Familles d'indicateurs - Référentiel complet • nemeton

Introduction

Le package nemeton structure l’évaluation des services écosystémiques forestiers autour de 12 familles d’indicateurs couvrant les dimensions biophysiques, écologiques et socio-économiques. Cette vignette présente le référentiel complet et démontre l’utilisation du système de familles.

library(nemeton)
library(ggplot2)
library(dplyr)
library(sf)

Référentiel des 12 familles

Vue d’ensemble

Code	Famille	Description	Nb indicateurs
C	Carbone & Vitalité	Stock carbone et santé végétation	2
B	Biodiversité	Diversité structurelle et habitats	3
W	Eau	Régulation hydrique	3
A	Air & Microclimat	Qualité de l’air et régulation climatique	2
F	Fertilité des sols	Qualité pédologique et érosion	2
L	Landscape (Paysage)	Structure et connectivité paysagère	3
T	Temps & Dynamique	Ancienneté et trajectoires	2
R	Risques	Vulnérabilité aux perturbations	3
S	Social & Usages	Accessibilité et services récréatifs	3
P	Production	Productivité forestière	3
E	Énergie	Potentiel énergétique et climat	2
N	Naturalité	Degré de naturalité	3

Données de démonstration avec 12 familles

Pour cette vignette, nous créons un jeu de données complet avec tous les indicateurs des 12 familles.

# Charger les données de base
data(massif_demo_units)

set.seed(42)
n <- nrow(massif_demo_units)

# Créer les indicateurs pour chaque famille
demo_data <- massif_demo_units

# Famille C - Carbone & Vitalité
demo_data$C1 <- runif(n, 80, 250)     # Biomasse carbone (tC/ha)
demo_data$C2 <- runif(n, 0.5, 0.9)    # NDVI (vitalité)

# Famille B - Biodiversité
demo_data$B1 <- sample(0:3, n, replace = TRUE)  # Protection (0-3)
demo_data$B2 <- runif(n, 0.5, 2.5)    # Diversité structurelle (Shannon)
demo_data$B3 <- runif(n, 0.2, 0.95)   # Connectivité (0-1)

# Famille W - Eau
demo_data$W1 <- runif(n, 10, 100)     # Densité réseau hydro (m/ha)
demo_data$W2 <- runif(n, 0, 40)       # % zones humides
demo_data$W3 <- runif(n, 5, 15)       # TWI

# Famille A - Air & Microclimat
demo_data$A1 <- runif(n, 0.4, 0.95)   # Couverture arborée buffer 1km
demo_data$A2 <- runif(n, 50, 95)      # Qualité air

# Famille F - Fertilité sols
demo_data$F1 <- sample(1:5, n, replace = TRUE, prob = c(0.1, 0.3, 0.35, 0.2, 0.05))
demo_data$F2 <- runif(n, 0, 25)       # Pente % (risque érosion)

# Famille L - Paysage
demo_data$L1 <- runif(n, 0.1, 0.8)    # Fragmentation (0-1, faible = mieux)
demo_data$L2 <- runif(n, 0.05, 0.35)  # Ratio lisière

# Famille T - Temps & Dynamique
demo_data$T1 <- demo_data$age         # Ancienneté (années)
demo_data$T2 <- runif(n, 0, 5)        # Taux changement (%/an)

# Famille R - Risques (échelle 0-100)
demo_data$R1 <- runif(n, 5, 80)       # Risque incendie
demo_data$R2 <- runif(n, 10, 70)      # Risque tempête
demo_data$R3 <- runif(n, 15, 75)      # Stress hydrique
demo_data$R4 <- runif(n, 10, 65)      # Risque abroutissement

# Famille S - Social & Usages
demo_data$S1 <- runif(n, 0, 5)        # Densité sentiers (km/ha)
demo_data$S2 <- runif(n, 20, 100)     # Score accessibilité
demo_data$S3 <- runif(n, 500, 50000)  # Population proximité

