HAL Id: inria-00398182
https://hal.inria.fr/inria-00398182
Submitted on 24 Jun 2009
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires
Fouille de données à l’aide de modèles stochastiques : segmentation temporo-spatiale des successsions de cultures d’un territoire agricole à l’aide de HMM2
El-Ghali Lazrak, Marc Benoît, Jean-Francois Mari
To cite this version:
El-Ghali Lazrak, Marc Benoît, Jean-Francois Mari. Fouille de données à l’aide de modèles stochas-
tiques : segmentation temporo-spatiale des successsions de cultures d’un territoire agricole à l’aide de
HMM2. STIC 2009 Environnement, Université du littoral, Jun 2009, Calais, France. �inria-00398182�
modèles stohastiques
Segmentation temporo-spatiale des suessions
de ultures
d'un territoire agriole à l'aide de HMM2
El Ghali Lazrak
1
Mar Benoît
1
Jean-FrançoisMari
1,2
1
: INRA,UR055,SADASTER
domaineduJoly,F-88500Mireourt
{lazrak,benoit}mireourt.inra.fr
2
: UMRCNRS7503et INRIA-GrandEst,LORIA
B.P.239F-54506Vand÷uvre-lès-Nany
jfmariloria.fr
Abstrat
We propose anoriginaldata miningmethodto segment agriultural
landsapesbasedonatemporospatialmodellingoftheirropsuessions.
Thismethodonsistsin(i)hoosingthelengthoftheropsuession,(ii)
hoosingthe spatialresolution to sampletheterritory,(iii) speifying a
oneptual modeltorepresent theropsuessions by meansofseond-
order HiddenMarkov Models, and (iv) nally segmentingthe territory
intohomogeneousareasthatwillbefurtherinvestigated.
Mots-lés: HMM2,segmentationtemporo-spatiale, fouillededonnées
keywords: HMM2,temporo-spatialsegmentation,datamining
1 Introdution
Dansunontextededéveloppementdurable,l'ativitéagriolesedoit,en-
treautresexigenes,depréserverlemilieunaturelqu'elleutiliseettrans-
forme. Représenterlarépartitiondel'ativitéagrioledansl'espaeàdes
éhelles ompatibles ave elles du déroulementd'enjeux environnemen-
taux et/oude proessus éologiques vadansle sensdes eorts visant à
préserveretàrétablirl'équilibredanslesagro-éosystèmes[15 ℄.
L'étudedessuessionsdeouvertsvégétauxpourreprésenterl'ativité
agriole d'un agro-système a été initiée, depuis la n du XIXe sièle,
éosystèmesnaturels[8 ℄. Lessuessionsdeulturesintègrentdiérentes
logiquesquiditent letravaildel'agriulteur. La fouille des suessions
deultures d'unterritoire apour objetif demettre à joures logiques
etdequantierleursimportanessurl'évolutiondespaysagesetl'impat
desontraintesagriolessurlabiodiversité.
Laméthodedefouillededonnéesprésentéedansetartile onsidère
le territoire agriole omme unemosaïque de parelles sur lesquellesse
trouvent des ouverts végétaux ou d'autres oupations tellesque bâti,
routes, .... La méthode onsiste (i)à hoisirla longueur de lasues-
sion temporelle d'oupations du sol (OCS), (ii) à hoisir la résolution
de l'éhantillonnage spatial, (iii) à dénir un modèle oneptuel pour
la représentation des suessions des OCS, et enn, (iv) à réer une
arte de paysages sous forme de zones homogènes vis-à-vis des sues-
sionsd'oupationdusoletderoiseretteinformationavelaprésene
/absenedesespèesanimalesonsidéréesquidégagerontdeszonesqu'il
faudraprospeterplusprofondément.
Après uneintrodution suivie de la présentation du matériel et des
méthodes,lapartie 3déritnotreappliationdanslaquellenousreher-
honslelienentresuessionsdeulturesetprésened'uneespèeanimale
protégéelebusarddeMontagudansun territoirede350Km2 dans l'OuestdelaFrane. Laonlusionesquisselasuitedeetravailprélim-
inairedefouillededonnéestemporellesetspatiales.
