_climat) > 0) {
  services_climat |>
    st_drop_geometry() |>
    select(parcel_id, A1, A2, family_A) |>
    head()
}
#>   parcel_id       A1       A2 family_A
#> 1       P08 70.51631 78.73541 70.51087

Cartographie Multi-Critères

Visualisons les indices composites pour les nouvelles familles :

library(patchwork)

p_bio <- plot_indicators_map(result_complete,
  indicator = "family_B",
  palette = "Greens", title = "Biodiversité (B)"
)
p_risk <- plot_indicators_map(result_complete,
  indicator = "family_R",
  palette = "YlOrRd", title = "Risques (R)"
)
p_temp <- plot_indicators_map(result_complete,
  indicator = "T1",
  palette = "Blues", title = "Ancienneté (T1)"
)
p_air <- plot_indicators_map(result_complete,
  indicator = "family_A",
  palette = "viridis", title = "Air & Climat (A)"
)

(p_bio + p_risk) / (p_temp + p_air)

Tableau récapitulatif

Vue d’ensemble des indicateurs calculés :

# Résumé des indicateurs
summary_table <- result_complete |>
  st_drop_geometry() |>
  select(
    parcel_id,
    # Biodiversité
    B1, B2, B3, family_B,
    # Risques
    R1, R2, R3, family_R,
    # Temporel
    T1, T2, family_T,
    # Air
    A1, A2, family_A
  ) |>
  head(5)

summary_table
#>   parcel_id       B1 B2       B3 family_B       R1       R2       R3 family_R
#> 1       P01  24.5782 85 1657.262 39.80832 44.25188 47.07114 73.04010 60.45303
#> 2       P02 100.0000 86 1327.328 68.82910 65.53830 30.47225 68.09509 60.02550
#> 3       P03   0.0000 87 1474.873 49.84050 29.74880 71.66821 29.17421 39.18232
#> 4       P04   0.0000 84 2048.908 29.08790 55.26992 28.43826 20.55258 22.14935
#> 5       P05   0.0000 85 1322.150 24.27117 35.67475 48.22051 39.90999 34.80352
#>    T1         T2 family_T       A1       A2 family_A
#> 1  80 18.5854441 61.29032 74.83550 62.37394 50.00000
#> 2  45  7.0717841 17.62303 57.46452 64.73451 28.71851
#> 3  80 12.6900074 44.71207 53.25070 78.35990 44.90653
#> 4 120 14.4165688 62.47047 60.81278 68.82518 40.25588
#> 5  80  0.8048135 11.29032 59.36794 64.32505 30.80376

Conclusion

Cette vignette a présenté :

  • 10 indicateurs (B1-B3, R1-R3, T1-T2, A1-A2)
  • 4 familles (Biodiversité, Risques, Temps, Air)
  • Méthode d’agrégation “min” pour analyses de risque
  • Mode comparaison pour radars multi-parcelles

Ressources :