# Famille P - Production
demo_data$P1 <- demo_data$volume      # Volume sur pied (m³/ha)
demo_data$P2 <- runif(n, 3, 15)       # Productivité (m³/ha/an)
demo_data$P3 <- runif(n, 40, 95)      # Qualité bois

# Famille E - Énergie
demo_data$E1 <- runif(n, 1, 10)       # Potentiel bois-énergie (t/an)
demo_data$E2 <- runif(n, 5, 50)       # Évitement CO2 (tCO2eq/an)

# Famille N - Naturalité
demo_data$N1 <- runif(n, 100, 3000)   # Distance infrastructure (m)
demo_data$N2 <- runif(n, 5, 100)      # Continuité forestière (ha)
demo_data$N3 <- runif(n, 20, 95)      # Score naturalité composite

cat("Dataset avec", n, "parcelles et 29 indicateurs\n")
#> Dataset avec 20 parcelles et 29 indicateurs

Indicateurs par famille

Famille C : Carbone & Vitalité

ggplot(demo_data |> st_drop_geometry()) +
  geom_point(aes(x = C1, y = C2, color = forest_type), size = 3, alpha = 0.7) +
  labs(
    title = "Famille C - Carbone & Vitalité",
    x = "C1: Stock carbone (tC/ha)",
    y = "C2: NDVI (vitalité)",
    color = "Type forestier"
  ) +
  theme_minimal() +
  theme(legend.position = "bottom")

Interprétation : - C1 > 100 tC/ha : Fort stock de carbone - C2 (NDVI) > 0.7 : Végétation très active

Famille W : Eau

library(tidyr)

demo_data |>
  st_drop_geometry() |>
  select(parcel_id, W1, W2, W3) |>
  pivot_longer(cols = c(W1, W2, W3), names_to = "indicator", values_to = "value") |>
  ggplot(aes(x = indicator, y = value, fill = indicator)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_manual(
    values = c(W1 = "#00838F", W2 = "#0097A7", W3 = "#26C6DA"),
    labels = c("Réseau hydro (m/ha)", "Zones humides (%)", "TWI")
  ) +
  labs(
    title = "Famille W - Distribution des indicateurs Eau",
    x = "Indicateur",
    y = "Valeur"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Interprétation : - W1 > 50 m/ha : Dense réseau hydrographique - W2 > 20% : Zone humide significative - W3 > 10 : Fort potentiel d’accumulation d’eau

Famille B : Biodiversité

ggplot(demo_data) +
  geom_sf(aes(fill = B2), color = "white", linewidth = 0.3) +
  scale_fill_viridis_c(name = "Shannon\n(diversité)", option = "D") +
  labs(
    title = "B2 - Diversité structurelle",
    subtitle = "Indice de Shannon des strates et âges"
  ) +
  theme_minimal() +
  theme(axis.text = element_blank(), axis.ticks = element_blank())

Famille R : Risques

demo_data |>
  st_drop_geometry() |>
  select(parcel_id, R1, R2, R3, R4) |>
  tidyr::pivot_longer(cols = c(R1, R2, R3, R4), names_to = "indicator", values_to = "value") |>
  ggplot(aes(x = indicator, y = value, fill = indicator)) +
  geom_boxplot(alpha = 0.8) +
  scale_fill_brewer(palette = "YlOrRd") +
  labs(
    title = "Famille R - Distribution des risques",
    x = "Indicateur",
    y = "Score (0-100)",
    fill = "Indicateur"
  ) +
  theme_minimal()

Interprétation : - R1, R2, R3, R4 > 60 : Vulnérabilité élevée - Risques cumulés (≥2 indicateurs élevés) : Priorité gestion préventive

Normalisation des indicateurs

Normalisons les indicateurs pour les rendre comparables (échelle 0-100).

