Note sur ce template Rmarkdown
Ce fichier constitute un gabarit complet pour la modélisation des habitats potentiels d’une espèce ou d’un groupe d’espèce. Il est fourni sous licence libre CC-BY 4.0.
Il a été testé fonctionnel sur la version de R x86_64-w64-mingw32, x86_64, mingw32, ucrt, x86_64, mingw32, , 4, 3.2, 2023, 10, 31, 85441, R, R version 4.3.2 (2023-10-31 ucrt), Eye Holes, avec les packages sf (1.0.15), terra (1.7.71), ggplot2 (3.4.4), scales (1.3.0), egg (0.4.5), virtualspecies (1.6), blockCV (3.1.3), biomod2 (4.2.5), dplyr (1.1.4), tidyterra (0.5.2).
Il est possible que des évolutions futures de packages (notamment, biomod2, qui est sujet à de nombreuses évolutions en 2023 et 2024) rendent certaines parties du fichier non fonctionnelles, ce qui nécessitera de corriger le code.
Pré-requis :
Chargement des packages et fonctions, chargement de données géographiques et des variables environnementales harmonisées
library(sf)
library(terra)
library(ggplot2)
library(scales)
library(egg)
library(virtualspecies)
library(blockCV)
library(biomod2)
library(dplyr)
source("scripts/functions.R")
# Shapefile de la Corse
corse <- st_read("data/corse.gpkg")## Reading layer `corse' from data source `C:\Rprojects\SDMs_PNA_Corse\data\corse.gpkg' using driver `GPKG'
## Simple feature collection with 1 feature and 8 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 8.534717 ymin: 41.33323 xmax: 9.560364 ymax: 43.02755
## Geodetic CRS: WGS 84Chargement et préparation des données d’occurrence
## Reading layer `papillons' from data source `C:\Rprojects\SDMs_PNA_Corse\data\donnees_brutes\taxa\papillons.shp' using driver `ESRI Shapefile'
## Simple feature collection with 160 features and 69 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: 8.62598 ymin: 41.4282 xmax: 9.49605 ymax: 42.9872
## Geodetic CRS: WGS 84papillons$species <- simplify_species_name(papillons$nom_valide)
papillons <- papillons[, c("species", "x_centroid", "y_centroid",
"date_fin")]
colnames(papillons) <- c("species", "x", "y", "date", "geometry")
# Dates d'échantillonnage
papillons$year <- as.numeric(strtrim(papillons$date, 4))
papillons$month <- as.numeric(substr(papillons$date, 6, 7))
papillonscsv <- read.csv("data/donnees_brutes/taxa/records-2023-07-21_papillons.csv")
# Données spatialement imprécises à retirer : nombre de points
length(which(papillonscsv$precisionGeometrieMetres > 1000))## [1] 389papillonscsv <- papillonscsv[
-which(papillonscsv$precisionGeometrieMetres > 1000), ]
# Elimination des occurrences trop imprécises
papillonscsv <- papillonscsv[
-which(papillonscsv$precisionLocalisation %in%
c("XY centroïde commune",
"XY centroïde ligne/polygone",
"pas de XY (département)")), ]
papillonscsv <- st_as_sf(papillonscsv,
wkt = "objetGeoWKT") # papillonscsv contient les
# coordonnées au format WKT dans la colonne "objetGeoWKT"
papillonscsv <- papillonscsv[, c("nomScientifiqueRef", "longitude",
"latitude", "dateObservation", "annee",
"mois")]
# On renomme les colonnes
colnames(papillonscsv) <- c("species", "x", "y", "date", "year",
"month", "geometry")
# On indique à sf quelle colonne renommée contient les coordonnées
st_geometry(papillonscsv) <- "geometry"
# On définit le système de coordonnées pour papillonscsv
st_crs(papillonscsv) <- "EPSG:4326"
papillons <- rbind(papillons[, c("species", "x", "y", "date", "year",
"month", "geometry")],
papillonscsv)
# Visualisation de la temporalité des occurrences
ggplot(papillons) +
geom_boxplot(aes(x = species,
y = year))+
coord_flip() +
scale_y_continuous(breaks = breaks_pretty()) +
theme_minimal()
La plupart des espèces ont des données post-2000, sauf pour Satyrium
w-album et Cupido alcetas.
