Matériel, Méthodes et dispositifs

Les choix méthodologiques et les dispositifs de ces premières recherches ont été décrits dans la « section 1 » de la partie III.

321. Sources des informations enregistrées (rappel)

éléments rétrospectifs à partir de discussions avec les éleveurs des exploitations suivies et avec des agents de leurs services d’encadrement (syndicat groupement de producteurs et Centre de gestion et d’économie rurale), notamment sur les méthodes et modalités de mise en place des prairies, par questionnements ponctuels,

conditions de conduite des troupeaux, allotement, modalités de réorganisations des lots, affectations des lots dans les parcelles, îlots de parcelles, par suivis dans la durée,
modes de gestion et d’exploitation des parcelles pâturées, par suivis dans la durée,
relevés floristiques en période de « pic » d’expression de son cortège pour enregistrer

les fréquences spécifiques (l’état de la végétation) et la flore en présence (cortège). 322. Caractéristiques des données

Les variables étudiées (Cf. partie III section 153) sont de deux types (sur le plan biométrique) fondamentaux : variables à expliquer et variables explicatives. Elles se classent en trois groupes agroécologiques :

- variables non - contrôlées (liées au milieu biophysique), - variables contrôlées (résultant des pratiques de l’éleveur),

- variables d’état qui caractérisent notre objet de recherche => le relevé floristique et le couvert de la végétation des prairies pâturées.

323. Pré - traitements des données et des variables

Préalablement aux traitements de chaque base de données, nous avons procédé :

A] => à un examen brut des données par visualisation (figure n°96). A partir d’histogrammes il a été possible de visualiser les données erronées (dues à des erreurs de saisie) qui ont été corrigées.

Sélection des variables sur les caractéristiques chimiques et physico-chimiques du sol.

Figure n° 97 : Histogramme des valeurs propres cas de l’ACP des variables du milieu.

Tableau n° 12 : variables et codes sur le milieu de la 1ère campagnes

Figure n° 98 : Plan factoriel F1-F2 de l’ACP des variables du milieu

L’analyse a fait clairement apparaître la redondance des variables suivantes :

AESU et AESS ; VSU et VSS ; PSU et PSS ; CaSU et CaSS ; KSU et KSS ; MgSU et MgSS ; CSS, CSU, CESU, et CESS ; Al/TSU et AL/T SS.

Ceci est confirmé par l’analyse de la matrice des corrélations (Cf. la matrice de corrélation tableau IV) RC/NSU et RC/NSS sont proches sur le plan factoriel mais aucune de ces deux variables ne doit être supprimée car leur proximité apparente est le fait de leur projection sur un plan, alors que dans l’espace des variables elles sont distantes, comme en témoigne leur coefficient de corrélation faible.

D’un point de vue statistique, nous n’avons gardé pour ces couples redondants qu’une variable sur deux, au choix. Pour des raisons pratiques, nous avons préféré ne garder que les variables de surface, à savoir : AESU, VSU,PSU, CaSU, KSU, MgSU, Al/TSU, CSU.

Les seules variables dont les valeurs du sol de surface et du sol de profondeur sont significativement différentes sont : AKSS et AKSU ; RC/NSU et RC/NSS.

AKSU AKSS AESU AESS CSU CSS RC/NSU RC/NSS PSU PSS KSU KSS MgSU MgSS CaSU CaSS CESU CESS VSU VSS Al/T SU Al/T SS -1 1 -1 1

Nombre d'années depuis l'implantation Ans depuis 1e implan

pH KCl à 0-15cm AKSU pH KCl à 20-40cm AKSS pH eau à 0-15cm AESU pH eau à 20-40cm AESS Taux de C à 0-15cm (%) CSU Taux de C à 20-40cm (%) CSS Rapport C/N à 0-15cm RC/NSU Rapport C/N à 20-40cm RC/NSS

