La fréquentation de nos cours d'établissements par les mésanges change-t-elle au cours de l’année ?

Objectif du scénario

Répondre à la question : La fréquentation de cours d'établissement par les mésanges change-t-elle au cours de l’année ?

Compétences développées :

• Filtrer des données

• Extraire des éléments d'une date

• Calcul de fréquence de présence

• Représentation graphique ## Déroulement de l'analyse étape par étape :

1. Poser la question de recherche

La fréquentation de nos zones d'observation par les mésanges change-t-elle au cours de l’année ?

2. Importer les outils pythons dont nous aurons besoin

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

3. Importer les données

Pour répondre à notre question de recherche, nous allons avoir besoin des données de Vigie-Nature École relatives à l'observatoire Oiseaux des jardins afin d'avoir des observations de toutes les espèces de mésanges (en effet il y en a 6 dans le protocole oiseaux des jardins) et des observations sur tous les mois de l'année. Les données sont téléchargeables directement depuis internet.

oiseau = pd.read_csv('https://depot.vigienature-ecole.fr/datasets/bricks/oiseaux.csv')
oiseau

	numero_observation	date_observation	nom_etablissement	code_postal_etablissement	ville_etablissement	latitude	longitude	espece	nombre_individus	heure_debut	...	Temperature_moyenne	Temperature_max	Temperature_min	Precipitation_moyenne	Precipitation_max	Precipitation_min	departement	region	academie	utilisation_pesticide
0	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange noire	0	08:50:39	...	11.5	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais
1	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Écureuil roux	0	08:50:39	...	11.5	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais
2	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Choucas des tours	0	08:50:39	...	11.5	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais
3	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Pinson des arbres	0	08:50:39	...	11.5	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais
4	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Rougegorge familier	1	08:50:39	...	11.5	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
297410	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Merle noir	0	10:45:00	...	11.3	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais
297411	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Corneille noire	0	10:45:00	...	11.3	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais
297412	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Pigeon biset domestique	0	10:45:00	...	11.3	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais
297413	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Pigeon ramier	1	10:45:00	...	11.3	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais
297414	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Tourterelle turque	4	10:45:00	...	11.3	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais

297415 rows × 32 columns

4. Manipuler les données

Comme nous souhaitons étudier les variations temporelles, nous allons choisir le pas de temps qui nous intéresse. Le mois est intéressant car il permet d'avoir beaucoup de données tout en étant assez précis pour voir des différences dans les observations chez les mésanges.

Nous définissons le format de la colonne 'date_observation' en format date puis nous créons une nouvelle colonne contenant le mois d'observation.

oiseau['date_observation'] =  pd.to_datetime(oiseau['date_observation'])
oiseau['mois'] = oiseau.date_observation.dt.month
oiseau

	numero_observation	date_observation	nom_etablissement	code_postal_etablissement	ville_etablissement	latitude	longitude	espece	nombre_individus	heure_debut	...	Temperature_max	Temperature_min	Precipitation_moyenne	Precipitation_max	Precipitation_min	departement	region	academie	utilisation_pesticide	mois
0	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange noire	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
1	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Écureuil roux	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
2	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Choucas des tours	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
3	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Pinson des arbres	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
4	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Rougegorge familier	1	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
297410	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Merle noir	0	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297411	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Corneille noire	0	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297412	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Pigeon biset domestique	0	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297413	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Pigeon ramier	1	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297414	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Tourterelle turque	4	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7

297415 rows × 33 columns

Il va falloir sélectionner les données qui nous intéressent. Nous allons sélectionner les lignes qui contiennent les Mésanges afin de garder toutes les espèces de mésanges.