Filtre temporel
Il faut établir un filtre temporel pour éliminer les données
imprécises, sachant que l’objectif est de modéliser à une résolution
assez fine, de l’ordre de 1km. Le champ precision est peu
renseigné et donc peu utile ici, il nous faut donc poser une hypothèse
sur les données qui sont imprécises. On peut considérer que les GPS ont
commencé à être largement disponibles à partir de 1990, mais leur
utilisation ne s’est généralisée qu’à partir des années 2000, notamment
grâce à leur miniaturisation. Ainsi, on peut spéculer qu’avant les
années 2000, les données étaient moins précisés car possiblement
géolocalisées en utilisant des référentiels comme les lieu-dits ou les
communes, tandis qu’à partir des années 2000 la précision s’est
améliorée grâce à la géolocalisation par satellite.
Le nombre de données supprimées en fixant un seuil à l’année 2000 est limité :
# Les données avant 2000 représentent un % modéré du jeu de données :
100 * length(which(papillons$year < 2000)) / nrow(papillons)## [1] 8.80597La couverture temporelle sur l’année est plus importante à partir de 2010 environ :
ggplot(papillons) +
geom_boxplot(aes(x = species,
y = month)) +
facet_wrap(~year) +
coord_flip() +
scale_y_continuous(breaks = breaks_pretty()) +
theme_minimal()
L’emprise spatiale des données d’occurrence change de manière modérée avec ou sans les données pré-2000 :
p_papillons_all <- ggplot() +
geom_sf(data = corse) +
geom_sf(data = papillons, aes(col = year)) +
scale_color_continuous(type = "viridis") +
theme_minimal(base_size = 15) +
ggtitle("Toutes données\npapillons")
p_papillons_post2000 <- ggplot() +
geom_sf(data = corse) +
geom_sf(data = papillons[papillons$year >= 2000, ], aes(col = year)) +
scale_color_continuous(type = "viridis") +
theme_minimal(base_size = 15) +
ggtitle("Données post-2000\npapillons")
ggarrange(p_papillons_all,
p_papillons_post2000,
nrow = 1)
On pose donc l’hypothèse raisonnable qu’un filtre à 2000 va assurer une bonne précision dans la localisation des occurrences sans perdre d’information critique sur la répartition des espèces.
Rasterisation des occurrences
L’objectif ici est de ne garder qu’une occurrence par cellule à la résolution de nos variables environnementales afin d’éviter une forme extrême de pseudo-réplication.
# On rasterise les occurrences à la résolution de nos variables
# environnementales
papillons_r <- rasterize(papillons,
env_corse)
names(papillons_r) <- "papillons" # Attention il ne faut pas nommer
# la couche "papillons" car il y a des variables qui s'appellent
# papillons
plot(papillons_r)
On va ensuite éliminer les occurrence qui sont dans des zones sans
valeurs de variables environnementales. Pour cela on va combiner les
variables environnementales avec les occurrences rasterisées dans un
data.frame, et supprimer les occurrences d’espèces qui
tombent sur des données environnementales manquantes
# On crée un stack avec nos occurrences rasterisées et les variables env
env_papillons <- c(env_corse,
papillons_r)
# On récupère les coordonnées XY de toutes les cellules, pour préparer nos
# données finales
coorXY <- xyFromCell(env_corse,
1:ncell(env_corse))
# On transforme le raster en data.frame
env_papillons_df <- values(env_papillons)
env_papillons_df[is.nan(env_papillons_df)] <- NA
# On regarde le nombre d'occurrences pour lesquelles il y a des données
# manquantes :
length(which(is.na(env_papillons_df[, "bio1"]) &
!is.na(env_papillons_df[, "papillons"])))## [1] 6On va maintenant supprimer les cellules pour lesquelles on n’a pas de données environnementales. Pour cela on va utiliser la première variable environnementale ici, car les données manquantes sont toutes les mêmes entre toutes les variables environnementales (cf. script harmonisation des données).
