Documente Academic
Documente Profesional
Documente Cultură
DE LA BIODIVERSIT
Eric Marcon
05/03/2013
REMERCIEMENTS
Je remercie Franois Morneau pour sa relecture attentive de la premire version de ce document
et sa contribution dcisive pour la bonne utilisation de R dans les exemples.
Bruno Hrault et Chris Baraloto ont contribu la revue de la littrature de faon significative.
Les opinions mises par les auteurs sont personnelles et nengagent pas lUMR
EcoFoG ou ses tutelles.
MESURES DE LA BIODIVERSIT
Entropie : introduction ......................... 33
Sommaire
Dfinition de lentropie
33
Entropie relative
34
Remerciements ................................... 2
35
Notations ............................................. 5
Notions de diversit ............................. 7
Composantes ....................................... 7
Richesse
quitabilit
Rgularit et divergence
Logarithmes dforms
36
Entropie et diversit
37
Biais dchantillonnage
38
Profils de diversit
39
39
Biais dchantillonnage
39
quitabilit .......................................... 40
10
SAD et SAR........................................ 10
14
Dcomposition multiplicative de la
diversit .............................................. 45
Lindice de chevauchement ......... 45
La relation dArrhenius
16
Le modle de Gleason
18
Biais dchantillonnage
46
Synthse
19
Tests
46
20
Taux de couverture
20
Richesse spcifique............................ 21
Techniques destimation non paramtrique
21
Infrence du nombre despces partir de
la SAD
26
Infrence du nombre despces partir de
courbes daccumulation
27
Combien y a-t-il despces diffrentes sur
Terre ?
28
29
Biais dchantillonnage
30
Indice de Shannon.............................. 30
Dfinition
30
Biais dchantillonnage
31
51
Dcomposition
52
53
Distance phylogntique
54
Distance fonctionnelle
54
55
55
Biais dchantillonnage
56
FD et PD ............................................. 56
Indice de Rao ...................................... 56
Principe
56
Calcul sous R
57
Maximum thorique
57
Dcomposition
59
Alternatives
60
FAD et MFAD...................................... 60
Hp et I1................................................. 61
Mesures dentropie phylogntique ..... 61
Gnralisation de lentropie HCDT
61
Biais dchantillonnage
62
Entropie et diversit
62
Dcomposition
63
64
Rgularit ........................................... 65
Conclusion ......................................... 67
Bibliographie ...................................... 69
NOTATIONS
Les notations peuvent diffrer de celles de la
littrature cite pour lhomognit de ce
document. Souvent, la littrature cologique
nest pas trs rigoureuse sur la distinction de
ce qui est un paramtre, une variable alatoire ou son estimation. Par exemple, le
nombre dindividus chantillonns (choisi)
devrait tre not , un nombre dindividus
alatoire (rsultat dun processus stochastique) devrait tre not et son estimateur
. La confusion est frquente dans la formu
lation des mesures de diversit et leurs estimateurs. Dans la mesure du possible, des
notations plus rigoureuses que les originales
sont utilises ici.
: laire dtude, et, selon le contexte, sa
surface.
: la probabilit quun individu tir au hasard appartienne lespce s. Son estimateur, est la frquence observe. est la
mme probabilit dans la communaut i.
NOTIONS DE DIVERSIT
Le terme biodiversit concerne le plus souvent la diversit en termes despces dun
cosystme. On peut bien videmment
sintresser dautres niveaux et dautres
objets, par exemple la diversit gntique
(en termes dallles diffrents pour certains
gnes ou marqueurs) lintrieur dune population ou loppos la diversit des cosystmes. On gardera toujours lesprit que
la prise en compte de la diversit spcifique
nest pas la seule approche, mme si le texte
se sy rfre le plus souvent.
Lobjectif de ce document est de traiter la
mesure de la biodiversit, pas son importance en tant que telle. On se rfrera par
exemple Chapin et al. (2000) pour une
revue sur cette question.
Les calculs ncessaires sont raliss dans R
(R Development Core Team, 2013), essentiellement avec le package entropart
(Marcon
et
Hrault,
submitted-a).
Lensemble du code est disponible sur le site
web 1 o se trouvent les mises jour de ce
document.
Richesse
La richesse est le nombre (ou une fonction
croissante du nombre) de classes diffrentes
prsentes dans le systme tudi, par
exemple le nombre despces darbres dans
une fort.
Un certain nombre dhypothses sont assumes plus ou moins explicitement :
Composantes
Une communaut comprenant beaucoup
despces mais avec une espce dominante
nest pas perue intuitivement comme plus
diverse quune communaut avec moins
despces, mais dont les effectifs sont
proche (Figure 1, colonne de gauche). La
prise en compte de deux composantes de la
diversit, appeles richesse et quitabilit,
est ncessaire (Whittaker, 1965).
http://www.ecofog.gf/spip.php?article427
Mesures de la biodiversit
Figure 2 : Patrons de biodiversit (Gaston, 2000, figure 1). (a) Le nombre despces de vers de terre augmente en fonction de la surface chantillonne, de 100 m2 plus de 500 000 km2 selon la relation
dArrhenius (voir page 16). (b) Nombre despces doiseaux en fonction de la latitude. (c) Relation entre la
richesse rgionale et la richesse locale. (d) Nombre despces de chauves-souris en fonction de laltitude
dans une rserve au Prou. (e) Nombre despces de vgtaux ligneux en fonction des prcipitations en
Afrique du Sud.
quitabilit
La rgularit de la distribution des espces
(quitabilit en Franais, evenness ou equitability en Anglais) est un lment important
de la diversit. Une espce reprsente
abondamment ou par un seul individu
napporte pas la mme contribution
lcosystme. nombre despces gal, la
prsence despces trs dominantes entrane
mathmatiquement la raret de certaines
autres : on comprend donc assez intuitivement que le maximum de diversit sera
atteint quand les espces auront une rpartition trs rgulire.
Un indice dquitabilit est indpendant du
nombre despces (donc de la richesse).
Rgularit et divergence
Les mesures classiques de la diversit ne
prennent pas en compte une quelconque
distance entre classes. Pourtant, deux espces du mme genre sont de toute vidence
plus proches que deux espces de familles
diffrentes. Les mesures de diversit phylogntique et de diversit fonctionnelle prennent en compte cette notion, qui ncessite
quelques
dfinitions
supplmentaires
(Mouillot et al., 2005 ; Ricotta, 2007 ;
Pavoine et Bonsall, 2011).
Notions de diversit
Niveaux de ltude
Figure 3 : Diversit , value par la richesse spcifique. Lhabitat B possde la plus grande richesse (figure issue de Morin et Findlay, 2001).
Diversit , et
La diversit est la diversit locale, mesure lintrieur dun systme dlimit. Plus
prcisment, il sagit de la diversit dans un
habitat uniforme de taille fixe.
De faon gnrale (Gaston, 2000), la richesse spcifique diminue avec la latitude
(la diversit est plus grande dans les zones
tropicales, et au sein de celles-ci, quand on
se rapproche de lquateur), voir Figure 2.
La richesse diminue avec laltitude. Elle est
gnralement plus faible sur les les, o elle
dcrot avec la distance au continent, source
de migrations.
100
50
lnNs
30
10
10
20
Nb Espces
40
500
50
Mesures de la biodiversit
lnNs
Dcomposition
Whittaker (1977) a propos sans succs une
normalisation des chelles dvaluation de la
biodiversit, en introduisant la diversit rgionale ( tant rserv au paysage et
lhabitat) et la diversit entre les paysages.
Seuls les trois niveaux originaux ont t
conservs par la littrature, sans dfinition
stricte des chelles dobservation.
La distinction entre les diversits et dpend de la finesse de la dfinition de
lhabitat. La distinction de nombreux habitats diminue la diversit au profit de la .
Il est donc important de dfinir une mesure
qui ne dpende pas de ce dcoupage, donc
une mesure additive (ou multiplicative) dcrivant la diversit totale, dcomposable en
la somme (ou le produit) convenablement
pondre de toutes les diversits des habitats (diversit intra) et de la diversit interhabitat.
50
100
150
200
Rang
SAD et SAR
La courbe aire-espces (SAR : Species Area
Relationship)
reprsente
le
nombre
despces observes en fonction de la surface chantillonne (exemple : Figure 10,
page 16). Elle est la base de certaines mesures de diversit.
La SAR est parfois remplace par une
courbe nombre dindividus-espces (Figure
8, page 15) quand leffort dchantillonnage
est mesur de cette faon.
La distribution de labondance des espces
(SAD) est la loi qui donne labondance attendue de chaque espce dune communaut. Les espces ne sont pas identifies individuellement, mais par le nombre
dindividus leur appartenant. Elle peut tre
reprsente sous la forme dun histogramme
Notions de diversit
des frquences (diagramme de Preston, Figure 5 2) ou bien dun diagramme rangabondance (RAC : Rank Abundance Curve,)
ou diagramme de Whittaker, Figure 6 3. Le
RAC est souvent utilis pour reconnatre des
distributions connues. Izsk et Pavoine
(2012) ont tudi les proprits des RAC
pour les principales SAD.
