4.4 - Optimisation de la construction de la carte. IFREMER des habitats marins

4 - Comment réalise-t-on une carte ? 233

3. Certains jeux de données se présentent sous forme de continuums non classifiés, alors que d’autres ont déjà subi une classification. Les modalités de classification ont une influence majeure sur le résultat final. Un grand nombre de classes peut refléter la complexité de l’environnement, mais un nombre excessif de classes complique le traitement des données sans pour autant permettre de bien définir les paysages marins. Un petit nombre de classes pertinentes est le plus susceptible de donner des types d’habitat significatifs. À l’heure actuelle, il n’y a aucune technique de classification communément admise, et les connaissances des scientifiques intervenant dans le processus jouent donc un rôle important.

4. Une fois classifiés et complétés par les métadonnées et attributs requis, les jeux de données sont ensuite combinés selon des techniques qui dépendent du type de données choisi. Le processus d’interrogation peut se dérouler dans un SIG ou

MS Access. Dans la couche de données ou la base de données composite qui en résulte, on peut élaborer des critères pratiques qui aideront à distinguer les types de paysage marin. Les principaux critères d’interrogation dépendent des jeux de profondeur photique, ...). L’analyse des jeux de données peut produire de nombreuses combinaisons différentes, qui se traduiront le cas échéant par des types différents de paysage marin.

5. Dans une dernière étape, il faut évaluer les paysages marins du point de vue de leur pertinence écologique. Cela est faisable au moyen d’une simple comparaison des paysages marins et de bases de données biologiques. Cependant, certains

habitats risquent d’être sur ou sous-représentés dans les échantillons, et une

évaluation objective est alors difficile à obtenir. Idéalement, les résultats devraient

être validés au regard des données de la campagne de terrain.

Pour une description détaillée des processus de cartographie des paysages marins, voir

Connor et al., (2006).

4.4 - Optimisation de la construction de la carte

La troisième étape de la production d’une carte d’habitats met l’accent sur l’intégration et la modélisation de données. Diverses stratégies peuvent être nécessaires pour intégrer les données de terrain et les couches physiques. L’objectif est de produire une couche

cartographique donnant la répartition des classes d’habitat. Comme pour les autres

étapes, les méthodes d’intégration des données biologiques de terrain et des couches physiques sont plus ou moins simples ou complexes selon le cas.

¾

Mise en correspondance des classes d’habitat biologiques et des couches physiques auxquelles elles sont superposées, puis regroupement des correspondances semblables. La construction d’un tableau à double entrée est la technique la plus couramment employée. Certains problèmes risquent de se poser, en grande partie liés à la répartition des points d’échantillonnage, qui est souvent biaisée en faveur d’habitats particuliers.

¾ Interprétation directe des habitats représentés par les images de sonar à balayage latéral, les images de rétrodiffusion acoustique, les modèles bathymétriques, ainsi que les photographies aériennes et satellitaires, en faisant appel aux connaissances et au jugement d’experts. Sur le littoral, il peut s’agir d’une interprétation directe sur le terrain de photographies aériennes, en marchant sur le rivage ou à l’aide de caméras sous-marines. Le catalogue M

ESH

des signatures d’habitat donne un aperçu des signatures connues de certains habitats.

L’utilisation de signatures peut être relativement fructueuse pour des territoires simples ou peu étendus, mais un grand territoire est plus susceptible de donner lieu à

234 4 - Comment réalise-t-on une carte ? des confusions quant à la répartition des biotes sur des structures similaires.

Certaines images pourraient devoir subir une reclassification après l’intégration aux données de terrain.

Schéma d’une approche de cartographie directe

¾ Modélisation statistique des habitats. La plupart des techniques statistiques disponibles se répartissent en sept catégories (Guisan et Zimmermann, 2000) : régression multiple et ses formes généralisées, techniques de classification, enveloppes environnementales, techniques d’ordination, méthodes bayésiennes, réseaux neuronaux, autres méthodes, y compris des méthodes mixtes. Le choix des méthodes dépend surtout de l’étendue et de la qualité des données. Des logiciels spécialisés et des compétences techniques de haut niveau peuvent être nécessaires.

4.4.1 - Correspondance entre classes d’habitat biologiques et couches physiques

Le principe de la mise en correspondance des classes d’habitat biologique et des

couches physiques à l’aide d’un tableau à double entrée est simple.

Données biologiques

Construction d’un tableau

à double entrée

Résultat

Données physiques

1

2

4

3

1

2

3

3

5

2

4 2

4

0

1

2

4

2

6

3

Construction d’un tableau à double entrée de données biologiques et physiques

Les données biologiques sont réparties en catégories selon l’endroit où elles se situent sur la carte de la couche physique. Après un classement des données par ordre de fréquence, les catégories de la couche physique sont mises en correspondance avec l’habitat biologique dominant. Cette technique pose toutefois un certain nombre de problèmes :

– souvent, certains habitats sont échantillonnés plus fréquemment que d’autres (p. ex. les plongeurs échantillonnent les habitats rocheux davantage que les habitats sableux), et les fréquences peuvent devoir être corrigées ;

– avec l’augmentation du nombre de catégories des couches physiques dans le tableau

à double entrée, les fréquences dans chaque catégorie diminuent – le cas échéant jusqu’au point où elles n’ont pas beaucoup de signification. Cela est particulièrement vrai dans le cas des catégories éloignées (au large des côtes, zones de grand fond) ;

– La carte montre toujours l’habitat dominant, avec pour conséquence que les habitats rares mais importants n’y figurent jamais. C’est notamment le cas des cartes à faible

résolution (p. ex. 250 m par pixel), où les habitats sont fondus sur le plan spatial.