# Indicateurs à normaliser
indicators_to_norm <- c("C1", "C2", "B2", "B3", "W1", "W2", "W3",
                         "A1", "A2", "S1", "S2", "P1", "P2", "P3",
                         "E1", "E2", "N1", "N2", "N3")

# Normalisation min-max
demo_norm <- demo_data

for (ind in indicators_to_norm) {
  values <- demo_norm[[ind]]
  min_val <- min(values, na.rm = TRUE)
  max_val <- max(values, na.rm = TRUE)
  demo_norm[[paste0(ind, "_norm")]] <- (values - min_val) / (max_val - min_val) * 100
}

# Indicateurs inversés (faible = mieux)
inv_indicators <- c("L1", "L2", "T2", "F2")
for (ind in inv_indicators) {
  values <- demo_norm[[ind]]
  min_val <- min(values, na.rm = TRUE)
  max_val <- max(values, na.rm = TRUE)
  demo_norm[[paste0(ind, "_norm")]] <- (1 - (values - min_val) / (max_val - min_val)) * 100
}

# Indicateurs catégoriels transformés
# F1: 1 (très fertile) = 100, 5 (très pauvre) = 20
demo_norm$F1_norm <- (6 - demo_norm$F1) / 4 * 80 + 20

# R1-R4: déjà en 0-100, inverser (faible risque = meilleur score)
demo_norm$R1_norm <- 100 - demo_norm$R1
demo_norm$R2_norm <- 100 - demo_norm$R2
demo_norm$R3_norm <- 100 - demo_norm$R3
demo_norm$R4_norm <- 100 - demo_norm$R4

# B1: 0 = 0, 3 = 100
demo_norm$B1_norm <- demo_norm$B1 / 3 * 100

# T1: log transformation pour ancienneté
demo_norm$T1_norm <- pmin(100, log(demo_norm$T1 + 1) / log(200) * 100)

cat("Indicateurs normalisés créés\n")
#> Indicateurs normalisés créés

Indices composites par famille

Créons des indices agrégés pour chaque famille.

# Calculer les indices de famille
demo_norm$family_C <- (demo_norm$C1_norm + demo_norm$C2_norm) / 2
demo_norm$family_B <- (demo_norm$B1_norm + demo_norm$B2_norm + demo_norm$B3_norm) / 3
demo_norm$family_W <- (demo_norm$W1_norm + demo_norm$W2_norm + demo_norm$W3_norm) / 3
demo_norm$family_A <- (demo_norm$A1_norm + demo_norm$A2_norm) / 2
demo_norm$family_F <- (demo_norm$F1_norm + demo_norm$F2_norm) / 2
demo_norm$family_L <- (demo_norm$L1_norm + demo_norm$L2_norm) / 2
demo_norm$family_T <- (demo_norm$T1_norm + demo_norm$T2_norm) / 2
demo_norm$family_R <- (demo_norm$R1_norm + demo_norm$R2_norm + demo_norm$R3_norm + demo_norm$R4_norm) / 4
demo_norm$family_S <- (demo_norm$S1_norm + demo_norm$S2_norm) / 2
demo_norm$family_P <- (demo_norm$P1_norm + demo_norm$P2_norm + demo_norm$P3_norm) / 3
demo_norm$family_E <- (demo_norm$E1_norm + demo_norm$E2_norm) / 2
demo_norm$family_N <- (demo_norm$N1_norm + demo_norm$N2_norm + demo_norm$N3_norm) / 3

# Afficher les scores moyens par famille
family_means <- demo_norm |>
  st_drop_geometry() |>
  summarise(across(starts_with("family_"), mean, na.rm = TRUE)) |>
  pivot_longer(everything(), names_to = "family", values_to = "mean_score") |>
  mutate(family = gsub("family_", "", family)) |>
  arrange(desc(mean_score))

family_means
#> # A tibble: 12 × 2
#>    family mean_score
#>    <chr>       <dbl>
#>  1 F            75.3
#>  2 T            70.8
#>  3 R            58.8
#>  4 L            57.6
#>  5 C            57.4
#>  6 W            55.2
#>  7 B            51.2
#>  8 N            47.2
#>  9 A            46.6
#> 10 P            44.4
#> 11 S            44.1
#> 12 E            40.9

