Résumé L'exportation du Code civil de 1804 s'explique par plusieurs causes, dont la force des armes, la séduction intellectuelle et l'absence d'autres modèles. Elle se réalisa sous diverses modalités : réception directe de la France, ou réception indirecte par l'intermédiaire d'un pays-relais. Elle eut pour objet tantôt le Code lui-même, littéralement, tantôt son esprit, tantôt le principe même d'une codification. De cette destinée du Code Napoléon, on peut conclure aujourd'hui à l'urgence pour la France de se doter d'un Code civil neuf.
As transformações nos ecossistemas da Amazônia, que ocorrem desde o processo de colonização, têm sido bastante estudadas, entretanto, pouco se tem considerado as variações das características do solo na paisagem. Com o objetivo de avaliar a variação do solo de uma paisagem da microrregião de Marabá, Pará, foi realizado um estudo envolvendo a composição granulométrica e orgânica do solo. Tenta-se explicar, dessa forma, a variação dessas características em relação aos processos pedogenéticos. Amostras foram coletadas em perfis no topo (Latossolo), encosta (Cambissolo) e baixa vertente (Gleissolo), de uma topossequência com 300 m de extensão cultivada com Brachiaria brizantha. Os resultados monstraram o predomínio de argila no Latossolo e no Cambissolo e de areia no Gleissolo, além de um acúmulo de matéria orgânica em superfície. O aumento nos valores de silte em profundidade são decorrentes da presença da alterita, que aparece em profundidade variável, segundo a classe de solo. A intensidade pedogenética diferenciada em função da declividade e da forma da vertente provocou variações na constituição granulométrica e orgânica do solo, ao longo dos perfis e ao longo da topossequência, que contribuíram para a caracterização de um sistema pedológico, composto de Latossolo, Cambissolo e Gleissolo, de alta para baixa vertente, respectivamente.
Ecosystem Service (ES) mapping has become a key tool in scientific assessments of human-nature interactions and is being increasingly used in environmental planning and policy-making. However, the associated epistemic uncertainty underlying these maps often is not systematically considered. This paper proposes a basic procedure to present areas with lower statistical reliability in a map of an ES indicator, the vegetation carbon stock, when extrapolating field data to larger case study regions. To illustrate our approach, we use regression analyses to model the spatial distribution of vegetation carbon stock in the Brazilian Amazon forest in the State of Pará. In our analysis, we used field data measurements for the carbon stock in three study sites as the response variable and various land characteristics derived from remote sensing as explanatory variables for the ES indicator. We performed regression methods to map the carbon stocks and calculated three indicators of reliability: RMSE-Root-mean-square-error, R2-coefficient of determination - from an out-of-sample validation and prediction intervals. We obtained a map of carbon stocks and made explicit its associated uncertainty using a general indicator of reliability and a map presenting the areas where our prediction is the most uncertain. Finally, we highlighted the role of environmental factors on the range of uncertainty. The results have two implications. (1) Mapping prediction interval indicates areas where the map's reliability is the highest. This information increases the usefulness of ES maps in environmental planning and governance. (2) In the case of the studied indicator, the reliability of our prediction is very dependent on land cover type, on the site location and its biophysical, socioeconomic and political characteristics. A better understanding of the relationship between carbon stock and land-use classes would increase the reliability of the maps. Results of our analysis help to direct future research and fieldwork and to prevent decision-making based on unreliable maps.
Ecosystem Service (ES) mapping has become a key tool in scientific assessments of human-nature interactions and is being increasingly used in environmental planning and policy-making. However, the associated epistemic uncertainty underlying these maps often is not systematically considered. This paper proposes a basic procedure to present areas with lower statistical reliability in a map of an ES indicator, the vegetation carbon stock, when extrapolating field data to larger case study regions. To illustrate our approach, we use regression analyses to model the spatial distribution of vegetation carbon stock in the Brazilian Amazon forest in the State of Pará. In our analysis, we used field data measurements for the carbon stock in three study sites as the response variable and various land characteristics derived from remote sensing as explanatory variables for the ES indicator. We performed regression methods to map the carbon stocks and calculated three indicators of reliability: RMSE-Root-mean-square-error, R2-coefficient of determination - from an out-of-sample validation and prediction intervals. We obtained a map of carbon stocks and made explicit its associated uncertainty using a general indicator of reliability and a map presenting the areas where our prediction is the most uncertain. Finally, we highlighted the role of environmental factors on the range of uncertainty. The results have two implications. (1) Mapping prediction interval indicates areas where the map's reliability is the highest. This information increases the usefulness of ES maps in environmental planning and governance. (2) In the case of the studied indicator, the reliability of our prediction is very dependent on land cover type, on the site location and its biophysical, socioeconomic and political characteristics. A better understanding of the relationship between carbon stock and land-use classes would increase the reliability of the maps. Results of our analysis help to direct future research and fieldwork and to prevent ...
