7 Géotraitement

Author

Dr. Elisabetta Pietrostefani

Published

March 22, 2026

7.1 Introduction

Dans ce chapitre, nous appliquons les concepts vus jusqu’ici à un cas concret : les ventes immobilières à Londres. Nous allons charger des données, les spatialiser, les joindre, les agréger, et produire des cartes publiables.

Les opérations que nous couvrons — jointure spatiale, zone tampon, intersection, calcul de distance — constituent le cœur du géotraitement (geoprocessing).

Code

library(sf)
library(ggplot2)
library(dplyr)
library(viridis)
library(ggspatial)
library(spdep)
library(scales)

7.2 Charger et spatialiser les données

7.2.1 Exercice 1 — Charger les données

Chargez le shapefile des districts londoniens et le fichier CSV des ventes immobilières.

Indice

Pour lire un shapefile dans R avec sf, la fonction est read_sf(). Pour un CSV, c’est read.csv().

Code

# À compléter
london <- ___(dsn = "data/London/Polygons/districts.shp")
ventes <- read.csv("data/London/Tables/housesales.csv")

Voir la réponse

london <- read_sf(dsn = "data/London/Polygons/districts.shp")
ventes <- read.csv("data/London/Tables/housesales.csv")

7.2.2 Exercice 2 — Créer des points spatiaux

Le fichier ventes est un data frame ordinaire avec des colonnes de coordonnées. Convertissez-le en objet sf avec st_as_sf(). Les coordonnées se trouvent dans les colonnes 17 et 18.

Indice

st_as_sf(data, coords = c(col_lon, col_lat)) — passez les numéros de colonnes ou les noms.

Code

ventes <- st_as_sf(ventes, coords = c(___, ___))

Voir la réponse

ventes <- st_as_sf(ventes, coords = c(17, 18))

7.2.3 Exercice 3 — Définir le bon SCR

Les coordonnées de Londres sont en British National Grid (EPSG:27700). Définissez ce SCR sur l’objet ventes.

Indice

Souvenez-vous de la distinction st_set_crs() vs st_transform() — ici nous déclarons le SCR, nous ne reprojetons pas.

Code

ventes <- st_set_crs(ventes, ___)

Voir la réponse

ventes <- st_set_crs(ventes, 27700)

7.3 Visualiser les données

Maintenant que les données sont chargées, explorons-les visuellement. Ce bloc est entièrement fourni — lisez le code attentivement, chaque ligne est commentée.

7.3.1 Construire une carte pas à pas avec `ggplot2`

Code

wards <- read_sf("data/London/Polygons/wards.shp")
wards$level4p  <- wards$LEVEL4_5 / wards$POP16_74
wards$level4pp <- wards$level4p * 100

# Carte minimale
ggplot(wards) +
  geom_sf(fill = "grey90", color = "white", linewidth = 0.2) +
  theme_void(base_size = 12) +
  labs(title = "Wards de Londres", caption = "Source : données Londres | Cours R-Carto") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 7.1: Wards londoniens — carte de base

Code

ggplot(wards) +
  geom_sf(aes(fill = level4p), color = "white", linewidth = 0.15) +
scale_fill_viridis_c(
  name   = "Niveau 4+",
  option = "mako",
  labels = label_percent()
) +
  labs(
    title   = "Part de la population avec qualification niveau 4+",
    caption = "Source : Recensement 2001 | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 7.2: Part de la population avec qualification niveau 4+ par ward — palette divergente

Code

ggplot(wards) +
  geom_sf(aes(fill = level4p), color = "white", linewidth = 0.15) +
scale_fill_viridis_c(
  name   = "Niveau 4+",
  option = "mako",
  labels = label_percent()
) +
  annotation_scale(location = "bl") +
  annotation_north_arrow(location = "bl", pad_y = unit(1, "cm"),
                          style = north_arrow_fancy_orienteering()) +
  labs(
    title   = "Qualification niveau 4+ — Wards de Londres",
    caption = "Source : Recensement 2001 | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 7.3: Carte complète avec échelle et flèche nord

7.4 Ajouter les points de vente

7.4.1 Exercice 4 — Carte de base de Londres

Créez une carte simple des districts londoniens avec ggplot2.