2 Matériels et méthodes
2.1 Les oupations du sol
Leterritoireagrioleétudié350Km2 danslaplaineéréalièredeNiort estenquêtédepuisplusde12ans. Laloalisationetlesoupationsde
sesparelles sont relevéeshaqueannée. Cetteenquêteeststokéedans
unsystèmed'informationgéographique(SIG)etestdestinéeàsuivreles
évolutionsdesoupationsetdesrotationsdeulturesnotammentene
qui onerne l'évolution des prairies : OCS essentielles pour la préser-
vationde ertainesespèesanimales protégées. L'ensembleonstitueun
gros orpus d'informations temporelles etspatiales possédant un niveau
dedétailssupérieuràequ'uneanalysed'imagessatellitespeutatuelle-
mentobtenir. Ceorpusestreprésentésouslaformed'unematriedans
laquelleles olonnes représentent les OCS annéepar annéeetles lignes
lesdiérentssitesenquêtés.
L'analyse des fréquenes moyennes annuelles des OCS alulées sur
les 12 années de la période d'étude fait ressortir 47 oupations du sol
delamatriede données. Lesexpertsagronomesles regroupentensuite
en10atégories(f. tableau 1)suivantunedémarhetenantomptede
lasimilitude des onduitesulturales. Sont retenues les OCS :Blé(B),
Tournesol(T),Colza(C),Urbain(U),Prairiesetluzernes(P),Maïs(M),
Forêtsetfrihes(F),Orged'hiver(O),raY-grass(Y),poiS(S)etAutres
(A).
d'oupationdusol umulée
Blé(B) blé, blébarbu,éréale 0.337
Tournesol(T) tournesol,ray-grasssuividetournesol 0.476
Colza (C) Colza 0.600
Urbain(U) bâti,péri-village,route 0.696
PrairiesetLuzernes
(P)
prairiepermanente,prairieannée1,prairie
temporaire(2-3ans),prairieâgeinonnu,
luzerne1an,luzerne2ans,luzerne3ans,
luzerne>3ans
0.6
Maïs(M) maïs, ray-grasssuividemaïs 0.850
Forêtsetfrihes(F) forêtouhaie,frihe 0.884
Orged'hiver(O) orge d'hiver 0.918
Ray-grass(Y) ray-grass,ray-grasssuivideray-grass 0.942
Pois(S) Pois 0.964
Autres(A) orge deprintemps,vigne,jahèrespontanée
juin,moha,lin,avoine,trèe,féverole,
ray-grasssuividelabour,ray-grasssuivi
d'inonnu,jahèrespontanéesuiviede
labour,mélangeéréalelégumineuse,ulture
printemps,moutarde,jardin/ulture
maraîhère,sorgho/millet,sorgho,millet,
labour,taba,autreulture
1.000
Table 1: Composition et fréquenes moyennes des atégories
d'oupationdusoladoptées
2.2 La mosaïque agriole
Leomposantdebasedansunterritoireagrioleestlaparelle:polygone
detaillevariablepossédantunouvertl'OCSetéventuellementhabitée
par une espèe animale. Elle est délimitée géographiquement par une
route,unhemin,...ouartiiellementparl'agriulteurquisubdivisele
territoiredesonexploitationpourrespeterunassolement:ensembledes
surfaes allouéesàhaqueulture. Les frontières desparelles hangent
haqueannée enfontion des hoix des agriulteurs(f. Fig. 1). Pour
teniromptedeehangement,les enquêteursdénissentl'ensembledes
miro-parellesommeétantl'uniondetouteslesintersetionsdeparelles
pendant la période d'étude. Il y a environ 20000 miro-parelles dans
le territoire étudié. Tous les points d'une miro-parelle n'ont hébergé
qu'unesuessiondeulturespendantlapérioded'étude.
L'analysespatialed'unterritoireagriolevuommeunemosaïquede
parellesdetaillequelonqueprésentedespartiularitésduesauxara-
téristiquesdesOCS.Dansl'analysespatialeduterritoire,laparellejoue
le rle d'un pixel de taille variable possédant plusieurs modalités : les
diérentesOCS.L'OCSd'uneparelleàl'instantts'insritdansunesu- essiontemporelled'OCSquiintègrelesavoir-fairedel'agriulteurquimet
envaleursonterritoireenfontiondediérenteslogiques. L'organisation
dansletempsimpliqueuneorganisationdansl'espae. Ainsil'OCSd'une
suessives. L'intersetiondesparellespendantette périodeaboutitàladéf-
initiondeseptmiro-parelles
etteparelleainsiquedesOCSdesparellesvoisines. Danslamosaïque
parellaire, le système de voisinage est irrégulier. Une parelle a un
nombrequelonquedeparellesavelesquellesellepartage unefrontière
ommune. Nous modélisons la mosaïque parellaire par un hamp de
Markov irrégulier dans lequel la parelle s'insrit dans une suession
temporelled'OCS.L'ensembleonstitueuneimagedesuessionsplutt
qu'unesuessiond'imagesetnepeutêtreétudiédiretementparlesmod-
èlesnumériquesd'imagesappliquésausuividetrajetoiresd'objets [14 ℄.