Ecosystem Service (ES) mapping has become a key tool in scientific assessments of human-nature interactions and is being increasingly used in environmental planning and policy-making. However, the associated epistemic uncertainty underlying these maps often is not systematically considered. This paper proposes a basic procedure to present areas with lower statistical reliability in a map of an ES indicator, the vegetation carbon stock, when extrapolating field data to larger case study regions. To illustrate our approach, we use regression analyses to model the spatial distribution of vegetation carbon stock in the Brazilian Amazon forest in the State of Pará. In our analysis, we used field data measurements for the carbon stock in three study sites as the response variable and various land characteristics derived from remote sensing as explanatory variables for the ES indicator. We performed regression methods to map the carbon stocks and calculated three indicators of reliability: RMSE-Root-mean-square-error, R2-coefficient of determination - from an out-of-sample validation and prediction intervals. We obtained a map of carbon stocks and made explicit its associated uncertainty using a general indicator of reliability and a map presenting the areas where our prediction is the most uncertain. Finally, we highlighted the role of environmental factors on the range of uncertainty. The results have two implications. (1) Mapping prediction interval indicates areas where the map's reliability is the highest. This information increases the usefulness of ES maps in environmental planning and governance. (2) In the case of the studied indicator, the reliability of our prediction is very dependent on land cover type, on the site location and its biophysical, socioeconomic and political characteristics. A better understanding of the relationship between carbon stock and land-use classes would increase the reliability of the maps. Results of our analysis help to direct future research and fieldwork and to prevent decision-making based on unreliable maps. ; ISSN:2367-8194
International audience ; Le Millenium Ecosystem Assessment (MEA), puis les REDD (Reducing Emissions from Deforestation and forest Degradation) et les REDD+, préconisent le développement des approches permettant de quantifier et de spatialiser les services écosystémiques (SE) afin de mettre en œuvre des pratiques et des politiques de gestion environnementale plus adaptées. La cartographie des SE apparaît ainsi comme un outil majeur des espaces à forts enjeux environnementaux. Cependant, elle souffre encore de certaines limitations. C'est le cas du stock de carbone dans la biomasse végétale. À l'échelle d'une localité d'Amazonie brésilienne de 175 km², nous avons cartographié, avec une résolution spatiale de 30x30m, cette fonction écologique. Afin de quantifier ces stocks, des mesures de biomasse arborée et arbustive au sein de 45 " points " et des données géographiques obtenues par télédétection sont mises en relation. Pour cela, deux méthodes statistiques sont testées : l'arbre de décision et la régression linéaire multiple. Les résultats statistiques de chacune de ces méthodes sont présentés, permettant d'en comprendre les intérêts et les inconvénients. La qualité d'ajustement de ces modèles est testée. Si l'arbre de décision décrit mieux le rôle des variables explicatives, la régression linéaire multiple permet une prédiction beaucoup plus efficace. Elle rend alors davantage compte de la variabilité spatiale au sein de chaque type d'occupation du sol. Cette méthode fait apparaître à l'échelle de la ferme des phénomènes spécifiques au territoire étudié. Cela permet de retranscrire simplement le résultat d'un processus écologique tout en le mettant en relation avec les activités anthropiques. Cette étude permet donc d'illustrer l'importance des choix méthodologiques afin d'obtenir la cartographie d'un processus.
International audience ; Le Millenium Ecosystem Assessment (MEA), puis les REDD (Reducing Emissions from Deforestation and forest Degradation) et les REDD+, préconisent le développement des approches permettant de quantifier et de spatialiser les services écosystémiques (SE) afin de mettre en œuvre des pratiques et des politiques de gestion environnementale plus adaptées. La cartographie des SE apparaît ainsi comme un outil majeur des espaces à forts enjeux environnementaux. Cependant, elle souffre encore de certaines limitations. C'est le cas du stock de carbone dans la biomasse végétale. À l'échelle d'une localité d'Amazonie brésilienne de 175 km², nous avons cartographié, avec une résolution spatiale de 30x30m, cette fonction écologique. Afin de quantifier ces stocks, des mesures de biomasse arborée et arbustive au sein de 45 " points " et des données géographiques obtenues par télédétection sont mises en relation. Pour cela, deux méthodes statistiques sont testées : l'arbre de décision et la régression linéaire multiple. Les résultats statistiques de chacune de ces méthodes sont présentés, permettant d'en comprendre les intérêts et les inconvénients. La qualité d'ajustement de ces modèles est testée. Si l'arbre de décision décrit mieux le rôle des variables explicatives, la régression linéaire multiple permet une prédiction beaucoup plus efficace. Elle rend alors davantage compte de la variabilité spatiale au sein de chaque type d'occupation du sol. Cette méthode fait apparaître à l'échelle de la ferme des phénomènes spécifiques au territoire étudié. Cela permet de retranscrire simplement le résultat d'un processus écologique tout en le mettant en relation avec les activités anthropiques. Cette étude permet donc d'illustrer l'importance des choix méthodologiques afin d'obtenir la cartographie d'un processus.