# On filtre d'abord sur l'objet qui contient les coordonnées
coorXY <- coorXY[-which(is.na(env_papillons_df[, 1])), ]
# Et ensuite sur le tableau avec variables env et présences d'espèces
env_papillons_df <- env_papillons_df[-which(is.na(env_papillons_df[, 1])), ]
# Comparaison du nombre d'occurrences :
# Avant rasterisation
nrow(papillons)## [1] 611# Après rasterisation et élimination des données env manquantes
length(which(env_papillons_df[, "papillons"] == 1))## [1] 296Il s’agit donc du nombre d’occurrences que l’on va pouvoir utiliser pour calibrer nos modèles. Il y a 296 occurrences ce qui est assez élevé pour la calibration des modèles.
On va maintenant formater ces occurrences en combinant coordonnées et
info sur l’occurrence dans un data.frame pour préparer la
calibration de nos modèles
P_points <- data.frame(
# D'abord on récupère les coordonnées XY qui correspondent à nos cellules de présences
coorXY[which(!is.na(env_papillons_df[, "papillons"])), ],
# Ensuite, on récupère la colonne qui indique présence pour chaque cellule
occurrence = env_papillons_df[which(!is.na(env_papillons_df[, "papillons"])),
"papillons"])
P_pointsGénération des points de background
La littérature statistique récente suggère que les meilleures pratiques consistent à générer un grand nombre de points de background (e.g., 10000) indépendamment de la localisation des points de présence (i.e., un point de background peut être localisé au même endroit qu’un point de présence). Cela permet d’assurer une bonne représentation de l’ensemble des conditions environnementales disponibles dans le modèle. Dans le cas de la Corse, le nombre de points de background sera limité par le nombre de pixels disponibles :
# Nous avons éliminé les données manquantes du tableau env_amphib_df
# Par conséquent, son nombre de lignes est égal au nombre total de pixels
# disponibles sur la Corse
nrow(env_papillons_df)## [1] 13620Ainsi, nous fixerons le nombre de background par défaut à 10000 ce qui sera suffisant pour une bonne calibration des modèles. Il n’est pas nécessaire de faire plusieurs répétitions, car le nombre de points de background est déjà suffisamment élevé, les résultats de calibration ne varieraient pas entre différentes répétitions.
On intègre le biais d’échantillonnage directement dans la génération des backgrounds avec la distance aux routes comme proxy du biais potentiel.
# On réduit également le nombre de background pour avoir un effet du biais
background <- spatSample(env_corse[["distance_routes"]],
method = "weights",
size = 5000,
replace = FALSE, # Pas de remise
na.rm = TRUE, # Pas dans les données manquantes
xy = TRUE, # L'output inclut les coords XY
values = FALSE) # L'output exclut les variables
# background <- spatSample(env_corse,
# size = 10000,
# replace = FALSE, # Pas de remise
# na.rm = TRUE, # Pas dans les données manquantes
# xy = TRUE, # L'output inclut les coords XY
# values = FALSE) # L'output exclut les variables
# On ajoute les points de background aux données de présence
P_points <- rbind.data.frame(P_points,
data.frame(background,
occurrence = 0))Sélection des variables environnementales
Climat
De la même manière et avec le même raisonnement que pour les odonates, il est attendu un effet fort de la température et de l’humidité relative chez les papillons. De très nombreuses études existent sur l’importance de la température et de l’humidité sur le développement et l’activité des différents stades de vie des papillons, avec une forte variabilité dans les mesures écophysiologiques entre espèces. Il est ainsi difficile de formuler des hypothèses précises sur les réponses potentielles car il n’existe pas de travail de synthèse sur ces données actuellement. Par conséquent nous partirons sur le principe de la réponse typque des espèces à la température avec un seuil de développement minimal, un optimum et un seuil critique supérieur, en supposant également que les fortes températures soient limitantes avant que le seuil critique ne soit atteint (Evans et al. 2015). Ces effets seront explorés sur deux variables de température, les températures minimales et maximales annuelles. En tant qu’alternative, les degrés-jours (i.e., somme des températures quotidiennes accumulées sur un an) sont fréquemment mentionnés comme étant des variables importantes pour le développement des papillons ; cependant sans connaître le seuil minimal de développement il parait difficile d’utiliser ce type de variable. Néanmoins, nous évaluerons si les degrés-jours au dessus de 10°C peuvent agir comme prédicteur des distributions de papillons - car les travaux écophysiologiques sur le seuil de développement minimum indiquent des valeurs de 7 à 10°C (e.g., Buckley et al. 2011).