Les SAD ne sont pas traites en dtail ici :
on se reportera Magurran (1988), McGill
et al. (2007) et Izsk et Pavoine (2012). Les
SAD ncessaires la comprhension de la
suite sont :
11
nest pas la solution adapte, puisquon rencontre toujours de nouvelles espces (Gotelli
et Colwell, 2001), mme en chantillonnant
des surfaces considrables (50 hectares pour
la Figure 12, au-del du million de km2 pour
la Figure 10, page 16). Dans le cas gnral,
la SAR ne tend pas vers une asymptote, et
nombre despces augmente tant que la surface chantillonne crot (Williamson et al.,
2001). Il ne sagit donc pas destimer un
nombre despce asymptotique pour une
communaut, mais un nombre dpendant de
la surface dchantillonnage. Une revue sur
la faon dobtenir une SAR est fournie par
Scheiner (2003).
Lentropie HCDT permet dunifier ces mesures et les nombres de Hill de leur donner
un sens intuitif.
Gotelli et Colwell (2001) proposent une revue des problmes les plus communment
rencontrs dans lestimation et la comparaison de la richesse spcifique. Ils suggrent
notamment de calculer la courbe de rarfaction (Figure 7) plutt que dutiliser la courbe
daccumulation obtenue en traant simplement le nombre despces dcouvert en
fonction de leffort dchantillonnage. La
courbe de rarfaction est obtenue en souschantillonnant dans linventaire complet
des effectifs de toutes tailles et en calculant
13
Mesures de la biodiversit
Indice de Fisher
loi de Poisson : = 0
()
= ln(1 + )
(1)
Figure 8 : Courbes nombre dindividus-espces- simules pour illustrer limportance des paramtres
(concentration spatiale) et (nombre total despces) dans le modle de Fisher.
est fix 100 pour toutes les courbes. (a) et (b) : la concentration spatiale ( < ) change drastiquement
le nombre despces attendu. En pratique, seuls S et N ( et dans nos notations) sont observs. Si est
suppos gal 1 par erreur, est sous-estim. (a) et (c) : le nombre despces nest videmment pas infini,
ce qui change fortement la forme de la courbe. Si le nombre dobservations est grand, sera aussi trs
sous-estim. (in Schulte et al., 2005)
1 +
ln
1 + ()
(2)
o =
1 ( )
Si = et = 1, lquation (2) se
simplifie pour retrouver lquation (1).
Mesures de la biodiversit
La relation dArrhenius
Arrhenius (1921) a tabli le modle de base,
dit loi de puissance :
=
(3)
16
Figure 11 : Les cinq dispositifs de Plotkin et al. (2000). Chaque dispositif mesure 50 ha et toutes les tiges de
diamtre suprieur 1 cm sont cartographies et dtermines.
(4)
Mesures de la biodiversit
dobservation Si cette condition est respecte, le nombre despces suit la loi de puissance, et = 2 . Pour la valeur classique
de = 0,25, = 0,84. La Figure 12b prsente la valeur de en fonction de la surface chantillonne. Elle augmente avec la
surface, ce qui infirme le modle
dautosimilarit.
Plotkin et al. (2000) ne supposent pas
constant et lui imposent simplement dtre
une fonction de la surface, choisie arbitrairement pour permettre les calculs ultrieurs,
et dont la forme correspond aux observations de la Figure 12b. Aprs calculs, la relation aire-espces est () . ()
est un polynme de degr de , sans constante. Les monmes sont dautant moins
importants que leur degr est lev.
Lapproximation de degr 0 est la loi de
puissance. Celle de degr 1 est retenue par
les auteurs pour estimer le nombre despces
rencontres sur la surface :
=
(5)
Le modle de Gleason
Gleason (1922) rfute le travail dArrhenius
(1921) partir de largument selon lequel le
nombre despces doit se stabiliser quand la
surface augmente, au risque de prvoir une
richesse beaucoup trop leve pour de
grandes surfaces. Les travaux ultrieurs lui
donneront tort (Williamson et al., 2001).
Gleason propose une relation dans laquelle
le nombre despces (et non son logarithme)
crot avec le logarithme de la surface :
Figure 13 : Performance du modle de Plotkin et al. (2000) face au modle log-normal. Les autres SAD concurrentes sont le modle alpha de Fisher et le modle Broken Stick de MacArthur. La courbe reprsente le
nombre despces rencontres Pasoh sur des surfaces de 0 50 ha. Les donnes observes sont des tirages
alatoires dchantillons de la surface souhaite. Lcart-type est reprsent (lintervalle de fluctuation 95%
est de lordre de 2 cart-types). Les valeurs issues du modle ont t obtenues par un paramtrage de et sur
25ha, suppos valide galement sur les autres forts. Le paramtrage de c est obtenu par un chantillon dun
hectare, rpt 1000 fois pour obtenir un intervalle de confiance. Lintervalle de fluctuation 95% est ici encore de lordre de deux cart-types.
18
= ln + ln
(6)
Synthse
Mesures de la biodiversit
Influence de la structure
spatiale
Les modles classiques de courbes aireespces supposent un tirage indpendant des
individus. Sur le terrain, par exemple en
fort, lchantillonnage est continu : sil
existe une structure spatiale comme des
agrgats, la probabilit que larbre suivant
soit dune espce donne dpend de ses voisins, donc de larbre prcdent. Intuitivement, on comprend bien que le nouvel
arbre de la mme espce apporte moins
dinformation, ce qui revient surestimer la
taille de lchantillon ou sous-estimer la
richesse pour une taille dchantillon fixe.
Plotkin et al. (2000) traitent un problme un
peu diffrent : connaissant le nombre total
despces dans les dispositifs de la Figure
11, ils tracent la courbe aire-espces thorique issue du modle de Coleman (1981)
qui considre simplement que la probabilit
20
Taux de couverture
Good (1953) dfinit le taux de couverture de
lchantillonnage (sample coverage) comme
la proportion des espces dcouvertes
= =1 ( > 0) o est la fonction
indicatrice.
= 1
(7)
Un meilleur estimateur (son erreur quadratique moyenne est plus faible) est utilis
dans SPADE. Il prend en compte les singletons ( 1 : le nombre despces observes
une seule fois) et les doubletons ( 2 : le
nombre despces observes deux fois) :
1
( 1) 1
= 1
( 1) 1 + 2 2
(8)
= (1)+1
=1
(9)
= 1
2
(10)
Richesse spcifique
Lapproche utilise ici est trs diffrente de
la prcdente. On suppose que la communaut locale est de taille fixe et contient
donc un nombre fixe despces, alors que
lapproche par la SAR ne fait pas
dhypothse sur les limites de la communaut et fournit un nombre despces dpendant
de la surface.
On ne fait pas de supposition sur la forme de
la SAD quand on utilise des mthodes
destimation non paramtriques. Les estimateurs les plus connus sont ceux de Chao
(1984 pour Chao1) et le jackknife (Burnham
et Overton, 1979).
Une alternative consiste infrer partir des
donnes les paramtres dune SAD choisie,
et particulirement le nombre total
despces. Cette approche est bien moins
rpandue parce quelle suppose le bon choix
du modle et est beaucoup plus intensive en
calcul.
Techniques destimation
non paramtrique
Dans le cadre dun chantillonnage de
individus, on observe 1 espces diffrentes parmi les existantes. Chaque individu a une probabilit dappartenir
lespce .
On ne sait rien sur la loi des . On sait seulement, comme les individus sont tirs indpendamment les uns des autres, que le
nombre dindividus de lespce observ
dans lchantillon suit une loi binomiale
dont lesprance est . La loi a une forme
en cloche assez prononce qui fait que la
probabilit de rencontrer individus dune
espce est maximum pour = , reste
assez grande quand varie de 1 et devient
21
Mesures de la biodiversit
0,9
0,8
1 =
1
1
+ 2
2
(11)
0,7
Npi=0,1
P(ni)=r
0,6
Npi=0,5
0,5
Npi=1,0
Npi=2,0
0,4
Npi=5,0
0,3
0,2
0,1
0
0
10
Figure 15 : Densit de probabilit de la loi de binomiale, pour diffrentes espces plus ou moins
rares (valeurs de ). En abscisse, le nombre
dobservations dans lchantillon, en ordonne la
probabilit.
Chao1 et Chao2
Chao (1984) estime le nombre despces
non observes partir de celles observes 1
ou 2 fois. Il sagit dun estimateur minimum,
valide condition que les singletons et doubletons reprsentent une part importante de
linformation. Lestimateur est
22
1
1 1
Var1 = 2 2 + 2
2
(12)
1 1
+ 2
4
Var1 =
1 1 12 1 1
+
2
4
4
1
+ 1
4
(13)
1 1
O :
+ 1 1
Var(1 )
1
2 1+
2
1 1
(14)
(15)
2 =
( 1)( 1s)2
2 2s
(16)
(1) 1 11
2
Lestimateur ACE
Chao et Lee (1992) dveloppent lestimateur
ACE (Abundance-based coverage estimator) travers lestimation du taux de couverture . Lestimateur ACE utilise toutes les
valeurs de correspondant aux espces
rares : concrtement, la valeur limite de
note est fixe arbitrairement, gnralement 10.
Lestimateur prend en compte le coefficient
de variation de la distribution des frquences
( ) : plus les probabilits sont htrognes,
plus le nombre despces non observes sera
grand. Finalement :
=
>
>
(17)
= max
=1 ( 1)
(=1 )(=1
1; 0
1)
2
= max
1
1 =1 ( 1)
; 0
(=1 1)
Lestimateur jackknife
La mthode jackknife a pour objectif de
rduire le biais dun estimateur en considrant des jeux de donnes dans lesquels on a
supprim un certain nombre dobservations
(ce nombre est lordre de la mthode).
