Carte des variables environnementales finales

Chargement des données

library(sf)

## Linking to GEOS 3.11.2, GDAL 3.7.2, PROJ 9.3.0; sf_use_s2() is TRUE

library(ggplot2)
library(terra)

## terra 1.7.71

fra <- st_read("data/fra.gpkg")

Reading layer fra' from data sourceC:_PNA_Corse.gpkg’ using driver `GPKG’ Simple feature collection with 1 feature and 168 fields Geometry type: MULTIPOLYGON Dimension: XY Bounding box: xmin: -61.79784 ymin: -21.37078 xmax: 55.8545 ymax: 51.08754 Geodetic CRS: WGS 84

env_corse <- rast("data/env_corse_total_sync.tif")

1. Données climatiques : source de données CHELSA

Description et méta-données

Téléchargement : www.chelsa-climate.org

Intervalle temporel : 1981-2010

Type de données : Raster

Résolution initiale : 0.0083333°

Méta-données : https://chelsa-climate.org/wp-admin/download-page/CHELSA_tech_specification_V2.pdf

Références bibliographiques :

• Brun, P., Zimmermann, N.E., Hari, C., Pellissier, L., Karger, D. (2022): Data from: CHELSA-BIOCLIM+ A novel set of global climate-related predictors at kilometre-resolution. EnviDat. https://doi.org/10.16904/envidat.332

• Karger D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E, Linder, H.P., Kessler, M. (2018): Data from: Climatologies at high resolution for the earth’s land surface areas. EnviDat. https://doi.org/10.16904/envidat.228.v2.1

• Karger, D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E., Linder, P., Kessler, M. (2017): Climatologies at high resolution for the Earth land surface areas. Scientific Data. 4 170122. https://doi.org/10.1038/sdata.2017.122

• Brun, P., Zimmermann, N.E., Hari, C., Pellissier, L., Karger, D.N. (preprint): Global climate-related predictors at kilometre resolution for the past and future. Earth Syst. Sci. Data Discuss. https://doi.org/10.5194/essd-2022-212

Licence : Creative Commons Zero - No Rights Reserved (CC0 1.0)

Description des variables : Les variables bioclimatiques (variables bio1 à bio19) sont décrites dans Karger et al. 2017. Les autres variables sont décrites dans Brun et al. (2022). La variable de température minimale de la saison estivale pour les chiroptères a été calculée à partir des valeurs mensuelles de température minimale pour les mois de mai à septembre.

Illustration des variables

vars <- xlsx::read.xlsx("data/chelsa_variable_names.xlsx",
                  sheetIndex = 1)

for(i in 1:54){
    plot(env_corse[[i]],
         col = viridis::plasma(12),
         main = vars$longname[i])
    plot(st_geometry(fra), add = TRUE,
         border = grey(0.3))
    print(knitr::kable(vars[i, ]))
}

vars	longname	unit	scale	offset	explanation
bio1	mean annual air temperature	°C	0.1	-273.15	mean annual daily mean air temperatures averaged over 1 year

	vars	longname	unit	scale	offset	explanation
2	bio2	mean diurnal air temperature range	°C	0.1	0	mean diurnal range of temperatures averaged over 1 year

	vars	longname	unit	scale	offset	explanation
3	bio3	isothermality	°C	0.1	0	ratio of diurnal variation to annual variation in temperatures

	vars	longname	unit	scale	offset	explanation
4	bio4	temperature seasonality	°C/100	0.1	0	standard deviation of the monthly mean temperatures

	vars	longname	unit	scale	offset	explanation
5	bio5	mean daily maximum air temperature of the warmest month	°C	0.1	-273.15	The highest temperature of any monthly daily mean maximum temperature

	vars	longname	unit	scale	offset	explanation
6	bio6	mean daily minimum air temperature of the coldest month	°C	0.1	-273.15	The lowest temperature of any monthly daily mean maximum temperature

	vars	longname	unit	scale	offset	explanation
7	bio7	annual range of air temperature	°C	0.1	0	The difference between the Maximum Temperature of Warmest month and the Minimum Temperature of Coldest month

	vars	longname	unit	scale	offset	explanation
8	bio8	mean daily mean air temperatures of the wettest quarter	°C	0.1	-273.15	The wettest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
9	bio9	mean daily mean air temperatures of the driest quarter	°C	0.1	-273.15	The driest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
10	bio10	mean daily mean air temperatures of the warmest quarter	°C	0.1	-273.15	The warmest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
11	bio11	mean daily mean air temperatures of the coldest quarter	°C	0.1	-273.15	The coldest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
12	bio12	annual precipitation amount	kg m-2 year-1	0.1	0	Accumulated precipitation amount over 1 year

	vars	longname	unit	scale	offset	explanation
13	bio13	precipitation amount of the wettest month	kg m-2 month-1	0.1	0	The precipitation of the wettest month.