4 - Comment réalise-t-on une carte ? 235

Cette technique convient donc davantage à la construction de cartes indicatives à échelle très globale, où l’on peut se contenter d’une approche rudimentaire (p. ex. cartes de paysages marins).

4.4.2 - Cartographie directe

4.4.2.1 Interprétation directe et reclassification d’images

En zone intertidale, l’interprète peut aller sur le terrain pour observer directement les faciès et les comparer à leur aspect sur les images obtenues. Il se fait ainsi facilement une idée de la « signature » des caractéristiques observées. (Noter que dans ce contexte, une signature indique une relation entre les caractéristiques d’habitat observées directement et les structures des couches physiques. Dans le cas d’une classification

supervisée, le terme signature a une signification statistique plus rigoureuse.) En général, les données sur ces signatures sont plutôt abondantes, car les campagnes de terrain en zone intertidale ne font pas l’objet de trop de contraintes et permettent d’obtenir des signatures fines avec un haut degré de qualité. En zone subtidale, l’observation directe pose davantage de difficultés, et il est moins facile d’obtenir des signatures fiables.

Il est possible d’interpréter directement des images de sonar à balayage latéral quant aux caractéristiques physiques des habitats (sédiments, figures sédimentaires, topographie) avec un minimum d’observation directe, puis de les réinterpréter en sachant quelles

biocénoses sont hébergées. Par exemple, des images de sonar à balayage latéral peuvent avoir été interprétées avant leur intégration quant aux figures sédimentaires et aux types de sédiment, et nécessiter une reclassification. Les correspondances entre données de terrain biologiques et couches physiques peuvent être établies par observation directe. On suppose ensuite que des structures semblables hébergent les mêmes biotes. Si l’on incorpore d’autres couches, par exemple les courbes de niveau et la pente, on peut alors subdiviser les substrats par zone de profondeur, etc., ce qui impose des contraintes supplémentaires aux liens entre structures physiques et biotes, et donc améliore la carte finale. Cela peut fonctionner relativement bien pour des territoires simples ou peu étendus, mais un grand territoire est plus susceptible de donner lieu à des confusions quant à la répartition des biotes sur des modèles similaires de rétrodiffusion.

L’interprétation d’images de télédétection d’habitats benthiques consiste à établir des correspondances entre d’une part l’expression des types de structure sur les images, et d’autre part la réalité sur le terrain, autrement dit de rechercher les signatures des faciès ou des habitats.

Les signatures peuvent varier pour un faciès ou un type de terrain donné. Elles dépendent de facteurs naturels qui les rendent différentes pour l’observateur même si elles correspondent clairement à une classe précise. De subtiles nuances de couleur dans la composition d’un faciès peuvent modifier considérablement leur aspect à la télédétection.

Par exemple, la présence d’une microflore recouvrant un sable vaseux peut modifier son aspect sur une photographie aérienne. Les cartographes mettent à profit leurs connaissances et leur expérience pour tenir compte de cette variabilité.

Un exemple de ce phénomène est celui de la baie de Concarneau, en France, où l’on a observé une texture « de peau d’orange » formée de petits cratères, faciès spectaculaire jamais mis en évidence dans les études antérieures de cette baie. Ce genre de figure

sédimentaire se voit généralement à de plus grandes profondeurs, mais est très inhabituel ici. Les nombreux échantillons prélevés de ce faciès étaient formés d’une vase compacte avec en surface des communautés très concentrées de Haploops.

236 4 - Comment réalise-t-on une carte ?

Photographie montrant un cratère de petite taille (« pockmark »)

Image de sonar à balayage latéral de zones de texture de peau d’orange dans la baie de Concarneau. La

classe

E

UNIS

est « vase sableuse ». La description est

« faciès gris clair avec des cratères ».

Ces signatures sont ensuite utilisables dans une classification automatisée ou une

interprétation manuelle directe, selon la méthode choisie par l’interprète. La qualité de l’interprétation est en relation directe avec la qualité de ces signatures.

4.4.2.2 - Catalogue de signatures d'habitat

Le manque de signatures obtenues directement lors d’une campagne de terrain peut être compensé dans une certaine mesure par le recours à des « signatures antérieures » recueillies par d’autres opérateurs de terrain. L’équipe du projet M

ESH

a reconnu que les nombreux exemples recueillis par ses partenaires ont une valeur qui va au-delà du projet lui-même, et qu’ils méritent d’être compilés et mis à la disposition de la collectivité. La valeur d’un tel catalogue est d’autant plus grande qu’il reflète une diversité de techniques, de conditions d’acquisition et de lieux géographiques. Ce n’est qu’en examinant un grand nombre de cas qu’un interprète est susceptible de trouver une signature identique à celle qu’il étudie et pouvant l’aider dans son interprétation. Lorsque l’on met sur pied un catalogue, il est donc conseillé de ne pas limiter le nombre d’occurrences. De plus, il faut consigner avec soin les métadonnées des signatures, afin que les utilisateurs soient bien informés des conditions dans lesquelles elles ont été recueillies.

