Données environnementales, métrologie, SIG 2

Description :

Cette unité permet d’appréhender les notions et outils suivants : Principe et sources de la cartographie écologique, géoréférencement, SIG et algèbre de cartes, télémétrie et équipement de mesure embarqué, interpolation spatiale, gestion de bases de données. Ces outils sont ensuite exploités dans le cadre d’un plan d’échantillonnage ou expérimental.

Objectifs pédagogiques :

Connaissances :

• Connaître des méthodes de cartographie écologique, de géoréférencement et de télémétrie.
• Acquérir des connaissances concernant l’analyse spatiale des distributions et la modélisation spatiale (objectifs, principes, domaines d’utilisation, mise en œuvre, interprétation des résultats).
• Acquérir les connaissances relatives aux bases de données et être capable d’utiliser de tels systèmes.
• Acquérir des notions de métrologie dans le domaine de l’écologie.
Savoir-faire :
• Constituer un système d’information géographique (QuantumGIS et interface avec d’autres SIG) impliquant des bases de données spatiales courantes, des images dérivées de données satellitales, et des données prises sur le terrain et géoréférencées.
• Utiliser ce SIG pour planifier une campagne d’échantillonnage de terrain.
• Appliquer des méthodes spatiales d’analyse des données (environnement Quantum GIS et R) et interpréter correctement les résultats.
• Rédiger un rapport succinct et précis concernant la collecte et l’analyse des données environnementales spatialisées.
• Evaluer la qualité métrologique de données environnementales acquises.

Ressources bibliographiques :

  • Bivand, R.S., Pebesma, E.J., Gomez-Rubio, V., 2013. Applied spatial data analysis with R. Second edition. Springer, New York et web tutoriels (QGIS, etc.).
  • Crawley, M.J. 2007. The R book. John Wiley & Sons, Ltd. 942 pp.
  • Dalgaard, P. (2002) Introductory statistics with R. Springer 267pp.
  • Grafen, A. and Hails, R. 2002. Modern statistics for the life sciences. Oxford University Press, Oxford. 351pp.
  • Legendre, P. and Legendre, L. 2012. Numerical Ecology. Elsevier, Amsterdam.
  • Pinheiro, J.C. and Bates, D.M. 2000. Mixed effects models in S and Splus. Springer, New York:528 pp.
  • Siegel, S. and Castellan, N. J. J. 1988. Non parametric statistics for the behavioral sciences. McGraw-Hill International Editions, New York. 399pp.
  • Venables, W. N. and Ripley, B. D. 2002. Modern applied statistics with S. Springer, New York: 501 pp.
  • Wood, S. (2006) Generalized Additive Models: An Introduction with R. Chapman & Hall.
  • Zuur, A., Ieno, EN., Walker, N., Saveliev, AA., and Smith, GM. 2009. Mixed Effects Models and Extensions in Ecology with R. Springer.

Pré-requis :

Connaissances de bases en statistique de licence: statistiques descriptives, modèles linéaires généraux, anova, chi2 et statistiques non paramétriques.

Mode d’évaluation :

Comptes-rendus de séquences pédagogiques thématiques CM/TD/TP et examens oraux et écrits.

Responsable :

Patrick GRAUDOUX, patrick.giraudoux@univ-fcomte.fr