La zone tampon de 1000m autour du Lez est d’une superficie de 5627,58 ha. En terme d’occupation du sol et en réponse au point 4 du TP2 SIG cette zone tampon se compose comme suit :
Module SIG TP2 : occupation du sol autour du Lez
Thierry Castel
Regional climate, Variability, Climate Change Impacts
All posts in one long list
UE4 Climat : de la donnée à l'adaptation
L’UE Climat s’articule autour de séquences assurées par des intervenant(e)s sur les thèmes indiqués dans le tableau ci-dessous. Ces séquences seront complétées par une mise en application qui suivra la progressivité de l’UE et illustrera les différents points abordés par les intervenant(e)s. Pour cela un applicatif centré sur «Impact du changement climatique sur la ressource en eau en Bourgogne Franche-Comté» servira de fil conducteur.
| Thèmes | Intervenants extérieurs | heures | |
|---|---|---|---|
| Services et portails climatiques | Agnès Tamburini, Météo-France | 2 | |
| Impacts hydriques et hydrologiques | Eric Sauquet, INRAE | 6 | |
| Impacts sur les agro-écosystèmes | Annabelle Larmure, Institut Agro Dijon | 3 | |
| Stratégies d’adaptation | En attente, | 2 | |
| Applicatif | Intervenants | heures | |
|---|---|---|---|
| Impacts CC sur la ressource en eau | T. Castel | 27 | |
| J. Crétat | 3 |
En amont de l’applicatif il vous est demandé de réaliser les taches suivantes :
- vous inscrire sur le portal DRIAS de Météo-France afin de pouvoir récupérer lors de la première séance les données climatiques qui seront utilisées pour l’applicatif;
- récupérer des données environnementales sur les sites suivants :
- récupérer le dossier de travail
- Dossier attention ce lien est temporaire;
La mise en oeuvre de l’applicatif mobilisera les outils logiciels SIG QGIS et de traitement de données et statistiques R. Pour ce dernier nous conseillons de l’utiliser via un environnement interactif de développement du type RStudio par exemple.
L’ensemble des cours et des TD/TP se feront dans la salle 206, aile sud du bâtiment Sciences Gabriel sur le campus de l’Univ. de Bourgogne.
Enfin nous vous demandons :
UE2 M2SEME: Interpolation spatiale
Analyse données géographiques : Interpolation spatiale
Objectifs :
Afin de pouvoir estimer la part de contribution du ruissellement des pluies sur la pollution au phosphore, il est nécessaire de connaître le cumul de précipitations en tout point du bassin versant. Malheureusement, cette information n’est pas mesurée au niveau du bassin versant. Les stations climatiques disponibles sont situées à l’extérieur de ce dernier.
Pour estimer les cumuls de pluie au niveau de bassin versant, et pour tous les pixels du MNT nous allons procéder à l’interpolation spatiale. L’objet de cette séance est de connaître des techniques communes d’interpolation spatiale des données :
* La régression multiple
* Le krigeage ordinaire (technique appartenant à la discipline des géostatistiques)
Vous serez guidés pas à pas pour interpoler les cumuls annuels de pluie avant et après 1987/1988.
Le support du TP et les données sont à récupérer ici
Séance 3 : interpolation mécaniste
- Exploration et mise en forme des données;
- Agrégation des données climatiques au pas de temps annuel;
- Construction du modèle linéaire multiple entre variables explicatives (X, Y et altitude) et la variable climatique (corrélations, partielles ou non) ;
- Mesure de la significative des variables retenues dans le modèle (r, p-value);
- Évaluation de la qualité du modèle (R2 ajusté, RMSE sur les résidus).
Séance 4 : interpolation géostatistique (ici)
- Régression multilinéaire
- Krigeage des résidus
- Régression-Krigeage
- Evaluation de la qualité des trois méthodes d’interpolation : Régression multilinéaire, Krigeage et Régression-Krigeage
- Interpolation des cumuls de pluie annuels moyens de part et d’autre de la rupture 1987/1988.
Séance 5 : Cartographie des cumuls moyen des pluies annuelles
- Import des cartes des cumuls moyen des pluies annuelles dans QGIS;
- Calcul du facteur d’érosivité pluviométrique;
-
Croisement avec la carte des risques de fuite du phosphore sur le BV;
- Attendu pour l’évaluation de la partie traitement des données de l’UE2
- Données pour l’évaluation ici
Nous reviendrons au cours du TP sur les différentes étapes.