Visualisation multi-famille

Radar chart 12 familles

La fonction nemeton_radar() avec mode = "family" permet de visualiser le profil complet d’une parcelle sur les 12 familles :

# Radar pour une parcelle (mode famille)
nemeton_radar(
  demo_norm,
  unit_id = "P01",
  mode = "family",
  title = "Profil écosystémique - Parcelle P01"
)

Comparaison de plusieurs parcelles

# Comparer plusieurs parcelles sur le même radar
nemeton_radar(
  demo_norm,
  unit_id = c("P01", "P05", "P10"),
  mode = "family",
  title = "Comparaison de 3 parcelles - 12 familles"
)

Cartes des scores de famille

# Préparer les données pour les cartes
map_data <- demo_norm |>
  select(parcel_id, family_C, family_B, family_W, family_P, geometry) |>
  pivot_longer(
    cols = starts_with("family_"),
    names_to = "family",
    values_to = "score"
  ) |>
  mutate(family = case_when(
    family == "family_C" ~ "Carbone",
    family == "family_B" ~ "Biodiversité",
    family == "family_W" ~ "Eau",
    family == "family_P" ~ "Production"
  ))

ggplot(map_data) +
  geom_sf(aes(fill = score), color = "white", linewidth = 0.3) +
  facet_wrap(~family, ncol = 2) +
  scale_fill_viridis_c(name = "Score\n(0-100)", option = "D") +
  labs(
    title = "Scores par famille de services écosystémiques",
    subtitle = "4 familles clés : Carbone, Biodiversité, Eau, Production"
  ) +
  theme_minimal() +
  theme(
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    strip.text = element_text(face = "bold", size = 11)
  )

Analyse croisée inter-familles

Matrice de corrélations

# Extraire les scores de famille
family_scores <- demo_norm |>
  st_drop_geometry() |>
  select(starts_with("family_"))

# Renommer pour lisibilité
names(family_scores) <- gsub("family_", "", names(family_scores))

# Calculer la matrice de corrélation
cor_matrix <- cor(family_scores, use = "complete.obs")

# Préparer pour ggplot
cor_data <- as.data.frame(as.table(cor_matrix))
names(cor_data) <- c("Family1", "Family2", "Correlation")

ggplot(cor_data, aes(x = Family1, y = Family2, fill = Correlation)) +
  geom_tile(color = "white") +
  geom_text(aes(label = sprintf("%.2f", Correlation)), size = 3) +
  scale_fill_gradient2(
    low = "#2166AC",
    mid = "white",
    high = "#B2182B",
    midpoint = 0,
    limits = c(-1, 1)
  ) +
  labs(
    title = "Corrélations entre familles d'indicateurs",
    subtitle = "Rouge = synergies, Bleu = trade-offs",
    x = "", y = ""
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1),
    panel.grid = element_blank()
  )

Interprétation : - Corrélation positive (rouge) : Synergies (ex: Carbone × Production) - Corrélation négative (bleu) : Conflits/trade-offs - Corrélation faible (blanc) : Indépendance

Scatter plot des synergies/conflits

ggplot(demo_norm |> st_drop_geometry(), aes(x = family_C, y = family_B)) +
  geom_point(aes(color = family_P, size = family_N), alpha = 0.7) +
  geom_smooth(method = "lm", se = TRUE, color = "gray40", linetype = "dashed") +
  scale_color_viridis_c(name = "Production", option = "D") +
  scale_size_continuous(name = "Naturalité", range = c(2, 8)) +
  labs(
    title = "Synergies Carbone-Biodiversité",
    subtitle = "Taille = naturalité, Couleur = production",
    x = "Score Carbone (famille C)",
    y = "Score Biodiversité (famille B)"
  ) +
  theme_minimal()

Identification de hotspots multi-services

# Identifier les parcelles excellentes sur plusieurs familles
threshold <- 60  # Top 40%

demo_norm <- demo_norm |>
  mutate(
    high_C = family_C >= threshold,
    high_B = family_B >= threshold,
    high_W = family_W >= threshold,
    high_N = family_N >= threshold,
    high_P = family_P >= threshold,
    hotspot_count = high_C + high_B + high_W + high_N + high_P,
    is_hotspot = hotspot_count >= 3
  )