Le catalogue M

ESH

des signatures d’habitat

Au départ, un certain nombre d’habitats (voir le tableau) ont été identifiés par les partenaires du projet M

ESH

. Seuls les habitats ayant une signature manifeste à la télédétection ont été retenus. Ces habitats appartiennent à divers niveaux de la typologie

E

UNIS

: en général, il s’agit de niveaux élevés de la hiérarchie, puisque ce sont des facteurs abiotiques qui déterminent les signatures. Par exemple, un milieu de « sable fin » englobe de nombreux types d’habitat de niveau inférieur dans la typologie. Par contre, certaines signatures correspondent à des habitats de niveau inférieur, où l’endofaune

(sédiments meubles) ou la flore (substrats rocheux) ont une forte influence sur l’aspect extérieur de l’habitat.

Il a fallu d’abord décrire formellement tous les habitats au moyen d’un résumé et de motsclés. Voir plus loin l’exemple des bancs de moules. Vient ensuite pour chaque habitat une liste de blocs d’occurrences de cet habitat. Chaque bloc contient toutes les signatures

4 - Comment réalise-t-on une carte ? 237 recueillies à l’aide de diverses techniques de télédétection en un lieu donné. Voir l’exemple des Abers, en Bretagne, où l’on voit des images d’herbiers de phanérogames marines acquises par photographie aérienne, sonar à balayage latéral, lidar hydrographique et photographies sur le terrain. Chaque signature contient également des

métadonnées qui décrivent dans quelles conditions elle a été recueillie.

L’emplacement géographique de chaque bloc figure en mortaise. Le catalogue est en outre relié dynamiquement au SIG webGIS de M

ESH

, de telle sorte qu’à tout moment, un utilisateur qui consulte une carte d’habitats peut voir instantanément une signature recueillie dans le même secteur. Le catalogue M

ESH

des signatures d’habitat est accessible en ligne.

Ce catalogue est conçu comme un outil évolutif et tout utilisateur devrait être un contributeur. D’autres signatures sont les bienvenues, à condition qu’elles illustrent divers aspects des habitats. Un manuel d’instructions explique comment alimenter ou consulter le catalogue.

Habitats

énumérés dans le catalogue M

ESH

des signatures d’habitat

Exemple de description d’habitat (banc de moules)

238 4 - Comment réalise-t-on une carte ?

Trois signatures d’herbiers de phanérogames marines en zone de petit fond, obtenues par photographie aérienne, lidar et sonar à balayage latéral, et trois photographies prises sur le terrain

(Les Abers, Bretagne)

4.4.3 - Modélisation statistique

De nombreuses techniques statistiques permettent de modéliser des habitats. Guisan et

Zimmermann (2000) donnent un excellent aperçu des techniques statistiques de modélisation servant à prédire une répartition d’habitats. La plupart des techniques statistiques disponibles se répartissent en sept catégories : régression multiple et ses formes généralisées, techniques de classification, enveloppes environnementales, techniques d’ordination, méthodes bayésiennes, réseaux neuronaux, autres méthodes, y compris des méthodes mixtes. On trouve également un bon aperçu des techniques statistiques dans le contexte de la modélisation des habitats.

Dans certains cas, ces techniques permettent d’élaborer des modèles d’adéquation des milieux physiques (MAMP) dont le but principal est de définir de manière quantitative la niche écologique d’une espèce. Un MAMP permet d’affecter à chaque lieu une probabilité d’occurrence d’un habitat, en fonction des variables environnementales locales. De plus, un tel modèle peut servir à construire des cartes à couverture totale de répartition des espèces.

Pour produire ces cartes, on introduit dans le modèle des cartes à couverture totale pour chaque variable environnementale. Le modèle prédit la probabilité d’occurrence des espèces pour chaque pixel. De plus, la modélisation permet d’évaluer la niche écologique d’une espèce d’une manière plus quantitative et donne une probabilité d’occurrence pour chaque combinaison de variables.

Les principales approches statistiques de la modélisation se répartissent en sept catégories :

1. Régression généralisée

Les techniques de régression consistent à relier une variable dépendante à un ou plusieurs prédicteurs environnementaux ou variables explicatives. La régression classique par la méthode des moindres carrés n’est valable que lorsque la variable dépendante a une distribution normale. Les modèles linéaires généralisés permettent de traiter divers types de distribution, notamment gaussienne, binomiale, Gamma ou de Poisson. Une régression par la méthode des moindres carrés peut prédire des valeurs impossibles

4 - Comment réalise-t-on une carte ? 239 telles que des valeurs négatives ou des probabilités supérieures à 100 %, alors que toutes les prédictions données par les modèles linéaires généralisés se situent dans les limites des valeurs observées (p. ex. probabilité d’occurrence d’une espèce comprise entre 0 et 1). Trois documents donnent des exemples d’utilisation de techniques de régression pour la modélisation d’habitats :.

WE_Ifremer_predictive_modelling_seaweeds.pdf

Habitat_suitability_modelling_M

ESH

.pdf

Maerl regression.pdf

2. Techniques de classification

La classification regroupe un grand nombre de techniques, qui visent à affecter une certaine classe de la variable dépendante à chaque combinaison des variables prédictives environnementales. Parmi ces techniques, mentionnons les arbres de

classification et de régression, la classification à base de règles et la classification par maximum de vraisemblance.

