Plan et objectifs du projet

Pour ce projet, nous devons remplir quelques objectifs qui seront abordés lors de cette série « Guide d’identification de biodiversité du Québec » :

1. Cartographie et spatialisation des données

1.1 Cartographie de référence : produire une carte avec les MRC du Québec et les domaines biologiques du Québec;

1.2 Identification des zones critiques de biodiversité : obtenir et cartographier des sites ornithologiques ayant un fort volume d’observations issues de la science citoyenne, et qui seront utilisées pour mettre en évidence des zones à haut potentiel de biodiversité;

2.1 Inventaire des espèces observées : élaborer, pour une région d’intérêt donnée, une liste d’espèces souvent vues par la science citoyenne ;

2. Contenu descriptif et visuel pour le dépliant (optionnel)

3.1 Liste de traits : Compiler des informations morphologiques (longueur, envergure, poids, etc.) à intégrer aux descriptions. Selon le design du dépliant, ajouter des éléments pédagogiques comme des trucs mnémotechniques pour l’identification des oiseaux chanteurs.

3.2 Portrait photo des organismes : Intégrer des photos d’organismes afin d’enrichir le contenu visuel et faciliter l’identification.

La première partie de cette série commence par la cartographie (1.1 et 1.2) puisque nous allons avoir besoin de manipuler de l’information spatiale lorsque nous allons travailler avec des données de biodiversité (dans un autre billet de blogue). Plus spécifiquement, nous utiliserons des progiciels¹ R pour faire des analyses spatiales. J’assume ici une familiarité avec le langage R (R Core Team 2024). Si vous voulez débuter avec le langage R, je recommande les ateliers R du Centre de la science de la biodiversité du Québec.

Reproduire les analyses

Si vous voulez reproduire les analyses ou suivre le code en même temps, l’ensemble des données et les scripts de ce projet sont disponibles sur GitHub : beausoleilmo/guide_biodiv. Des instructions sont présentes pour débuter avec ce projet.

Notez que les progiciels et données ont leur référence dans le fichier ref_blg.bib et sont cités à la fin de ce billet.

Recherche de données

Pour réaliser le projet, nous devons trouver des jeux de données pertinents pour faire une carte et mettre des observations de biodiversité. Beaucoup de jeux de données pour de l’information cartographique administrative ou décrivant le territoire sont disponibles sur Données Québec (DQC). Pour la biodiversité, le Global Biodiversity Information Facility (GBIF) ou Système mondial d’information sur la biodiversité (SMIB) est la source de données la plus reconnue, en particulier pour les données de présence d’espèces Les acronymes (DQC, GBIF, etc.) seront utilisés à côté d’un jeu de données pour connaître leur source rapidement.

La cartographie

Pour cette première partie, nous allons produire deux cartes pour le dépliant :

1. une carte couvrant l’ensemble du territoire du Québec afin d’offrir un contexte général,
2. une carte à plus fine échelle, mettant en évidence les principaux points d’intérêt en matière de biodiversité pour les régions de Montréal et Laval.

Préparation de l’environnement R

Tout d’abord, nous devons préparer l’environnement de travail R. Une procédure détaillée est disponible sur le projet GitHub beausoleilmo/guide_biodiv dans le fichier README.md. En voici les grandes lignes.

L’environnement de travail a été capturé avec le progiciel renv, ce qui permet d’avoir les mêmes versions de progiciels R pour ce tutoriel.

Pour restaurer l’environnement de travail, un fichier renv.lock avec l’environnement de travail reproductible permet de préparer votre session R en installant les progiciels utilisés avec les mêmes versions pour ce tutoriel. Avec le progiciel renv, utilisez renv::restore() pour recréer cet espace.

renv::restore() # Permet de restaurer la session avec les mêmes versions

J’ai placé les progiciels R et autres scripts à appeler dans 00_initialize.R.

# Lire le script de préparation automatiquement
source(file = 'scripts/00_init/00_initialize.R')

Celui-ci chargera les progiciels (vous devez tout de même installer les progiciels ou « library » avant!) et mettra en mémoire des fonctions pour faire nos analyses. La structure du fichier ressemble à cela :

# Description ------

# [...]

# Création des dossiers ------
dir.create(...)

# Progiciels R ------
library(...)

# Charge les fonctions ------
source('abcdef.R')

# [...]

J’ai construit le script 00_initialize.R à mesure que je développais le projet. C’est pratique puisque pour un nouveau script, je peux simplement l’appeler (avec source()) et toutes les fonctions nécessaires seront à ma disposition.

Les principaux progiciels pour ce projet sont ici :

• ggplot2 pour faire des graphiques et des cartes (Wickham 2016; Wickham et al. 2024),
• dplyr pour la manipulation de données (Wickham et al. 2023),
• sf pour l’analyse spatiale (Pebesma et Bivand 2023; Pebesma 2018, 2025),
• mapview pour faires cartes interactives simples (Appelhans et al. 2023) et
• rgbif (Chamberlain, Oldoni, et Waller 2025) et rinat (Barve et Hart 2025) pour la manipulation de données de biodiversité.

Nous allons maintenant préparer le terrain pour faire notre carte de base.

1.1 Cartographie

Lorsqu’on fait des cartes, un fond permet de contextualiser l’information avec des marqueurs spatiaux (délimitation d’une région administrative, lacs ou cours d’eau importants, une ville, etc.). Aussi, les données du fond de la carte sont parfois pertinentes pour faire des manipulations spatiales. Par exemple, il arrive de recouper le territoire par des noms connus (régions administratives), de faire un sommaire en fonction de régions connues ou d’appliquer des filtres à l’échelle d’une MRC.

# Fonctionne si vous téléchargez les jeux de données originaux localement. 
source(file = 'scripts/partie_1/Preparation_admin_region.R')

# Charger le géopackage 
regqc = sf::st_read(
  # DSN : data source name
  dsn = "data/partie_1/admin_geo/admin_reg_qc/mrc_s.gpkg", 
  quiet = TRUE
) 

# Sélection de colonnes
regqc |> 
  dplyr::select(
    MRS_NM_MRC, 
    MRS_NM_REG
  ) |> 
  # Extraction de quelques lignes
  head(n = 3)

Simple feature collection with 3 features and 2 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -74.02858 ymin: 46.00672 xmax: -72.14935 ymax: 47.49639
Geodetic CRS:  NAD83
       MRS_NM_MRC       MRS_NM_REG                           geom
1  Trois-Rivières         Mauricie MULTIPOLYGON (((-72.69339 4...
2 Nicolet-Yamaska Centre-du-Québec MULTIPOLYGON (((-72.58621 4...
3         Mékinac         Mauricie MULTIPOLYGON (((-73.72068 4...