UE2 M2SEME: analyse spatiale avec QGIS
Analyse données géographiques : Interpolation spatiale
Objectifs :
Afin de pouvoir estimer la part de contribution du ruissellement des pluies sur la pollution au phosphore, il est nécessaire de connaître le cumul de précipitations en tout point du bassin versant. Malheureusement, cette information n’est pas mesurée au niveau du bassin versant. Les stations climatiques disponibles sont situées à l’extérieur de ce dernier.
Pour estimer les cumuls de pluie au niveau de bassin versant, et pour tous les pixels du MNT nous allons procéder à l’interpolation spatiale. L’objet de cette séance est de connaître des techniques communes d’interpolation spatiale des données :
* La régression multiple
* Le krigeage ordinaire (technique appartenant à la discipline des géostatistiques)
Vous serez guidés pas à pas pour interpoler les cumuls annuels de pluie avant et après 1987/1988.
Le support du TP et les données sont à récupérer ici
Séance 3 : interpolation mécaniste
- Exploration et mise en forme des données;
- Agrégation des données climatiques au pas de temps annuel;
- Construction du modèle linéaire multiple entre variables explicatives (X, Y et altitude) et la variable climatique (corrélations, partielles ou non) ;
- Mesure de la significative des variables retenues dans le modèle (r, p-value);
- Évaluation de la qualité du modèle (R2 ajusté, RMSE sur les résidus).
Séance 4 : interpolation géostatistique
Le support et les données sont à récupérer ici
- Régression multilinéaire
- Krigeage des résidus
- Régression-Krigeage
- Evaluation de la qualité des trois méthodes d’interpolation : Régression multilinéaire, Krigeage et Régression-Krigeage
- Interpolation des cumuls de pluie annuels moyens de part et d’autre de la rupture 1987/1988.
Nous reviendrons au cours du TP sur les différentes étapes.
UE2 M2SEME: analyse spatiale avec QGIS
Analyse spatiale de données géographiques : Pollution au phosphore dans un bassin versant
Objectifs pédagogiques :
- Savoir analyser des Données spatiales avec QGIS;
- Construire une stratégie (i.e. démarche méthodologique) d’analyse spatiale;
- Mettre en œuvre cette stratégie avec QGIS pour cartographier un risque de pollution diffuse d’origine agricole à l’échelle d’un bassin versant;
- Acquérir les bases de la géostatistique pour évaluer la cohérence spatiale de données;
- Développer un regard critique sur la qualité des données spatialisées, leurs intérêts et leurs limites, en particulier dans le cadre d’analyses environnementales;
- Exploiter la complémentarité QGIS/R;
La présentation de l’applicatif SIG, le support du TP et les données sont à récupérer ici
Séance 1
- Introduction à la problématique de pollution diffuse d’origine agricole sur le Bassin Versant étudié;
- Travail collégial sur le modèle de risque de fuite en phosphore établit par le consortium qui a traité le cas;
- Classification des niveaux de risque;
- Construction collégiale de la stratégie pour produire une cartographie du risque;
- Mise en oeuvre de la démarche d’analyse spatiale pour l’identification des niveaux de risque;
Séance 2
- Poursuite de la mise en oeuvre
- Traitement des données pour identifier les niveaux de risque;
- Finalisation des traitements;
- Production des résultats et de la carte du risque;
Nous reviendrons au cours du TP sur les différentes étapes.
Séries temporelles : analyse avec R
Objectifs de la séance :
- Utiliser le logiciel R pour lire et traiter des tableaux de données
- Créer et manipuler des séries temporelles. Mobilisation de ’packages adaptés’
- Appliquer des méthodes et des outils statistiques permettant la détection de ruptures et de tendance dans des séries climatiques continues
Pour rappel :
- avec R les # permettent de mettre des commentaires dans le code
- Pour l'assignement dans un objet on peut utiliser les signes <- ou =
- Parmis les fonctions très utiles pour explorer les données : class, str, dim, head, tail
Les librairies à installer pour le TP sont :
- trend
- xts
Le script, les données et de la docs sont à récupérer ici : data
Le notebook vous permet de prendre connaissance des différentes étapes et de commencer à tester le code sur votre machine.
Nous reviendrons au cours du TP sur les différentes étapes.