Déduction de signatures statistiques à partir d’échantillons

Dans le domaine de la classification d’images (p. ex. images satellitaires), on utilise souvent la classification supervisée ou non supervisée. Dans le cas de la classification

supervisée, le logiciel délimite certaines classes à partir de données statistiquement

(Eastman, 1999). La forme la plus répandue de classification supervisée est la

classification par maximum de vraisemblance (voir par exemple le fichier ENV CS05

Maximum Likelihood Classification of AGDS Data.pdf

).

On peut appliquer la classification supervisée directement sur les données biologiques de terrain, sans passer par une interprétation du type de sédiment. D’une certaine manière, l’intégration des couches physiques et des biotes se fait en une seule étape. Cela fonctionne bien pour de petits territoires, mais le risque de confusion des signatures entre différents habitats augmente avec l’étendue du territoire. Par contre, on peut raffiner la

classification supervisée en restreignant la répartition prédite des habitats par l’utilisation d’images existantes de probabilités, fondées sur ce que l’on connaît des tendances générales de la répartition des habitats (voir par exemple le fichier ENV CS09 Prior

Probability Classification.pdf

).

La classification non supervisée fait appel à un logiciel de groupement pour classifier une image sans recourir à des sites d’apprentissage. La segmentation est une forme de

classification non supervisée qui consiste à regrouper en segments des pixels adjacents

240 4 - Comment réalise-t-on une carte ? qui ont des valeurs semblables. On peut faire appel à cette technique au cours des levés pour obtenir une interprétation rapide des données de télédétection, mais on l’utilise rarement pour l’analyse finale des données.

3. Enveloppes environnementales

L’enveloppe environnementale d’une espèce est définie comme l’ensemble des milieux dans lesquels on croit que cette espèce peut persister parce que ses besoins environnementaux y sont satisfaits (Walker et Cocks, 1991). De nombreux modèles à

grande échelle de végétation ou d’espèces sont fondés sur des techniques d’enveloppe environnementale.

4. Techniques d’ordination

Le terme ordination a été introduit par Goodall (1954) pour désigner des méthodes qui organisent des échantillons ou des espèces selon un ordre multidimensionnel.

Un exemple bien connu de technique d’ordination est celui de l’analyse des composantes principales (ACP). Il s’agit d’une technique linéaire de diminution du nombre de dimensions, qui consiste à identifier les directions orthogonales de variance maximale dans les données originales et à projeter ces données dans un espace comportant moins de dimensions, défini par les variables qui présentent la plus grande variance (Bishop,

1995).

La plupart des modèles d’habitats qui prédisent la répartition d’espèces ou de biocénoses à l’aide de techniques d’ordination sont fondés sur l’analyse canonique des correspondances

(ACC). Dans cette analyse directe des gradients, les principaux axes d’ordination sont forcément une combinaison linéaire de descripteurs environnementaux (ter Braak, 1988).

5. Méthodes bayésiennes

Les modèles fondés sur les statistiques bayésiennes combinent les probabilités a priori d’observer des espèces ou des biocénoses avec leurs probabilités d’occurrence selon la valeur de chaque prédicteur environnemental (Guisan et Zimmermann, 2000).

6. Réseaux neuronaux

Les réseaux neuronaux (artificiels) sont des techniques analytiques qui reposent sur les processus supposés d’apprentissage du système cognitif et sur les fonctions neurologiques du cerveau. Ils permettent de prédire de nouvelles observations (des mêmes variables ou d’autres variables) après l’exécution d’un processus d’apprentissage

à partir de données existantes (voir une définition des réseaux neuronaux ). Les réseaux neuronaux ne sont pas souvent utilisés pour modéliser la répartition d’habitats, mais on en trouve un exemple dans le fichier ci-dessous.

7. Autres méthodes

Parmi les autres méthodes, mentionnons des modèles simples inclus dans des SIG, par exemple la superposition de variables environnementales et de données sur la présence ou l’absence d’espèces.

Une autre de ces méthodes est l’analyse discriminante, qui sert à déterminer les variables permettant de distinguer deux ou plusieurs groupes naturels. On l’utilise pour la vérification d’hypothèses ou comme méthode exploratoire (voir une définition de l'analyse discriminante ). Un exemple d’utilisation de l’analyse discriminante est donné dans le fichier

WE_UGent_Habitatsuitability_E

UNIS

.pdf

.

4 - Comment réalise-t-on une carte ? 241

Classification supervisée à l’aide d’outils de traitement d’images

Principes

La classification par maximum de vraisemblance est une technique bien établie d’interprétation des images de télédétection aéroportée ou satellitaire. Des logiciels perfectionnés offrent une gamme d’outils évolués qui couvrent tous les aspects du traitement des images. Les principes de cette technique sont très simples :

Schéma d’une classification supervisée à l’aide d’outils de traitement d’images

La classification supervisée est un outil de modélisation centré sur des données

(empirique) parce que ce processus déduit des relations statistiques entre les variables en entrée et les habitats identifiés sur le terrain.