# Faire une carte interactive.
mapview::mapview(
  x = regqc, 
  zcol = 'MRS_NM_MRC', # Les couleurs représentent les MRCs
  legend = FALSE       # Ne pas ajouter de légende 
) 

# Fonctionne si vous téléchargez les jeux de données originaux localement. 
source(file = 'scripts/partie_1/Preparation_eco_region.R')

cls_eco = st_read(
  dsn = "data/partie_1/ecologie/CLASSI_ECO_QC/classification_eco.gpkg", 
  layer = 'N3_DOM_BIO', 
  quiet = TRUE
)

# Obtenir notre CRS chouchou et l'utiliser comme base pour faire la carte 
projetCRS = st_crs(x = cls_eco)

# Ce CRS est en fait le code EPSG 32198 qui est un système de coordonnées
# projetées 'Conique conforme de Lambert du Québec' NAD83
projetCRS == st_crs(x = 32198)

[1] TRUE

# Tester si le CRS est équivalent entre des couches 
st_crs(x = cls_eco) == st_crs(x = regqc)

[1] FALSE

# On transforme le CRS de la région du Québec 
regqc_t = st_transform(x = regqc, 
                       crs = projetCRS)

# Écrire le WKT maitre sur lequel on peut faire référence 
writeLines(
  # Extraire le WKT comme texte seulement 
  text = st_as_text(projetCRS), 
  # Fichier de sortie pour écrire le texte (aussi appeler 'Connection') 
  con = "data/param_0/projetCRS.txt"
) 

# Lire le fichier CRS maitre  
projetCRS_read  = readLines(con = "data/param_0/projetCRS.txt")

# On peut directement utiliser ce CRS de la région du Québec 
regqc_t = st_transform(x = regqc, 
                       crs = projetCRS_read)

# Régions admin du QC
mapview(
  x = regqc_t, 
  zcol = 'MRS_NM_MRC', 
  layer.name = 'MRC du Québec',
  # Change la palette de couleur (voir les palettes ici `sort(hcl.pals())`)
  col.regions = hcl.colors(n = nrow(regqc_t), 
                           palette = "Spectral"),
  legend = FALSE
) +
  # Classification Écologique
  mapview(
    x = cls_eco, 
    zcol = 'NOM_DB', 
    layer.name = 'Domaines biologiques'
  )

# Vérification du CRS de couches spatiales (FALSE si différentes)
st_crs(x = cls_eco) == st_crs(x = regqc)    

[1] FALSE

# Ici on avait déjà transformé la couche regqc_t.
st_crs(x = cls_eco) == st_crs(x = regqc_t)  

[1] TRUE

# Pour la simplification des géométries 
# (nombre qui donne un bon résultat suite à des tests)
tolerance = 1e3

# Simplifier une forme pour faire le graphique 
cls_eco_simp = cls_eco |> 
  st_simplify(dTolerance = tolerance)

# Reprojection pour avoir le même CRS 
regqc_simp = regqc |> 
  st_simplify(dTolerance = tolerance) |> 
  st_transform(crs = projetCRS)

# Ou en utilisation le CRS d'une couche directement 
# au lieu de l'objet 'projetCRS'
regqc_simp = regqc |> 
  st_simplify(dTolerance = tolerance) |> 
  st_transform(crs = st_crs(x = cls_eco))

# Faire le graphique de base ggplot 
gg_base = ggplot()

# Couche de domaines bioclimatiques 
gg_cls_eco = geom_sf(
  data = cls_eco,               # Données 
  mapping = aes(fill = NOM_DB), # couleur selon les domaines biologiques
  alpha = 0.9,                  # Transparence à 90% 
  linewidth = 0                 # Pas de ligne, plus beau! 
)                

# Couche des régions administratives du Québec 
gg_reg_qc = geom_sf(
  data = regqc_simp,            # Données 
  fill = NA,                    # Pas de remplissage des polygones
  colour = 'grey100',           # Couleur des lignes
  linewidth = 0.05              # largeur fine pour les lignes
)

# Ajout des couches ggplot dans l'ordre voulu 
gg_qc_db = gg_base +
  # Ajout de la classification écologique
  gg_cls_eco + 
  # Ajout des régions admin, par-dessus pour voir les bordures
  gg_reg_qc

# Afficher la carte 
gg_qc_db +          
  # Change le remplissage pour la palette viridis 
  scale_fill_viridis_d(
    # Ajout d'un titre à la légende 
    guide = guide_legend(title = 'Domaine biologique')
  ) +
  # Thème minimal 
  theme_void()

# Fonctionne si vous téléchargez les jeux de données originaux localement. 
source(file = 'scripts/partie_1/Preparation_hydrologique.R')

# Lire les données retravaillées du GRHQ
hq_filt_complete = st_read(
  dsn = 'data/partie_1/hydro/grhq_sud_qc.gpkg', 
  quiet = TRUE
) |> 
  st_transform(crs = projetCRS)

# Fonctionne si vous téléchargez les jeux de données originaux localement. 
source(file = 'scripts/partie_1/Preparation_villes.R')

# Lecture du fichier des villes et populations du site d'Ouranos
villes_qc = st_read(
  dsn = 'data/partie_1/villes/villes_qc_ouranos.gpkg',
  quiet = TRUE)

# Afficher le nom des villes au besoin 
# sort(villes_qc$name)

# Vecteur avec le nom des villes 
villes_selection = c('Montréal', 'Québec', 
                     'Gatineau', 'Sherbrooke', 
                     'Saguenay', 'Trois-Rivière', 
                     "Rouyn-Noranda", 
                     'Gaspé', 'Témiscaming', 
                     'Sept-Îles', 'Rimouski')

# Extraction du nom de villes à ajouter sur la carte
villes_qc_lst_flt = villes_qc |> 
  filter(name %in% villes_selection)

# Lire le fichier 
can_bord = st_read(
  dsn = "data/partie_1/admin_geo/admin_reg_can/can_lim.gpkg", 
  quiet = TRUE
)

# Extraire les limites du Québec et de l'Ontario 
qcont_bord = can_bord |> 
  # PRFNOM: Nom de la province ou du territoire, en français.
  filter(PRFNOM %in% c("Québec", "Ontario")) |> 
  # Changer le CRS 
  st_transform(crs = projetCRS) 

# Extraction de l'hydrologie du Québec seulement
hq_filt_qc = hq_filt_complete |>
  # Intersection avec le fichier de l'Ontario et du Québec
  st_intersection(qcont_bord) |> 
  # Garder seulement ce qui se retrouve au Québec
  filter(PRFNOM == "Québec")

# Couche ggplot de l'hydrologie du Québec
gg_hq = geom_sf(
  data = hq_filt_qc, 
  linewidth = 0,
  fill = 'lightblue', # Couleur de l'eau 
  colour = 'lightblue'
)

# Ajout le point des villes 
gg_villes = geom_sf(
  data = villes_qc_lst_flt
)

# Établir le germe aléatoire
set.seed(seed = 12345)

# Faire le graphique de la carte 
gg_qc_db = gg_base +
  # Ajout de la classification écologique
  gg_cls_eco + 
  # Ajouter la GRHQ rognée
  gg_hq + 
  # Ajout des régions admin, par-dessus pour voir les bordures
  gg_reg_qc +
  # Ajouter le nom des villes 
  gg_villes + 
  # Ajouter les étiquettes du nom des villes 
  ggrepel::geom_text_repel(
    data = villes_qc_lst_flt, 
    # Définir les étiquettes et les coordonnées spatiales 
    mapping = aes(label = name, 
                  geometry = geometry),
    # Extraction des coordonnées spatiales pour dessiner les étiquettes
    stat = "sf_coordinates", 
    # Taille des étiquettes
    size = 3,
    # Ajout de tampon blanc pour les noms de villes 
    bg.color = "white",
    # Étendue du tampon 
    bg.r = 0.15
  )

# Carte avec thématique 
gg_qc_db + 
  # Change le remplissage pour la palette viridis 
  scale_fill_viridis_d(
    guide = guide_legend(
      title = 'Domaine biologique',
      title.position = "top",
      # Légende en bas
      position = 'bottom',
      # Nombre de rangées pour les étiquettes de la légende 
      nrow = 4,
      # Orientation horizontale
      direction = 'horizontal'
    )
  ) +
  # Thème au minium 
  theme_void() +
  # Changer l'espacement entre les étiquettes de la légende 
  theme(legend.key.spacing.y = unit(x = 0.015, units = "cm"))