	vars	longname	unit	scale	offset	explanation
14	bio14	precipitation amount of the driest month	kg m-2 month-1	0.1	0	The precipitation of the driest month.

	vars	longname	unit	scale	offset	explanation
15	bio15	precipitation seasonality	kg m-2	0.1	0	The Coefficient of Variation is the standard deviation of the monthly precipitation estimates expressed as a percentage of the mean of those estimates (i.e. the annual mean)

	vars	longname	unit	scale	offset	explanation
16	bio16	mean monthly precipitation amount of the wettest quarter	kg m-2 month-1	0.1	0	The wettest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
17	bio17	mean monthly precipitation amount of the driest quarter	kg m-2 month-1	0.1	0	The driest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
18	bio18	mean monthly precipitation amount of the warmest quarter	kg m-2 month-1	0.1	0	The warmest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
19	bio19	mean monthly precipitation amount of the coldest quarter	kg m-2 month-1	0.1	0	The coldest quarter of the year is determined (to the nearest month)

	vars	longname	unit	scale	offset	explanation
20	cmi_max	Maximum monthly climate moisture index	kg m-2 month-1	0.1	0	The climate moisture index of the month with the highest precipitation surplus

	vars	longname	unit	scale	offset	explanation
21	cmi_mean	Mean monthly climate moisture index	kg m-2 month-1	0.1	0	Average monthly climate moisture index over 1 year

	vars	longname	unit	scale	offset	explanation
22	cmi_min	Minimum monthly climate moisture index	kg m-2 month-1	0.1	0	The climate moisture index of the month with the highest precipitation deficit

	vars	longname	unit	scale	offset	explanation
23	cmi_range	Annual range of monthly climate moisture index	kg m-2 month-1	0.1	0	Difference between maximum and minimum monthly climate moisture index

	vars	longname	unit	scale	offset	explanation
24	gdd0	Growing degree days heat sum above 0°C	°C	0.1	0	heat sum of all days above the 0°C temperature accumulated over 1 year.

	vars	longname	unit	scale	offset	explanation
25	gdd5	Growing degree days heat sum above 5°C	°C	0.1	0	heat sum of all days above the 5°C temperature accumulated over 1 year.

	vars	longname	unit	scale	offset	explanation
26	gdd10	Growing degree days heat sum above 10°C	°C	0.1	0	heat sum of all days above the 10°C temperature accumulated over 1 year.

	vars	longname	unit	scale	offset	explanation
27	gsl	growing season length TREELIM	number of days	-	-	Length of the growing season

	vars	longname	unit	scale	offset	explanation
28	gsp	Accumulated precipiation amount on growing season days TREELIM	kg m-2
gsl-1	0.1	0	precipitation sum accumulated on all days during the growing season based on TREELIM (https://doi.org/10.1007/s00035-014-0124-0)

	vars	longname	unit	scale	offset	explanation
29	gst	Mean temperature of the growing season TREELIM	°C	0.1	-273.15	Mean temperature of all growing season days based on TREELIM (https://doi.org/10.1007/s00035-014- 0124-0)

	vars	longname	unit	scale	offset	explanation
30	hurs_max	Maximum monthly near surface relative humidity	%	0.01	0	The highest monthly near-surface relative humidity

	vars	longname	unit	scale	offset	explanation
31	hurs_mean	Mean monthly near-surface relative humidity	%	0.01	0	Average monthly near-surface relative humidity over 1 year

	vars	longname	unit	scale	offset	explanation
32	hurs_min	Minimum monthly near surface relative humidity	%	0.01	0	The lowest monthly near-surface relative humidity

	vars	longname	unit	scale	offset	explanation
33	hurs_range	Annual range of monthly near surface relative humidity	%	0.01	0	Difference between maximum and minimum near-surface relative humidity