Une image traditionnelle est le résultat de la détection de la lumière ambiante réfléchie (à l’intérieur et au voisinage du spectre visible). La réponse spectrale dépend de la nature des objets sur lesquels la lumière est réfléchie, et sert à créer une signature caractéristique de chaque type d’habitat. Le site d’apprentissage est analogue à un emporte-pièce qui traverse toutes les couches spectrales de l’image et extrait pour chacune les valeurs qui servent à définir la signature des types d’habitat. Cette signature prend la forme d’une distribution de probabilités dans un nombre n de dimensions égal au nombre d’images en entrée. La distribution de probabilités est calculée à partir de l’estimation du maximum de vraisemblance. Chaque type d’habitat possède sa propre signature, et toutes les signatures sont regroupées dans un catalogue de signatures d’habitat.

Toute l’image (en réalité un ensemble d’images, à raison d’une par couche spectrale) est ensuite examinée au regard de ces signatures. Les valeurs spectrales de chaque pixel

(une valeur par couche spectrale) sont comparées au catalogue de signatures, et chaque

pixel se voit attribuer une probabilité d’appartenance à chaque type d’habitat selon sa position dans la distribution de probabilités à n dimensions.

En général, chaque pixel de l’image se voit attribuer le type d’habitat pour laquelle la

probabilité est la plus élevée. Cette règle de décision est qualifiée de « nette » ou

« dure », car elle ne tient pas compte de l’incertitude. Par contre, il est possible d’utiliser autrement les probabilités pour créer des cartes qui reflètent l’incertitude de la

classification (classification « floue »).

242 4 - Comment réalise-t-on une carte ?

Utilisations

La classification supervisée a été mise au point pour le traitement d’images satellitaires, où on l’utilise dans la classification des couches spectrales. Cependant, on peut aussi l’appliquer à d’autres formes de télédétection. On l’utilise pour la classification des données interpolées de réflectance acoustique, par exemple les valeurs données par un

SACLAF. On peut aussi s’en servir avec une combinaison de différentes formes de données, pas seulement des valeurs spectrales. Par exemple, une classification

supervisée peut combiner des données sur la réflectance, la profondeur (ou l’altitude), la

variabilité, etc. Même si de nombreuses variables risquent d’avoir des corrélations entre elles, la classification supervisée est un outil très souple et robuste du point de vue statistique.

Par contre, pour que cet outil fonctionne bien, les images doivent être libres de toute distorsion. Cela est souvent difficile à obtenir lorsque le degré de distorsion varie d’un endroit à l’autre d’une image. La distorsion ailleurs qu’au nadir (le point situé directement sous l’instrument de télédétection) pose un problème particulier pour de nombreux systèmes acoustiques. Elle est particulièrement manifeste lorsque l’on construit une image par assemblage de bandes.

L’un des inconvénients de cette méthode centrée sur des données vient du fait que les signatures, qui représentent les liens entre les variables et les types d’habitat, sont largement invisibles pour les utilisateurs et ne sont pas facilement exportables vers d’autres images. Même s’il est possible d’exporter des signatures, il faut le plus souvent interpréter chaque levé indépendamment des levés précédents. Pour combiner des levés, on se contente souvent de superposer les cartes, de rechercher « à l’œil » les concordances, puis de faire les opérations d’édition qui s’imposent.

Il est toutefois possible d’utiliser les probabilités sous-jacentes d’une manière plus sophistiquée et de surmonter les limites apparentes de la classification supervisée.

Voici un exemple de classification supervisée nette et d’une classification floue de la même région du Loch Maddy, en Écosse, à partir des mêmes données d’un SACLAF et des mêmes données de terrain. La méthode floue a grandement amélioré la valeur

prédictive de la carte, peut-être au prix d’une moins grande facilité de lecture et d’utilisation.

4 - Comment réalise-t-on une carte ? 243

Classification supervisée

fondée sur les données d’un SACLAF. Les données brutes ont été interpolées dans Surfer

MC

, puis classifiées à l’aide d’Idrisi

MC

.

4.4.4 - Exemples de construction de carte

La stratégie de cartographie et les concepts de carte à échelle globale, fine ou

intermédiaire ont été présentés à la section 4.1 « Choix d’une stratégie de cartographie ».

On présente ici quelques exemples de chaque type de carte. Les différences entre

échelle globale et échelle fine sont perceptibles à toutes les étapes du processus de

cartographie :

– le traitement des données biologiques répond au besoin de réduire de manière significative la diversité des données, ou d’avoir un jeu cohérent de données correspondant directement à une typologie ;

244 4 - Comment réalise-t-on une carte ?

– les couches physiques sont déduites de plusieurs sources, ou acquises au cours d’un levé ;

– l’intégration des données est plutôt simple, ou fait appel à une analyse statistique sophistiquée ;

– la carte finale montre une gamme d’habitats ou de probabilités, ou un maximum de détails à l’échelle d’une espèce ou d’une biocénose.

4.4.4.1 - Exemples de cartes à échelle globale de grands territoires

Étude de la Highland Shellfish Management Organisation pour les eaux côtières de l’Écosse

Cette étude de cas présente les résultats d’un projet de SIG « descendant » mené pour aider la Highland Shellfish Management Organisation (HSMO) dans sa révision de la gestion des pêches côtières ( Highland Shellfish Management.pdf

). Un SIG a été élaboré à partir des données sur la géographie physique, l’environnement, les habitats, les ressources et l’effort de pêche des mollusques et crustacés, les infrastructures et les intérêts en matière de conservation. Ce SIG visait à aider la HSMO dans son rôle de gestion en lui procurant un aperçu environnemental général du territoire, des caractéristiques de son patrimoine naturel et des interactions entre les pêcheries et ces caractéristiques. À partir de nombreuses sources de données, on a construit une carte des habitats.

