[DEV] Faire une typologie multiscalaire avec R

 

Voici ci dessous le programme R permettant de réaliser une typologie multiscalaire et de la cartographier à la façon du logiciel HyperAtlas (http://www.espon.eu/main/Menu_ToolsandMaps/ESPONHyperAtlas/). Le principe de cette typologie est la suivante, comparer la valeur d’une region selon un indicateur donné en fonction de 3 voisinages :

– Global (e.g. ensemble de l’espace d’étude)
– Intermédiaire (e.g niveau administratif supérieur)
– Local (régions contiguës ou proches à vol d’oiseau)

Pour plus de détail sur la méthodologie, rendez vous sur le site web du groupe de recherche HyperCarte : http://hypercarte.imag.fr/hyperatlas.html

 

Rplot

 

Voici le code source dont le téléchargement vous est proposé en fin de page avec données et fond de carte.

 

# =============================================
# pgm_MTA.R
#
# Objectif: Cartographie multiscalaire
# auteurs : Nicolas Lambert,UMS RIATE – CNRS
# version : 1.0 (janvier 2014)
#
# ===============================================

# ===================================
# Chargement des libraries nécéssaires
# ===================================

library(maptools)
library(rgeos)
library(reshape2)

# ===================================
# 1. Imports et jointure
# ===================================

setwd(« /home/nlambert/Documents/Travaux/Tunisie/Sfax2014/R/tunisie »)
fdc <- readShapeSpatial(« geom/Tunisie_snuts4.shp »)
donnees<-read.csv( « data/data_del_2004.csv »,header=TRUE,sep= »; »,dec= », »,encoding= »latin1″,)names(fdc@data)[1]<-« id »
names(donnees)[1]<-« id »
fdc@data = data.frame(fdc@data, donnees[match(fdc@data[, »id »], donnees[, »id »]),])

# ===================================
# 2. Variables
# ===================================

#Indicateurs & labels
stock1<-fdc@data$pop_t
stock2<-fdc@data$area
ratio<-stock1/stock2
#stock1_label<-« Population totale, 2004 (unit) »
#stock2_label<-« Superficie (unit) »
ratio_label<-« Densité de population, 2004 »