Enn, les territoires étudiés ne sont pas arrés etles parelles ajoutées
pourleurdonneruneformearréedoiventêtreennombreminimuman
denepasperturberlalassiationspatiale.
2.3 Modèles stohastiques pour représenter les
suessions de ultures de la mosaïque parellaire
2.3.1 Modèlespour représenterl'évolutiontemporelle
Les suessions de ouverts végétaux se prêtent bien à la modélisation
avedesmodèlesdeMarkov[11 ,5℄. Plusl'ordredumodèledeMarkovest
long,pluseluiipeutmodéliserdeslonguessuessionsetplusilintéresse
l'agronome. Les paramètresdu modèledeMarkovpeuventêtre estimés
parexpertise[5℄,ommeilspeuventêtreautomatiquementalulésàpar-
tird'unorpusd'observationsenutilisantdesalgorithmesd'apprentissage
omme eluide Baum-Welh [2 ℄ lorsqu'il s'agit de Modèles de Markov
ahés(HMM).Dansnotreas,nousavonsreproduitenadaptantladé-
marhedefouilleeetuéesurdesgrandsterritoiresenutilisantdesHMM
d'ordre2(HMM2)apablesdemodéliser[12 ,4 ,11 ℄desrotationsdeultures
surplusdedeuxans,equionstitueunavantagesurlesHMMd'ordre1.
LeHMMal'avantageomparéàlahaînedeMarkovdereprésenter
l'état du proessus parunedistribution surl'ensemble des observations
pluttqueparuneseuleobservationomme'estleasdansunehaîne
deMarkov. L'observationesthabituellementuneOCSouunesuession
temporellede2à4OCS.Ceipermetplusdesouplesse. EnnlesHMM
permettentunemodélisationspatiale. Cetravailmontrenosrésultatsen
lassiationenutilisant desHMM2 aussibien pourtraiterles dimensions
temporelle et spatiale des donnéese qui donne plus de ohérene aux
traitements.
2.3.2 ModèlespourreprésenterunhampspatialdeMarkov
LeshampsdeMarkovpermettentunelassiationnonsuperviséed'images
numériques[10,7,1 ℄.Pourontrerlapuissanedealulnéessaireàleurs
estimations, des méthodesapprohées à l'aide deourbesfratales par-
ourant leplan etsegmentéespar un HMMont étédéveloppées[3, 6 ℄. Le
modèleutilisé dansetartilepoursegmenterl'espaeutiliseladernière
approheets'appuiesurunHMM2proposé[12 ,11℄dansleadredel'analyse
desdonnéesspatio-temporellesTer-Utiquidénissentunmaillagespatial
régulier de la Frane. Nous l'avons adapté pour traiter des pixels de
taille diérente- les miro-parelles dans un système devoisinage ir-
de fratalisation s'ajusteà la taillede lamiro-parelle. Un proessus
réursiffusionne4pointssituéssurlaourbequandilsorrespondentau
motifgénérateuretqu'ilssont danslamêmemiro-parelle. La gure2
donneun exempledu paroursde lafratale dansunemosaïqueparel-
laireéhantillonnéeparuneimage16x16. Danslasuitedestraitements
spatiaux,leterritoireserareprésentéparlasuitedespointsdelafratale.