Des données manquant de précision spatiale ont posé des difficultés, et la couverture de la région du Highland était médiocre. La modélisation de l’exposition n’était pas sophistiquée, et les classes d’exposition n’étaient pas définies avec exactitude. L’étude de cas donne néanmoins une analyse significative à l’échelle globale, qui permet par exemple de prédire avec succès les zones d’antagonisme de types de pêcheries. D’un point de vue de gestion, ces SIG peuvent aider à définir les priorités et à bien affecter les ressources à l’échelon régional. Le principal atout du système est l’utilisation efficace des données existantes. Il a également la capacité d’appuyer des évaluations environnementales stratégiques et des études d’impact sur l’environnement, et peut contribuer à faciliter une gestion intégrée.

4 - Comment réalise-t-on une carte ? 245

Carte

des habitats des eaux côtières de l’Écosse. Cette carte a été élaborée à partir de couches de données sur les substrats, la bathymétrie, l’exposition ainsi que des données physiographiques, combinées avec des données biologiques de terrain (Envision Ltd).

Modélisation du territoire du projet M

ESH

à partir de triplets E

UNIS

Le projet M

ESH

a adopté E

UNIS

comme typologie standard de présentation des cartes d’habitats. Puisque la couverture de cartes détaillées est relativement limitée, une approche à échelle plus globale a également été adoptée pour prédire la répartition des

habitats de la typologie E

UNIS

dans l’ensemble du territoire du projet M

ESH

(nord-ouest de l’Europe).

Étant donné l’étendue de ce territoire (cinq pays) et le besoin de couches à couverture totale en entrée de la modélisation, celle-ci a dû être restreinte à un niveau global de la

typologie E

UNIS

(niveau 3 ou 4, sans données biologiques) et à l’utilisation des trois

couches suivantes de données :

– le substrat ;

– la zone de profondeur (à partir de la bathymétrie, de la pénétration de la lumière et du niveau de base des vagues) ;

246 4 - Comment réalise-t-on une carte ?

Les couches de données nécessaires ont été fournies par des jeux de données ou des

modèles couvrant le territoire du projet M

ESH

(bathymétrie, pénétration de la lumière, niveau de base des vagues, tensions de cisaillement), ou en intégrant des données provenant d’un certain nombre de sources nationales (substrat). Chaque couche de données a été catégorisée selon les classes de la typologie E

UNIS

(p. ex. les tensions de

cisaillement sont fortes, modérées ou faibles) et converties en une grille vectorielle à pas d’environ un mille marin.

Chaque combinaison des trois couches de données a été mise en correspondance avec une classe d’habitat de la typologie E

UNIS

(p. ex. substrat rocheux + zone photique +

tensions de cisaillement élevées = classe E

UNIS

A3.1). En analysant les données de chaque cellule dans MS Access, on a pu produire une carte donnant une prédiction de la répartition des classes de la typologie E

UNIS

. Le fichier Worked Example - M

ESH

E

UNIS

Model.pdf

contient plus de détails sur le modèle E

UNIS

élaboré dans le cadre du projet

M

ESH

.

Même si de telles prédictions des classes de la typologie E

UNIS

ne remplacent pas les programmes de cartographie des habitats réalisés à l’aide de techniques plus traditionnelles, elles sont utiles du fait qu’elles fournissent une certaine information sur les zones non encore cartographiées, en particulier au large des côtes. Elles peuvent

également mettre en lumière des zones possibles d’hétérogénéité des habitats ou des zones possibles d’habitats rares auxquelles de futurs programmes de cartographie devraient s’intéresser.

La résolution de ce genre de modèle est principalement limitée par la résolution des divers jeux de données utilisés. Ces modèles sont également limités par la difficulté à obtenir des jeux de données physiques à couverture totale, par exemple pour l’exposition aux vagues.

4 - Comment réalise-t-on une carte ? 247

Carte

de prédiction de la répartition des

classes

d’habitat de la typologie E

UNIS dans le territoire du projet M

ESH

Le projet UKSeaMap

Le projet UKSeaMap (Connor et al., 2006 ; UKSeaMap_FinalReportJan2007.pdf

) a adopté une approche généralement semblable à celle du projet des triplets E

UNIS

, faisant appel à un ensemble similaire de données physiques (le plus souvent les mêmes) ramenées à une grille vectorielle pour modéliser la répartition à échelle globale des

habitats des eaux du Royaume-Uni. Par contre, étant donné qu’E

UNIS

n’inclut aucun

élément topographique dans la classification du fond de la mer, le projet UKSeaMap a cherché à produire une carte des paysages marins davantage fondée sur la topographie, susceptible d’être mieux adaptée aux besoins régionaux et nationaux en matière de planification et de gestion.

Cette carte à échelle globale des « paysages marins » a été élaborée dans le cadre du projet UKSeaMap en combinant les trois éléments suivants :

– un ensemble de caractéristiques relatives à la topographie et aux figures sédimentaires

(p. ex. aiguilles, bancs, cuvettes, buttes), identifiées par leur forme et leur pente à partir de données bathymétriques ;

248 4 - Comment réalise-t-on une carte ?