International audience ; Le Millenium Ecosystem Assessment (MEA), puis les REDD (Reducing Emissions from Deforestation and forest Degradation) et les REDD+, préconisent le développement des approches permettant de quantifier et de spatialiser les services écosystémiques (SE) afin de mettre en œuvre des pratiques et des politiques de gestion environnementale plus adaptées. La cartographie des SE apparaît ainsi comme un outil majeur des espaces à forts enjeux environnementaux. Cependant, elle souffre encore de certaines limitations. C'est le cas du stock de carbone dans la biomasse végétale. À l'échelle d'une localité d'Amazonie brésilienne de 175 km², nous avons cartographié, avec une résolution spatiale de 30x30m, cette fonction écologique. Afin de quantifier ces stocks, des mesures de biomasse arborée et arbustive au sein de 45 " points " et des données géographiques obtenues par télédétection sont mises en relation. Pour cela, deux méthodes statistiques sont testées : l'arbre de décision et la régression linéaire multiple. Les résultats statistiques de chacune de ces méthodes sont présentés, permettant d'en comprendre les intérêts et les inconvénients. La qualité d'ajustement de ces modèles est testée. Si l'arbre de décision décrit mieux le rôle des variables explicatives, la régression linéaire multiple permet une prédiction beaucoup plus efficace. Elle rend alors davantage compte de la variabilité spatiale au sein de chaque type d'occupation du sol. Cette méthode fait apparaître à l'échelle de la ferme des phénomènes spécifiques au territoire étudié. Cela permet de retranscrire simplement le résultat d'un processus écologique tout en le mettant en relation avec les activités anthropiques. Cette étude permet donc d'illustrer l'importance des choix méthodologiques afin d'obtenir la cartographie d'un processus.
International audience ; Le Millenium Ecosystem Assessment (MEA), puis les REDD (Reducing Emissions from Deforestation and forest Degradation) et les REDD+, préconisent le développement des approches permettant de quantifier et de spatialiser les services écosystémiques (SE) afin de mettre en œuvre des pratiques et des politiques de gestion environnementale plus adaptées. La cartographie des SE apparaît ainsi comme un outil majeur des espaces à forts enjeux environnementaux. Cependant, elle souffre encore de certaines limitations. C'est le cas du stock de carbone dans la biomasse végétale. À l'échelle d'une localité d'Amazonie brésilienne de 175 km², nous avons cartographié, avec une résolution spatiale de 30x30m, cette fonction écologique. Afin de quantifier ces stocks, des mesures de biomasse arborée et arbustive au sein de 45 " points " et des données géographiques obtenues par télédétection sont mises en relation. Pour cela, deux méthodes statistiques sont testées : l'arbre de décision et la régression linéaire multiple. Les résultats statistiques de chacune de ces méthodes sont présentés, permettant d'en comprendre les intérêts et les inconvénients. La qualité d'ajustement de ces modèles est testée. Si l'arbre de décision décrit mieux le rôle des variables explicatives, la régression linéaire multiple permet une prédiction beaucoup plus efficace. Elle rend alors davantage compte de la variabilité spatiale au sein de chaque type d'occupation du sol. Cette méthode fait apparaître à l'échelle de la ferme des phénomènes spécifiques au territoire étudié. Cela permet de retranscrire simplement le résultat d'un processus écologique tout en le mettant en relation avec les activités anthropiques. Cette étude permet donc d'illustrer l'importance des choix méthodologiques afin d'obtenir la cartographie d'un processus.
International audience ; Le Millenium Ecosystem Assessment (MEA), puis les REDD (Reducing Emissions from Deforestation and forest Degradation) et les REDD+, préconisent le développement des approches permettant de quantifier et de spatialiser les services écosystémiques (SE) afin de mettre en œuvre des pratiques et des politiques de gestion environnementale plus adaptées. La cartographie des SE apparaît ainsi comme un outil majeur des espaces à forts enjeux environnementaux. Cependant, elle souffre encore de certaines limitations. C'est le cas du stock de carbone dans la biomasse végétale. À l'échelle d'une localité d'Amazonie brésilienne de 175 km², nous avons cartographié, avec une résolution spatiale de 30x30m, cette fonction écologique. Afin de quantifier ces stocks, des mesures de biomasse arborée et arbustive au sein de 45 " points " et des données géographiques obtenues par télédétection sont mises en relation. Pour cela, deux méthodes statistiques sont testées : l'arbre de décision et la régression linéaire multiple. Les résultats statistiques de chacune de ces méthodes sont présentés, permettant d'en comprendre les intérêts et les inconvénients. La qualité d'ajustement de ces modèles est testée. Si l'arbre de décision décrit mieux le rôle des variables explicatives, la régression linéaire multiple permet une prédiction beaucoup plus efficace. Elle rend alors davantage compte de la variabilité spatiale au sein de chaque type d'occupation du sol. Cette méthode fait apparaître à l'échelle de la ferme des phénomènes spécifiques au territoire étudié. Cela permet de retranscrire simplement le résultat d'un processus écologique tout en le mettant en relation avec les activités anthropiques. Cette étude permet donc d'illustrer l'importance des choix méthodologiques afin d'obtenir la cartographie d'un processus.