1
. Les estimateurs du premier et du
deuxime ordre sont les plus utiliss en pratique :
( 1) 1s
(2 3) 1s ( 2)2 2s
1
2 = s +
( 1)
1 =
1
s
(18)
Calcul
Ces estimateurs peuvent tre calculs de
faon relativement simple laide du logiciel SPADE (Chao et Shen, 2010) disponible sur internet 4 . Le guide de lutilisateur
prsente quelques estimateurs supplmentaires et des directives pour choisir. Il est
conseill dutiliser Chao1 pour une estimation minimale, et ACE pour une estimation
non biaise de la richesse.
Les intervalles de confiance de chaque estimateur sont calculs par bootstrap : mme
quand la variance dun estimateur est connue, sa loi ne lest gnralement pas, et le
calcul analytique de lintervalle de confiance
nest pas possible.
Les estimateurs et leurs intervalles de confiance peuvent galement tre calculs sous
R. Le package vegan dispose pour cela de
deux fonctions specpool() et estimateR().
specpool() est bas sur les incidences des
espces dans un ensemble de sites
dobservation et donne une estimation
unique de la richesse selon les mthodes
Chao2, jackknife (ordre 1 et 2) et bootstrap
(non dtaille ici). Lcart-type de
lestimateur est galement fourni par la
fonction, sauf pour le jackknife dordre 2.
4
http://chao.stat.nthu.edu.tw/softwareCE.html
23
Mesures de la biodiversit
$Nhat
[1] 244
$SE
[1] 6.164414
$CI
lb ub
[1,] 232 256
> # Vrification, quation (18) :
> sum(DistNs)+DistNs[1]*(sum(BCI)1)/sum(BCI)
1
243.9991
24
= (1 0 ) 0
(19)
c'est--dire le nombre despces dans la surface 0 plus petite multiplie par le rapport
des surfaces la puissance . La valeur de
est constante pour des variations de surface
limites. Lide est donc de procder par
tapes, en partant du nombre despces mesur sur les petites placettes, et extrapolant
vers une surface plus grande. Cette surface
est ensuite prise pour rfrence pour une
nouvelle extrapolation avec une nouvelle
valeur de . En indiant les surfaces de 0
, on obtient :
(20
= ( 1 )1 (1 2 )2 (1 0 ) 0 )
Choix de lestimateur
Des tests pousss ont t mens par Brose et
al. (2003) pour permettre le choix du meilleur estimateur de la richesse en fonction de
la compltude de lchantillonnage 1.
Les auteurs appellent cette proportion couverture (coverage). Le terme completeness a
t propos par Beck et Schwanghart (2010)
pour viter la confusion avec le taux de couverture dfini par Good (vu page 23). La
compltude est infrieure la couverture :
toutes les espces sont le mme poids alors
que les espces manquantes sont plus rares
et pnalisent moins le taux de couverture.
Dans tous les cas, les estimateurs jackknife
sont les meilleurs. Larbre de dcision est en
Figure 16. Le choix dpend principalement
de la compltude (coverage sur la figure).
Une premire estimation est ncessaire par
plusieurs estimateurs. Si les rsultats sont
cohrents, choisir un estimateur jackknife
dordre dautant plus faible que la compltude est grande. Au-del de 96%, le nombre
despce observ est plus performant parce
que les jackknifes surestiment . Sils sont
incohrents (intervalle des estimations suprieur 50% de leur moyenne), le critre majeur est lquitabilit (voir page 39). Si elle
est faible (de lordre de 0,5-0,6), les estimateurs jackknife 2 4 sont performants,
lordre
diminuant
avec
lintensit
dchantillonnage (forte : 10%, faible : 0,5%
de la communaut). Pour une forte quitabilit (0,8-0,9), on prfrera jackknife 1 ou 2.
Figure 16 : Arbre de dcision du meilleur estimateur du nombre despces, in Brose et al. (2003).
Exemple de BCI : le nombre despces estim par jackknife 1 est 244. La compltude
est 225244 = 92%, dans le domaine de
validit du jackknife 1 (74% 96%) qui est
donc le bon estimateur.
25
Mesures de la biodiversit
4
2
3
0
Infrence du nombre
despces partir de la SAD
10000
Distribution de Preston
(21)
1
2 2
)
35
8000
26
25
Species
30
20
6000
x
15
4000
10
2000
Sprime(x)
16
32
64
Frequency
128 256
512
2048
Maximum de vraisemblance
dune distribution de Fisher
Norris et Pollock (1998) supposent que la
distribution des espces suit le modle de
Fisher (voir page 14) et infrent le nombre
despces par maximum de vraisemblance
non paramtrique (ils ne cherchent pas
infrer les paramtres de la loi de probabilit
de mais seulement ajuster au mieux le
modle de Poisson aux valeurs de observes).
Le calcul est possible avec la librairie
SPECIES de R :
> library(SPECIES)
> # Distribution du nombre
d'espces (vecteur:
> # noms = nombre d'individus
> # valeurs = nombres d'espces
ayant ce nombre d'individus)
> Ns <- colSums(BCI)
> DistNs <- tapply(Ns, Ns, length)
> # Mise au format requis (matrice:
> # colonne 1 = nombre d'individus
> # colonne 2 = nombres d'espces
ayant ce nombre d'individus)
> DistNs.SPECIES <matrix(c(as.integer(names(DistNs)),
DistNs), ncol=2)
> # Regroupement de la queue de
distribution : la longueur du
vecteur est limite 25 pour
allger les calculs.
> DistNs.SPECIES[25, 2] <sum(DistNs.SPECIES[25:dim(DistNs.SP
ECIES)[1],2])
> DistNs.SPECIES <DistNs.SPECIES[1:25,]
> unpmle(DistNs.SPECIES)
MLE= 239
Infrence du nombre
despces partir de
courbes daccumulation
Cette approche consiste extrapoler la
courbe aire-espces, en contradiction avec
les modles prsents plus haut (Fisher, Arrhenius) qui prvoient que le nombre
despces augmente indfiniment.
Le modle le plus connu est celui de Michaelis-Menten (Michaelis et Menten, 1913)
propos par Clench (1979). En fonction de
leffort dchantillonnage , valu en
temps (il sagit de la collecte de papillons),
le nombre despces dcouvert augmente
jusqu une asymptote gale au nombre
despces total :
(22)
Sobern M. et Llorente B. (1993) dveloppent un cadre thorique plus vaste qui permet dajuster la courbe daccumulation
plusieurs modles.
Ces modles sont efficaces empiriquement
mais manquent de support thorique pour
justifier leur forme.
> pnpmle(DistNs.SPECIES)
MLE= 239
27
Mesures de la biodiversit
1
1
1
= +
(23)
y <- 1/nEspeces
x <- 1/nArbres
plot(y ~ x)
lm1 <- lm(y ~ x)
abline(lm1$coef)
220
> data(BCI)
> # Cumul du nombre darbres
> nArbres <- cumsum(rowSums(BCI))
> # Cumul de linventaire
> Cumul <- apply(BCI, 2, cumsum)
> # Nombre despces cumules
> nEspeces <- apply(Cumul, 1,
function(x) length(x[x>0]))
> plot(nArbres, nEspeces)
160
100
120
140
nEspeces
180
200
5000
10000
15000
20000
nArbres
28
Indice de Simpson
Dfinition
= 1 2
(24)
=1
Tableau 1 : Nombre despces actuellement inventories et nombre estim par Mora et al. (2011, tableau 2).
29
Mesures de la biodiversit
son :
= 2
(25)
=1
(26)
= 1 2
(27)
=1
=
1 2
1
=1
Indice de Shannon
Dfinition
Lindice de Shannon (Shannon, 1948 ;
Shannon et Weaver, 1963), aussi appel
indice de Shannon-Weaver ou ShannonWiener, est driv de la thorie de
linformation.
= ln
(29)
=1
Considrons une placette forestire contenant espces vgtales diffrentes. La probabilit quune plante choisie au hasard appartienne lespce est note . On prlve plantes, et on enregistre la liste ordonne des espces des plantes. Si est
suffisamment grand, le nombre de plantes de
lespce est . On note le nombre de
listes respectant ces conditions :
!
=1( )!
(30)
Dmonstration :
Le nombre de positions possibles dans la
liste pour les individus de la premire es
pce est
. Le nombre de positions
1
(28)
30
> Simpson.N(colSums(BCI))
[1] 0.9737209
Biais dchantillonnage
1
pour la deuxime espce est
. Pour
2
me
la s
espce,
le nombre est
1 1
ln = ln
(31)
=1
= ln
=1
(32)
(33)
est
() est la fonction digamma, et
lestimateur de lindice de Fisher (voir page
14) :
> digamma(fisher.alpha
(colSums(BCI))+1)-digamma(1)
[1] 4.148323
Biais dchantillonnage
Basharin (1959) a montr que lestimateur
de lindice de Shannon tait biais parce que
des espces ne sont pas chantillonnes. Si
est le nombre despces rel et le nombre
dindividus chantillonns, le biais est :
=
1
+ (2 )
2
(34)
Mesures de la biodiversit
ln
=
1 1
(35)
=1
-x * log(x)
0.1
0.3
0.2
0.0
> Shannon.N(colSums(BCI),
Correction = "ChaoShen")
[1] 4.275285
Pielou (1966b) a dvelopp une autre mthode de correction de biais lorsque de nombreux relevs de petite taille sont disponibles. ln est calcul pour un relev choisi
alatoirement puis les donnes du premier
relev sont ajoutes celles dun autre, puis
un autre jusqu ce que = ln
naugmente plus : la diversit augmente
dans un premier temps mais se stabilise
quand leffet des espces ajoutes est compens par celui de la diminution de
lquitabilit due aux espces prsentes dans
tous les relevs. partir de ce seuil,
laugmentation de ln par individu ajout
est calcule pour chaque relev supplmentaire. Son esprance, estime par sa
moyenne calcule en ajoutant tous les rele.
vs disponibles, est
Enfin, la littrature de physique statistique
sest abondamment intresse cette question (Bonachela et al., 2008 en fait une
revue). Le problme trait est la nonlinarit de lindice de Shannon par rapport
aux probabilits qui entraine un biais
32
0.0
0.2
0.4
0.6
0.8
1.0
Code R :
> curve(-x*log(x), 0.0001, 1)
Code R :
> Biais.p <- function (p) {
+
Ps <- rnorm(10000, p, 0.01)
+
p*log(p)-mean(Ps*log(Ps))
+ }
> Biais <- function (Ps) {
+
# Applique Biais.p chaque
valeur de Ps
+
sapply(Ps, Biais.p)
+ }
> curve(Biais, 0.05, .95)
> abline(h=0, lty=2)
-0.0006
-0.0004
Entropie : introduction
-0.0010
-0.0008
Biais(x)
-0.0002
0.0000
-0.0012
Dfinition de lentropie
0.2
0.4
0.6
0.8
entre 0 et 1.