– un ensemble de caractéristiques physiographiques du littoral (p. ex. baies, estuaires, lagunes, fjords), identifiées par la forme du littoral, la topographie et le profil de salinité ;

– un ensemble de caractéristiques globales d’habitat (p. ex. vasière), identifiées par modélisation de paramètres d’habitat afin de déterminer des types généraux d’habitat

équivalents aux classes de la typologie E

UNIS

.

La modélisation à échelle globale effectuée dans le cadre du projet UKSeaMap présente certains avantages par rapport à l’approche des triplets E

UNIS

. Premièrement, les utilisateurs comprennent facilement les caractéristiques topographiques et côtières cartographiées, en particulier du fait que plusieurs d’entre elles sont identiques aux caractéristiques qui, selon la directive 92/43 de la CE concernant les habitats naturels et la Commission OSPAR, ont besoin de protection et sont donc importants du point de vue de la gestion et des politiques. En second lieu, la modélisation des caractéristiques des

habitats s’est faite suivant une approche plus souple que dans le cas de la typologie

E

UNIS

, afin de produire des cartes tantôt plus globales (structures rocheuses du littoral), tantôt plus fines (structures sédimentaires au large des côtes) convenant mieux à l’échelle du territoire cartographié et aux besoins des utilisateurs.

4 - Comment réalise-t-on une carte ? 249

250 4 - Comment réalise-t-on une carte ?

Dans le cadre du projet M

ESH

, d’autres cartes de paysages marins ont été produites pour les eaux belges ( UGent Marine Landscapes BCS.pdf

), néerlandaises

( Dutch_Marine_landscape_Map.pdf

) et françaises. Les méthodes employées ont été adaptées de diverses manières selon la finalité des cartes et les données disponibles.

Même si la cartographie de paysages marins se fait généralement à échelle globale, c’est la résolution des données qui a déterminé l’échelle du rendu cartographique.

4.4.4.2 - Exemples de cartes à échelle fine de petits territoires

Détection d’huîtres et de moules dans les estuaires et les wadden des Pays-Bas

On a utilisé le sonar à balayage latéral pour la cartographie et le suivi des mollusques dans les zones de très petit fond des estuaires et wadden des Pays-Bas (voir le fichier

WE_TNO_SSS_oysters_mussels.doc

). En vue de faire une estimation quantitative de la densité de mollusques, on a d’abord procédé au filtrage des données et au traçage automatique de contours. Cette estimation repose sur un décompte du nombre de pics de rétrodiffusion. Cela peut se faire au moyen d’un recensement par unité de surface. Les

cartes tirées de ce recensement se prêtent au tracé automatique de contours qui peuvent servir à délimiter les bancs de mollusques et à accentuer leurs structures. On a comparé les résultats de ce processus aux images optiques affichées dans Google Earth.

Images optique et acoustique d’un banc de moules dense et d’espaces ouverts (TNO)

Cartes

des biocénoses et espèces macrobenthiques de la partie belge de la mer du Nord

Pour obtenir ces cartes à échelle fine et à couverture totale des biocénoses et espèces macrobenthiques, on a levé des zones choisies de la partie belge de la mer du Nord avec un sonar à balayage latéral à très haute résolution. La prochaine figure montre un exemple (5 km × 5 km) des Bancs côtiers occidentaux, une zone très diversifiée sur les plans géomorphologique et sédimentologique, où la profondeur de l’eau va de 0 à 15 m

(MLLWS – limite inférieure moyenne des basses eaux de printemps) (Degraer et al.,

2002). On a prélevé de nombreux échantillons sédimentologiques et biologiques, et mesuré des paramètres physico-chimiques supplémentaires. La figure montre une

interprétation détaillée des images de sonar à balayage latéral. On a délimité les faciès acoustiques en fonction de leur réflectivité, de leur texture et de leurs motifs (Van Lancker

et al., 2001), puis on les a interprétés quant à la compacité et à la répartition des sédiments. Cela a permis d’établir des liens avec les habitats préférentiels des quatre principales biocénoses macrobenthiques présentes dans la partie belge de la mer du

Nord :

Macoma balthica

Abra alba – Mysella bidentata

Nepthys cirrosa

Ophelia limacina

4 - Comment réalise-t-on une carte ? 251

Ces biocénoses sont présentes dans la gamme de terrains comprenant les sables vaseux, les sables fins à moyens contenant de la vase, les sables fins à moyens bien triés et les sables moyens à grossiers. Le fond de la figure est une carte de probabilités de la présence ou de l’absence du Polychète tubicole Lanice conchilega. Les résultats du

modèle prédictif, sur une grille à pas de 250 m, ont été obtenus à l’aide de réseaux neuronaux artificiels (Willems et al., à paraître). Dans le faciès orangé, on distingue souvent des motifs inégaux, à la rétrodiffusion légèrement plus élevée, liés à la présence de colonies denses de L. conchilega.

Carte

des biocénoses macrobenthiques des Bancs côtiers occidentaux, établie à partir de la délimitation des faciès acoustiques (mars 2000). Les points d’échantillonnage indiquent la densité du

Polychète tubicole Lanice conchilega. Le fond est une carte de probabilités de la présence (en vert) ou de l’absence (en bleu) de cette espèce. Le faciès orangé correspond à la présence probable de la

biocénose

Abra alba – Mysella bidentata, dont L. conchilega est l’espèce clé (Université de Gand).