De la même manière que pour les odonates, l’humidité relative joue également probablement un rôle important pour éviter la dessication des organismes, en particulier aux fortes températures, même si ce type d’effet est simplement mentionné dans la littérature sans données spécifiques. Nous explorerons l’effet de l’humidité relative minimale en supposant un effet négatif en particulier dans les zones sujettes aux températures élevées (zones trop sèches). S’agisant d’espèces occupant des altitudes élevées, on peut également s’attendre à un effet d’une humidité excessive ou de zones couvertes par la neige. Nous explorerons donc un potentiel effet négatif de l’humidité maximale et du couvert neigeux.
Noms des variables retenues :
températures les plus chaudes (bio5) et les plus froides de l’année (bio6)
degrés-jours au-dessus de 10°C (gdd10)
humidité relative minimale (cmi_min) et maximale (cmi_max)
nombre de jours sous la neige (scd)
Occupation du sol
Ce groupe est composé d’espèes aux écologies variées, dont certaines sont endémiques de Corse, tandis que d’autres ont une répartition géographique très large. Les habitats de ces espèces semblent diversifiés, couvrant milieux secs, prairies, lisières de forêts. Il est ainsi possible que la caractérisation de l’habitat pour ce groupe entier soit compliquée pour les modèles à cause de l’hétérogénéité du groupe. Néanmoins, on peut poser l’hypothèse que l’intensification de l’usage des sols (agriculture, urbanisation) présente un effet négatif sur ce groupe, étant donné que plusieurs des espèces ont besoin de plantes hôtes spécifiques qui existent dans les milieux naturels. Ainsi, nous testerons l’effet de l’artificialisation des territoires avec l’indice de naturalité.
En parallèle, nous testerons l’effet de la diversité d’habitats avec l’hypothèse que plus le paysage est homogène, moins la zone est favorable aux papillons. Enfin, nous testerons également si la présence de milieux ouverts à semi-ouverts est favorable à ce groupe, en posant l’hypothèse que les milieux ouverts à semi-ouverts englobent l’ensemble des habitats du groupe.
Noms des variables retenues :
artificialisation (agricole, urbaine) des territoires (naturalite)
homogénéité du paysage (simpson_landscapediv)
zones ouvertes naturelles (CORINE Land Cover 331 et 332) (zones_ouvertes)
Biais d’échantillonnage
La probabilité d’observer les espèces est souvent directement liée à l’accessibilité du milieu, qui est connue pour être fortement corrélée à la distance aux routes. Nous utiliserons donc la distance aux routes comme proxy du biais d’échantillonnage afin d’éviter que les modèles ne cherchent à expliquer l’accessibilité par les autres variables environnementales.
Noms des variables retenues :
- distance aux routes (distance_routes)
Variables anthropogéniques
Pas d’autres variables avec une hypothèse forte a priori.
Autres variables et commentaires
Les papillons étant des organismes volant au stade adulte, ils est possible qu’ils soient affectés par les régimes de vent excessifs. Nous testerons donc s’il existe une relation négative entre la probabilité d’observer les papillons et les variables liées aux régimes de vent.
Noms des variables retenues :
- Vitesse du vent mensualisée maximale sur l’année (sfcWind_max)
Constitution du jeu de variables finales pour les papillons
Préparation des rasters
Etude de la colinéarité et réduction du nombre de variables
On étudie la colinéarité entre les variables avec le coefficient de corrélation de Spearman (car certaines variables ne sont pas distribuées normalement), en utilisant un seuil standard de 0.7.
var_groups <- removeCollinearity(env_papillons,
plot = TRUE,
multicollinearity.cutoff = 0.7,
method = "spearman")
Seules deux variables sont corrélées fortement : la température
minimale (bio6) et le nombre de degrés-jours supérieurs à 10°C.
Nous conserverons ici la température minimale (bio6) car nous ne
disposons pas assez d’éléments pour étayer l’hypothèse sur les
degrés-jours.
Au total il y a 8 variables environnementales, pour environ 110 occurrences, ce qui est acceptable.