Figure 20 : biais de
=1
(1)
ln() ( )
+ 1
(36)
= () ( )
=1
(37)
1 1
(1)
0 1+
=1
() ( )
(1)
1
1 1
1+
(38)
est
,
et
= {1 ; 2 ; ; }. Les probabilits sont
connues a priori. Tout ce qui suit est vrai
aussi pour des valeurs de continues, dont
on connatrait la densit de probabilit.
Mesures de la biodiversit
I(p)
10
Entropie relative
0.0
0.2
0.4
0.6
0.8
1.0
Si ( ) =
despces moins 1,
Si ( ) = ln( ), alors () est
lindice de Shannon,
Si ( ) = 1 , alors () est lindice
de Simpson.
34
La divergence de Kullback-Leibler
(Kullback et Leibler, 1951) connue par les
conomistes comme lindice de dissimilarit de Theil (1967) :
= ln
=1
(39)
= ln
=1
(40)
1
(, ) =
1
( + 1)
(41)
=1
Entropie et biodiversit :
historique
Les premiers travaux consistant gnraliser lindice de Shannon sont dus Rnyi
(1961). Lentropie dordre de Rnyi est :
(42)
=1
=
ln
1
=
=1
1
1
(43)
Mesures de la biodiversit
=
1
1
(44)
-4
lnq(p)
-8
-10
-2
=1
(46)
-6
= [1 + (1 )]1
0.0
0.2
0.4
0.6
0.8
1.0
Entropie HCDT
Lentropie HCDT est particulirement attractive parce que sa relation avec la diversit au sens strict est simple, aprs introduction du formalisme adapt (les logarithmes
dforms). Son biais destimation peut tre
corrig globalement, et non seulement pour
les cas particuliers (nombre despces,
Shannon, Simpson). Enfin, sa dcomposition sera prsente en dtail dans le chapitre
suivant.
(47)
Logarithmes dforms
Lcriture de lentropie HCDT est largement
simplifie en introduisant le formalisme des
logarithmes dforms (Tsallis, 1994). Le
logarithme dordre est dfini par :
1 1
lnq =
1
(45)
1
= 1 lnq
1
lnq = lnq
lnq
lnq
(48)
Et :
1+(1)
(49)
lnq
(50)
Entropie et diversit
= lnq
(51)
Mesures de la biodiversit
Biais dchantillonnage
La correction du biais dchantillonnage
pour lentropie HCDT repose sur deux approches :
lnq
(52)
1 1
=1
1 =1
=
O =
( +1)
( +1)
(53)
Profils de diversit
Indice de Hurlbert
150
= [1 (1 ) ]
100
Diversit
200
Dfinition
(54)
50
=1
0.0
0.5
1.0
1.5
2.0
Code R :
1 1
(55)
Biais dchantillonnage
= 1
=1
(56)
Mesures de la biodiversit
quitabilit
La rgularit dune distribution est une notion intuitivement assez simple : la faiblesse
de lcart entre la distribution relle et une
distribution parfaitement rgulire, vrifiant
= 1 (Lloyd et Ghelardi, 1964).
(58)
(57)
http://ebe.ulb.ac.be/ebe/Software.html
40
41
DIVERSIT ET DCOMPOSITION
La notion de diversit a t introduite par
Whittaker (1960, p. 320) comme le niveau
de changement dans la composition des
communauts, ou le degr de diffrentiation
des communauts, en relation avec les changements de milieu. La traduction de cette
notion intuitive en une dfinition sans ambigut est encore une question de recherche et
de dbats. Un forum a t consacr la
question dans Ecology (Baselga, 2010 ; Jost,
2010 ; Ricotta, 2010 ; Veech et Crist, 2010a;
2010b ; Wilsey, 2010), conclu par Chao et
al. (2012), et une revue a t faite par
Tuomisto (2010a; 2010b).
Dans la littrature, la diversit est toujours
une mesure drive (Ellison, 2010), c'est-dire calcule partir des diversits et ,
do un abondant dbat sur lindpendance
souhaite mais pas toujours observe entre
les valeurs de diversit et (Baselga,
2010 ; Jost, 2010 ; Veech et Crist, 2010a).
Dfinitions de la diversit
Enfin, toute ambigut sera vite en appelant entropie les indices de diversit qui sont
Communaut
Total
Total : mta-communaut
communaut .
+ =
: poids de la communaut
chantillonns
43
Mesures de la biodiversit
La diversit dinventaire (inventory diversity), qui traite des donnes rcoltes sur
une unit spatiale, ce qui correspond la
dfinition des diversits et .
La diversit de diffrentiation (differentiation diversity), qui mesure quel point les
units spatiales sont diffrentes, ce qui
correspond la dfinition de la diversit
donne plus haut
La diversit proportionnelle (proportional
diversity), diversit qui se construit par
diffrence ou rapport des diversits et .
(59)
Lindice de chevauchement
Diversit et dcomposition
Et :
1
1 1
1 1
1
ln 1 +
ln
=1 =1
=1
ln
(60)
(61)
Dcomposition de
lindice de Shannon
La dcomposition explicite (Tableau 3) est
due Marcon et al. (2012) : la diversit
est la divergence de Kullback-Leibler entre
la distribution des espces dans chaque
parcelle et la distribution moyenne, appele
divergence de Jensen-Shannon (Lin, 1991).
Les diversits et sont les complments
ln des indices de dissimilarit de Theil
(39), divergences de Kullback-Leibler entre
les distributions des espces et leur
quiprobabilit.
La forme de avait t tablie par Ricotta
et Avena (2003), sans la relier celle de
et . Enfin, lide de la dcomposition de
la divergence de Kullback-Leibler, mais
avec une approche diffrente, sans rapprochement avec lindice de Shannon, a t
publie par Ludovisi et Taticchi (2006).
Les mta-communauts peuvent leur tour
tre regroupes un niveau suprieur, la
diversit du niveau infrieur devenant
diversit pour le niveau suprieur. La
dcomposition ou le regroupement peuvent
tre effectus sur un nombre quelconque de
niveaux.
45
Mesures de la biodiversit
Indice
Distribution observe
Frquence des espces dans
la communaut
Distribution attendue
Frquences gales, hors formule
Formule
= ln
= ln
= ln
Tableau 3 : Dfinition explicite de la diversit de Shannon en tant que divergence entre une distribution observe et une distribution attendue.
Les indices et sont les complments au logarithme du nombre despces de cette divergence.
Biais dchantillonnage
Lestimateur du taux de couverture de la
communaut est not , le taux de couver
ture total . Lestimateur sans biais de
est :
(62)
46
$Total
[1] 0.3618884
Tests
Test de significativit
$Total
[1] 0.4471751
+
1 ln +
+
=1 1 1
+
0.2949188 0.4514132
Intervalle de confiance de
Diversit et dcomposition
Dcomposition de
lentropie gnralise
10
Density
15
Beta Diversity
1.50
1.55
1.60
1.65
Diversity
Par dfaut, DivEst corrige les biais. Les rsultats sont prsents sous forme de diversit et non dentropie, la valeur attendue en
cas dgalit des communauts est 1.
= +
(63)
47
Mesures de la biodiversit
1(1)
(64)
1(1)
(65)
48
= + lnq
( 1) lnq
(66)
Les deux derniers termes peuvent tre regroups et rarrangs pour obtenir conformment la dcomposition additive de
lquation (63) :
= lnq
(67)
= lnq
(68)
= ln : la formalisation de la
dcomposition est une gnralisation de la
dcomposition de lentropie de Shannon,
rsume dans le Tableau 4.
1
1
(69)
(70)
Diversit et dcomposition
Indice
Entropie
Shannon
Entropie gnralise
Diversit
1
= ln
1
= ln
= lnq
= lnq
1
1
1+(1)
Calcul sous R : Les fonctions AlphaEntropy.MC, BetaEntropy.MC, GammaEntropy.MC et AlphaDiversity.MC, BetaDiversity.MC, GammaDiversity.MC permettent de
calculer les entropies et diversits. DivPart
calcule tout en mme temps :
> DivPart(q = 1, Paracou618.MC,
Biased = FALSE)
$TotalAlphaDiversity
[1] 91.70413
$TotalBetaDiversity
[1] 1.464258
$GammaDiversity
[1] 134.2786
$CommunityAlphaDiversities
P006
P018
81.6996 107.0175
$TotalAlphaEntropy
[1] 4.518567
$TotalBetaEntropy
[1] 0.3813489
$GammaEntropy
[1] 4.899916
$CommunityAlphaEntropies
P006
P018
4.403049 4.672992
Dcomposition du
nombre despces
Les rsultats gnraux se simplifient pour
= 0. Lentropie est le nombre despces
de la mta-communaut moins un ( 0 =
1), lentropie est la moyenne pondre du nombre despces des communauts
moins un ( 0 = 1), lentropie est la
diffrence : 0 = .