# Trouver les limites du Québec en WSG84
bbox_qc_wsg84 = cls_eco_simp |> 
  st_transform(crs = 4326) |> # Ici on transforme de 32198 vers 4326
  st_bbox()

# Boite limite 'bounding box' en epsg:4326 (mètres)
bbox_qc_wsg84

     xmin      ymin      xmax      ymax 
-79.76288  44.99136 -57.10750  62.58169 

# Extraire la boite limite 'bounding box' en epsg:32198 (mètres)
(bbox_qc = st_bbox(obj = cls_eco_simp))

     xmin      ymin      xmax      ymax 
-830291.4  117964.2  783722.4 2090978.4 

# Trouver le centre entre xmin et xmax (ou l'étendue longitude du Québec en WSG84)
centre = mean(bbox_qc_wsg84[c('xmin','xmax')])
round(centre, 1) # environ -68.5

[1] -68.4

# Faire un point fictif au Québec
pts = st_point(x = c(centre, 50.5)) |> 
  # Mettre le CRS 
  st_sfc(crs = 4326) |> 
  # Transformer en epsg:32198
  st_transform(crs = projetCRS) |> 
  # Extraire les coordonnées seulement 
  st_coordinates()

# Remplacer la valeur de la borne supérieure 
bbox_qc[4] <- pts[2]

# Péparation des domaines bioclimatiques pour le Québec méridional
cls_eco_meridional = cls_eco |> 
  st_transform(crs = projetCRS) |> 
  # boite gabarit pour rogner
  st_crop(y = bbox_qc) |> 
  mutate(
    # Calcul de l'aire de chaque polygone des domaines bioclimatiques
    aire_cls_eco = st_area(geom), 
    # Proportion d'aire pour chaque polygone
    # Note : une polygone (NOM_DB == 'Toundra forestière') est 
    # très petit et peut être enlevé sans affecter la visualisation 
    prop = round(aire_cls_eco/sum(aire_cls_eco), 4)*100
  ) |> 
  # Enlever NOM_DB == 'Toundra forestière'
  filter(NOM_DB != "Toundra forestière")

# Péparation/Rogner des régions administratives pour le Québec méridional
regqc_meridional = regqc |> 
  st_transform(crs = projetCRS) |> 
  # boite gabarit pour rogner
  st_crop(y = bbox_qc)

# Domaines biologiques rognés
gg_cls_eco_merid = geom_sf(
  data = cls_eco_meridional,  
  mapping = aes(fill = NOM_DB), # couleur en fonction des domaines biologiques
  alpha = .9,                   # Transparence à 90% 
  linewidth = 0                 # Pas de ligne, plus beau
)

# Régions agministratives rognées 
gg_regqc_merid = geom_sf(
  data = regqc_meridional,  
  fill = NA,                    # Pas de remplissage
  colour = 'grey100',           # Couleur des lignes
  linewidth = 0.05              # Fine ligne
  
)

# Établir le germe aléatoire
set.seed(12345)

# Faire le graphique 
gg_qc_db = gg_base +
  # Domaines biologiques rognés
  gg_cls_eco_merid + 
  # Ajouter la GRHQ rognée
  gg_hq + 
  # Ajout des régions admin, par-dessus pour voir les bordures
  # Régions agministratives rognées 
  gg_regqc_merid + 
  # Ajouter le nom des villes 
  gg_villes + 
  # Ajouter le texte du nom des villes 
  ggrepel::geom_text_repel(
    data = villes_qc_lst_flt, 
    mapping = aes(label = name, 
                  geometry = geometry),
    stat = "sf_coordinates", 
    size = 3,
    # Ajout de fond blanc pour les noms de villes 
    bg.color = "white",
    bg.r = 0.15
  ) +   
  # Change le remplissage pour la palette viridis 
  scale_fill_viridis_d(
    guide = guide_legend(
      title = 'Domaine biologique',
      title.position = "top",
      # Légende en bas
      position = 'bottom',
      # Nombre de rangées pour les étiquettes de la légende 
      nrow = 2,
      # Orientation horizontale
      direction = 'horizontal'
    )
  ) +
  # Thème au minium 
  theme_void() +
  # Changement d'autres paramètres du thème
  theme(
    # Changer l'espacement entre les étiquettes de la légende 
    legend.key.spacing.y = unit(x = 0.015, units = "cm"), 
    # Taille du texte
    legend.text = element_text(size = 7),
    # Taille du titre
    legend.title = element_text(size = 8)
  )

# Afficher la carte
gg_qc_db

# Exportation en PNG
ggsave(
  # Changer l'extension '.png' pour '.pdf' ou '.svg' au besoin. 
  filename = "output/partie_1/carte_domEco_Qc.png", 
  plot = gg_qc_db, 
  width = 6, 
  height = 6, 
  dpi = 300
)

1.2 Zones critiques de biodiversité

# Prendre la date actuelle 
DATE_VAR=$(date -I)
# Téléchargement du fichier des sites publics eBird avec la date de téléchargement
curl  --header 'X-eBirdApiToken: VOTRECLEAPI' \ 
--location -g 'https://api.ebird.org/v2/ref/hotspot/CA-QC?fmt=csv' > \
eBird_hotspots_CA_QC_${DATE_VAR}.csv

# Mettre les données des points chauds de eBird en mémoire
pts_chauds_ebird = "data/partie_1/biodiv/eBird_hotspots_CA_QC_2025-10-13.csv"

# Mettre le fichier en mémoire 
ebird_hp = read.csv(file = pts_chauds_ebird, 
                    header = FALSE)

# Ajouter un nom aux colonnes 
names(ebird_hp) <- c("locId", 
                     "countryCode", 
                     "subnational1Code", 
                     "subnational2Code", 
                     "lat", "lng",        # Données spatiales!
                     "locName",           # Nom des sites
                     "latestObsDt",       # Date de la dernière observation
                     "numSpeciesAllTime") # Nombre d'espèces 

# Préparer les données spatiales pour une cartographie 
ebird_hp_prep = ebird_hp |>  
  # Mettre tableau en format spatial 
  st_as_sf(coords = c('lng', 'lat')) |> 
  # Choisir le CRS 
  st_set_crs(value = 4326) |>  
  # Formatter la colonne de date 
  mutate(
    date_obs_recent = as.POSIXct(
      latestObsDt,
      format="%Y-%m-%d %H:%M",
      tz = Sys.timezone()
    )
  ) |> 
  # Projection du jeu de données selon le CRS du projet 
  st_transform(crs = projetCRS) 

ebird_hp_sf = ebird_hp_prep |> 
  # Nouvelle colonne d'étiquette 
  dplyr::mutate(
    labs = sprintf(
      # Joindre le nom d'un point eBird et le nombre d'espèces.
      fmt = "%s — %s sp.", 
      locName, 
      numSpeciesAllTime)
  )

ebird_hp_sf |> 
  # Application du filtrer 
  filter(numSpeciesAllTime >= 150,           # Nombre d'espèces
         date_obs_recent >= '2020-01-01') |> # Date 
  nrow()

[1] 677

# 20 sites avec vieilles dates de visites (pas de liste eBird depuis ce temps!)
sites_perdus = ebird_hp_sf |> 
  # Étiquette avec l'année d'observation
  dplyr::mutate(yr_last = substr(latestObsDt, 0,4), 
                labs = sprintf(fmt = "%s — %s", yr_last, labs),
                labs_yr_sp = sprintf(fmt = "%s — %s", yr_last, numSpeciesAllTime)
                ) |> 
  # Montre les 20 premiers avec les dates les plus petites
  slice_min(order_by = date_obs_recent, 
            n = 20)