Préparation de la stratégie de validation croisée des modèles
Nous allons utiliser une procédure de validation croisée par bloc ce qui permet de réduire l’autocorrélation spatiale entre jeu de données de calibration et jeu de validation.
Définition de la taille des blocs
Il faut étudier le degré d’autocorrélation spatiale dans les variables environnementales pour avoir une idée de la taille des blocs. La taille des blocs est un compromis entre la diminution de l’autocorrélation spatiale et les contraintes des données.
# Pour étudier la taille des blocs à viser, il faut d'abord projeter le raster
env_papillons_l93 <- project(env_papillons,
"EPSG:2154")
# Ensuite on étudie le range d'autocorrélation spatiale
AC_range <- cv_spatial_autocor(env_papillons_l93)##
|
| | 0%
|
|============== | 11%
|
|============================ | 22%
|
|========================================== | 33%
|
|======================================================== | 44%
|
|====================================================================== | 56%
|
|==================================================================================== | 67%
|
|================================================================================================== | 78%
|
|================================================================================================================ | 89%
|
|==============================================================================================================================| 100%
On obtient un range médian qui est de 1.4454366^{4}, ce qui est satisfaisant ici pour réaliser une validation croisée par blocs : il y a beaucoup de blocs, ce qui signifie que la répartition des blocs en plis sera probablement bien équilibrée.
P_points_sf <- st_as_sf(P_points,
coords = c("x", "y"),
crs = "EPSG:4326")
plis_cv <- cv_spatial(x = P_points_sf,
column = "occurrence", # Nom de la colonne des occurrences
k = 5, # Nombre de plis (folds) pour la k-fold CV
size = AC_range$range, # Taille des blocs en metres
selection = "random", # Attribution des blocs aléatoire dans
# les plis
iteration = 50, # Nombre d'essais pour trouver des plis
# équilibrés
biomod2 = TRUE, # Formater les données pour biomod2
r = env_papillons, # Pour le fond de carte
progress = FALSE) ##
## train_0 train_1 test_0 test_1
## 1 4023 236 977 60
## 2 4026 248 974 48
## 3 4000 213 1000 83
## 4 4069 246 931 50
## 5 3882 241 1118 55
On voit que nos plis sont plutôt bien équilibrés, avec environ 230 présences en moyenne pour la calibration, et de environ 60 présences pour l’évaluation, ce qui est suffisant pour l’évaluation.
Dernière étape, biomod2 exige un format particulier pour les plis de validation croisée, donc on va préparer ce format ici :
Calibration des modèles
Tout d’abord on prépare les données pour biomod2.
coorxy <- P_points[, c("x", "y")]
occurrences <- P_points[, "occurrence"]
dir.create("models/papillons", recursive = T, showWarnings = FALSE)
run_data <- BIOMOD_FormatingData(
resp.name = "papillons", # Nom de l'espèce
resp.var = occurrences, # Présences + background
expl.var = env_papillons, # Variables environnementales prédictives
dir.name = "models", # Dossier dans lequel on va stocker les modèles
resp.xy = coorxy, # Coordonnées xy des présences et background
PA.strategy = NULL) # Pas de génération de points de background par biomod##
## -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= papillons Data Formating -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
##
## ! No data has been set aside for modeling evaluation
## ! No data has been set aside for modeling evaluation
## !!! Some data are located in the same raster cell.
## Please set `filter.raster = TRUE` if you want an automatic filtering.
## ! No data has been set aside for modeling evaluation
## -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=Biomod nous indique deux choses : que nous n’avons pas de données indépendantes pour l’évaluation, ce qui est effectivement le cas à ce stade de l’étude. Par ailleurs, que plusieurs données peuvent être dans la même cellule, ce qui est également attendu car nous avons tiré aléatoirement nos background dans toute la zone d’étude et donc ils ont pu tomber dans les mêmes cellules que des points de présence. Pas d’inquiétudes, c’est ce que l’on avait prévu.