# Deviation globale (valeur)
global=sum(stock1)/sum(stock2)

# Deviation intermediaire (champ aggregatif)
medium<-fdc@data$id_snuts2

# Deviation locale (0 = contiguite, sinon distance euclidienne dans l’unité de la carte)
mydist<-0

# Critere et seuil
critere<-« sup » # « sup » = plus grand que, « inf » = plus petit que
seuil <-125

# ===================================
# 3. Calculs
# ===================================

# On ne garde que ce qui est utile
fdc@data<-data.frame(fdc@data$id,medium,stock1,stock2,ratio)
colnames(fdc@data)<-c(« id », »id2″, »stock1″, »stock2″, »ratio »)
# 3.1 Calcul deviation global
fdc@data$global<-(fdc@data$ratio/global)*100
# 3.2 Calcul deviation intermédiare
stock1_med<-aggregate(fdc@data$stock1, by = list(id2 = fdc@data$id2), sum, simplify=TRUE)
stock2_med<-aggregate(fdc@data$stock2, by = list(id2 = fdc@data$id2), sum, simplify=TRUE)
med<-data.frame(c(stock1_med,stock2_med))
med$tmp<-(med$x/med$x.1)
med<-data.frame(med$id2,med$tmp)
colnames(med)<-c(« id2″, »medium »)
fdc@data = data.frame(fdc@data, med[match(fdc@data[, »id2″], med[, »id2″]),2])
colnames(fdc@data)<-c(« id », »id2″, »stock1″, »stock2″, »ratio », »global », »medium »)
fdc@data$medium<-(fdc@data$ratio/fdc@data$medium)*100
# 3.3 Calcul déviation locale
if(mydist==0) {
dist<-gIntersects(fdc, byid = TRUE, prepared=TRUE)
row.names(dist)<-fdc@data$id
colnames(dist)<-fdc@data$id
dist<-melt(dist,variable.name=1,value.name= »fij », na.rm=TRUE)
colnames(dist)<-c(« i », »j », »cij »)
dist<-dist[dist$cij==TRUE,]} else {centres<-gCentroid(fdc, byid=TRUE, id = NULL)
dist<-gWithinDistance(centres,byid=TRUE,dist=mydist)
row.names(dist)<-fdc@data$id
colnames(dist)<-fdc@data$id
dist<-melt(dist,variable.name=1, na.rm=TRUE)
colnames(dist)<-c(« i », »j », »cij »)
dist<-dist[dist$cij==TRUE,]
}
dist = data.frame(dist, fdc@data[match(dist[, »j »], fdc@data[, »id »]),c(« stock1″, »stock2 »)])
local_stock1<-aggregate(dist$stock1, by = list(i = dist$i), sum, simplify = TRUE)
local_stock2<-aggregate(dist$stock2, by = list(i = dist$i), sum, simplify = TRUE)
local<-data.frame(local_stock1,local_stock2$x)
colnames(local)<-c(« id », »stock1″, »stock2″)
local$ratio<-local$stock1/local$stock2
local<-data.frame(local$id,local$ratio)
colnames(local)<-c(« id », »local »)fdc@data = data.frame(fdc@data, local[match(fdc@data[, »id »], local[, »id »]),2])
colnames(fdc@data)<-c(« id », »id2″, »stock1″, »stock2″, »ratio », »global », »medium », »local »)
fdc@data$local<-(fdc@data$ratio/fdc@data$local)*100

# ===================================
# 4. Typologie multiscalaire
# ===================================

# Types
fdc@data$tmp1<-0
fdc@data$tmp2<-0
fdc@data$tmp3<-0
fdc@data$typo=seuil]=seuil]=seuil]<-4
}if (critere== »inf »)
{
fdc@data$tmp1[fdc@data$global<=seuil]<-1
fdc@data$tmp2[fdc@data$medium<=seuil]<-2
fdc@data$tmp3[fdc@data$local<=seuil]<-4
}fdc@data$typo<-fdc@data$tmp1+fdc@data$tmp2+fdc@data$tmp3
fdc@data$typo<-as.factor(fdc@data$typo)# couleurs
colours<-c(« white », »#fdc785″, »#ffffab », »#fba9b0″, »#addea6″, »#ffa100″, »#fff226″, »#e30020″)
fdc@data$col<-colours[1]
fdc@data$col[fdc@data$typo==1]<-colours[2]
fdc@data$col[fdc@data$typo==2]<-colours[3]
fdc@data$col[fdc@data$typo==3]<-colours[4]
fdc@data$col[fdc@data$typo==4]<-colours[5]
fdc@data$col[fdc@data$typo==5]<-colours[6]
fdc@data$col[fdc@data$typo==6]<-colours[7]
fdc@data$col[fdc@data$typo==7]<-colours[8]

# ===================================
# 5. Cartographie
# ===================================

cols<-as.character(fdc@data$col)
plot(fdc, col=cols)rVal<-c( » . . . « , »[X] . . « , » . [X] . « , »[X] [X] . « , » . . [X] », »[X] . [X] », » . [X] [X] », »[X] [X] [X] »)
legend(« bottomleft »,legend=rVal, fill=colours,bty= »n »,pt.cex=1,cex=0.7,title=paste(paste(critere, seuil), »\n[glo] [med] [loc] »))if(mydist==0){soustitre0){soustitre<-paste(« NB : déviation locale basée sur la distance : « ,mydist)}
title(main=paste(« Typologie multiscalaire\n »,ratio_label),cex.sub=0.7,sub=soustitre)

Sources (code, données et fond de carte)
R_MTA


Nicolas Lambert

Ingénieur de recherche CNRS en sciences de l'information géographique. Membre de l'UMS RIATE et du réseau MIGREUROP / CNRS research engineer in geographical information sciences. Member of UMS RIATE and the MIGREUROP network.

Vous aimerez aussi...

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search