# Faire une carte 
mapview(x = sites_perdus, 
        zcol = "yr_last", 
        layer.name = 'Nb Esp.',
        label = "labs")

# Préparation des données simplifier (moins de colonnes)
ebird_hp_sf_simple = ebird_hp_sf |> 
  # Sélection de colonnes pour l'affichage de détail dans la carte 
  dplyr::select(locId, latestObsDt, numSpeciesAllTime, labs) 

# Regarder les points chauds d'observations eBird 
mapview(
  x = ebird_hp_sf_simple, 
  # Ajout de la couleur en fonction du nombre d'espèces vues
  zcol = 'numSpeciesAllTime',  
  label = "labs",
  layer.name = 'Nb Esp.')

ebird_hp_chaud = ebird_hp_sf |> 
  dplyr::filter(numSpeciesAllTime >= 250) |> 
  # Sélection de colonnes pour l'affichage de détail dans la carte 
  dplyr::select(locId, latestObsDt, numSpeciesAllTime, labs)

# Faire la carte 
mapview(
  x = ebird_hp_chaud, 
  zcol = "numSpeciesAllTime", 
  label = "labs",
  labelOptions = leaflet::labelOptions(noHide = FALSE,
                                       opacity = .85, 
                                       textOnly = FALSE),
  layer.name = 'Nb Esp.<br> filtre(>=250)')

ebird_hp_sf_chaud_bio = ebird_hp_sf |> 
  # Sélection de colonnes pour l'affichage de détail dans la carte 
  dplyr::select(locId, latestObsDt, numSpeciesAllTime, labs) |> 
  # Regarder seulement les sites qui ont plus de 150 espèces 
  filter(numSpeciesAllTime >= 150)

mapview(
  x = ebird_hp_sf_chaud_bio, 
  zcol = 'numSpeciesAllTime', 
  label = "labs",
  layer.name = 'Nb Esp.<br> filtre(>=150)')

# Joindre les informations de MRC pour chaque point d'observation eBird
eb_qc = ebird_hp_sf |>  
  st_join(y = regqc_t)

# Exportation des données en géopackage 
st_write(
  obj = eb_qc, 
  dsn = "output/partie_1/site_pub_ebird_MRC.gpkg", 
  delete_dsn = TRUE,
  quiet = TRUE
)

# Donne le top n des sites en fonction du nombre d'espèces vues
eb_qc_topn = eb_qc |>  
  # Groupe par MRC pour faire le sommaire (filtration) 
  group_by(MRS_NM_MRC) |> 
  # Extraire 20 points avec le plus d'espèces d'oiseaux par MRC 
  slice_max(n = 20, 
            order_by = numSpeciesAllTime)

mapview(regqc_t, 
        legend = FALSE, 
        zcol = 'MRS_NM_MRC') + 
  mapview(eb_qc_topn,
          legend = FALSE, 
          cex = 'numSpeciesAllTime',
          zcol = 'MRS_NM_MRC', 
          label = 'locName') 

# Extraire l'emprise spatiale autour de Montréal et Laval 
emprise_region_villes = regqc_t |> 
  filter(MRS_NM_MRC %in% c("Montréal", 'Laval')) |> 
  st_bbox()

# Rogner l'information hydrologique pour cette région 
hq_lvl_mtl = hq_filt_qc |> st_crop(y = emprise_region_villes)
reg_mtl = regqc_t |> st_crop(y = emprise_region_villes)

# Prendre les 20 points les plus élevés en nombre d'espèces pour Montréal et Laval 
eb_qc_topn_lvl_mtl = eb_qc_topn |> 
  filter(MRS_NM_MRC %in% c("Montréal", 'Laval')) 

# Chemin d'accès aux fichiers de réseaux cyclables
res_cycl = "data/partie_1/infrastructure/res_cyclable"
lien_res_cycl_mtl = file.path(res_cycl, 'reseau_cyclable.geojson')
lien_res_cycl_lvl = file.path(res_cycl, 'pistes-cyclables-et-pietonnieres.geojson')

res_cyclable_mtl = st_read(dsn = lien_res_cycl_mtl, quiet = TRUE)
res_cyclable_lvl = st_read(dsn = lien_res_cycl_lvl, quiet = TRUE)

gg_carte_points_inret_ebird_base = ggplot() + 
  # Polygones des MRCs 
  geom_sf(data = reg_mtl) + 
  # Polygones d'eau
  geom_sf(data = hq_lvl_mtl, fill = 'lightblue') + 
  # Lignes du Réseau cyclable
  geom_sf(data = res_cyclable_mtl, colour = "#A1D998", alpha = .5) + 
  geom_sf(data = res_cyclable_lvl, colour = "#A1D998", alpha = .5) + 
  # Top Points eBirds
  geom_sf(data = eb_qc_topn_lvl_mtl, 
          aes(size = numSpeciesAllTime, 
              shape = MRS_NM_MRC,
              colour = numSpeciesAllTime)) + 
  # Couleur des points
  scale_colour_viridis_c() +
  # Thème minimal 
  theme_void() +
  # Ajout de titre aux légendes
  labs(colour = "Nb espèces", 
       size = "Nb espèces",
       shape = "MRC")

# Établir le germe aléatoire
set.seed(123456)
gg_carte_points_inret_ebird = gg_carte_points_inret_ebird_base +
  # Texte nom des sites 
  ggrepel::geom_text_repel(
    data = eb_qc_topn_lvl_mtl, 
    mapping = aes(label = labs, 
                  geometry = geometry),
    stat = "sf_coordinates", 
    size = 2.25,
    # Ajout de fond blanc pour les noms de villes 
    bg.color = "white",
    bg.r = 0.15) 

gg_carte_points_inret_ebird

# Texte à rechercher et remplacer 
# pour limiter la taille des étiquettes à afficher
patt_v = c(
  ", Laval", 
  " \\(accès restreint\\)", 
  " \\(aucun accès en voiture\\)", 
  " \\(LISTES HISTORIQUES SEULEMENT; SVP utiliser un site plus précis pour les listes actuelles\\)")

# Faire un patron de recherche pour tout enlever d'un seul coup
patt = paste0(
  patt_v, 
  collapse = "|"
)

# À partir de notre jeu de données
eb_qc_topn_lvl_mtl_id = eb_qc_topn_lvl_mtl |> 
  # Enlève les groupes présents
  ungroup() |> 
  # Ajout des colonnes
  mutate(
    # Chaque site avec nom corrigé
    site_corr = gsub(   # gsub permet de chercher et remplacer
      pattern = patt,   # Patron de recherche
      replacement = '', # Remplacer par rien 
      x = locName       # De la colonne des noms de sites
    ),
    # Ajoute un numéro unique (ici le numéro de ligne est suffisant)
    rnb = as.factor(row_number()), # Mettre en facteur met en ordre les chiffres
    # Création de nouvelles étiquettes 
    site_labs = sprintf(
      fmt = "%s: %s", 
      rnb, site_corr
    ))