En termes de diversit :
0
(71)
peut tre suprieur au nombre de communauts (Chao et al., 2012) si les poids
sont trs ingaux, ce qui complique son interprtation. La pondration de Jost donne
pour le nombre despces le mme poids
toutes les communauts et garantit 0 ,
ce qui constitue pour Chao et al. un argument en faveur de son utilisation.
49
Mesures de la biodiversit
Dcomposition de
lindice de GiniSimpson
Lentropie de Simpson peut aussi tre dcompose comme une variance. La probabilit quun individu appartienne lespce
est . Elle suit une loi de Bernoulli, dont la
variance est (1 ). Cette variance peut
tre dcompose entre les communauts, o
la probabilit est . La dcomposition
entre variance intra et inter-communauts
est :
(1 )
= [ (1 ) + ( )2 ]
(72)
= + ( )2
= +
(73)
1
1
1
=
1 1 1
(74)
(75)
Synthse
La diversit mesure par lentropie gnralise peut tre dcompose dans tous les cas
de figure, y compris lorsque les poids des
communauts ne sont pas gaux. Les formules dentropie et de diversit sont rsumes dans le Tableau 4.
Lentropie de Shannon est un cas particulier
dans lequel toutes les controverses disparaissent : lentropie est indpendante de
lentropie , et la pondration de Jost se
confond avec celle de Routledge.
Lentropie de Simpson peut tre dcompose de deux faons : comme une variance
quand les poids des communauts sont donns par leurs effectifs, ou selon le cas gnral. Les deux dcompositions produisent les
mmes valeurs dentropie , mais la contribution de chaque communaut nest pas la
mme.
Lentropie peut tre dcompose hirarchiquement sur plusieurs niveaux (Crist et al.,
2003 ; Marcon et al., 2012).
Les probabilits doccurrence des espces ne
sont pas connues mais estimes partir des
donnes. Les diversits et sont sousestimes, la diversit surestime (Marcon
et al., 2012), dautant plus que lordre de
diversit est faible (le biais est ngligeable
au-del de lindice de Simpson). Des mthodes de correction existent (voir le chapitre prcdent), mais pas pour lentropie
lexception de Shannon. La mthode gnrale consiste donc corriger les entropies
et , calculer lentropie par diffrence et
transformer les rsultats en nombres quivalents (Marcon et al., submitted).
Enfin, il est possible (Crist et al., 2003) mais
controvers (Jones et Matloff, 1986) de tester la significativit de la diffrence entre
communauts. Une meilleure approche consiste calculer lintervalle de confiance de
la diversit due lincertitude sur les estimateurs de probabilits.
Famille
Genre
Espce
Total
Diversit et dcomposition
Le partitionnement de
la diversit selon Plissier et Couteron
Cadre
Un arbre moyen sil pouvait exister appartiendrait partiellement chaque espce, proportionnellement son effectif. Chaque
arbre apporte une quantit dinformation
gale la somme sur toutes les espces des
carts quadratiques entre la valeur , indicatrice de son appartenance lespce , et
la valeur correspondant larbre moyen :
Fort
Placette
Parcelle
Arbre
Total
+ = + = 1
51
Mesures de la biodiversit
( )2. La somme peut tre pondre pour donner une importance plus ou
moins grande des espces selon leur frquence : ( )2. La mesure totale, somme sur tous les arbres, est note
:
= ( )2
(76)
Dcomposition
Lintrt de la mthode est de permettre
lutilisation de modles linaires et des outils informatiques associs classiques pour
dcomposer la diversit de diffrentes manires (Plissier et Couteron, 2007). Nous
nous intresserons ici la dcomposition de
la diversit totale en diversits et .
Dans ce cadre, la diversit est la partie
explique par le modle (les diffrentes
communauts sont les paramtres explica-
52
(77)
DIVERSIT FONCTIONNELLE ET
PHYLOGNTIQUE
Les mesures neutres de la diversit considrent que toutes les classes auxquelles les
objets appartiennent sont diffrentes, sans
que certaines soient plus diffrentes que
dautres. Par exemple, toutes les espces
sont quidistantes les unes des autres,
quelles appartiennent au mme genre ou
des familles diffrentes. Intuitivement,
lide quune communaut de espces
toutes de genres diffrents est plus diverse
quune communaut de espces du mme
genre est satisfaisante.
Il sagit donc de caractriser la diffrence
entre deux classes dobjets, puis de construire des mesures de diversit en rapport
(Cousins, 1991).
Cadre
Dissimilarit et distance
Une similarit ou dissimilarit est toute application valeurs numriques qui permet
de mesurer le lien entre les individus dun
mme ensemble ou entre les variables. Pour
une similarit le lien est dautant plus fort
que sa valeur est grande.
Un indice de dissimilarit (on peut dire
une dissimilarit) vrifie ( et sont deux
individus) :
Mesures de la biodiversit
Distance phylogntique
La faon la plus vidente de dfinir une distance entre espces est dutiliser la taxonomie, en attribuant une distance arbitraire
(par exemple 1) deux espces du mme
genre, une autre (par exemple 2) deux espces de la mme famille, etc. La distance
dfinie est ultramtrique.
La taxonomie peut tre remplace avantageusement par une phylognie. La phylognie idale contiendrait lhistoire volutive de
toutes les espces et les distances seraient
les temps de divergence depuis le premier
anctre commun. En pratique, les phylognies sont tablies partir dun nombre de
marqueurs gntiques limits, sans datation
prcise (mais avec des calages partiels
partir de fossiles), et ne sont pas toujours
ultramtriques. Elles peuvent prendre en
compte chaque individu, sans regroupement
par espce.
Dans tous les cas, la distance est une mesure
de la divergence volutive.
Distance fonctionnelle
Lapproche fonctionnelle est diffrente.
Chaque espce ou individu est reprsent
par ses valeurs de traits dans un espace multidimensionnel. Le vecteur de traits est considr comme un proxy de la niche cologique. Les individus proches dans lespace
des traits sont donc considrs comme
proche cologiquement. Les distances entre
les points peuvent tre calcules directement
dans lespace des traits ou, plus frquemment, un arbre est construit par classification
automatique hirarchique.
54
Pour une variable quantitative, la diffrence de valeur entre deux espces est
normalise par ltendue des valeurs de la
variable,
Les variables ordonnes sont remplaces
par leur rang et traites comme les variables quantitatives
Pour des variables qualitatives, la dissimilarit vaut 0 ou 1,
Les valeurs manquantes sont simplement
ignores et nentrent pas dans la moyenne.
Figure 25 : Rgularit contre irrgularit (Regularity vs. Skewness). Les arbres de A D sont de plus en plus
irrguliers. Larbre A, parfaitement rgulier, est le cadre des mesures classiques de la diversit. La phylognie
tant donne, trois vecteurs dabondance (P1 P3) sont de moins en moins rguliers : dans les cas C et D, la
rgularit maximale nest pas obtenue pour des effectifs identiques, mais en augmentant les effectifs des espces originales (voir Maximum thorique, page 57). La figure est issue de Pavoine et Bonsall (2011, fig. 1)
55
Mesures de la biodiversit
Biais dchantillonnage
Indice de Rao
FD et PD
Principe
Formalisation
Les espces sont prises deux deux et sont
donc indices ici par et
() =
(78)
Discussion
La dfinition de la distance est essentielle :
Calcul sous R
Le package entropart fournit la fonction
Rao.P :
> # Vecteur des probabilits
> Ps <- Paracou618.MC$Ps
> Rao.P(Ps, Paracou618.Taxonomy)
[1] 0.9593776
divc peut traiter plusieurs communauts simultanment ; Rao.P peut tre utilis avec la
fonction apply :
> divc(as.data.frame
(Paracou618.MC$Psi),
Paracou618.Taxonomy$Wdist)
diversity
P006 2.820856
P018 2.876405
> apply(Paracou618.MC$Psi, 2,
Rao.P, Paracou618.Taxonomy)
P006
P018
2.820856 2.876405
Maximum thorique
Pavoine et al. (2005a) ont dfini loriginalit
dune espce comme sa frquence maximisant lentropie quadratique, sachant la matrice de distances entre espces. Les espces
les plus originales sont celles ayant le moins
despces proches dans la classification.
Loriginalit nest pas intressante dans une
taxonomie : une phylognie doit tre cre
pour illustrer cette notion. Le fichier
rao.traits.csv contient une espce par ligne,
identifie par le champ Code, et un certain
nombre de valeurs de traits en colonnes.
> # Lecture des donnes : traits
pour 34 espces
> read.csv2
("http://www.ecofog.gf/IMG/csv/rao.
traits.csv", row.names=1,
header=T)-> traits
Gm
1.454455
1.493502
1.963457
1.305796
Mesures de la biodiversit
Thick
CvsN
SLA
Ef
Gm
d=
Am
Vm
Sr
Me
Dg
Ess
S1
Ess
Sr
Bg
Me
SLA
Thick
S1
Am
CvsN
Bg
Gm
Ef
Vm
Dg
-1.5
10
8
6
Height
4
Vm
Ef
Bg
S1
Me
Ess
Sr
2
0
2.5
Cluster Dendrogram
dist(pcaf$tab)
hclust (*, "ward")
58
> dotchart.phylog(phyf,
originality(phyf, 5))
QEbased
-1
Il contient 4 communauts.