	vars	longname	unit	scale	offset	explanation
34	ngd0	Number of growing degree days	number of days	-	-	Number of days at which tas > 0°C

	vars	longname	unit	scale	offset	explanation
35	ngd5	Number of growing degree days	number of days	-	-	Number of days at which tas > 5°C

	vars	longname	unit	scale	offset	explanation
36	ngd10	Number of growing degree days	number of days	-	-	Number of days at which tas > 10°C

	vars	longname	unit	scale	offset	explanation
37	npp	Net primary productivity	g C m-2 yr-1	0.1	0	Calculated based on the ‘Miami model’, Lieth, H., 1972. “Modelling the primary productivity of the earth. Nature and resources”, UNESCO, VIII, 2:5-10.

	vars	longname	unit	scale	offset	explanation
38	pet_penman_max	Maximum monthly potential evapotranspiration	kg m-2 month-1	0.01	0	The highest monthly potential evaporation; calculated with the Penman-Monteith equation.

	vars	longname	unit	scale	offset	explanation
39	pet_penman_mean	Mean monthly potential evapotranspiration	kg m-2 month-1	0.01	0	Average monthly potential evaporation over 1 year; calculated with the Penman-Monteith equation.

	vars	longname	unit	scale	offset	explanation
40	pet_penman_min	Minimum monthly potential evapotranspiration	kg m-2 month-1	0.01	0	The lowest monthly potential evaporation; calculated with the Penman-Monteith equation.

	vars	longname	unit	scale	offset	explanation
41	pet_penman_range	Annual range of monthly potential evapotranspiration	kg m-2	0.01	0	Difference between maximum and minimum monthly potential evapotranspiration; calculated with the Penman-Monteith equation

	vars	longname	unit	scale	offset	explanation
42	rsds_max	Maximum monthly surface downwelling shortwave flux in air	MJ m-2 d-1	0.001	0	The highest monthly surface downwelling shortwave flux in air

	vars	longname	unit	scale	offset	explanation
43	rsds_mean	Mean monthly surface downwelling shortwave flux in air	MJ m-2 d-1	0.001	0	Average monthly surface downwelling shortwave flux in air over 1 year

	vars	longname	unit	scale	offset	explanation
44	rsds_min	Minimum monthly surface downwelling shortwave flux in air	MJ m-2 d-1	0.001	0	The lowest monthly surface downwelling shortwave flux in air

	vars	longname	unit	scale	offset	explanation
45	rsds_range	Annual range of monthly surface downwelling shortwave flux in air	MJ m-2 d-1	0.001	0	Difference between maximum and minimum monthly surface downwelling shortwave flux in air

	vars	longname	unit	scale	offset	explanation
46	scd	Snow cover days	count	-	-	Number of days with snowcover calculated using the snowpack model implementation in from TREELIM (https://doi.org/10.1007/s00035-014- 0124-0)

	vars	longname	unit	scale	offset	explanation
47	sfcWind_max	Maximum monthly near surface wind speed	m s-1	0.001	0	The highest monthly near-surface wind speed; near surface represents 10 m above ground.

	vars	longname	unit	scale	offset	explanation
48	sfcWind_mean	Mean monthly near-surface wind speed	m s-1	0.001	0	Average monthly near-surface wind speed over 1 year; near surface represents 10 m above ground.

	vars	longname	unit	scale	offset	explanation
49	sfcWind_min	Minimum monthly near surface wind speed	m s-1	0.001	0	The lowest monthly near-surface wind speed; near surface represents 10 m above ground.

	vars	longname	unit	scale	offset	explanation
50	sfcWind_range	Annual range of monthly near surface wind speed	m s-1	0.001	0	Difference between maximum and minimum monthly near-surface wind speed; near surface represents 10 m above ground.

	vars	longname	unit	scale	offset	explanation
51	vpd_max	Maximum monthly vapor pressure deficit	Pa	0.1	0	The highest monthly vapor pressure deficit

	vars	longname	unit	scale	offset	explanation
52	vpd_mean	Mean monthly vapor pressure deficit	Pa	0.1	0	Average monthly vapor pressure deficit over 1 year

	vars	longname	unit	scale	offset	explanation
53	vpd_min	Minimum monthly vapor pressure deficit	Pa	0.1	0	The lowest monthly vapor pressure deficit

	vars	longname	unit	scale	offset	explanation
54	vpd_range	Annual range of monthly vapor pressure deficit	Pa	0.1	0	Difference between maximum and minimum monthly vapor pressure deficit

plot(env_corse[["tasmin_chiro"]],
     col = viridis::plasma(12),
     main = "Température minimale de la saison estivale")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

