Edit du 13/12/2019 : ajout du lien entre direction du vent et autres données.

On souhaite établir un lien entre le nombre de minutes positifs par nuit et les conditions météorologiques pour 4 espèces: PippiT, Pipnat, Nyclei et Nycnoc. On va utiliser les données de Météo France en résumant les données pour chaque nuit (entre le coucher et le lever du soleil).

Aggrégation par nuit

infoclimat_t <- read_rds("climat/infoclimat_t.rds")
med.fact <- function(x) {
  names(which.max(table(x)))
}
climat_per_night <- infoclimat_t %>%
  mutate(direction = direction %% 360) %>%
  mutate(direction = ifelse(vent_heure == 0, NA, direction)) %>%
  mutate(direction = cut_interval(direction, length = 45)) %>%
  filter(coucher < Heure | Heure < lever) %>%
  mutate(day = floor_date(Heure - hours(12), "1 day")) %>%
  group_by(day) %>%
  summarise(Tmin = min(Température),
            Tmax = max(Température),
            Tmean = mean(Température),
            direction = med.fact(direction),
            vent_heure = mean(vent_heure, na.rm = TRUE),
            vent_max = max(vent_max, na.rm = TRUE),
            Pression = mean(Pression),
            Humidité = mean(Humidité),
            Pluie = sum(Pluie))

On va maintenant résumer les contacts sur chaque nuit (pour laquelle l’enregistrement est complet) en calculant le nombre de minutes distinctes où au moins un cri est enregistré.

calls_complete_night <- read_rds("data/calls.rds")
calls_per_night <- calls_complete_night %>%
  mutate(day = floor_date(date - hours(12), "1 day")) %>%
  filter(Id == "PippiT" | Id == "Pipnat" | Id == "Nyclei" | Id == "Nycnoc") %>%
  group_by(Id, day) %>%
  summarise(min_pos = n_distinct(Heure, Minute), contacts = n(),
            calls = sum(NbCris)) %>%
  ungroup()
# Add nights with no contact
calls_per_night <- calls_per_night %>%
  group_by(Id) %>%
  group_modify(~ right_join(., calls_per_night %>% select(day) %>% unique(),
                         by = "day")) %>%
  replace_na(list(min_pos = 0, contacts = 0, calls = 0)) %>%
  ungroup()

Affichons le lien entre l’activité et plusieurs mesures météorologiques.

calls_per_night %>%
  left_join(climat_per_night, by = "day") %>%
  select(-direction) %>%
  gather(climate, measure, Tmin, Tmax, Tmean, vent_heure, vent_max, Pression,
         Humidité, Pluie) %>%
  ggplot(aes(x = measure, y = min_pos)) +
  facet_grid(Id ~ climate, scales = "free") +
  geom_jitter()

Pour simplifier le précédent schéma, il faut étudier le lien entre les mesures météorologiques :

library(GGally)

## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2

## 
## Attaching package: 'GGally'

## The following object is masked from 'package:dplyr':
## 
##     nasa

calls_per_night %>%
  left_join(climat_per_night, by = "day") %>%
  select(day, Tmin, Tmax, Tmean, vent_heure, vent_max, Pression, Humidité,
         Pluie) %>%
  ggpairs()

Observations sur les mesures :

les températures minimales, moyennes et maximales sont assez équivalentes
la moyenne des vitesses du vent par nuit est mieux répartie que la vitesse maximale
la pluie est trop éparse pour en tirer des conclusions
une relation possible entre la température et la pression : lorsque la pression est élevée, la température est faible
une relation possible entre la vitesse du vent et la pression : lorsque la pression est faible, il y a beaucoup de vents

La pression serait donc un facteur confondant.

On va restreindre les mesures pour simplifier le graphiques.

calls_per_night %>%
  left_join(climat_per_night, by = "day") %>%
  gather(climate, measure, day, Tmin, vent_heure, Pression, Humidité) %>%
  group_by(Id, climate) %>%
  mutate(x = cut_number(measure, n = 5)) %>%
  group_by(Id, climate, x) %>%
  mutate(med_min = median(min_pos)) %>%
  ggplot(aes(x = measure, y = min_pos)) +
  facet_grid(Id ~ climate, scales = "free") +
  geom_jitter() +
  geom_smooth(se = FALSE) +
  geom_rug() +
  geom_line(aes(y = med_min), col = "red", size = 1)

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

Observations sur les effets :

un effet de la température (< 10 °C) pour toutes les espèces
un effet possible du vent (> 5 km/h) surtout pour Pipnat (à l’inverse, PippiT ne semble pas impacté par le vent)
un effet possible de la pression (pas clair) pour toutes les espèces (peut-être lié au caractère confondant de la variable avec la température et le vent)
un effet possible de l’humidité lorsqu’elle est > 90 % (indicateur possible de précipitations)

Finalement, on va observer s’il y a un lien entre l’activité et la direction du vent.

calls_per_night %>%
  left_join(climat_per_night, by = "day") %>%
  ggplot(aes(x = direction, y = min_pos)) +
  facet_wrap(Id ~ ., scales = "free") +
  geom_jitter() +
  stat_summary(fun.y = median, fun.ymin = median, fun.ymax = median,
               geom = "crossbar", width = 0.5, col = "red")

Comme la majorité des vents viennent du nord-est, les données sont insuffisantes pour identifier un effet entre la direction du vent et le nombre de minutes positives.