4.4.4.3 - Exemples de cartes à échelle intermédiaire

Cartes de répartition des probabilités de la présence de biocénoses macrobenthiques dans la partie belge de la mer du Nord

Des cartes de répartition des probabilités de la présence de biocénoses macrobenthiques ont été produites pour toute la partie belge de la mer du Nord (voir le fichier

WE_UGent_Habitatsuitability_E

UNIS

.pdf

) à partir de bases de données biologiques et sédimentologiques. Un modèle des habitats, fondé sur des analyses discriminantes, a été

élaboré à partir de données biologiques portant sur les espèces et les facteurs environnementaux. Les paramètres les plus pertinents étaient la taille moyenne des grains et le pourcentage de silt ou d’argile. Ces variables ont été modélisées sur une grille

à pas de 250 m à l’aide d’outils géostatistiques avancés. Le modèle des habitats a été appliqué sur les jeux de données dans un SIG. On a construit des cartes de probabilités des 4 biocénoses macrobenthiques, puis on les a traduites en une carte E

UNIS

. À l’heure actuelle, on ne peut pas attribuer une classe E

UNIS

à toutes les biocénoses macrobenthiques. La validation écologique a été un très grand succès.

252 4 - Comment réalise-t-on une carte ?

Types d’habitat E

UNIS

provisoires définis pour le plateau continental belge (Université de Gand)

Cartographie des habitats E

UNIS

dans l’archipel de Glénan

L’archipel de Glénan est connu pour sa structure géomorphologique exceptionnelle et la grande diversité de ses habitats benthiques. Ce secteur a fait l’objet de nombreuses

études, dont plusieurs sont spécialisées et indépendantes. Cet archipel constitue un territoire optimal pour la cartographie générale des habitats benthiques à partir de données de plusieurs sources ( Glenan Archipelago Case Study.pdf

). Un grand nombre d’habitats remarquables sont situés dans l’archipel de Glénan. Il y a de grands bancs de maërl au centre et dans la partie nord-est de l’archipel. Des herbiers de Zostera marina constituent le principal habitat dans le centre du secteur. Au sud-ouest des îles principales, se trouve un grand replat rocheux, surtout colonisé par de grandes algues comme des Laminaires. Enfin, dans la zone intertidale, même si leur surface est limitée, il y a de grandes ceintures de Fucales et de grandes zones couvertes de champs de blocs particulièrement riches en nombre d’espèces.

Les données de base étaient constituées d’orthophotographies de la zone intertidale et des zones de petit fond (la visibilité étant généralement inférieure à 10 m), de la carte sédimentologique G du SHOM, modifiée par photo-interprétation pour les petits fonds, ainsi que des observations effectuées en plongée hyperbare dans les zones plus profondes. Des échantillons ont été prélevés pour des analyses granulométriques.

Parfois, la classe granulométrique a fait l’objet d’une estimation visuelle. Les orthophotographies aériennes (d’une limite de résolution de 1 m) ont fait l’objet d’un traitement d’images, puis d’une classification non supervisée. Les données de terrain ont ensuite servi à affecter à chaque pixel de l’image un type d’habitat selon sa signature spectrale. Les autres levés ont consisté en un lidar hydrographique et en un sonar à balayage latéral à très haute résolution, validés par des prélèvements à la benne et des images vidéo. Les habitats ont été décrits en E

UNIS

et « Life Forms ». Ce cas d’étude a

été particulièrement propice pour révéler l’inadéquation de la mise en application directe d’E

UNIS

, avec les interprétations issues de la télédétection

4 - Comment réalise-t-on une carte ? 253

254 4 - Comment réalise-t-on une carte ?

Caractérisation des habitats, chenal de Bristol

L’étude des habitats marins de la partie ouest du chenal de Bristol (Mackie et al., 2006) portait sur la biologie et la géologie du fond de la mer dans une région ayant un fort potentiel d’exploitation de granulats marins. La répartition de l’endofaune était surtout en corrélation avec la profondeur et cinq paramètres relatifs aux sédiments. La carte des

habitats a résulté d’une analyse semi-quantitative de groupement portant sur l’endofaune et l’épifaune, ajustée au regard de la carte des structures du fond et des figures

sédimentaires. Les trois principaux habitats de l’endofaune selon la typologie E

UNIS

étaient A5.242 (SS.SSa.ImuSa.FfabMag) dans la baie de Carmarthen, contenant surtout des sables fins, E

UNIS

A5.124 (Biomar SS.SCS.ICS.HeloMsim) dans les grandes dunes hydrauliques des NOBel Sands, et E

UNIS

A5.132 (Biomar SS.SCS.CCS.MedLumVen) dans les sédiments surtout graveleux des SOBel Sands au sud. Dans de nombreuses zones, plusieurs habitats étaient simultanément présents, et les habitats de l’épifaune

A5.232 et A5.444 (Hydraires) et A5.611 (Sabellaria spinulosa) se superposaient, en particulier sur les sédiments graveleux plus stables. Les habitats étaient définis selon la

typologie E

UNIS

ou la typologie marine du JNCC .

La carte des habitats est surtout fondée sur les données biologiques à chaque station

d’échantillonnage, ajustées selon une carte à couverture totale des structures du fond. Cette dernière a été construite à partir d’images de sonar à balayage latéral et de sondage multifaisceaux, validées par des prélèvements d’échantillons et des images vidéo.

La cartographie du chenal de Bristol est décrite et illustrée dans Mackie et al., (2006).