2. Données routes

Description et méta-données

Téléchargement : https://geoservices.ign.fr/bdcarto

Intervalle temporel : 2023

Type de données : Vectoriel

Précision : 1:50000 à 1:200000

Méta-données : https://geoservices.ign.fr/documentation/donnees/vecteur/bdcarto

Références bibliographiques :

Licence : licence ouverte Etalab 2.0

Description des variables : Distance à la plus proche cellule possédant une route en mètres

Illustration des variables

plot(env_corse[["distance_routes"]],
     col = viridis::plasma(12),
     main = "Distance aux routes")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

3. Données hydrographiques

Description et méta-données

Téléchargement : https://geoservices.ign.fr/bdtopo

Intervalle temporel : 2023

Type de données : Vectoriel

Précision : 1:2000 à 1:50000

Méta-données : https://geoservices.ign.fr/documentation/donnees/vecteur/bdtopo

Références bibliographiques :

Licence : licence ouverte Etalab 2.0

Description des variables : Les cours d’eau et les plans d’eau ont été fournis par la DREAL de Corse en résolution très fine (environ 0.0026 * 0.0017°), présence-absence par cellule. Ils ont été agrégés à la résolution des variables climatiques (0.0083333°) pour créer deux variables :

• la proportion de milieux d’eau douce dans chaque cellule de 0.0083333°

• la distance aux milieux d’eau douce, calculée comme la distance à la cellule la plus proche contenant au moins un milieu d’eau douce, en mètres

Illustration des variables

plot(env_corse[["milieux_eaudouce"]],
     col = viridis::plasma(12),
     main = "Proportion de milieux d'eau douce")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["dist_moy_eau"]],
     col = viridis::plasma(12),
     main = "Distance aux milieux d'eau douce (m)")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

4. Zones humides

Description et méta-données

Téléchargement : https://www.rhone-mediterranee.eaufrance.fr/sites/sierm/files/content/2022-03/Couches%20geo%20EHR%20et%20pressions_%20RMC.zip

Intervalle temporel :

Type de données : Vectoriel

Résolution initiale : 25m

Méta-données :

https://www.rhone-mediterranee.eaufrance.fr/preservation-et-restauration-des-milieuxzones-humides/la-politique-du-bassin-en-faveur-des-zones

Références bibliographiques :

CHAMBAUD F., BOUSCARY P. 2022. L’espace humide de référence : un nouveau référentiel en appui à la gestion des zones humides. Concept, méthode, résultats, utilisation. Collection Eau & Connaissance. Agence de l’eau Rhône Méditerranée Corse. 63p + annexes.

Licence : Non précisée, mais probablement libre accès Etalab 2.0 étant donné qu’il est basé sur des bases de données Etalab 2.0

Description des variables : Les données ont été fournies par la DREAL au format en résolution fine
(0.002592892 * 0.00165493°), format présence par maille. Elles ont été agrégées à la résolution des variables climatiques (0.0083333°) pour créer deux variables :

• la proportion de zones humides dans chaque cellule de 0.0083333°

• la distance aux zones humides, calculée comme la distance à la cellule la plus proche contenant au moins une zone humide potentielle, en mètres

Illustration des variables

plot(env_corse[["potentielles_zh"]],
     col = viridis::plasma(12),
     main = "Proportion de zones humides potentielles")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["dist_moy_pzh"]],
     col = viridis::plasma(12),
     main = "Distance aux zones humides (m)")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

5. Occupation du sol Corine Land Cover

Description et méta-données

Téléchargement : https://www.data.gouv.fr/fr/datasets/r/06aabb52-cfd9-46c7-bde6-f732d73af81f

Intervalle temporel : 2018

Type de données : Vectoriel

Précision : 1/100000

Méta-données : https://www.statistiques.developpement-durable.gouv.fr/corine-land-cover-0

Références bibliographiques :

https://www.statistiques.developpement-durable.gouv.fr/media/2459/download?inline

https://land.copernicus.eu/content/corine-land-cover-nomenclature-guidelines/docs/pdf/CLC2018_Nomenclature_illustrated_guide_20190510.pdf