On va pouvoir désormais préparer la calibration des modèles, en les paramétrant de manière correcte. Ce qui est important de savoir ici c’est que nos modèles vont avoir deux grosses difficultés statistiques :
déséquilibre des classes : il y a au total 296 présences et 10000 backgrounds (qui seront considérés comme des valeurs de 0 par les modèles), ce qui crée un gros déséquilibre entre les 1 et les 0. C’est ce qu’on appelle le déséquilibre des classes
chevauchement des classes : il est probable que les présences et les backgrounds se chevauchent sur les gradients de variables environnementales (d’autant plus que nous pouvons avoir parfoit une présence et un background dans le même pixel), ce qui rend la distinction entre les 1 et les 0 difficile pour les modèles. C’est ce qu’on appelle le chevauchement des classes
La solution pour bien paramétrer les modèles face au déséquilibre et au chevauchement varie selon les modèles, mais le principe général est de réduire l’importance des backgrounds lors de la calibration par rapport au présence, afin de viser un ratio équilibre 50/50 entre importance des présences et importance des backgrounds. Par exemple, on va attribuer des poids aux présences et aux backgrounds de sorte que la somme du poids des présences et des backgrounds soit égale. Cependant, cette méthode fonctionne mal sur certains modèles comme le random forest, et il faut alors le paramétrer de manière plus fine avec un rééchantillonnage à 50/50 en interne.
Par ailleurs, il est important de noter que l’évaluation des modèles avec la validation croisée n’est pas un élément validant la robustesse du modèle. Elle est plutôt à considérer comme un élément qui élimine les mauvais modèles, mais elle ne constitute pas une preuve de robustesse quand elle est bonne, car elle est limitée à la fois par la nature des données (présence-seule, pas d’absences), et par la possibilité qu’il y ait des biais dans l’échantillonnage. Ainsi, il est difficile d’utiliser la validation croisée pour identifier les meilleurs modèles ; il vaut mieux donc se baser sur des paramètres établis pour être robustes en situation de présence-seule (e.g., Valavi et al. 2021).
Préparons donc la calibration de nos modèles :
calib_summary <-
summary(run_data, calib.lines = table_cv) %>%
filter(dataset == "calibration")
iwp <- (10^6)^(1 - occurrences)
RF_param_list <- NULL
GLM_param_list <- NULL
GBM_param_list <- NULL
XGBOOST_param_list <- NULL
XGBOOST_param_list <- NULL
GAM_param_list <- NULL
MARS_param_list <- NULL
XGBOOST_param_list <- NULL
for (cvrun in 1:nrow(calib_summary)) {
prNum <- calib_summary$Presences[cvrun]
bgNum <- calib_summary$True_Absences[cvrun]
wt <- ifelse(occurrences == 1, 1, prNum / bgNum)
RF_param_list[[paste0("_",
calib_summary$PA[[cvrun]],
"_",
calib_summary$run[[cvrun]])]] <-
list(ntree = 1000,
sampsize = c("0" = prNum,
"1" = prNum),
replace = TRUE)
GLM_param_list[[paste0("_",
calib_summary$PA[[cvrun]],
"_",
calib_summary$run[[cvrun]])]] <-
list(weights = wt)
GBM_param_list[[paste0("_",
calib_summary$PA[[cvrun]],
"_",
calib_summary$run[[cvrun]])]] <-
list(interaction.depth = 5,
n.trees = 5000,
shrinkage = 0.001,
bag.fraction = 0.75,
cv.folds = 5,
weights = wt)
GAM_param_list[[paste0("_",
calib_summary$PA[[cvrun]],
"_",
calib_summary$run[[cvrun]])]] <-
list(weights = wt,
method = "REML")
MARS_param_list[[paste0("_",
calib_summary$PA[[cvrun]],
"_",
calib_summary$run[[cvrun]])]] <-
list(weights = wt)
XGBOOST_param_list[[paste0("_",
calib_summary$PA[[cvrun]],
"_",
calib_summary$run[[cvrun]])]] <-
list(nrounds = 10000,
eta = 0.001,
max_depth = 5,
subsample = 0.75,
gamma = 0,
colsample_bytree = 0.8,
min_child_weight = 1,
weight = wt,
verbose = 0)
}
model_parameters <- bm_ModelingOptions(
data.type = "binary",
models = c("GLM", "GBM", "GAM.mgcv.gam", "MARS", "RF", "MAXNET", "XGBOOST"),
strategy = "user.defined",
user.base = "default",
user.val = list(
GLM.binary.stats.glm = GLM_param_list,
GBM.binary.gbm.gbm = GBM_param_list,
GAM.binary.mgcv.gam = GAM_param_list,
MARS.binary.earth.earth = MARS_param_list,
RF.binary.randomForest.randomForest = RF_param_list,
XGBOOST.binary.xgboost.xgboost = XGBOOST_param_list
),
bm.format = run_data,
calib.lines = table_cv
)##
## -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Modeling Options -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