# Noter le nombre de lignes dans le jeu de données 
nrep = nrow(eb_qc_topn_lvl_mtl_id)

# En reprenant la carte de base, on ajoute les étiquettes et une légende 
gg_carte_points_inret_ebird = gg_carte_points_inret_ebird_base + # Carte de base
  # Texte nom de villes 
  ggrepel::geom_label_repel(
    # Nouveau jeu de données 
    data = eb_qc_topn_lvl_mtl_id, 
    # Ajouter les étiquettes
    mapping = aes(
      label = rnb,             # Étiquette sur la carte : seulement des chiffres 
      geometry = geometry,     # Où vont les étiquettes
      fill = factor(site_labs) # La légende sera les étiquettes complètes
    ), 
    stat = "sf_coordinates", 
    size = 2.25                # Taille des étiquettes sur la carte 
  ) +
  # Légende pour le nom des sites 
  scale_fill_manual(
    name = 'Site Name',       # Nom de la légende 
    values = rep(             # Couleur des étiquettes 
      scales::alpha("white", 
                    alpha = .5), 
      nrep), 
    labels = eb_qc_topn_lvl_mtl_id$site_labs # Nom des étiquettes en ordre 
  ) +
  # Changement de l'apparence de la légende pour les étiquettes des sites 
  guides(
    # Redéfinir comment la légende de remplissage affiche 
    fill = guide_legend(
      # Mettre la légende de remplissage en bas 
      position = "bottom",
      # Changer des paramètres de thématique seulement pour la partie de remplissage
      theme = theme(
        # Change la taille du texte des étiquettes dans la légende
        legend.text = element_text(size = 8),
        # Change la distance horizontale entre les étiquettes de la légende
        legend.key.width  = unit(0.05, "cm"),
        # Change la distance verticale entre les étiquettes de la légende
        legend.key.height = unit(0.05, "cm"),
        # Position du titre 
        legend.title.position = "top",
        # Justification à gauche ==0 (droite ==1, centre == 0.5)
        legend.title = element_text(hjust = 0), 
        # Ajouter une marge pour éviter de couper le texte 
        legend.margin = margin(
          t = 0,
          r = 0.5,
          b = 1,
          l = 2, 
          unit = 'cm')
      ),
      # Changer la taille des étiquettes 
      override.aes = list(
        size = 0, # Change la taille des 'Clés' de la légende
        colour = scales::alpha('black', alpha = 0) # Change la couleur des 'Clés'
      )
    )
  )

gg_carte_points_inret_ebird

# Exportation en PNG
ggsave(
  # Changer l'extension '.png' pour '.pdf' ou '.svg' au besoin. 
  filename = "output/partie_1/carte_pt_ebird_Qc.png", 
  plot = gg_carte_points_inret_ebird, 
  width = 10, 
  height = 10, 
  dpi = 300
)

# On ajoute une étiquette avec le nombre d'espèces
zhpb = eb_qc_topn_lvl_mtl_id |> 
  mutate(
    labs2 = sprintf('%s; sp : %s', 
                    site_corr, 
                    numSpeciesAllTime)
  )

# carte interactive pour le plaisir
mapview(
  zhpb, 
  zcol = 'numSpeciesAllTime', 
  layer.name = "NB espèces", 
  label = "labs2"
)

Prochaines étapes

Cette première partie avait pour but de faire un grand tour dans les fonctions utiles pour faire des analyses spatiales. Ainsi, il est possible d’importer et de manipuler les couches spatiales dans R et de préparer des couches pour en faire des cartes. Vous pouvez toujours exporter les couches et continuer dans votre logiciel GIS préféré ensuite

Avec ces nouvelles connaissances, il sera plus facile de manipuler les données de biodiversité provenant de GBIF.

Six milliards de solitudes, ça fait beaucoup

Les chiffres en lien avec la biodiversité (appelé aussi « biodiv » pour les intimes) sont stupéfiants. Par exemple, les estimations du nombre d’espèces varient selon la source : allant de quelques millions—la référence ChecklistBank, catalogue plus de 2.2 millions d’organismes sur la terre—à plusieurs milliards! Un article propose même un potentiel de six milliards d’espèces (🤯), en excluant les virus (Larsen et al. 2017).

Selon cette dernière source, le nombre d’espèces formellement décrites serait actuellement environ 1.5 million. Le ratio de ce nombre d’espèces par rapport au nombre hypothétique total d’espèces (entre un à six milliards) est d’entre 0.15 % et 0.03 % respectivement. Ainsi, selon ces estimations, nous ne connaîtrions que moins de 0.2% de tous les organismes avec qui nous partageons notre unique planète habitable. Imaginez l’ampleur de la tâche. Les scientifiques ont besoin de tout le monde pour au minimum observer où se retrouvent toutes les espèces. Et la science citoyenne est un moyen pour aider les scientifiques à en apprendre sur notre monde biologique.

On parle bien d’espèces ici : rappelons que la biodiversité comprend aussi tous les individus au sein de ces populations ainsi que leur habitat. Mais c’est quoi la biodiversité?

La Convention sur la diversité biologique (CDB) définit la biodiversité comme suit :

Variabilité des organismes vivants de toute origine y compris, entre autres, les écosystèmes terrestres, marins et autres écosystèmes aquatiques et les complexes écologiques dont ils font partie; cela comprend la diversité au sein des espèces et entre espèces ainsi que celle des écosystèmes.

Cette diversité s’interprète par la lentille de l’évolution. En particulier, le processus de la sélection naturelle explique comment la variabilité des organismes dans les populations est intimement liée avec l’environnement : ce sont les conditions de l’environnement qui favorisent ou défavorisent certains individus (et leur génétique) à un moment donné. Mais ce ne sont pas seulement les populations qui changent puisque les individus modifient leur environnement à leur tour pour faciliter leur transmission génétique. Quand les oiseaux fabriquent un nid, ou que les castors construisent un barrage ou qu’une plante produit des fleurs invitant les bibittes à polliniser d’autres fleurs, l’objectif reste toujours de donner la meilleure chance aux gènes d’être transmis.

Voyager avec son bagage génétique

Dans le voyage de la vie, chaque individu transporte un bagage unique : ses gènes (Figure 1). Nous sommes, en quelque sorte, le véhicule pour ce bagage génétique (Dawkins 2016)! Ensemble, nous ne traversons pas seulement le territoire, mais prenons aussi part à une odyssée à travers les générations. Les différences entre nos bagages ne sont pas anodines : car sans variation, l’évolution n’est pas possible.

Imaginez un ensemble d’organismes tous strictement identiques. Dans ce monde étrange, aucune mutation n’est possible, ce qui empêche l’émergence de différences génétiques. Le code génétique est absolument pareil d’un individu à l’autre. Dans ce cas, contrairement à ce que nous observons actuellement, la sélection naturelle qui mènerait à l’émergence de nouvelles espèces ne peut pas fonctionner : aucun choix n’est possible entre organismes puisque tous les codes génétiques sont des clones¹ ! Le pire serait qu’il n’y aurait même pas de potentiel d’évolution suite à de grands changements environnementaux. Cela voudrait dire qu’en temps de changements climatiques, les populations qui ne seraient même pas capables de s’adapter aux nouvelles conditions verront leur chance de persister diminuer.

Heureusement, notre monde est plein de variations, les populations hébergent une diversité génétique. Autrement dit, l’évolution s’observe au niveau des populations puisqu’elles sont diversifiées. Les biologistes qui étudient l’évolution tentent d’expliquer les changements de la composition des populations à la lumière des mécanismes évolutifs. Ils se posent ce genre de questions : pourquoi certaines populations changent-elles tellement qu’elles deviennent de nouvelles espèces? Pourquoi d’autres s’éteignent-elles? Pourquoi des populations ont-elles plus de succès que d’autres? Pourquoi certaines populations préfèrent-elles plus tel environnement à un autre?