Licence : Licence ouverte ETALAB

Description des variables : Les données vectorielles Corine Land Cover ont été transformées en rasters à la résolution des variables climatiques (0.0083333°) en calculant la proportion de chaque classe dans chaque pixel. Plusieurs variables spécifiques ont été créées ; cf. documents fournis dans références bibliographiques pour les codes :

• Le bâti peu dense, pour les chiroptères, en utilisant les classes 112 (tissu urbain discontinu) et 131 (extraction de matériaux) qui peuvent représenter des bâtiments isolés et des mines utilisables par les chiroptères

• Les zones ouvertes, pour la végétation des serpentinites, en utilisant les classes 332 (zones nues) et 333 (végétation clairsemée)

• Les zones herbacées et arbustives, pour l’habitat des papillons, en utilisant la classe 32 (Milieux à végétation arbustive et/ou herbacée)

• Les milieux forestiers, pour les amphibiens et les chiroptères, en utilisant la classe 31 (forêts)

• Les surfaces agricoles cultivées, en utilisant les classes 211 (terres arables), 221 (vignobles), 222 (vergers et petits fruits) et 223 (oliveraies)

• Les zones artificialisées, en utilisant les classes 111 (tissu urbain continu), 112 (tissu urbain discontinu), 121 (zones industrielles ou commerciales), 123 (zones portuaires), 124 (aéroports), 131 (extraction de matériaux), 132 (décharges)

D’autres variables ont été générées à partir de ces variables initiales :

• La distance au bâti peu dense (distance à la plus proche cellule avec du bâti peu dense) en mètres

• La distance aux forêts (distance à la plus proche cellule avec des forêts) en mètres

• L’hétérogénéité du paysage, calculée comme l’indice de simpson sur la proportion de chaque classe d’habitat naturel non marin dans chaque cellule (habitats des classes 1 et 5 exclus). Formule utilisée pour chaque cellule : \(1 - \sum{x_i^2}\) où \(x_i\) est la proportion de recouvrement de l’habitat i dans la cellule

Illustration des variables

plot(env_corse[["bati_peu_dense"]],
     col = viridis::plasma(12),
     main = "Bâti peu dense")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["dist_bati_peu_dense"]],
     col = viridis::plasma(12),
     main = "Distance au bâti peu dense")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["zones_ouvertes"]],
     col = viridis::plasma(12),
     main = "Zones ouvertes")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["vege_herb"]],
     col = viridis::plasma(12),
     main = "Végétation herbacée et arbustive")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["forets"]],
     col = viridis::plasma(12),
     main = "Forêts")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["dist_forets"]],
     col = viridis::plasma(12),
     main = "Distance aux forêts")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["milieux_agri"]],
     col = viridis::plasma(12),
     main = "Milieux agricoles")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["zones_artif"]],
     col = viridis::plasma(12),
     main = "Zones artificielles")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["simpson_landscapediv"]],
     col = viridis::plasma(12),
     main = "Diversité d'habitats (simpson)")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

6. Pollution lumineuse

Description et méta-données

Téléchargement : https://eogdata.mines.edu/nighttime_light/monthly/v10/

Intervalle temporel : 2013-2019

Type de données : raster

Résolution initiale : 0.00416667 * 0.00416667°

Méta-données : https://eogdata.mines.edu/products/vnl/

Références bibliographiques :

• C. D. Elvidge, K. Baugh, M. Zhizhin, F. C. Hsu, and T. Ghosh, “VIIRS night-time lights,” International Journal of Remote Sensing, vol. 38, pp. 5860–5879, 2017

Licence : CC-BY-4.0 This product was made utilizing (VIIRS night-time lights) data produced by the Earth Observation Group, Payne Institute for Public Policy, Colorado School of Mines.

Description des variables : Cette variable a été utilisée pour les chiroptères pour la période estivale. Les données de pollution lumineuse mensuelle moyenne ont été téléchargées pour les mois d’août et de septembre de 2013 à 2019 (seuls mois de la période estivale disponibles complètement pour toutes les années). Les données ont d’abord été agrégées à la résolution des variables climatiques (0.0083333°) par interpolation bilinéaire. La couche finale de pollution lumineuse a été obtenue en moyennant les valeurs sur les mois d’août et de septembre et entre toutes les années. La variable finale est une radiance moyenne en nW cm−2 sr−1.