Dcomposition
, = 2
+ ,
(80)
(79)
59
Mesures de la biodiversit
60
$TotalBetaEntropy
[1] 0.2362187
$GammaEntropy
[1] 5.870667
Alternatives
Guiasu et Guiasu (2011) proposent lindice
introduit plus haut :
GSW = (1 )
(81)
Izsk et Pavoine (2011) proposent deux variantes de lindice de Rao dans lesquelles la
distance entre espces dpend de leurs probabilits :
L1 = ( )2
L2 = (ln ln )2
(82)
FAD et MFAD
Les indices FAD et MFAD sont des mesures
de divergence non pondres.
FAD a t propos par Walker et al. (1999),
partir dune matrice de distances dans
lespace des traits (non ultramtrique).
est la distance entre deux espces indices
par et l, alors :
FAD =
(83)
(84)
Mesures dentropie
phylogntique
Gnralisation de lentropie
HCDT
Hp et I1
Simultanment, Pavoine et al. (2009) et
Allen et al. (2009) ont propos la gnralisation de lindice de Shannon la diversit
phylogntique. La prsentation de Allen et
al. est donne ici, celle de Pavoine et al.,
plus gnrale, sera dtaille dans le paragraphe suivant.
tant donn une phylognie, comme celle de
la Figure 26, on dfinit pour la branche :
(), la somme des probabilits des feuilles
de la branche, () la longueur la branche.
Par exemple, sur la figure, la branche a
une valeur () gale la somme des probabilits doccurrence des espces 4 et 5
alors que () est seulement la probabilit
de lespce 5.
Lindice dentropie phylogntique est :
= () () ln ()
b
(85)
Pavoine et al. (2009) dcoupent larbre phylogntique en priodes. partir de la racine de larbre, une nouvelle priode est
dfinie chaque ramification dune branche
quelconque. Les dbuts et fins de priodes
sont nots , la racine de larbre est fixe
0 = 0. Larbre est ultramtrique.
Mesures de la biodiversit
() :
() =
=1
(86)
Biais dchantillonnage
La correction du biais dchantillonnage
applicable lentropie gnralise lest aussi
chaque priode de larbre. Les biais sont
de moins en moins importants quand on se
rapproche de la racine de larbre (il est de
moins en moins probable de ne pas observer
une classe quand les classes sont de plus en
plus vastes).
Le package entropart fournit les fonctions
PhyloEntropy.P et PhyloEntropy.N pour
() partir dun vecteur de procalculer
62
Entropie et diversit
Lentropie
() =
()
(87)
() =
1
1
(88)
()
()
=
=
() =
= lnq
(91)
Dcomposition
=
() + ()
()
$Total
[1] 25.16819
()
Lentropie est :
(90)
> data(Paracou618)
> DivPart(q = 1, Paracou618.MC,
Biased = FALSE,
Tree=Paracou618.Taxonomy)
$TotalAlphaDiversity
[1] 42.70238
$TotalBetaDiversity
[1] 1.291119
$GammaDiversity
[1] 55.13383
$CommunityAlphaDiversities
P006
P018
37.22132 51.31045
$TotalAlphaEntropy
[1] 3.754255
$TotalBetaEntropy
[1] 0.2555089
$GammaEntropy
[1] 4.009764
63
Mesures de la biodiversit
1.0
0.5
0.0
diversity
1.5
2.0
$CommunityAlphaEntropies
P006
P018
3.616882 3.937894
20
40
60
80
100
120
/ diversity
Figure 33 : Reprsentation graphique de la diversit des deux parcelles du jeu de donnes Paracou618. Les rectangles transparents reprsentent
la diversit neutre, les rectangles hachurs la diversit phylogntique (larbre est la taxonomie
des espces, = ). Dans chaque cas, le rectangle
le plus large, de hauteur 1, reprsente la diversit
. Le rectangle plus haut a pour largeur et longueur les diversits et . Les surfaces des deux
rectangles sont identiques.
> data(Paracou618)
> q <- 1
> (Neutre <- DivPart(q,
Paracou618.MC, Biased = FALSE))
> plot(c(0, Neutre$GammaDiversity),
c(0, Paracou618.MC$Ncommunities),
type = "n", xlab =
expression(paste(alpha, " / ",
gamma, " diversity")), ylab =
expression(paste(beta, "
diversity")))
> rect(0, 0, Neutre$GammaDiversity,
1, lty=2)
> rect(0, 0,
Neutre$TotalAlphaDiversity,
Neutre$TotalBetaDiversity, lty=2)
> (Phylo <- DivPart(q,
Paracou618.MC, Biased = FALSE,
Tree=Paracou618.Taxonomy))
> rect(0, 0, Phylo$GammaDiversity,
1, angle=135, density=10)
> rect(0, 0,
Phylo$TotalAlphaDiversity,
Phylo$TotalBetaDiversity,
density=10)
64
Rgularit
Lindice + (Clarke et Warwick, 2001) mesure la variance des distances entre paires
despces :
2
=
( 1)
+
(92)
65
CONCLUSION
La biodiversit peut tre mesure de faon
claire et rigoureuse en utilisant lentropie
phylogntique.
Diversit phylogntique
PD / FD
Entropie
phylogntique
I1 / Hp
Rao
q quelconque
Entropie de
Tsallis
q =0, 1 ou 2
Richesse
Shannon
Simpson
Diversit neutre
Figure 35 : Arbre phylogntique hypothtique
non ultramtrique (Chao et al., 2010, figure 1b).
Cette mesure gnralise les indices de diversit classique (Figure 35), traduit clairement
la correspondance entre lentropie et la diversit au sens strict, intgre si ncessaire la
distance entre espces, peut tre dcompose et corrige des biais destimation. Sa
67
BIBLIOGRAPHIE
Adelman, M. A. (1969). Comment on the "H" Concentration Measure as a Numbers-Equivalent.
The Review of Economics and Statistics 51(1): 99-101.
Allen, B., Kon, M. et Bar-Yam, Y. (2009). A New Phylogenetic Diversity Measure
Generalizing the Shannon Index and Its Application to Phyllostomid Bats. American
Naturalist 174(2): 236-243.
Alonso, D. et McKane, A. J. (2004). Sampling Hubbell's neutral theory of biodiversity. Ecology
Letters 7(10): 901-910.
Arrhenius, O. (1921). Species and Area. Journal of Ecology 9(1): 9599.
Baraloto, C., Paine, C. E. T., Poorter, L., Beauchene, J., Bonal, D., Domenach, A. M.,
Herault, B., Patino, S., Roggy, J. C. et Chave, J. (2010a). Decoupled leaf and stem
economics in rain forest trees. Ecology Letters 13(11): 1338-1347.
Baraloto, C., Paine, C. E. T. P., Patio, S., Bonal, D., Hrault, B. et Chave, J. (2010b).
Functional trait variation and sampling strategies in species rich plant communities.
Functional Ecology 24: 208-216.
Baselga, A. (2010). Multiplicative partition of true diversity yields independent alpha and beta
components; additive partition does not. Ecology 91(7): 1974-1981.
Basharin, G. P. (1959). On a Statistical Estimate for the Entropy of a Sequence of Independent
Random Variables. Theory of Probability and its Applications 4(3): 333-336.
Beck, J. et Schwanghart, W. (2010). Comparing measures of species diversity from incomplete
inventories: an update. Methods in Ecology and Evolution 1(1): 38-44.
Berger, W. H. et Parker, F. L. (1970). Diversity of planktonic foraminifera in deep-sea
sediments. Science 168(3937): 1345-1347.
Bonachela, J. A., Hinrichsen, H. et Muoz, M. A. (2008). Entropy estimates of small data sets.
Journal of Physics A: Mathematical and Theoretical 41(202001): 1-9.
Bordenave, B. G. et De Granville, J. J. (1998). Les mesures de la biodiversit : un outil de
conservation en fort guyanaise. JATBA, Revue d'Ethnobiologie 40(1-2): 433-446.
Bordenave, B. G., De Granville, J. J. et Steyn, K. (2011). Quantitative botanical diversity
descriptors to set conservation priorities in Bakhuis Mountains rainforest, Suriname.
Botanical Journal of the Linnean Society 167(1): 94-130.
Borland, L., Plastino, A. R. et Tsallis, C. (1998). Information gain within nonextensive
thermostatistics. Journal of Mathematical Physics 39(12): 6490-6501.
Bourguignon, F. (1979). Decomposable Income Inequality Measures. Econometrica 47(4): 901920.
Braun-Blanquet, J. (1928). Pflanzensoziologie: Grundzge der Vegetationskunde. Springer,
Berlin
Brillouin, L. (1962). Science and information theory. Academic Press, Oxford
Brose, U., Martinez, N. D. et Williams, R. J. (2003). Estimating species richness: Sensitivity to
sample coverage and insensitivity to spatial patterns. Ecology 84(9): 2364-2377.
69
Mesures de la biodiversit
70
Bibliographie
Clench, H. K. (1979). How to make regional lists of butterflies: some thoughts. Journal of the
Lepidopterists' Society 33(4): 216-231.
Coleman, B. D. (1981). On random placement and species-area relations. Mathematical
Biosciences 54(3-4): 191-215.