##
## > GLM options (datatype: binary , package: stats , function: glm )...
## > GBM options (datatype: binary , package: gbm , function: gbm )...
## > GAM options (datatype: binary , package: mgcv , function: gam )...
## > MARS options (datatype: binary , package: earth , function: earth )...
## > RF options (datatype: binary , package: randomForest , function: randomForest )...
## > MAXNET options (datatype: binary , package: maxnet , function: maxnet )...
## > XGBOOST options (datatype: binary , package: xgboost , function: xgboost )...
##
## -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=model_runs <- BIOMOD_Modeling(
run_data,
modeling.id = "1", # ID de modélisation, on met 1 pour tous nos modèles ici
models = c("GLM", "GBM", "GAM", "MARS", # MARS éliminé ici car il plante
"MAXNET", "RF", "XGBOOST"), # idem pour MAXNET
OPT.strategy = "user.defined",
OPT.user = model_parameters, # Paramètres des modèles
CV.strategy = "user.defined", # Méthode de validation croisée
CV.user.table = table_cv, # Plis générés précéemment
CV.do.full.models = FALSE,
var.import = 10, # Nombre de répétitions d'importance des variables
metric.eval = "BOYCE",
do.progress = FALSE,
nb.cpu = 16 # Nombre de coeurs à utiliser pour la modélisation
# A ajuster selon votre ordinateur, ne pas en mettre trop !
)
saveRDS(model_runs, file = "models/papillons/model_runs.RDS")Evaluation des modèles
evals_boyce <- get_evaluations(model_runs)
ggplot(evals_boyce, aes(x = algo, y = validation)) +
geom_point(aes(col = run))
Importance des variables
varimp <- get_variables_importance(model_runs)
varimp$expl.var <- reorder(varimp$expl.var,
varimp$var.imp,
median,
na.rm = TRUE)
library(dplyr)
varimp %>%
group_by(expl.var) %>%
summarise(median = median(var.imp))ggplot(varimp) +
geom_boxplot(aes(x = expl.var, y = var.imp)) +
geom_jitter(aes(x = expl.var, y = var.imp, col = algo),
alpha = .3) +
coord_flip() +
theme_minimal()
Courbes de réponse
# Variables utilisées pour la calibration
cur_vars <- model_runs@expl.var.names
# Calcul des courbes de réponse
resp <- bm_PlotResponseCurves(bm.out = model_runs,
fixed.var = "mean",
data_species = occurrences,
do.plot = FALSE,
do.progress = FALSE)$tab## No id variables; using all as measure variablescolnames(resp) <- c("Index", "Variable", "Var.value", "Model", "Response")
for (model in c("GLM", "GBM", "GAM", "MARS", "MAXNET",
"RF", "XGBOOST")) {
p <- ggplot(resp[grep(model, resp$Model), ], aes(x = Var.value, y = Response)) +
geom_line(alpha = 0.2, aes(group = Model)) +
stat_smooth() +
facet_wrap(~ Variable, scales = "free_x") +
theme_bw() +
ylim(0, 1.1) +
xlab("Variable value") +
ggtitle(model)
print(p)
}## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
Cartes
# On ne va garder que les modèles qui ont un indice de Boyce suffisamment élevé
models_to_proj <- evals_boyce$full.name[which(evals_boyce$validation >= 0.6)]
projection_runs <- BIOMOD_Projection(
bm.mod = model_runs, # Modèles calibrés
proj.name = "corse", # Nom de la projection actuelle
new.env = env_papillons, # Données environnementales sur lesquelles on projette les modèles
models.chosen = models_to_proj, # Modèles à projeter
build.clamping.mask = TRUE, # Le clamping mask illustre les zones où les prédictions sont en dehors des valeurs