# Cartographier les hotspots
ggplot(demo_norm) +
  geom_sf(aes(fill = factor(hotspot_count)), color = "white", linewidth = 0.5) +
  scale_fill_manual(
    values = c("0" = "#FFEBEE", "1" = "#FFCDD2", "2" = "#EF9A9A",
               "3" = "#E57373", "4" = "#EF5350", "5" = "#C62828"),
    name = "Familles\nélevées"
  ) +
  labs(
    title = "Hotspots multi-services écosystémiques",
    subtitle = sprintf("Seuil = %d/100 (5 familles: C, B, W, N, P)", threshold)
  ) +
  theme_minimal() +
  theme(
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    legend.position = "right"
  )

Statistiques des hotspots

hotspot_stats <- demo_norm |>
  st_drop_geometry() |>
  group_by(hotspot_count) |>
  summarise(
    n_parcelles = n(),
    surface_totale = round(sum(surface_ha), 1),
    C_mean = round(mean(family_C), 1),
    B_mean = round(mean(family_B), 1),
    P_mean = round(mean(family_P), 1),
    .groups = "drop"
  )

hotspot_stats
#> # A tibble: 4 × 6
#>   hotspot_count n_parcelles surface_totale C_mean B_mean P_mean
#>           <int>       <int>          <dbl>  <dbl>  <dbl>  <dbl>
#> 1             0           3           26.9   54.6   40.6   47.9
#> 2             1           6           64.8   59     39.1   34.8
#> 3             2           5           24.1   42.1   60.9   43.8
#> 4             3           6           20.3   69.9   60.5   52.7

Indice global multi-famille

# Créer un indice global pondéré
demo_norm <- demo_norm |>
  mutate(
    ecosystem_index = (
      family_C * 0.15 +  # Carbone
      family_B * 0.15 +  # Biodiversité
      family_W * 0.10 +  # Eau
      family_A * 0.05 +  # Air
      family_F * 0.05 +  # Fertilité
      family_L * 0.05 +  # Paysage
      family_T * 0.05 +  # Temporel
      family_R * 0.10 +  # Risques (résilience)
      family_S * 0.05 +  # Social
      family_P * 0.10 +  # Production
      family_E * 0.05 +  # Énergie
      family_N * 0.10    # Naturalité
    )
  )

# Carte de l'indice global
ggplot(demo_norm) +
  geom_sf(aes(fill = ecosystem_index), color = "white", linewidth = 0.3) +
  scale_fill_viridis_c(
    name = "Indice\nglobal",
    option = "D"
  ) +
  labs(
    title = "Indice de services écosystémiques global",
    subtitle = "Agrégation pondérée des 12 familles"
  ) +
  theme_minimal() +
  theme(
    axis.text = element_blank(),
    axis.ticks = element_blank()
  )

Distribution de l’indice global

ggplot(demo_norm |> st_drop_geometry(), aes(x = ecosystem_index)) +
  geom_histogram(bins = 10, fill = "#2E7D32", alpha = 0.7, color = "white") +
  geom_vline(
    aes(xintercept = mean(ecosystem_index)),
    color = "red",
    linetype = "dashed",
    linewidth = 1
  ) +
  annotate("text", x = mean(demo_norm$ecosystem_index) + 3, y = 4,
           label = sprintf("Moyenne: %.1f", mean(demo_norm$ecosystem_index)),
           color = "red", fontface = "bold") +
  labs(
    title = "Distribution de l'indice global",
    x = "Score (0-100)",
    y = "Nombre de parcelles"
  ) +
  theme_minimal()

Bonnes pratiques

Choix des indicateurs

Sélectionner les indicateurs pertinents pour les objectifs de gestion
Vérifier la disponibilité des données (rasters, vecteurs, attributs)
Éviter la redondance entre indicateurs d’une même famille