Aggrégation par heure

On va descendre à un grain plus fin (heure) pour avoir plus de données.

calls <- read_csv("data/total - V2.csv", col_types = cols()) %>%
  select(-Temps) %>%
  mutate(Id = ifelse(Id == "Chirosp", "ChiroSp", Id)) %>%
  mutate(Id = ifelse(Id == "cris sociaux", "Cris sociaux", Id)) %>%
  mutate(date = make_datetime(Annee, Mois, Jour, Heure, Minute,
                              tz = "Europe/Paris"))

## Warning: 1 parsing failure.
##   row   col   expected           actual                  file
## 19971 Temps time like  1,19930555555556 'data/total - V2.csv'

calls_per_hour <- calls %>%
  mutate(Heure = ceiling_date(date, "1 hour")) %>%
  filter(Id == "PippiT" | Id == "Pipnat" | Id == "Nyclei" | Id == "Nycnoc") %>%
  group_by(Id, Heure) %>%
  summarise(min_pos = n_distinct(Heure, Minute), contacts = n(),
            calls = sum(NbCris)) %>%
  ungroup()
# Add hours with no contact
calls_per_hour <- calls_per_hour %>%
  group_by(Id) %>%
  group_modify(~ right_join(., calls_per_hour %>% select(Heure) %>% unique(),
                         by = "Heure")) %>%
  replace_na(list(min_pos = 0, contacts = 0, calls = 0)) %>%
  ungroup()

On peut répéter l’analyse des données météorologiques.

climat_per_hour <- infoclimat_t %>%
  mutate(direction = direction %% 360) %>%
  mutate(direction = ifelse(vent_heure == 0, NA, direction)) %>%
  mutate(direction = cut_interval(direction, length = 45))
calls_per_hour %>%
  left_join(climat_per_hour, by = "Heure") %>%
  select(Heure, Température, vent_heure, vent_max, Pression, Humidité,
         Pluie, direction) %>%
  ggpairs()

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Effets :

une pression élevée s’accompagne d’une température faible
une humidité élevée s’accompagne aussi d’une température faible
la pluie s’accompagne d’une forte humidité

Il est possible que le lien entre humidité et activité soit en fait lié à la température (en tant que facteur confondant).

calls_per_hour %>%
  left_join(climat_per_hour, by = "Heure") %>%
  mutate(vent_heure = jitter(vent_heure)) %>%
  gather(climate, measure, Heure, Température, vent_heure, Pression,
         Humidité) %>%
  group_by(Id, climate) %>%
  mutate(x = cut_number(measure, n = 4)) %>%
  group_by(Id, climate, x) %>%
  mutate(med_min = median(min_pos)) %>%
  ggplot(aes(x = measure, y = min_pos)) +
  facet_grid(Id ~ climate, scales = "free") +
  geom_point() +
  geom_smooth(se = FALSE) +
  geom_rug() +
  geom_line(aes(y = med_min), col = "red", size = 1)

## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

On confirme que pour PippiT, la température a un effet direct sur l’activité (ainsi qu’une forte humidité et pression), alors que la vitesse du vent ne semble pas avoir d’effet.

calls_per_hour %>%
  left_join(climat_per_hour, by = "Heure") %>%
  ggplot(aes(x = direction, y = min_pos)) +
  facet_wrap(Id ~ ., scales = "free") +
  geom_jitter() +
  geom_boxplot()

La direction du vent ne semble pas avoir d’effet, sauf pour PippiT qui semble avoir plus d’activités en présence d’un vent d’ouest (qui est associé à des températures > 10 °C).

Conclusion

Le seul effet notable dans les données concerne la diminution de l’activité de la pipistrelle commune lorsque les températures sont faibles. Elle ne semble d’ailleurs pas significativement impactée par le vent.

## R version 3.6.1 (2019-07-05)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 18.04.3 LTS
## 
## Matrix products: default
## BLAS:   /usr/lib/x86_64-linux-gnu/openblas/libblas.so.3
## LAPACK: /usr/lib/x86_64-linux-gnu/libopenblasp-r0.2.20.so
## 
## locale:
##  [1] LC_CTYPE=fr_FR.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=fr_FR.UTF-8        LC_COLLATE=fr_FR.UTF-8    
##  [5] LC_MONETARY=fr_FR.UTF-8    LC_MESSAGES=fr_FR.UTF-8   
##  [7] LC_PAPER=fr_FR.UTF-8       LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=fr_FR.UTF-8 LC_IDENTIFICATION=C       
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] GGally_1.4.0    tidyr_0.8.3     readr_1.3.1     lubridate_1.7.4
## [5] ggplot2_3.2.0   dplyr_0.8.3    
## 
## loaded via a namespace (and not attached):
##  [1] Rcpp_1.0.1         RColorBrewer_1.1-2 pillar_1.4.2      
##  [4] compiler_3.6.1     plyr_1.8.4         tools_3.6.1       
##  [7] zeallot_0.1.0      digest_0.6.20      evaluate_0.14     
## [10] tibble_2.1.3       gtable_0.3.0       pkgconfig_2.0.2   
## [13] rlang_0.4.0        yaml_2.2.0         xfun_0.8          
## [16] withr_2.1.2        stringr_1.4.0      knitr_1.23        
## [19] vctrs_0.2.0        hms_0.5.0          grid_3.6.1        
## [22] tidyselect_0.2.5   reshape_0.8.8      glue_1.3.1        
## [25] R6_2.4.0           rmarkdown_1.14     purrr_0.3.2       
## [28] reshape2_1.4.3     magrittr_1.5       scales_1.0.0      
## [31] backports_1.1.4    htmltools_0.3.6    assertthat_0.2.1  
## [34] colorspace_1.4-1   labeling_0.3       stringi_1.4.3     
## [37] lazyeval_0.2.2     munsell_0.5.0      crayon_1.3.4

Lien entre activité et météo à Laissey du 22/8/2018 au 30/10/2018

L.-C. Canon

9 décembre 2019

Aggrégation par nuit

Aggrégation par heure

Conclusion