# utilisées lors de la calibration
nb.cpu = 4)
cartes_individuelles <- rast("models/papillons/proj_corse/proj_corse_papillons.tif")
# Rescaling des projections qui dépassent l'intervalle 0 - 1000
cartes_individuelles[cartes_individuelles < 0] <- 0
cartes_individuelles[cartes_individuelles > 1000] <- 1000
for(i in 1:ceiling(nlyr(cartes_individuelles) / 2)) {
plot(cartes_individuelles[[(i * 2 - 1):
min(nlyr(cartes_individuelles),
(i * 2))]],
col = viridis::inferno(12))
}
Carte finale
carte_finale <- mean(cartes_individuelles)
plot(carte_finale,
col = viridis::inferno(12))
points(y ~ x, data = P_points[which(P_points$occurrence == 1), ],
pch = 16, cex = .4,
col = "#21908CFF")
carte_incertitude <- app(cartes_individuelles, sd)
ggplot() +
geom_spatraster(data = carte_incertitude) +
scale_fill_continuous(type = "viridis") +
ggtitle("Incertitude\n(écart-type des probabilités)")
## Carte de rendu, essai 1
favorabilite_presences <- extract(carte_finale,
P_points[which(P_points$occurrence == 1),
c("x", "y")],
ID = FALSE)
boxplot(favorabilite_presences)
qt_favorabilite <- quantile(favorabilite_presences$mean, probs = c(.10, .25))
carte_indice <- carte_finale
carte_indice[carte_finale < qt_favorabilite["10%"]] <- 0
carte_indice[carte_finale >= qt_favorabilite["10%"] &
carte_finale < qt_favorabilite["25%"]] <- 1
carte_indice[carte_finale >= qt_favorabilite["25%"]] <- 2
carte_indice <- as.factor(carte_indice)
ggplot() +
geom_spatraster(data = carte_indice) +
scale_fill_manual(values = viridis::plasma(3),
name = paste0("Favorabilité\n(% du total d'occurrences\n",
"observé dans cette classe\n",
"de favorabilité)"),
labels = c("Faible ou méconnue (< 10%)",
"Intermédiaire (10-25%)",
"Elevée (75%)"),
na.translate = F)
Carte de rendu, essai 2
# Exploration d'un indice de densité de présences par classe de favorabilité
fav <- values(carte_finale, data.frame = TRUE, na.rm = TRUE)
species_fav <- extract(carte_finale,
P_points[which(P_points$occurrence == 1),
c("x", "y")],
ID = FALSE)
step = 1
range = 50
res <- NULL
for (cur.int in seq(0, 950, by = step)) {
cur.int <- c(cur.int, cur.int + range)
nb_cells <- length(which(fav[, 1] > cur.int[1] & fav[, 1] <= cur.int[2]))
nb_occupied_cells <- length(which(species_fav[, 1] > cur.int[1] &
species_fav[, 1] <= cur.int[2]))
res <- rbind(res,
data.frame(low = cur.int[1],
high = cur.int[2],
nb_occupied_cells = nb_occupied_cells,
nb_cells = nb_cells,
ratio = nb_occupied_cells / nb_cells))
}
res$ratio_presences <- res$nb_occupied_cells / sum(res$nb_occupied_cells)
intermed_cutoff <- res[min(which(res$ratio > 0.05)), ]
high_cutoff <- res[min(which(res$ratio > 0.2)), ]
plot(res$ratio ~ res$high)
abline(v = intermed_cutoff$low)
abline(v = high_cutoff$low)
carte_indice <- carte_finale
carte_indice[carte_finale < intermed_cutoff$low] <- 0
carte_indice[carte_finale >= intermed_cutoff$low &
carte_finale < high_cutoff$low] <- 1
carte_indice[carte_finale >= high_cutoff$low] <- 2
carte_indice <- as.factor(carte_indice)
ggplot() +
geom_spatraster(data = carte_indice) +
scale_fill_manual(values = viridis::plasma(3),
name = "Favorabilité\n(% de cellules occupées)",
labels = c("Faible ou méconnue (<5%)",
"Intermédiaire (5-25%)",
"Elevée (>25%)"),
na.translate = F)