Figure2: Priseenomptedelatailledesparellesdansleparoursduplanpar
laourbefrataledeHilbert-Peano. L'exemplemontredeuxfusionssuessives
dans la parelle située en bas à gauhe aboutissant à l'agglomération de 16
pointsenunseul
2.3.3 Modèles pour représenter un hamp spatial de su-
essions : lesHMM hiérarhiques
Les HMM2 temporels etHMM2 spatiaux sont fusionnés dans un modèlede
Markov ahéhiérarhique(HHMM2) [9 ,13℄ etsegmentent lareprésenta-
tionspatialeduterritoireenzoneshomogènes,'estàdireonstituéesde
parelles dont lasuessiond'OCSest modéliséepar lemêmeHMM2. La
gure3donneun exempled'HMM2. L'ensembledes programmespermet-
tantlaspéiationdesHHMM2,leurapprentissageàl'aided'unorpusde
données, la segmentation enzones homogènes représentées par les états
ahés deHMM2 ainsique la réation des shapeles visualisant es zones
onstituent laboîte àoutils ARPEnTAg(Analyse deRégularitésdans
CarrotAge 1
utilisépourl'analysedessuessionsd'OCS.
1 //
2 //
3
1 //
2 //
3
a //
A A A A A A A A
oo b
~~}} }} }} }} }
c //
GG OO >> } } } } } } } } }
oo `` AA II d OO
AA AA AA
1 //
2 //
3
1 //
2 //
3
Figure3: Chaqueétata, b, , d duHHMM2 est unHMM2 temporel dontles états
sont1,2,3.
3 Appliation
Notrebutestd'identierlesrégularitéstemporellesentermesdesues-
sions
d'OCSpuisdeles loaliserdansleterritoireanderoiserleszones ho-
mogènesdéouvertes(pathes)avelaloalisationdes nidsdebusards
deMontaguespèeanimaleprotégéeonnueégalementdesenquêteurs.
3.1 Choix de la longueur des suessions etde la
résolution d'éhantillonnage
La hargedealul del'estimationdes paramètresdesHMMpeut êtreré-
duiteenontrlantdeuxfateurs: (i)latailledelamatrie desdonnées
àtraverslarésolution d'éhantillonnagespatial,(ii) etlalongueurdela
suessiond'oupationdusol.
Andedisposerd'unritèreobjetifpourlehoixdelarésolutionspa-
tiale,laperted'informationentermedediversitédessuessionsd'oupations
dusolaétéquantiéepourdesrésolutionsd'éhantillonnagedemoinsen
moinsélevées(f. Fig. 4(a)). Onremarquequ'unerésolutionde80mx
80mpermetd'obtenirunematriededonnées64foisplusréduitequela
matriededonnéesinitialeaveunepertedeseulement6%entermesde
diversitéd'information.
1
lieneGPL
suessions sur l'entropie du système. Nous avons omparé le nombre
desuessions diérentesà elles produites aléatoirement dansle même
territoire. ChaqueOCSesttiréeselonuneloiuniformesanstenirompte
nidesaloalisationnides OCSpréédentesaumêmeendroit. Lagure
4(b)montrequ'àpartird'unelongueurdesuessionde4années,lazone
d'étudeommeneàsedistinguernettementdumodèleoùlessuessions
sonthoisiesdemanièrealéatoiredanslazoned'étude.
(a) Nbr.desuessionsvsrésolutionspatiale (b)Nbr.desuessionsvsduréedelasues-
sion
Figure 4: (a) Évolution de la diversité spatiale en fontion de la résolution
d'éhantillonnage. (b)Comparaisondeladiversitédessuessionsd'oupations
du sol entre les données réelles d'oupation du sol et des données générées
aléatoirementpourdiérenteslongueursdesuessions
3.2 Inuenedelarésolutionspatialesurlalongueur
de la ourbe fratale
Le SIGpermet de dénirune image raster en appliquant une grille de
pointsrégulièrementespaés. LeparoursdeHilbert-Peanosurunegrille
depointssedéterminefailementquandlagrilleestunarrédeoté2n.
Diérentestaillesd'imagede4096à256orrespondantàdesrésolutions
spatialesde10à160mètresont étéhoisiespourontenirleterritoire
d'étude. Pour insérer le territoire d'étudedansune image arrée, nous
l'entourons d'une grande miro-parelle onstituée de points blans
possédantl'oupationHorszone. La table2montrelarédutiondela
longueurdelafrataleenfontiondelarésolutionspatiale. Laolonne4
donnelenombredepointsdel'imagesituéssurleterritoire.
Onremarquequ'unerésolutionde160mètresneproureauun gain
;iln'ypaseud'agglomérationdepointsàl'intérieurd'unemêmemiro-
parellesaufpourlamiro-parelleblanheonstituéedespointsHors
zone. La fratale passe partous les pointséhantillonnésdu territoire.