Normalisation

Utiliser min-max pour des scores comparables (0-100)
Inverser les indicateurs où faible = mieux (risques, fragmentation)
Documenter les seuils d’interprétation

Agrégation

Moyenne arithmétique : hypothèse de substituabilité
Moyenne géométrique : pénalise les faibles scores
Minimum : approche du facteur limitant
Pondération : refléter les priorités de gestion

Références

Guide de démarrage : vignette("getting-started_fr")
Analyse temporelle : vignette("temporal-analysis_fr")
Optimisation multi-critère : vignette("multi-criteria-optimization_fr")

Session Info

sessionInfo()
#> R version 4.5.2 (2025-10-31)
#> Platform: x86_64-pc-linux-gnu
#> Running under: Ubuntu 24.04.3 LTS
#> 
#> Matrix products: default
#> BLAS:   /usr/lib/x86_64-linux-gnu/openblas-pthread/libblas.so.3 
#> LAPACK: /usr/lib/x86_64-linux-gnu/openblas-pthread/libopenblasp-r0.3.26.so;  LAPACK version 3.12.0
#> 
#> locale:
#>  [1] LC_CTYPE=C.UTF-8       LC_NUMERIC=C           LC_TIME=C.UTF-8       
#>  [4] LC_COLLATE=C.UTF-8     LC_MONETARY=C.UTF-8    LC_MESSAGES=C.UTF-8   
#>  [7] LC_PAPER=C.UTF-8       LC_NAME=C              LC_ADDRESS=C          
#> [10] LC_TELEPHONE=C         LC_MEASUREMENT=C.UTF-8 LC_IDENTIFICATION=C   
#> 
#> time zone: UTC
#> tzcode source: system (glibc)
#> 
#> attached base packages:
#> [1] stats     graphics  grDevices utils     datasets  methods   base     
#> 
#> other attached packages:
#> [1] tidyr_1.3.2         sf_1.0-24           dplyr_1.2.0        
#> [4] ggplot2_4.0.2       nemeton_0.14.1.9000
#> 
#> loaded via a namespace (and not attached):
#>  [1] utf8_1.2.6         sass_0.4.10        generics_0.1.4     class_7.3-23      
#>  [5] KernSmooth_2.23-26 lattice_0.22-7     digest_0.6.39      magrittr_2.0.4    
#>  [9] evaluate_1.0.5     grid_4.5.2         RColorBrewer_1.1-3 fastmap_1.2.0     
#> [13] Matrix_1.7-4       jsonlite_2.0.0     e1071_1.7-17       DBI_1.2.3         
#> [17] promises_1.5.0     mgcv_1.9-3         purrr_1.2.1        viridisLite_0.4.3 
#> [21] scales_1.4.0       codetools_0.2-20   textshaping_1.0.4  jquerylib_0.1.4   
#> [25] cli_3.6.5          rlang_1.1.7        units_1.0-0        splines_4.5.2     
#> [29] withr_3.0.2        cachem_1.1.0       yaml_2.3.12        otel_0.2.0        
#> [33] tools_4.5.2        vctrs_0.7.1        R6_2.6.1           proxy_0.4-29      
#> [37] lifecycle_1.0.5    classInt_0.4-11    fs_1.6.6           htmlwidgets_1.6.4 
#> [41] ragg_1.5.0         pkgconfig_2.0.3    desc_1.4.3         pkgdown_2.2.0     
#> [45] terra_1.8-93       bslib_0.10.0       pillar_1.11.1      later_1.4.6       
#> [49] gtable_0.3.6       glue_1.8.0         Rcpp_1.1.1         systemfonts_1.3.1 
#> [53] xfun_0.56          tibble_3.3.1       tidyselect_1.2.1   knitr_1.51        
#> [57] farver_2.1.2       nlme_3.1-168       htmltools_0.5.9    labeling_0.4.3    
#> [61] rmarkdown_2.30     compiler_4.5.2     S7_0.2.1

Familles d'indicateurs - Référentiel complet

Pascal Obstétar

2026-02-19