espece = ['Mésange charbonnière', 'Mésange noire', 'Mésange bleue', 'Mésange à longue queue', 'Mésange nonnette', 'Mésange huppée']
mesange = oiseau[oiseau.espece.isin(espece)]
mesange

	numero_observation	date_observation	nom_etablissement	code_postal_etablissement	ville_etablissement	latitude	longitude	espece	nombre_individus	heure_debut	...	Temperature_max	Temperature_min	Precipitation_moyenne	Precipitation_max	Precipitation_min	departement	region	academie	utilisation_pesticide	mois
0	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange noire	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
5	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange huppée	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
29	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange bleue	4	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
32	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange à longue queue	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
37	94923	2015-11-17	Ecole elementaire Jules Ferry B	92000	Nanterre	48.882454	2.201610	Mésange nonnette	0	08:50:39	...	24.5	1.7	640	63	43	Hauts-de-Seine	Île-de-France	Académie de Versailles	01_Jamais	11
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
297373	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Mésange noire	2	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297374	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Mésange huppée	0	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297375	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Mésange à longue queue	0	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297396	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Mésange charbonnière	3	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7
297405	110736	2023-07-06	Ecole elementaire Frederic Joliot-Curie	78260	Achères	48.951538	2.062363	Mésange bleue	1	10:45:00	...	24.2	1.5	610	60	42	Yvelines	Île-de-France	Académie de Versailles	01_Jamais	7

31192 rows × 33 columns

La colonne que nous avons créé plus tôt contient le mois de l'observation. Nous allons maintenant regrouper les données selon les valeurs de cette colonne. Il faut pour cela, compter le nombre de fois où l'on a vu un individidu d'une espèce de mésange.

mesangeMois = pd.DataFrame({
    'nombre_individus': mesange.groupby(['espece', 'mois'])['nombre_individus'].sum(),
    'presence':mesange[mesange['nombre_individus']>0].groupby(['espece', 'mois'])['nombre_individus'].count(),
    'nombre_observation': mesange.groupby(['espece', 'mois'])['numero_observation'].count()
})

mesangeMois = mesangeMois.fillna(0)

5. Visualiser les données

Nous connaissons maintenant le nombre de fois où chaque espèce a été vue. Avant de regarder les observations par espèces, nous vous proposons de regarder la répartition des observations dans l'année.

mesangeMois = mesangeMois.reset_index()
sns.relplot(data=mesangeMois, x=mesangeMois['mois'], y=mesangeMois['nombre_observation'])

<seaborn.axisgrid.FacetGrid at 0x7fd366ee3b20>

6. Manipuler les données

Le protocole est davantage réalisé en hiver et les observations sont très rares en été (notamment à cause des vacances). Il y a plus d'observations à certaines périodes de l'année, il est donc possible qu'on observe plus de mésanges en hiver car on a plus observé durant cette saison et non parce qu'il y a plus de mésanges.

Pour obtenir un résultat qui ne soit pas biaisé par les différences de nombre de sessions d'observations, nous allons calculer des fréquences en divisant le nombre d'observations de l'espèce par le nombre total d'observations.

Afin que la fréquence soit plus simple à interpréter, vous pouvez la multiplier par 100 pour qu'elle soit exprimée en pourcentage.

mesangeMois['fréquence_observation (%)'] = (mesangeMois['presence'] / mesangeMois['nombre_observation'])*100
mesangeMois

	espece	mois	nombre_individus	presence	nombre_observation	fréquence_observation (%)
0	Mésange bleue	1	688	317.0	931	34.049409
1	Mésange bleue	2	464	228.0	598	38.127090
2	Mésange bleue	3	476	227.0	878	25.854214
3	Mésange bleue	4	240	122.0	563	21.669627
4	Mésange bleue	5	98	60.0	504	11.904762
...	...	...	...	...	...	...
67	Mésange à longue queue	8	0	0.0	2	0.000000
68	Mésange à longue queue	9	6	6.0	262	2.290076
69	Mésange à longue queue	10	11	10.0	203	4.926108
70	Mésange à longue queue	11	26	17.0	391	4.347826
71	Mésange à longue queue	12	40	17.0	570	2.982456

72 rows × 6 columns

7. Visualiser les données

Afin de voir la répartition des données, il faut maintenant faire une représentation de la fréquence d'observations au cours de l'année.

sns.relplot(data=mesangeMois, x=mesangeMois['mois'], y=mesangeMois['fréquence_observation (%)'],
            hue=mesangeMois['espece'], style=mesangeMois['espece'], kind='line')

<seaborn.axisgrid.FacetGrid at 0x7fd367490490>

8. Conclusion

À vous de jouer !