À la base, la variation est génétique. La collection d’individus et leurs codes génétiques différents contribuent à un bassin génétique pour un habitat quelconque. C’est donc dans ce bassin de gènes que les individus sont sélectionnés naturellement en fonction des conditions de l’environnement. Cela détermine quel ensemble de bagages génétiques pourra voyager dans la prochaine génération.

Rappelons donc que la biodiversité change constamment avec les mécanismes évolutifs (voir Qu’est-ce qui se cache sous le tapis de l’évolution?). Il existe donc des conditions environnementales qui peuvent favoriser ou empêcher l’émergence de biodiversité. Si l’on regarde le nombre de taxons dans le dernier 500 millions d’années, une ligne en dent de scie montrerait des augmentations et diminutions. C’est ce que des chercheurs ont faire pour des invertébrés marins (Alroy et al. 2008). Le constat est que de la biodiversité émerge et s’éteint à des taux différents : parfois une augmentation rapide, des fois des extinctions spectaculaires et d’autres fois des stagnations. Les scientifiques ont même donné des noms aux moments de la grande histoire géologique de la vie comme les extinctions massives (ou crises biologiques) et les ‘explosion’ de biodiversification qui sont des moments où il y a une augmentation rapide d’espèces. Par exemple, pour les animaux l’explosion du Cambrien et la grande biodiversification ordovicienne, puis pour les plantes lors de la diversification intense pendant le Silurien-Dévonien) en sont des exemples bien connus (Fan et al. 2020).

Les bassins génétiques s’érodent…

Cependant, plusieurs experts sont inquiets : alors que les scientifiques n’ont même pas accès à un portrait complet des espèces vivantes actuellement sur la terre, nous en perdons à un rythme jamais enregistré de l’histoire de l’humanité.

Le rapport de la Plateforme intergouvernementale scientifique et politique sur la biodiversité et les services écosystémiques (IPBES), colligé par un groupe international d’experts, rapporte qu’environ 1 million d’espèces animales et végétales sont actuellement menacées d’extinction (IPBES 2016). Au Canada, depuis les années 1970, la taille de certaines populations animales a chuté de 62% et plus de la moitié des 910 espèces étudiées ont décliné en abondance (WWF-Canada 2025a). Le Rapport Planète vivante Canada 2025 est clair (2025b) :

Le constat est qu’il y a des déclins persistants des populations d’espèces suivies depuis plus d’un demi-siècle.

La perte de biodiversité est un enjeu majeur de notre époque. Comme le rappel le rapport du Cadre mondial de la biodiversité de Kunming-Montréal (Convention sur la diveristé biologique 2022) :

La biodiversité est essentielle au bien-être humain, à la santé de la planète et à la prospérité économique de tous les peuples, notamment à la réalisation de modes de vie équilibrés et en harmonie avec la Terre nourricière.

En d’autres mots, nous ne pouvons pas nous passer de la biodiversité. Et sa perte est liée à la nôtre. Il semble donc impératif d’en apprendre plus sur ces êtres vivants, petits et grands.

Guide d’identification intégrant les données de science citoyennes

Qu’est-ce qui pourrait aider à en apprendre plus sur nos voisins et cousins animaux, plantes, champignons avec qui nous partageons l’environnement? Où débuter en tant que naturalistes en herbe? Pour en connaitre plus sur la vie qui nous entoure, nous avons besoin de les identifier. Et pour cela, nous avons besoin d’un guide.

Les guides d’identification contiennent une source importante d’information sur la biodiversité. Par contre, pour un débutant qui n’est pas accompagné d’un spécialiste, on peut rapidement être submergé par toutes les espèces et les nuances de ses formes. En plus, les livres d’identification sont souvent plutôt lourds à apporter dans un sac. Mais ne pas avoir de guide n’est pas une option si notre but est de connaître les organismes que nous pourrions rencontrer pour une région donnée.

Un juste milieu entre un guide complet sous forme de livre et ne pas avoir de guide pourrait être des petits dépliants avec les espèces locales les plus probables d’être observées dans un milieu. Ce dépliant serait aussi un bon point de départ pour parler de diversité lors de sorties sur le terrain avec un groupe de personnes, dont des enfants, ou pour montrer à des visiteurs curieux ce que nous observons.

Serait-il possible de faire un court guide avec des espèces souvent observées pour le Québec? Est-ce possible d’utiliser les données de présence d’espèces pour faire un dépliant de biodiversité? Comme inspiration, la collection de Guides éclair (Broquet) sur le thème de la nature ou les guides de Waterford Press sont le genre de dépliant qui pourrait être fait avec les données de science citoyenne (comme iNaturalist). Certains dépliants ajoutent de l’information comme des cartes avec des endroits intéressants pour aller faire des observations en nature.

Un dépliant basé sur des données de science citoyenne se distingue de ceux produits par Broquet et Waterford Press de deux manières. D’abord, les espèces dans un dépliant d’une région peuvent être différentes d’une autre. Par exemple, les espèces qui se retrouvent en Gaspésie ne se retrouvent pas à Montréal comme le fou de Bassan. En deuxième lieu, si une région manque de données d’observation d’espèce, cela peut servir de point de motivation pour aller en collecter et cibler la collecte de données de science citoyenne. Avant l’effort collectif amené par la science citoyenne, l’acquisition de données de biodiversité dans les endroits peu échantillonnés aurait été une tâche monastique. Les outils et les bases de données de biodiversité, maintenant accessible, rendent ce genre de projet possible.

Réaliser le dépliant en trois étapes

Pour réaliser ce guide sous forme de dépliant, j’utilise le langage de programmation R puisqu’il permet de manipuler des données spatiales et de biodiversité avec des fonctions développées par une communauté de programmeur passionnée. Tout au long de cette série de billets, nous allons explorer les extensions du langage R permettant ainsi de réaliser le dépliant.

Voici mon plan pour réaliser ce dépliant. Nous allons aborder trois grands thèmes dans cette série :

1. La cartographie de zones critiques de biodiversité,
2. la synthèse de listes d’espèces observées par la science citoyenne et
3. la construction du guide d’identifications avec les espèces choisies.

Dans le prochain billet, nous allons apprendre comment manipuler des données spatiales avec R et faire des cartes ! La figure 2 en montre un exemple :

Nous allons voir dans cette série que les données d’observation d’organismes ont une composante spatiale. Il sera plus facile de placer ces observations une fois les cartes produites!

Le chant du pic bois

La chanson « Le Picbois » du groupe Beau Dommage (1974) raconte l’histoire d’un citadin que je me plais à nommer Paul. N’ayant baigné que dans une mare de béton et d’asphalte depuis sa naissance, Paul part parfumer ses vêtements d’effluves provenant des essences de la forêt. Et cette fois-ci, ce ne sera pas le Mont-Royal qui sera ladite forêt choisie. Paul rêve d’aller plus loin. Il doit couper le cordon avec la ville et découvrir l’au-delà de l’île. À l’aventure !

Arrivé à destination, le protagoniste s’apaise devant ce vert-chlorophylle çà et là qui discrètement saute aux yeux. Koi-—kan—kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan-kan–kan–kan!. Une voix étrange résonne dans cette cathédrale feuillue. Un peu comme si quelqu’un se moquait ostensiblement de lui. Une ombre foncée imposante se déplace. Pas de doute, c’est un oiseau. Puis, un roulement de tambour sylvicole retentit. Paul se fait enchanter par les rythmes envoutants du pic (Figure 1).

Des pensées folles l’animent. Peut-être que les insectes réfugiés de la ville, pris dans sa tête, veulent sortir? Inviter ce marteau piqueur aviaire à venir taper sur sa tête permettrait sûrement de se débarrasser de ces bibittes qui parasitent son esprit.