Environ 95% des miro-parelles ont moins 320 mètres de oté et don
1160245 4096 10 4287149
481462 2048 20 1074298
182476 1024 40 269832
61285 512 80 68052
17830 256 160 17278
Table 2: Longueur de lafratale enfontion de larésolution spatiale adoptée
pourreprésenterleterritoire
éhappentàtoutregroupementdepoints.Apartird'unerésolutionde40
mètres70%desmiro-parellesontplusde80mètresdeotél'intérêt
du regroupementdes points apparaîtnettement. Un inonvénient dela
fratalisation àprofondeurvariableestquelenombre depointsnerend
plusomptefailement delasurfae. Les distributionsd'OCSdansune
zonedonnéenesontplusdesassolements.
3.3 Reherhe des régularités temporelles
Nous représentons la diversité des suessions d'oupations du sol en
autant delasses qu'ily adeatégoriesd'oupation dusol. Les lasses
desuessionssontnotéesS(X),Xétantuneatégoried'OCS,etlalasse
S(X)selit:lassedessuessionsaveX.Letableau4représentelemodèle
dereherheutilisépourextrairelessuessionsappartenantàunelasse
d'oupationdonnée.Unelassed'oupationseprésentedonsousforme
d'unelistedequadrupletsassoiéshaunàsafréquenedanslamatrie
de données. Chaque quadruplet omporte, au moins dans un de ses 4
élémentsonstitutifs,uneourrenedelaatégorie d'oupationdu sol
ayantdonnésonnomàlalasse.
Dans le territoire d'étude, le Blé (B), le Tournesol (T) et le Colza
(C)sont leplussouventintégrés dansunemêmesuessionde4ans(p.
ex. TBCB,TBTB,CBCB, TBBB,CBBB).Les fouillesdedonnéesave
unelasseommuneàestroisulturesontpermisd'obtenirdesrésultats
plusohérentsqu'aveleslassesséparées. CettelasseestnotéeS(B,T,C)
regroupelesquadrupletsimpliquantaumoinsl'unedeestroisultures.
Annéet Annéet+1 Annéet+2 Annéet+3
X ? ? ?
? X ? ?
? ? X ?
? ? ? X
Table 4: Le motif de reherhe pour l'extration des quadruplets impliquant
une atégorie X d'oupation du sol. ? représente une quelonque atégorie
d'oupationdusol
3.4 Analyse temporelle
Suiteauxrésultatstrouvésdansleparagraphe3.1,nousavonsutiliséune
résolutionspatialede80mètresetdesobservationsonstituéesde4OCS
temporelles suessivessurtous les points du territoire. Les régularités
temporelles ont été reherhées par fouille de données à l'aide de HMM2
dont les états ont étéinitialisés àl'aide de distributionsde quadruplets
d'OCS orrespondant auxmotifs de reherhe déritsdans letableau4.
LeHMM2possède10états: autantquedeS(X),Xétantunedes10até- 9
probabilitésaposterioridetransitionsentreétatsommel'illustrelag-
ure5.Cetteguremontreunemonotoniepaysagèreentermedessues-
sionsd'oupationsdusol. Eneet,lalargeurquasionstantedeslignes
horizontales etdiagonales du diagramme indique que durant lapériode
d'étude(1996-2007),auunhangementmajeurn'aaetéladynamique
des suessionsd'oupation des sols danslazoned'étude. Cei nousa
onduit, dansl'étape despatialisationdesrégularités temporelles àon-
sidérerstationnaireleproessusd'alloationdesterresentermedessu-
essionsd'oupationsdusol.
Figure 5: Probabilités a posteriori destransitions entre lasses de suessions
d'oupation dusoldans unmodèle detype 2. L'axedes absissesreprésente
la période d'étude répartie en sous périodes de 4 ans. L'axe des ordonnées
représenteleslassesdesuessionsd'oupations dusolimpliquant: poiS(S),
raY-grass(Y),Forêtsetfrihes(F),Prairiesetluzernes(P),Maïs(M), Urbain
(U),Orged'hiver(O),Blé(B),Tournesol(T),Colza(C),Autres(A).L'épaisseur
des lignes est proportionnelle à la fréquene des transitions. Les transitions
horizontales indiquent une stabilité inter annuelle. Les transitions diagonales
indiquentdeshangementsinterannuels
3.5 Résultatsde lalassiationtemporospatiale
Dansetteétape,nousloalisonslesrégularitéstemporellestrouvéesdans
l'analysetemporelle. Commeleterritoireneprésenteauunedynamique
temporelle(f. Fig.5),haqueHMM2temporelduHHMM2neontientqu'un
seulétatinitialiséparlesdistributionstrouvéesdansl'analysetemporelle.
