Quel est l'effet du type de milieu sur l'abondance des oiseaux ?

Objectif du scénario

Répondre à la question : Le type de milieu a-t-il un effet sur l'abondance des oiseaux ?

Compétences développées

Calcul d'abondance

Représentation graphique

Test statistiques

Déroulement de l'analyse étape par étape

1. Poser la question de recherche

Répondre à la question : Quel est l'effet du type de milieu sur l'abondance des oiseaux ?

2. Importer les données

Afin de répondre à cette question, nous allons avoir besoin des données de Vigie-Nature École relatives au protocole Oiseaux des jardins.

from matplotlib import pyplot as plt
import pandas as pd
import matplotlib.dates as mdates
from datetime import datetime
import seaborn as sns
from scipy import stats


Oiseau = pd.read_csv('Oiseau.csv')
Oiseau

	Unnamed: 0	numero_observation	zonepk	date_observation	code_postal_etablissement	ville_etablissement	latitude	longitude	espece	nombre_individus	...	heure_fin	type_de_milieu	surface_zone	distance_bois	distance_prairie	distance_champ	pourcentage_milieux_urbanisés_200m	departement	region	academie
0	0	94923	91804	2015-11-17	92000	Nanterre	48.8825	2.20161	Huppe fasciée	0	...	11:50:39	01_Urbain	02_21 à 100 m2	05_au-delà de 2 km	05_au-delà de 2 km	05_au-delà de 2 km	1.0	Hauts-de-Seine	Île-de-France	Académie de Versailles
1	1	94923	91804	2015-11-17	92000	Nanterre	48.8825	2.20161	Accenteur mouchet	0	...	11:50:39	01_Urbain	02_21 à 100 m2	05_au-delà de 2 km	05_au-delà de 2 km	05_au-delà de 2 km	1.0	Hauts-de-Seine	Île-de-France	Académie de Versailles
2	2	94923	91804	2015-11-17	92000	Nanterre	48.8825	2.20161	Gobemouche gris	0	...	11:50:39	01_Urbain	02_21 à 100 m2	05_au-delà de 2 km	05_au-delà de 2 km	05_au-delà de 2 km	1.0	Hauts-de-Seine	Île-de-France	Académie de Versailles
3	3	94923	91804	2015-11-17	92000	Nanterre	48.8825	2.20161	Bergeronnette grise	0	...	11:50:39	01_Urbain	02_21 à 100 m2	05_au-delà de 2 km	05_au-delà de 2 km	05_au-delà de 2 km	1.0	Hauts-de-Seine	Île-de-France	Académie de Versailles
4	4	94923	91804	2015-11-17	92000	Nanterre	48.8825	2.20161	Bruant jaune	0	...	11:50:39	01_Urbain	02_21 à 100 m2	05_au-delà de 2 km	05_au-delà de 2 km	05_au-delà de 2 km	1.0	Hauts-de-Seine	Île-de-France	Académie de Versailles
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
155296	155299	104099	92799	2021-02-04	28110	Lucé	48.4385	1.46539	Chardonneret élegant	0	...	15:35:00	01_Urbain	02_21 à 100 m2	01_moins de 50 m	03_501 à 1000 m	05_au-delà de 2 km	1.0	Eure-et-Loir	Centre-Val de Loire	Académie d'Orléans-Tours
155297	155300	104099	92799	2021-02-04	28110	Lucé	48.4385	1.46539	Chardonneret élegant	0	...	15:35:00	01_Urbain	02_21 à 100 m2	01_moins de 50 m	03_501 à 1000 m	05_au-delà de 2 km	1.0	Eure-et-Loir	Centre-Val de Loire	Académie d'Orléans-Tours
155298	155301	104099	92799	2021-02-04	28110	Lucé	48.4385	1.46539	Hirondelle rustique	0	...	15:35:00	01_Urbain	02_21 à 100 m2	01_moins de 50 m	03_501 à 1000 m	05_au-delà de 2 km	1.0	Eure-et-Loir	Centre-Val de Loire	Académie d'Orléans-Tours
155299	155302	104099	92799	2021-02-04	28110	Lucé	48.4385	1.46539	Hirondelle rustique	0	...	15:35:00	01_Urbain	02_21 à 100 m2	01_moins de 50 m	03_501 à 1000 m	05_au-delà de 2 km	1.0	Eure-et-Loir	Centre-Val de Loire	Académie d'Orléans-Tours
155300	155303	104099	92799	2021-02-04	28110	Lucé	48.4385	1.46539	Pie bavarde	0	...	15:35:00	01_Urbain	02_21 à 100 m2	01_moins de 50 m	03_501 à 1000 m	05_au-delà de 2 km	1.0	Eure-et-Loir	Centre-Val de Loire	Académie

155301 rows × 21 columns

3. Manipuler les données

Maintenant que vous avez toutes les données, il va falloir les résumer car il y a plus de 15 000 lignes. Nous allons commencer par calculer l'abondance totale des oiseaux vus lors de chaque observation.