Paul repart poursuivre sa positive péripétie et se voit ravi de vivre ce privilège en présence de Dame Nature. Aidé par l’oiseau, le voilà donc émerveillé, la curiosité piquée, débutant ainsi une avalanche de questions.

Les avantages du pic bois

Par une heureuse coïncidence, Paul me croise, alors que j’observe les oiseaux aux jumelles lors de cette splendide journée. Voulant en connaître davantage sur sa découverte, il s’interroge sur le nom du pic en question. Je m’exclame : « Ah! Son nom, c’est une chose, ce qui m’intéresse, ce sont ses super pouvoirs! » Perplexe, Paul exige des explications. Voyez-vous, les pics sont les champions du tapage de tête sur le mur. Mais cela a dû prendre du temps à développer. On ne se met pas à taper son nez à pleine vitesse dans le bois du jour au lendemain (Bock 1999).

Leur bec, plus solide que d’autres espèces d’oiseaux, permet d’excaver des cavités (Figure 2) pour extraire de la nourriture tout l’an, mais en même temps de construire un abri. Pour creuser des trous, ça prend un bon casque. En fait, la tête des pics s’équipe d’une protection utile pour un chantier de construction : le cou est musclé et le crâne plus robuste.

Paul en profite pour approfondir le sujet. « Est-ce que les pics ont un dispositif qui permet d’absorber les chocs pour ne pas s’éclater la cervelle? » Aussi étrange que ça puisse paraître, il n’absorberait pas les chocs. Cela est pour maximiser l’impact du bec sur le bois (Van Wassenbergh et al. 2022)! Par contre, le cerveau se protège probablement avec d’autres mécanismes, dont la forme et la position de leur cerveau dans le crâne. Et avec une accélération trois fois au niveau du seuil de commotion chez l’humain, clairement nous aurions besoin d’une protection pour ne pas finir avec une soupe cérébrale (Savitsky 2022). Bien que les recherches ont surtout été faites sur les impacts du bec sur du bois, d’autres recherches doivent déterminer si l’impact du bec sur du métal demande une protection supplémentaire, comme lorsque certains pics utilisent des poteaux pour marquer leur territoire.

Les vidéos avec ralenti montrent que les pics ferment leurs yeux à chaque impact. Des équipes de recherche s’intéressent aux adaptations des yeux du pic pour comprendre comment ils sont protégés des impacts (Wygnanski-Jaffe et al. 2007). Parmi ceux-ci, certains mouvements de l’œil sont limités et le blanc de l’œil (la sclère) se déforme moins que celle de l’humain.

Paul n’a pas de mots : ils se sont fait piquer. Et ce n’est pas tout!

La plupart des oiseaux percheurs portent au pied trois doigts en avant et un en arrière. Mais chez les pics, leurs pieds sont différents : la plupart de ces espèces ont deux doigts en avant et deux en arrière (zygodactyle, ce qui veut dire « jonction de doigts ») facilitant le déplacement sur un tronc (escaladeur de tronc).

Les plumes de la queue sont aussi plus rigides et effilées permettant de les utiliser comme un appui pour escalader les troncs et pour faire une sorte de trépied avec son corps pour se stabiliser en martelant (Gauthier et Aubry 1995).

Sans compter les différentes formes de langues des pics selon leur mode d’alimentation (avec salive collante pour manger des fourmis comme le grand pic [Dryocopus pileatus] ou pinceau pour obtenir de la sève, comme le pic maculé [Sphyrapicus varius] fait).

Qui plus est, le pic fascinait Darwin qui introduisait cet oiseau au début de l’Origine des espèces comme exemple de la sélection naturelle :

[…] il est absurde d’attribuer à de simples conditions extérieures la structure, par exemple, du pic, avec ses pieds, sa queue, son bec et sa langue, si admirablement adaptés pour attraper des insectes sous l’écorce des arbres. (Darwin et al. 1859)

Le pic : un allié à la crise du logement

De par son alimentation, le grand pic perce des trous dans les arbres pour se nourrir de fourmis charpentières (Camponotus pennsylvanicus ou fourmi noire gâte-bois). Comme beaucoup d’autres pics insectivores, une grande quantité d’insectes foreurs finissent dans son bec.

Une forêt avec un grand pic a de la chance. Cet oiseau maître charpentier est considéré comme une espèce clé de voute. C’est-à-dire que ces pics jouent un rôle d’influence qui est disproportionnellement large comparé à son abondance ou sa biomasse. Et pour compte, plus de 25 autres espèces bénéficient de ses cavités lorsque le grand pic décide de déménager (Bull et al. 1997; Bonar 2000; Aubry et Raley 2002). De ces espèces, on ne compte pas seulement des espèces d’oiseaux cavicoles, dont le canard branchu (Aix sponsa), mais aussi des mammifères comme la martre d’Amérique (Martes americana) et le grand polatouche (Glaucomys sabrinus).

En ce qui concerne les services que les pics rendent, il y a non seulement les trous laissés dans les arbres pour d’autres animaux, mais aussi la dispersion des semences de végétaux. Voici un petit fait intéressant : bien que le pic chevelu (Picoides villosus, Figure 3) adore les brochettes de bibittes, il peut manger les fruits de l’herbe à la puce (Toxicodendron radicans (L.)) sans brûlement d’estomac (Beal et Fuertes 1911)! Il contribue à disperser les semences de cette plante que personne n’ose s’y frotter. Heureusement, des méthodes existent pour lutter contre cette plante.

La forêt enchantée

Paul ne sait plus où donner de la tête. « Wow ! Ce sont des superhéros, ces pics. Et moi j’arrive comme ça, dans leurs grandes maisons, sans connaître leur nom… ». Paul est curieux de savoir qui compose cette communauté d’êtres exceptionnels. « Voilà la vraie richesse de notre planète ». Je sens alors que Paul ne pense qu’à planter les piquets d’une tente au pied du temple de Dame Nature. Prêt à inventer des prétextes pour ne pas revenir en ville. Un peu pour s’imprégner de cette vénusté terrienne naturelle.

Les pics réservent encore bien des surprises à qui veut bien les étudier. Ils ont une histoire évolutive à s’en fendre le crâne, étant un modèle d’évolution par sélection naturelle et sont des acteurs importants du fonctionnement des écosystèmes.

Comme les pics, nous sommes le résultat d’une suite d’ancêtres ininterrompue depuis l’origine de la vie. Une chaine fragile qui parfois se brise. Les effectifs de plusieurs populations déclinent et certaines espèces de pics sont portées disparues depuis plusieurs décennies comme le pic à bec ivoire (Campephilus principalis) et le pic impérial (Campephilus imperialis).

Paul me remercie et affiche un grand sourire. À mieux connaître les êtres vivants, avec qui nous partageons nos quartiers, nous comprenons que nos besoins sont similaires. Nos voisins aviaires, nos confrères mammifères, nos amis les champignons; nous voulons simplement un petit bout de terre où il ferait bon vivre.

Laisse-moi pas revenir en ville Tape-moi sur ma tête de bois Picbois, laisse-moi pas tranquille Picbois, j’veux pus m’en aller (Beau Dommage 1974)

L’évolution biologique est aveugle

Les biologistes entendent, par l’expression évolution biologique, des changements d’une population d’organismes au niveau de leur forme, fonction et comportement entre générations. Autrement dit, ce sont les populations qui changent dans l’espace et le temps au niveau de leur composition génétique. Plusieurs mécanismes expliquent ces changements génétiques, dont cinq principaux.