Illustration des variables

plot(env_corse[["pollum"]],
     col = viridis::plasma(12),
     main = "Pollution lumineuse")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

7. Connectivité, intégrité biophysique et naturalité

Description et méta-données

Téléchargement : https://uicn.fr/CartNat/CartNat_Donnees/

Intervalle temporel : 2000-2023

Type de données : raster

Résolution initiale : 20 * 20 m

Méta-données : https://uicn.fr/CartNat/CartNat_Donnees/Note_technique_m%c3%a9thodologique/Projet%20CARTNAT_note%20technique_2021.pdf https://uicn.fr/aires-protegees/wilderness/

Références bibliographiques : - Guetté A, Carruthers-Jones Jonathan, Carver Stephen J. 2021. Projet CARTNAT Cartographie de la Naturalité. Notice technique. Comité français de l’IUCN. https://uicn.fr/CartNat/CartNat_Donnees/Note_technique_m%c3%a9thodologique/Projet%20CARTNAT_note%20technique_2021.pdf

• Guetté A., Carruthers-Jones J., Godet L., Robin M. 2018. « Naturalité » : concepts et méthodes appliqués à la conservation de la nature. Cybergeo: European Journal of Geography [En ligne], document 856. URL : https://journals.openedition.org/cybergeo/29140#toc

Licence : CC-BY-NC

Description des variables : La naturalité est un indice composée de trois variables :

• l’intégrité biophysique de l’occupation du sol, qui traduit un état d’éloignement d’un paysage à ce qu’il serait sans transformation anthropique. Elle intègre notamment les notions de continuité temporelle de l’état boisé et de probabilité de non exploitation forestière, importantes pour plusieurs espèces/groupes d’espèces sujettes au Plan National d’Action. Cette variable est un indice relatif allant de 1 à 255, la valeur de 255 indiquant une forte intégrité.

• la spontanéité des processus, qui évalue le degré d’intervention humaine sur les dynamiques naturelles. Il s’agit ici d’un proxy d’influence humaine basé sur la distance aux routes et la densité de bâti. Il s’agit d’un indice variant de 1 à 15000, la valeur de 15000 indiquant une forte spontanéité. Note Etant donné que la variable “distance aux routes” est fortement utilisée pour contrôler le biais d’échantillonnage, cette variable spontanéité n’a pas été retenue pour le projet PNA Corse.

• les continuités spatiales, qui correspondent au degré de connectivité des paysages. Elle a été calculée avec un modèle dédié appelé “Omniscape” (cf.  références ci-dessus). Il s’agit d’un indice variant de 1 à 400, la valeur de 400 indiquant une forte continuité

L’indice de naturalité final est la somme des trois variables, pondérées de manière égale, et représenté sur une échelle allant de 1 à 700, la valeur de 700 indiquant une forte naturalité.

Illustration des variables

plot(env_corse[["integrite"]],
     col = viridis::plasma(12),
     main = "Intégrité biophysique des sols")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["connectivite"]],
     col = viridis::plasma(12),
     main = "Connectivité")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["naturalite"]],
     col = viridis::plasma(12),
     main = "Naturalité")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

8. Densité de population humaine

Description et méta-données

Téléchargement : https://sedac.ciesin.columbia.edu/data/set/popdynamics-1-km-downscaled-pop-base-year-projection-ssp-2000-2100-rev01/data-download

Intervalle temporel : 2000

Type de données : raster

Résolution initiale : 0.008333 * 0.008333 °

Méta-données : https://sedac.ciesin.columbia.edu/data/set/popdynamics-1-km-downscaled-pop-base-year-projection-ssp-2000-2100-rev01/metadata

Références bibliographiques : - Gao, J. 2020. Global 1-km Downscaled Population Base Year and Projection Grids Based on the Shared Socioeconomic Pathways, Revision 01. Palisades, New York: NASA Socioeconomic Data and Applications Center (SEDAC). https://doi.org/10.7927/q7z9-9r69.

• Gao, J. 2017. Downscaling Global Spatial Population Projections from 1/8-degree to 1-km Grid Cells. NCAR Technical Note NCAR/TN-537+STR. https://doi.org/10.5065/D60Z721H.