Phosphate à 0-15cm (meq/100g) PSU

Phosphate à 20-40cm (meq/100g) PSS

Potassium à 0-15cm (meq/100g) KSU

Potassium à 20-40cm (meq/100g) KSS

Magnésium à 0-15cm (meq/100g) MgSU

Magnésium à 20-40cm (meq/100g) MgSS

Calcium à 0-15cm (meq/100g) CaSU

Calcium (meq/100g) à 20-40cm CaSS

CEC (ou T) à 0-15cm (meq/100g) CESU

CEC (ou T) à 20-40cm (meq/100g) CESS

Taux de saturation du sol à 0-15cm (%) VSU

Taux de saturation du sol à 20-40cm (%) VSS

Rapport Al/T à 0-15cm (%) Al/T SU

Rapport Al/T à 20-40cm (%) Al/T SS

B] => des analyses préliminaires des variables agroécologiques qui ont permis de faire apparaître que :

• Les quatre stations des savanes spontanées (naturelles) et deux stations de deux parcelles, dont l’implantation était inférieure à un an, ne pouvaient pas fournir toutes les informations nécessaires à l’élaboration de la base de données à traiter. Par conséquent elles ont été retirées de la base de traitements.

• Le couplage explicatif : Milieu X Agronomie => Etat, nécessite d’avoir en vis-à-vis des tableaux de même dimension verticale (lignes / stations en commun). Par conséquent, même si l’on disposait de toutes données sur le milieu biophysique pour ces stations, celles-ci ne pouvaient pas être utilisées lors du couplage des différents types de variables. Nous avons donc fait le choix de ne pas les prendre en compte lors du traitement de l’ensemble des variables non contrôlées.

• Des variables apportaient peu d’informations pertinentes et discriminantes ou redondantes. Elles ont été éliminées de la base de données définitives pour ne pas brouiller les analyses - projections factorielles et obtenir un ration : nombre de variables (ou modalités) par nombre d’individus (stations) plus élevé (> à 2).

Pour réaliser ce tri, nous avons procédé à des Analyses en Composantes Principales (ACP) pour les variables quantitatives continues. C’est une méthode essentiellement descriptive qui effectue une ordination des quantités219. Une ACP sur certaines variables, notamment pédologiques (Fig. n° 98) nous a permis d’alléger le nombre de variables. Les autres ACP ont été effectuées pour rechercher (grâce aux projections) des familles de variables. Ces ACP ont aussi permis d’observer des groupes de sites aux caractéristiques voisines.

Sur le plan statistique, les variables sont à considérer soit comme des variables continues, soit des variables discrètes discontinues, exprimées en classes. Ceci a conduit pendant longtemps à traiter séparément les variables qualitatives (discrètes) et quantitatives (continues), la synthèse étant le fait de la personne qui doit interpréter les projections factorielles.

Il est toutefois possible de transformer les données des variables quantitatives en variables qualitatives en les transformant et les codant après avoir réalisé un découpage en classes des valeurs des individus (Bouroche et Saporta, 1980). Le tableau de contingence ainsi réalisé pouvait être traité par une Analyse Factorielle des Correspondances (AFC) ou plutôt une extension de cette analyse qui est l’Analyse Factorielle des Correspondances Multiples (AFCM ou ACM220) (Dervin, 1992).

Nous avons aussi tenu compte des corrélations directes entre variable, notamment pour les variables du milieu (Voir le Tab. n°13 : corrélations des variables continues du milieu).

219

L’ACP permet de structurer les variables et visualise leurs liaisons (Philippeau, 1992). 220

Alors que l’AFC met en correspondance deux ensembles de caractères (l’ensemble I des lignes et l’ensemble J des colonnes), l’AFCM croise un ensemble, celui des lignes, avec un second ensemble, celui des modalités de réponses à plusieurs “questions” (Dervin, 1992). Il s’agit sur l’aspect méthode à une généralisation de l’analyse canonique (Bouroche et Saporta, 1980).

Exemples des informations issues des analyses de sols qui ont été effectuées sur des échantillons de terre issus de prélèvements réalisés à deux profondeurs : 0-10 cm (profondeur qualifié de surface : SU) et à 20-40 cm (profondeur qualifiée de sous-sol : SS).

Ce premier traitement a donc pour but de détecter les variables redondantes pour les éliminer et ainsi réduire au minimum le nombre de variables2. Ce travail a porté sur des variables continues d’unités différentes (et d’ordres de grandeur différents) il a donc fallu effectuer une approche exploratoire par ACP normée (le nuage a été par ailleurs replacé à l’origine des axes par centrage)