1. les mutations qui sont des modifications du code génétique,
2. le mouvement des populations où des organismes partent en voyage avec leur bagage génétique vers d’autres populations,
3. l’appariement entre organismes c’est-à-dire le choix du partenaire par exemple sur la base de leur apparence ou de leur localisation,
4. la dérive génique qui affecte surtout les petites populations. Par exemple, imaginons une population d’oiseaux d’une dizaine d’individus où certains préfèreraient un plumage rouge et d’autres un plumage orange: si une tornade passe et au hasard élimine tous les individus qui ont une préférence pour le rouge, il y aurait alors dérive génique; et
5. la sélection naturelle qui est le seul mécanisme générant des adaptations : c’est la partie « créative » de l’évolution qui a produit des chefs-d’œuvre à couper le souffle!

Bref, à chaque génération, les ancêtres se reproduisent. Leurs progénitures sont à leur image, mais elle est tout de même différente génétiquement : c’est la descendance avec modification. Les cinq grands mécanismes évolutifs permettent de comprendre comment ces différences émergent, perdurent ou disparaissent dans le temps. Il arrive même que, lentement, une accumulation de différences assez grande entre populations provoque l’émergence de nouvelle espèce : c’est la spéciation (Coyne 2010). Même en connaissant ces mécanismes évolutifs, pouvons-nous prédire l’émergence d’une espèce dans 1 million d’années? Pour le moment, non.

Ainsi, l’évolution est difficile à prédire à long terme puisqu’elle est le résultat de facteurs environnementaux et climatiques qui sont eux-mêmes chaotiques (Gleick 2008). Par contre, en regardant l’étymologie du mot « évolution » on apprend qu’il vient du latin evolvere ce qui veut dire « dérouler » (Antidote 11, version 6.1.1 [Logiciel] 2024) comme un tapis qui se déroule. Or, en se basant sur cette étymologie, une personne pourrait penser faussement que l’évolution est une suite d’événements prédictibles et qu’il existe un ordre prédéterminé. On imaginerait un tapis qui a été tissé selon un patron puis enroulé : le déroulement du tapis représenterait cette absurde représentation de l’évolution! En revanche, cette conception de « déroulement » s’accorde plus avec l’évolution du système solaire selon les « lois fixes de la gravité » comme le disait Darwin.

Une vision contemporaine de l’évolution s’articule autour de changements populationnels en réponse à des conditions environnementales locales et actuelles. Dans tous les cas, ces mécanismes sont sans regard aux potentiels besoins futurs d’organismes.

La spéciation du mot « évolution »

Nous sommes confrontés à deux dimensions distinctes entourant le terme évolution divergeant d’un ancêtre commun. Nous devons donc préciser quel type d’évolution nous parlons.

La formation ou l’émergence de nouvelle espèce à partir d’un ancêtre commun est ce que l’on entend par le mot « spéciation ». Parmi les types de spéciation, la spéciation écologique retient particulièrement l’attention de la recherche en biodiversité puisqu’elle fait écho à un ensemble de règles qui permet de déterminer ce qu’est une espèce biologique. L’une de ces règles est l’émergence de barrière à la reproduction. Cela veut dire que pour distinguer des espèces les unes des autres, il suffit d’observer si, dans un même environnement, des organismes peuvent se reproduire entre elles ou d’observer l’état de santé de la progéniture. Prenons les fous comme exemple.

Les fous à pieds bleus (Sula nebouxii, Figure 1) ne s’accouplent qu’après un rituel dansant : le mâle exécute une parade nuptiale où il présente délicatement et en alternance ses pieds bleu poudre. Il exhibe ses pantoufles en les levant de manière exagérée, mais doucement, vers la femelle (Hernández Dı́az et Salazar Gómez 2020). Et la femelle juge de la qualité du mâle en fonction de la couleur de ses pieds. En effet, il a été démontré que les jeunes de pères aux pieds plus bleus pesaient plus lourd (Velando et al. 2005, 2006). Et être plus lourd pour un bébé, c’est une bonne affaire.

La couleur des pieds est déterminée par la structure de certaines protéines dans leurs pattes (collagène), mais aussi par des pigments qui sont plus ou moins présents selon l’alimentation. Ainsi, les fous à pieds bleus ne se reproduisent pas avec d’autres espèces de fous, ce qui produit une barrière comportementale à la reproduction avec d’autres espèces. Ceci est observable par l’absence d’hybride entre ce fou et les autres espèces de fous (McCarthy 2006). C’est ce qui est nommé l’isolement éthologique ou « par leur comportement »: un mâle fou de Bassan (Morus bassanus) ne connaissant pas la danse préférée d’une fou (folle?) à pieds bleus n’arrivera pas à la séduire. Elle n’est pas intéressée par ce mâle qui a oublié de mettre ses beaux souliers bleus. En plus, peut-être que la femelle n’appréciera pas la manière de donner des coups de bec du mâle fou de Bassan. Ainsi, les femelles aux pattes bleues refuseraient les avances grossières du mâle fou de Bassan et éviterait de se reproduire avec.

Cet exemple de barrière de reproduction pourrait illustrer cette spéciation de fous! Ces deux espèces, le fou à pieds bleus et le fou de Bassan possèdent des différences qui les empêchent de procréer. Pour mieux les différencier, ils ont été nommés Sula nebouxii et Morus bassanus respectivement suivant la nomenclature pour donner un nom aux espèces avec un genre (Sula vs Morus) et une épithète spécifique (nebouxii vs bassanus). C’est Carl von Linné qui a popularisé cette nomenclature binomiale Linéenne. Pas fou. Mais un peu comme ces fous, les mots aussi peuvent changer dans le temps. Il semblerait que le mot « évolution » a connu un événement de spéciation idéologique et demande une épithète pour distinguer ces nouvelles « espèces ». En utilisant le même format de nomenclature Linéenne, les termes évolution cosmique ou évolution biologique semblent appropriées pour établir une distinction claire entre l’héritage étymologique et leur compréhension contemporaine. Ainsi, pour décrire l’étude de l’« évolution biologique », je propose le mot « évologie ». Ce mot établit une cassure avec son ancêtre étymologique, mais garde une sonorité partagée.

L’évologie

Le mot évologie a envahi mon esprit et changé ma vision de l’évolution en creusant jusqu’à ses racines. Essentiellement, l’évologie, ou l’étude de l’évolution biologique, est le domaine d’étude qui cherche à comprendre comment l’information génétique (ou moléculaire) change à travers le temps. Autrement dit, l’évologie s’intéresse aux phénomènes de transformation de l’information qui produit de nouvelles significations distincte ou de nouvelles espèces. Et comme l’a dit Martin Nowak :

Partout où l’information se reproduit, il y a évolution (Nowak 2006)

Si l’écologiste étudie l’écologie, et bien l’« évologiste » s’intéresse à l’« évologie ». Une mutation d’une seule lettre (éco –> évo) qui donne lieu à ce nouveau terme. Je dirais même que nous assistons à l’émergence de domaines hybrides. En anglais, cela s’appelle « évo-éco-dévo » pour faire référence à l’interrelation entre l’évolution, l’écologie et le développement de la vie. Peut-être un jour, nous verrons un nouvel événement de spéciation où un programme d’« évoécologie » ou autre émergera. Peut-être que ce domaine d’étude s’intéressera à comprendre comment nos actions ont des impacts dans l’environnement et qui ont, par le fait même, un effet sur le succès reproducteur (fitness) des organismes qui y vivent?

Dans ce cas, je fais fi de pédantisme étymologique et je me proclame un « évologiste ».