Conceio, P. et Ferreira, P. (2000). The Young Persons Guide to the Theil Index: Suggesting
Intuitive Interpretations and Exploring Analytical Applications. UTIP Working Paper, 14,
Austin, Texas: 54 p.
Condit, R., Hubbell, S. P., Lafrankie, J. V., Sukumar, R., Manokaran, N., Foster, R. B. et
Ashton, P. S. (1996). Species-Area and Species-Individual Relationships for Tropical
Trees: A Comparison of Three 50-ha Plots. Journal of Ecology 84(4): 549-562.
Connor, E. F. et McCoy, E. D. (1979). The Statistics and Biology of the Species-Area
Relationship. The American Naturalist 113(6): 791-833.
Cornelissen, J. H. C., Lavorel, S., Garnier, E., Diaz, S., Buchmann, N., Gurvich, D. E.,
Reich, P. B., Steege, H. t., Morgan, H. D., Heijden, M. G. A. v. d., Pausas, J. G. et
Poorter, H. (2003). A handbook of protocols for standardised and easy measurement of
plant functional traits worldwide. Australian Journal of Botany 51(4): 335-380.
Cousins, S. H. (1991). Species diversity measurement: Choosing the right index. Trends in
Ecology and Evolution 6(6): 190-192.
Couteron, P. et Plissier, R. (2004). Additive apportioning of species diversity: towards more
sophisticated models and analyses. Oikos 107(1): 215-221.
Crist, T. O., Veech, J. A., Gering, J. C. et Summerville, K. S. (2003). Partitioning species
diversity across landscapes and regions: A hierarchical analysis of alpha, beta, and gamma
diversity. The American Naturalist 162(6): 734-743.
Dalton, H. (1920). The measurement of the inequality of incomes. The Economic Journal
30(119): 348-361.
Darczy, Z. (1970). Generalized information functions. Information and Control 16(1): 36-51.
Dauby, G. et Hardy, O. J. (2012). Sampled-based estimation of diversity sensu stricto by
transforming Hurlbert diversities into effective number of species. Ecography 35(7): 661672.
Davis, H. T. (1941). The theory of econometrics. The Principia Press, Bloomington, Indiana
Drakare, S., Lennon, J. J. et Hillebrand, H. (2006). The imprint of the geographical,
evolutionary and ecological context on speciesarea relationships. Ecology Letters 9(2):
215-227.
Ellison, A. M. (2010). Partitioning diversity. Ecology 91(7): 1962-1963.
Eren, M. I., Chao, A., Hwang, W. H. et Colwell, R. K. (2012). Estimating the Richness of a
Population When the Maximum Number of Classes Is Fixed: A Nonparametric Solution to
an Archaeological Problem. PLoS One 7(5).
Esty, W. W. (1983). A Normal Limit Law for a Nonparametric Estimator of the Coverage of a
Random Sample. The Annals of Statistics 11(3): 905-912.
Faith, D. P. (1992). Conservation evaluation and phylogenetic diversity. Biological
Conservation 61(1): 1-10.
71
Mesures de la biodiversit
Fisher, R. A., Corbet, A. S. et Williams, C. B. (1943). The relation between the number of
species and the number of individuals in a random sample of an animal population.
Journal of Animal Ecology 12: 42-58.
Grcia Martn, H. et Goldenfeld, N. (2006). On the origin and robustness of power-law
species-area relationships in ecology. Proceedings of the National Academy of Sciences
103(27): 10310-10315.
Gaston, K. J. (2000). Global patterns in biodiversity. Nature 405(6783): 220-227.
Gini, C. (1912). Variabilit e mutabilit. Studi Economico-Giuridici dellUniversit di Cagliari,
Universit di Cagliari. 3: 1-158.
Gleason, H. A. (1922). On the Relation Between Species and Area. Ecology 3(2): 158-162.
Good, I. J. (1953). On the Population Frequency of Species and the Estimation of Population
Parameters. Biometrika 40(3/4): 237-264.
Gotelli, N. J. et Colwell, R. K. (2001). Quantifying biodiversity: procedures and pitfalls in the
measurement and comparison of species richness. Ecology Letters 4(4): 379-391.
Gower, J. C. (1971). A General Coefficient of Similarity and Some of Its Properties. Biometrics
27(4): 857-871.
Grassberger, P. (1988). Finite sample corrections to entropy and dimension estimates. Physics
Letters A 128(67): 369-373.
Grassberger, P. (2003). Entropy Estimates from Insufficient Samplings. ArXiv Physics e-prints
0307138.
Grilli, J., Azaele, S., Banavar, J. R. et Maritan, A. (2012). Spatial aggregation and the
speciesarea relationship across scales. Journal of Theoretical Biology 313(0): 87-97.
Guiasu, R. C. et Guiasu, S. (2011). The weighted quadratic index of biodiversity for pairs of
species: a generalization of Raos index. Natural Science 3(9): 795-801.
Hankin, R. K. S. (2007). Introducing untb, an R Package For Simulating Ecological Drift Under
the Unified Neutral Theory of Biodiversity. Journal of Statistical Software 22(12): 1-15.
Hardy, O. J. (2010). BiodivR 1.2. A program to compute statistically unbiased indices of species
diversity within sample and species similarity between samples using rarefaction
principles. http://ebe.ulb.ac.be/ebe/Software.html.
Hardy, O. J. et Jost, L. (2008). Interpreting and estimating measures of community
phylogenetic structuring. Journal of Ecology 96(5): 849-852.
Hardy, O. J. et Senterre, B. (2007). Characterizing the phylogenetic structure of communities
by an additive partitioning of phylogenetic diversity. Journal of Ecology 95(3): 493-506.
Harte, J., Kinzig, A. et Green, J. (1999). Self-similarity in the distribution and abundance of
species. Science 284(5412): 334-336.
Havrda, J. et Charvt, F. (1967). Quantification method of classification processes. Concept of
structural -entropy. Kybernetika 3(1): 30-35.
Hill, M. O. (1973). Diversity and Evenness: A Unifying Notation and Its Consequences.
Ecology 54(2): 427-432.
Hoffmann, S. et Hoffmann, A. (2008). Is there a true diversity? Ecological Economics 65(2):
213-215.
Horvitz, D. G. et Thompson, D. J. (1952). A generalization of sampling without replacement
from a finite universe. Journal of the American Statistical Association 47(260): 663-685.
72
Bibliographie
Hubbell, S. P. (2001). The unified neutral theory of biodiversity and biogeography. Princeton
University Press
Hubbell, S. P., Condit, R. et Foster, R. B. (2005). Barro Colorado Forest Census Plot Data.
https://ctfs.arnarb.harvard.edu/webatlas/datasets/bci.
Hurlbert, S. H. (1971). The Nonconcept of Species Diversity: A Critique and Alternative
Parameters. Ecology 52(4): 577-586.
Izsk, J. et Pavoine, S. (2011). New concentration measures as kinds of the quadratic entropy.
Ecological Indicators 11(2): 540-544.
Izsk, J. et Pavoine, S. (2012). Links between the species abundance distribution and the shape
of the corresponding rank abundance curve. Ecological Indicators 14(1): 1-6.
Jensen, J. L. W. V. (1906). Sur les fonctions convexes et les ingalits entre les valeurs
moyennes. Acta Mathematica 30(1): 175-193.
Jones, D. et Matloff, N. (1986). Statistical Hypothesis Testing in Biology: A Contradiction in
Terms. Journal of Economic Entomology 79(5): 1156-1160.
Jost, L. (2006). Entropy and diversity. Oikos 113(2): 363-375.
Jost, L. (2007). Partitioning diversity into independent alpha and beta components. Ecology
88(10): 2427-2439.
Jost, L. (2008). GST and its relatives do not measure differentiation. Molecular Ecology 17(18):
4015-4026.
Jost, L. (2009). Mismeasuring biological diversity: Response to Hoffmann and Hoffmann
(2008). Ecological Economics 68: 925-928.
Jost, L. (2010). Independence of alpha and beta diversities. Ecology 91(7): 1969-1994.
Jurasinski, G., Retzer, V. et Beierkuhnlein, C. (2009). Inventory, differentiation, and
proportional diversity: a consistent terminology for quantifying species diversity.
Oecologia 159(1): 15-26.
Kempton, R. A. et Taylor, L. R. (1974). Log-series and log-normal parameters as diversity
discriminators for Lepidoptera. Journal of Animal Ecology 43(2): 381-399.
Kempton, R. A. et Taylor, L. R. (1976). Models and statistics for species diversity. Nature
262(5571): 818-820.
Kempton, R. A. et Wedderburn, R. W. M. (1978). A comparison of three measures of species
diversity. Biometrics 34: 25-37.
Keylock, C. J. (2005). Simpson diversity and the Shannon-Wiener index as special cases of a
generalized entropy. Oikos 109(1): 203-207.
Kindt, R., Van Damme, P. et Simons, A. J. (2006). Tree diversity in western Kenya: Using
profiles to characterise richness and evenness. Biodiversity and Conservation 15(4): 12531270.
Krishnamani, R., Kumar, A. et Harte, J. (2004). Estimating species richness at large spatial
scales using data from small discrete plots. Ecography 27(5): 637-642.
Kullback, S. et Leibler, R. A. (1951). On Information and Sufficiency. The Annals of
Mathematical Statistics 22(1): 79-86.
Lande, R. (1996). Statistics and partitioning of species diversity, and similarity among multiple
communities. Oikos 76: 5-13.
73
Mesures de la biodiversit
Bibliographie
processus.