Licence : Licence libre type CC-BY

Description des variables : Densité de population humaine dans chaque cellule. Les données ont été transformées en log10 (\(log(x + 1)\)), car la densité de population humaine très faible en Corse créait une variable à distribution trop asymétrique.

Illustration des variables

plot(env_corse[["pop_dens_log10"]],
     col = viridis::plasma(12),
     main = "Densité de population humaine (log10)")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

9. Biais d’échantillonnage

Description et méta-données

Téléchargement : Non disponible en ligne

Intervalle temporel : 2000-2023

Type de données : raster

Précision : 0.008333 * 0.008333°

Méta-données :

Références bibliographiques :

Licence :

Description des variables : Il s’agit de variables créées à partir de toutes les occurrences d’un groupe pour servir d’indicateur de la pression d’échantillonnage et donc du biais d’échantillonnage - il s’agit de la méthode “target-group sampling bias”. Nous avons créé une variable de ce type pour les plantes et une autre pour les chiroptères. Pour la générer, toutes les occurrences d’un groupe ont été transformées en raster à la résolution des variables bioclimatiques en appliquant un kernel bi-dimensionnel avec la fonction kde2d() du package R MASS.

Illustration des variables

plot(env_corse[["occ_density_cbnc"]],
     col = viridis::plasma(12),
     main = "Densité des occurrences flore")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

plot(env_corse[["occ_density_chiro"]],
     col = viridis::plasma(12),
     main = "Densité des occurrences chiroptères")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

10. Pins laricio

Description et méta-données

Données issues de BD Forêt v2.0

Téléchargement : https://geoservices.ign.fr/bdforet

Intervalle temporel : 2007-2018

Type de données : Vecteur

Précision : Variable

Méta-données : https://geoservices.ign.fr/documentation/donnees/vecteur/bdforet

Références bibliographiques :

Licence : Licence ouverte Etalab 2.0

Description des variables : Proportion de forêts de pin laricio dans chaque cellule à la résolution des variables climatiques (0.0083333°), en calculant le % d’occupation de chaque maille.

Illustration des variables

plot(env_corse[["laricio"]],
     col = viridis::plasma(12),
     main = "% forêts de pin Laricio")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

11. Cavités

Description et méta-données

Téléchargement : https://www.georisques.gouv.fr/donnees/bases-de-donnees/inventaire-des-cavites-souterraines

Intervalle temporel : 2010

Type de données : vecteur

Précision : variable selon les cavités

Méta-données : https://www.georisques.gouv.fr/donnees/bases-de-donnees/inventaire-des-cavites-souterraines

Références bibliographiques :

Licence : Etalab Version 2.0

Description des variables : Ce jeu de données a servi à générer une variable de distance aux cavités pour les chiroptères. Les cavités dont les coordonnées étaient imprécises ont été éliminées (coordonnées classées en “centroide de commune” ou “imprécis”). Les cavités ont ensuite été transformées en raster de présence par maille à la résolution des données climatiques (0.0083333°). La distance à la maille la plus proche avec une cavité, en mètres, a ensuite été calculée pour obtenir la variable finale.

Illustration des variables

plot(env_corse[["dist_cavites"]],
     col = viridis::plasma(12),
     main = "Distance aux cavités")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))

12. Couche géologique des serpentinites

Description et méta-données

Bd Charm-50

Téléchargement : http://infoterre.brgm.fr/formulaire/telechargement-cartes-geologiques-departementales-150-000-bd-charm-50

Intervalle temporel : 2004

Type de données : vecteur

Précision : 1:50000

Méta-données : http://infoterre.brgm.fr/formulaire/telechargement-cartes-geologiques-departementales-150-000-bd-charm-50

Références bibliographiques : Janjou, D. Descriptif des cartes géologiques à 1/50 000 format “vecteurs”. BRGM/RP-53473-FR, 2004.

Licence : Etalab Version 2.0

Description des variables : Seule la couche géologique des serpentinites a été extraites de cette base de données, et elle a été transformée en raster à la résolution des variables climatiques (0.0083333°), en calculant le % d’occupation de chaque maille.

Illustration des variables

plot(env_corse[["serpentinites"]],
     col = viridis::plasma(12),
     main = "% serpentinites")
plot(st_geometry(fra), add = TRUE,
     border = grey(0.3))