Déterminer des modèles alternatifs pour l'analyse de la réponse de la végétation : une approche non paramétrique

Résumé. Les modèles de végétation basés sur la régression logistique multiple suscitent un intérêt croissant dans les études environnementales et la prise de décision. Les courbes optimales gaussiennes sigmoïdes relativement simples sont les plus courantes dans les modèles de végétation actuels, bien que plusieurs autres formes de réponse différentes soient connues. Cependant, les améliorations des moyens techniques pour traiter les données statistiques facilitent désormais le calcul rapide et interactif de modèles alternatifs complexes, plus liés aux données, non paramétriques. L'objectif de cette étude était de déterminer si, et si oui, à quelle fréquence, une forme de réponse complexe pourrait être plus adéquate qu'une forme linéaire ou quadratique. En utilisant le cadre des Modèles Additifs Généralisés, des techniques de régression logistique multiple à la fois paramétriques (linéaire et quadratique) et non paramétriques (lissées) ont été appliquées à un grand jeu de données sur les zones humides et les plantes aquatiques, ainsi qu'à six variables environnementales : pH, chlorure, orthophosphate, azote inorganique, épaisseur de la couche de sapropélie et profondeur de l'eau. Tous les modèles ont été testés pour leur adéquation et leur signification. Sur les 156 modèles additifs généralisés calculés, 77 % contenaient au moins une variable prédictive lissée, c'est-à-dire une variable environnementale dont la réponse était mieux ajustée par une courbe complexe non paramétrique que par une courbe paramétrique linéaire ou quadratique. Le chlorure était la variable avec la plus forte incidence de réponses lissées (48 %). En général, une courbe lissée était préférable dans 23 % de toutes les corrélations espèces-variable calculées, comparé à 25 % et 18 % pour les courbes en forme sigmoïde et gaussienne, respectivement. Des modèles de régression de deux espèces de plantes sont présentés en détail pour illustrer le potentiel des lisseurs à produire des modèles de réponse bien ajustés et biologiquement pertinents en comparaison avec les modèles de régression linéaire et polynomiale. Nous avons trouvé que la Modélisation Additive Généralisée est une technique utile et pratique pour améliorer les modèles de végétation basés sur la régression actuelle en permettant des formes de réponse alternatives et complexes.