Mesures de la biodiversit
Application to rockfish (genus: Sebastes) in the Southern California Bight. Ecology Letters
12(9): 898-908.
Pavoine, S., Ollier, S. et Dufour, A.-B. (2005a). Is the originality of a species measurable?
Ecology Letters 8: 579586.
Pavoine, S., Ollier, S. et Pontier, D. (2005b). Measuring, diversity from dissimilarities with
Rao's quadratic entropy: Are any dissimilarities suitable? Theoretical Population Biology
67(4): 231-239.
Plissier, R. et Couteron, P. (2007). An operational, additive framework for species diversity
partitioning and beta-diversity analysis. Journal of Ecology 95(2): 294-300.
Plissier, R., Couteron, P., Dray, S. et Sabatier, D. (2003). Consistency between ordination
techniques and diversity measurements: Two strategies for species occurrence data.
Ecology 84(1): 242-251.
Petchey, O. L. et Gaston, K. J. (2002). Functional diversity (FD), species richness and
community composition. Ecology Letters 5: 402-411.
Pielou, E. C. (1966a). The measurement of diversity in different types of biological collections.
Journal of Theoretical Biology 13(C): 131-144.
Pielou, E. C. (1966b). Species-diversity and pattern-diversity in the study of ecological
succession. Journal of Theoretical Biology 10(2): 370-383.
Pielou, E. C. (1969). An Introduction to Mathematical Ecology. Wiley, New York. 286
Pielou, E. C. (1975). Ecological Diversity. Wiley, New York
Plotkin, J. B., Potts, M. D., Yu, D. W., Bunyavejchewin, S., Condit, R., Foster, R. B.,
Hubbell, S. P., LaFrankie, J., Manokaran, N., Lee, H.-S., Sukumar, R., Nowak, M. A.
et Ashton, P. S. (2000). Predicting species diversity in tropical forests. Proceedings of the
National Academy of Sciences of the United States of America 97(20): 10850-10854.
Podani, J. (1999). Extending Gower's General Coefficient of Similarity to Ordinal Characters.
Taxon 48(2): 331-340.
Podani, J. et Schmera, D. (2006). On dendrogram-based measures of functional diversity.
Oikos 115(1): 179-185.
Preston, F. W. (1948). The Commonness, And Rarity, of Species. Ecology 29(3): 254-283.
Preston, F. W. (1960). Time and Space and the Variation of Species. Ecology 41(4): 611-627.
Preston, F. W. (1962). The Canonical Distribution of Commonness and Rarity: Part I. Ecology
43(2): 185-215.
R Development Core Team (2013). R: A Language and Environment for Statistical Computing.
R Foundation for Statistical Computing. http://www.R-project.org.
Rao, C. R. (1982). Diversity and dissimilarity coefficients: a unified approach. Theoretical
Population Biology 21(24-43).
Rnyi, A. (1961). On Measures of Entropy and Information. 4th Berkeley Symposium on
Mathematical Statistics and Probability, Berkeley, USA, University of California Press.
Ricotta, C. (2003). On parametric evenness measures. Journal of Theoretical Biology 222(2):
189-197.
Ricotta, C. (2005). Additive partitioning of Rao's quadratic diversity: a hierarchical approach.
Ecological Modelling 183(4): 365-371.
76
Bibliographie
Ricotta, C. (2007). A semantic taxonomy for diversity measures. Acta Biotheoretica 55(1): 2333.
Ricotta, C. (2010). On beta diversity decomposition: Trouble shared is not trouble halved.
Ecology 91(7): 1981-1983.
Ricotta, C. et Avena, G. (2003). An information-theoretical measure of -diversity. Plant
Biosystems 137(1): 57 - 61.
Ricotta, C., De Zuliani, E. et Pacini, A. (2001). On the mutual relatedness of evenness
measures. Community Ecology 2(1): 51-56.
Routledge, R. D. (1979). Diversity indices: Which ones are admissible? Journal of Theoretical
Biology 76(4): 503-515.
Scheiner, S. M. (2003). Six types of species-area curves. Global Ecology and Biogeography
12(6): 441-447.
Schmera, D., Ers, T. et Podani, J. (2009). A measure for assessing functional diversity in
ecological communities. Aquatic Ecology 43(1): 157-167.
Schulte, R. P. O., Lantinga, E. A. et Hawkins, M. J. (2005). A new family of Fisher-curves
estimates Fisher's alpha more accurately. Journal of Theoretical Biology 232(3): 305-313.
Schrmann, T. (2004). Bias analysis in entropy estimation. Journal of Physics A: Mathematical
and Theoretical 37(27): L295-L301.
Shannon, C. E. (1948). A Mathematical Theory of Communication. The Bell System Technical
Journal 27: 379423, 623656.
Shannon, C. E. et Weaver, W. (1963). The Mathematical Theory of Communication. University
of Illinois Press
Shen, T.-J., Chao, A. et Lin, C.-F. (2003). Predicting the number of new species in a further
taxonomic sampling. Ecology 84: 798-804.
Shimatani, K. (2001). On the measurement of species diversity incorporating species
differences. Oikos 93(1): 135-147.
Simpson, E. H. (1949). Measurement of diversity. Nature 163(4148): 688.
Smith, B. et Wilson, J. B. (1996). A consumer's guide to evenness indices. Oikos 76(1): 70-82.
Sobern M., J. et Llorente B., J. (1993). The Use of Species Accumulation Functions for the
Prediction of Species Richness. Conservation Biology 7(3): 480-488.
Sokal, R. R. et Michener, C. D. (1958). A statistical method for evaluating systematic
relationships. The University of Kansas Science Bulletin 38(22): 1409-1438.
Swenson, N. G. et Enquist, B. J. (2009). Opposing assembly mechanisms in a Neotropical dry
forest: Implications for phylogenetic and functional community ecology. Ecology 90(8):
2161-2170.
Theil, H. (1967). Economics and Information Theory. Rand McNally and Company, Chicago
Tothmeresz, B. (1995). Comparison of different methods for diversity ordering. Journal of
Vegetation Science 6(2): 283-290.
Triantis, K. A., Guilhaumon, F. et Whittaker, R. J. (2012). The island speciesarea
relationship: biology and statistics. Journal of Biogeography 39(2): 215-231.
Tsallis, C. (1988). Possible generalization of Boltzmann-Gibbs statistics. Journal of Statistical
Physics 52(1): 479-487.
77
Mesures de la biodiversit
Tsallis, C. (1994). What are the numbers that experiments provide? Qumica Nova 17(6): 468471.
Tuomisto, H. (2010a). A diversity of beta diversities: straightening up a concept gone awry. Part
1. Defining beta diversity as a function of alpha and gamma diversity. Ecography 33(1): 222.
Tuomisto, H. (2010b). A diversity of beta diversities: straightening up a concept gone awry.
Part 2. Quantifying beta diversity and related phenomena. Ecography 33(1): 23-45.
Tuomisto, H. (2011). Commentary: do we have a consistent terminology for species diversity?
Yes, if we choose to use it. Oecologia 167(4): 903-911.
Tuomisto, H. (2012). An updated consumers guide to evenness and related indices. Oikos
121(8): 1203-1218.
Ulanowicz, R. E. (2001). Information theory in ecology. Computers & Chemistry 25(4): 393399.
Veech, J. A. et Crist, T. O. (2010a). Diversity partitioning without statistical independence of
alpha and beta. Ecology 91(7): 1964-1969.
Veech, J. A. et Crist, T. O. (2010b). Toward a unified view of diversity partitioning. Ecology
91(7): 1988-1992.
Veech, J. A., Summerville, K. S., Crist, T. O. et Gering, J. C. (2002). The additive
partitioning of species diversity: recent revival of an old idea. Oikos 99(1): 3-9.
Villeger, S. et Mouillot, D. (2008). Additive partitioning of diversity including species
differences: a comment on Hardy & Senterre (2007). Journal of Ecology 96(5): 845-848.
Volkov, I., Banavar, J. R., Hubbell, S. P. et Maritan, A. (2003). Neutral theory and relative
species abundance in ecology. Nature 424(6952): 1035-1037.
Walker, B., Kinzig, A. et Langridge, J. (1999). Original Articles: Plant Attribute Diversity,
Resilience, and Ecosystem Function: The Nature and Significance of Dominant and Minor
Species. Ecosystems 2(2): 95-113.
Wang, J.-P. (2010). Estimating species richness by a Poisson-compound gamma model.
Biometrika 97(3): 727-740.
Wang, J.-P. (2011). SPECIES: An R Package for Species Richness Estimation. Journal of
Statistical Software 40(9): 1-15.
Wang, J.-P., Lindsay, B., Cui, L., Wall, P. K., Marion, J., Zhang, J. et dePamphilis, C.
(2005). Gene capture prediction and overlap estimation in EST sequencing from one or
multiple libraries. BMC Bioinformatics 6(1): 300.
Webb, C. O. (2000). Exploring the phylogenetic structure of ecological communities: An
example for rain forest trees. American Naturalist 156(2): 145-155.
Whittaker, R. H. (1960). Vegetation of the Siskiyou Mountains, Oregon and California.
Ecological Monographs 30(3): 279-338.
Whittaker, R. H. (1965). Dominance and diversity in land plant communities. Science
147(3655): 250-260.
Whittaker, R. H. (1972). Evolution and Measurement of Species Diversity. Taxon 21(2/3): 213251.
Whittaker, R. H. (1977). Evolution of species diversity in land communities. Evolutionary
Biology 10: 1-67.
78
Bibliographie
79