LasegmentationspatialeestfaiteparunHHMM2ergodique(tousles états
sont inter onnetés omme le montre la Fig. 3). L'état possédant la
plus forte probabilité aposteriori étiquette haquepoint dela fratale.
L'ensembleestrangédansunshapelequireprésentelaouhedelassi-
ation tellequ'elleestvisualisée danslaFig. 6. Leroisement dansun
isationdesnidsdebusardspermetd'idenerdeszonesàprospeterplus
profondément. Grâeàette arte,l'enquêteuraunemeilleureonnais-
sane dutypedesexploitations agrioles renontrées, equival'aider à
mieuxomprendrel'inuenedesmesuresagro-environnementates(MAE)
adoptéesdanslesexploitationsquivisentenpartieaumaintiendeeses-
pèespatrimoniales.
4 Conlusions
Cetteméthodedefouillededonnéesmodéliselamosaïqueparellaired'un
territoireagrioleà l'aided'unhampdeMarkovahétemporospatial
irrégulier. Nousavonsadoptéunpointdevuemarkovienpourreprésenter
les évolutionstemporelles etspatiales desoupations agrioles dansun
paysagesoumisàdesenjeuxenvironnementauxenutilisantdesHMM2apa-
blesdemodéliserdesdépendanessurunepluslongueéhelletemporelle
etspatiale. Enétudiantl'entropiedusytèmed'alloationdesterres,nous
avonsdéveloppédesméthodespourxerlesparamètrestemporelsetspa-
tiauxde ehamp. Lesystèmedevoisinage irrégulier delamosaïquea
étéprisenompteparunparoursduplanparuneourbefrataledont
laprofondeurs'ajusteàlatailledelamiro-parelle. Cette information
permetde nereprésenter quepar un point toutes les portions du terri-
toirequin'onthébergé qu'unesuessiondeulturespendant lapériode
d'étude. Cettemodélisation apermislaloalisationdesrégularitéstem-
porelles et spatiales dans les suessions d'oupations du sol et deles
roiser ave l'emplaementdes nids debusards an de mieuxonnaître
leszonesdeprédiletiondeesanimaux.Nousenvisageonsmaintenantde
nousintéresser auxvoisinages desparelles and'identier lesquartiers
deulturesplusaptesàaueillirlebusarddeMontaguetàfouillerleur
évolution. Cetravaildefouillededonnéestemporellesetspatialesrépon-
dantàdespréoupationséologiquesetagronomiquesestuntravaillong
etmulti disiplinairequi fait ollaborer des informatiiensqui adaptent
et testent des modèles numériques de représentation de territoires, des
agronomes qui herhent à omprendre les logiques des agriulteurs à
partir des résultats de la fouille et des éologues souieux d'aménager
l'habitat des espèesà protégerausein deterritoires agrioles soumisà
desontrainteséonomiques.
Remeriements
NousremerionslarégionLorraine,l'ANRBiodivAgrim,etl'APIEoger
pourleursnanements.
Referenes
[1℄ S.A.BarkerandP.J.W.Rayner. UnsupervisedImageSegmentation
UsingMarkovRandomFieldModels. PatternReognition,33:587
602,2000.
a dominantedesuessionsaveTournesol,Bléet Colza(70%)
b urbainetpéri-urbain(60%)
dominantedesuessionsaveMaïs(60%)
d dominantedePrairies(50%)
e dominantedeForêts(70%)
•
emplaementdeniddebusarddeMontaguFigure6: Cartedes zoneshomogènes entermes des suessionsd'oupations
dusold'unterritoiredanslaPlainedeNiortdurantlapériode1996-2007. Les
emplaementsde nidsdebusards deMontagu sontreprésentés et déterminent
des zones d'intérêt dans lesquelles les exploitations agrioles serontenquêtées
pourévaluerl'inuenedesmesuresagro-environnementales(MAE)