Pour cela, nous allons faire la somme des individus observés en regroupant les données par numéro d'observation (pour ne pas additionner toutes les observations entre elles) et le type de milieu (pour garder cette colonne associée avec nos valeurs et pouvoir répondre à notre question).

Abondance = pd.DataFrame({
    'nombre_individus': Oiseau.groupby(['type_de_milieu', 'numero_observation'])['nombre_individus'].sum()
})

Abondance

		nombre_individus
type_de_milieu	numero_observation
01_Urbain	94923	13
	94926	6
	95139	2
	95193	2
	95194	2
...	...	...
03_Rural	104054	13
	104062	18
	104068	9
	104094	12
	104095	17

2718 rows × 1 columns

Nous allons maintenant regrouper les données par type de milieu. Cette fois nous allons faire une moyenne pour avoir une valeur qui représente le nombre d'oiseaux moyen par type de milieu.

AbondanceParMilieu = pd.DataFrame({
    'nombre_individus': Abondance.groupby(['type_de_milieu'])['nombre_individus'].mean()
})

AbondanceParMilieu

	nombre_individus
type_de_milieu
01_Urbain	9.108824
02_Péri-urbain	11.019847
03_Rural	11.106686

4. Visualiser les données

Normalement, en regardant votre tableau, vous pouvez déjà voir qu'il existe des différences entre le milieu urbain et les autres types de milieux. Toutefois, afin de mieux voir les différences, on peut réaliser un graphique. Ici, la colonne type de milieu est qualitative (on ne peut pas faire d'opération avec ces valeurs) et la colonne Abondance moyenne est quantitative (on peut faire des opérations avec ses valeurs). Une représentation adaptée est donc le diagramme en barre avec type de milieu sur l'axe des X et l'Abondance moyenne sur l'axe des Y.

sns.barplot(x=AbondanceParMilieu.index, y=AbondanceParMilieu['nombre_individus'])

<AxesSubplot:xlabel='type_de_milieu', ylabel='nombre_individus'>

La différence est plus visible encore qu'avec le tableau. Maintenant, il faut savoir si la différence que l'on observe n'est pas que due au hasard.

5. Test statistique

Nous allons donc faire un test statistique afin de voir si le type de milieu explique la différence observée entre le milieu urbain et les deux autres environnement. Comme nous l'avons déjà expliqué plus haut, la colonne environnement est qualitative et la colonne Abondance est quantitative. Il faut donc faire une comparaison de moyenne. Dans cet outil, attention à bien selectionner le jeu de données qui a servi à faire la moyenne.

Abondance = Abondance.reset_index()
sns.boxplot(x='type_de_milieu', y='nombre_individus', data=Abondance, showfliers=False)

<AxesSubplot:xlabel='type_de_milieu', ylabel='nombre_individus'>

Ici on réalise un test statistique de Student :

Urbain2 = Abondance.loc[Abondance['type_de_milieu'] == '01_Urbain',['nombre_individus']]
PeriUrbain2 = Abondance.loc[Abondance['type_de_milieu'] == '02_Péri-urbain',['nombre_individus']]
Rural2 = Abondance.loc[Abondance['type_de_milieu'] == '03_Rural',['nombre_individus']]


stats.ttest_ind(Urbain2['nombre_individus'], PeriUrbain2['nombre_individus'])

Ttest_indResult(statistic=-3.750286296981889, pvalue=0.00018162235610313243)

La différence entre le milieu Urbain et le milieu Périurbain semble significative.

stats.ttest_ind(Urbain2['nombre_individus'], Rural2['nombre_individus'])

Ttest_indResult(statistic=-3.6498423239309314, pvalue=0.00026893117952066345)

La différence entre le milieu Urbain et le milieu Rural semble significative.

stats.ttest_ind(PeriUrbain2['nombre_individus'], Rural2['nombre_individus'])

Ttest_indResult(statistic=-0.1202309728063965, pvalue=0.9043179940616125)

La différence entre le milieu Périurbain et le milieu Rural ne semble pas significative.

6. Conclusion

Je conclue que le type de milieu a bien un effet sur l'abondance. Les oiseaux semblent être moins nombreux en milieu urbain.