R2D2C : Remise à niveau R
Environnement et outils de traitement des données
L’outil logiciel préconisé est R qui permet le traitement avancé des données numériques et leur analyse statistique. Outre qu’il implémente l’état de l’art des méthodes statistiques, R offre la possibilité de tracer les données et de produire des figures de qualité. La mise en oeuvre de ces fonctionnalités est délicate à partir de l’éditeur natif de R. Pour cela différents environnements intégrés de développement encore appelés IDE (Interactive Development Environment) ont été développés afin d’améliorer la prise en main, l’efficacité et les échanges. Parmi les IDE utilisés avec R nous pouvons vous en conseiller deux :
- RStudio qui est un IDE spécifique à R et qui offre une version open-source pour Windows assez facilement installable;
- Jupyter un IDE ‘universel’ s’appuyant sur le concept de notebook qui facilite la publication, les échanges et la réutilisation du code. L’installation sous Windows n’est pas directe et nécessite d’installer la plate-forme Anaconda;
Installation de R + RStudio ou R + Jupyter via Anaconda
R + RStudio
Pour Windows :
- récupérer les exécutables (i.e. .exe) de R et RStudio via les liens ci-dessus;
- installer R en utilisant les options proposées par défaut;
- installer RStudio en double cliquant sur l’exécutable et suivre les étapes.
Anaconda
L’installation est quasi identique pour windows, linux et macOS. Nous présentons ci-dessous les principales étapes de la récupération à l’installation. Nous montrons comment créer un nouvel environnement avec R et Jupyterlab.
- Récupération d’Anaconda
- Installation d’Anaconda
Une fois le fichier exécutable (‘Anaconda3-2022.05-Windows-x86_64.exe’) cliquer deux fois dessus pour lancer l’installation
 |
 |
 |
- Anaconda Navigator -> menu démarrer
Anaconda apparaît après l’installation dans votre menu démarrer. Il faut lancer Anaconda Navigator pour gérer les environnements et l’installation des packages.
Anaconda propose un environnement isolé afin de gérer les dépendances et la version des logiciels. C’est pour cela qu’il nécessite à minima 3Go d’espace disque et un minimum de mémoire RAM.
- Anaconda Navigator -> Interface
L’interface anaconda de base propose par défaut une séries de logiciel installés ou à installer en fonction des besoins.
Cet environnement de base est très stable. En contrepartie ce ne sont pas les versions les plus récentes des logiciels qui sont proposées. Pour avoir des versions plus récentes il faudra ajouter un liens (Channels).
- Anaconda Navigator -> Channels
On vous propose d’ajouter le Channel ou lien conda-forge qui pointe sur les versions plus récentes et propose plus de packages.
Ce Channel maintenu par une large communauté issue du monde open-source permet de créer de nouveaux environnements opérationnels pour vos besoins. Dans notre cas on vous propose une fois le Channel ajouté de créer un nouvel environnement avec une version plus récente de R, Jupyterlab et le noyau (kernel) de R pour jupyterlab.
- Anaconda Navigator -> Création d’un nouvel environnement
Ici on active l’intallation de R et python. Anaconda va se baser sur le Channel conda-forge pour les versions des logiciels.
Après sa création on va pouvoir ajouter les logiciels et packages dont on a besoin et notamment jupyterlab et les libraries spécifiques en plus des librairies de base.
- Anaconda Navigator -> Installation de logiciel et librairies
Sélectionner votre nouvel environnement recherche dans les logiciels et librairies non installés jupyterlab et les libraries R listées plus bas dans la page.
Après cette opération vous pouvez retourner sous Home et à partir de votre nouvel environnement vous pouvez lancer Jupyterlab. Jupyterlab vous permet d’ouvrir le notebook et lancer les blocs de code. Pour cela il vous faudra récupérer les données via le lien ci dessous et modifier dans le notebook le chemin d’accès aux données .
Les librairies à installer pour la séance sont :
- sf, tidyverse, dplyr, rstatix, rgdal, spatstat, classInt, RColorBrewer, leaps, relaimpo
Script et données
Les données, les scripts et les docs sont à récupérer ici : data
Le notebook vous permet de prendre connaissance des différentes étapes, de commencer à tester le code sur votre machine.
Nous reviendrons au cours de la séance sur les différentes étapes.
2023-2024 Bienvenue
Bienvenue sur mes pages
Bonjour et bienvenue sur mes pages. Ces pages sont destinées à présenter et appuyer mes activités d’enseignement et de recherche. Pour la partie enseignement elles s’adressent en premier lieu aux élèves-inégieurs de l’institut Agro Dijon et aux étudiants du Master SEME de l’université de Bourgogne. Elles me permettent de mettre à disposition les supports (scripts, données, notebooks, diaporamas etc.) et diverses informations utiles en amont soit de mes interventions ou de celles des intervenants extérieurs.
---
Pour les élèves-ingénieurs de la dominantes R2D2C -> cf. page 'Remise à niveau R'
Pour les élèves du Master 2 SEME -> cf. page 'Analyse des séries temporelles avec R'
---