Code

map1 <- ggplot() +
  ___(data = london, ___) +
  theme_void()
map1

Voir la réponse

map1 <- ggplot() +
  geom_sf(data = london, fill = "grey95", color = "white", linewidth = 0.4) +
  geom_sf_text(data = london, aes(label = DIST_NAME),
               fun.geometry = sf::st_centroid, size = 2, color = "grey30") +
  theme_void(base_size = 12) +
  labs(title   = "Districts de Londres",
       caption = "Source : données Londres | Cours R-Carto") +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))
map1

7.4.2 Exercice 5 — Superposer les points de vente

Ajoutez les transactions immobilières (ventes) à la carte map1.

Indice

Dans ggplot2, on ajoute une couche avec + et un nouveau geom_sf().

Code

map1 + ___(data = ventes, ___)

Voir la réponse

map1 +
  geom_sf(data = ventes, color = "#d7191c", size = 0.3, alpha = 0.4)

Transactions immobilières superposées aux districts

7.5 Jointure spatiale

Une jointure spatiale (st_join()) associe à chaque point le polygone dans lequel il tombe — ici, chaque vente immobilière hérite des attributs du district qui la contient.

Code

# Rappel des fonctions spatiales disponibles :
# st_join(polygons, points)  → jointure spatiale
# st_intersects(x, y)        → renvoie les indices des objets qui se croisent
# st_intersection(x, y)      → renvoie les géométries découpées à l'intersection

7.5.1 Exercice 6 — Jointure spatiale districts × ventes

Créez un objet ventes_districts qui joint les polygones des districts avec les points de vente.

Indice

st_join(polygons, points) — l’ordre compte : le premier argument donne la structure géométrique du résultat.

Code

ventes_districts <- st_join(___, ___)
head(ventes_districts)

Voir la réponse

ventes_districts <- st_join(london, ventes)
head(ventes_districts)

Simple feature collection with 6 features and 33 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: 530966.7 ymin: 180404.3 xmax: 551943.8 ymax: 191139
Projected CRS: OSGB36 / British National Grid
# A tibble: 6 × 34
  DIST_CODE DIST_NAME                     geometry propid  price lnprice advance
  <chr>     <chr>                    <POLYGON [m]>  <int>  <int>   <int>   <int>
1 00AA      City of Lon… ((531028.5 181611.2, 531…     NA     NA      NA      NA
2 00AB      Barking and… ((550817 184196, 550814 …   2145  92500      11   77500
3 00AB      Barking and… ((550817 184196, 550814 …   2155 105000      12   90000
4 00AB      Barking and… ((550817 184196, 550814 …   2164  64995      11   61740
5 00AB      Barking and… ((550817 184196, 550814 …   2165  49995      11   37496
6 00AB      Barking and… ((550817 184196, 550814 …   2167 136000      12  122400
# ℹ 27 more variables: age <int>, bathroom <int>, bedroom <int>, buyage <chr>,
#   centheat <int>, chelec <int>, chepart <int>, chgas <int>, chgpart <int>,
#   chnone <int>, floorm2 <int>, ftbuyer <int>, laarea <int>, labad <int>,
#   lagood <int>, lea <int>, pdetach <int>, pflat <int>, psemi <int>,
#   pterrace <int>, popdens <int>, prkdouble <int>, prknone <int>,
#   prksingle <int>, prkspace <int>, tenfree <int>, tenlease <int>

7.6 Agréger les données

7.6.1 Exercice 7 — Prix moyen par district

À partir de ventes_districts, calculez pour chaque district : le nombre de ventes et le prix moyen.

Indice

Utilisez group_by() + summarise() du tidyverse. Le prix est dans la colonne price.

Code

ventes_districts_agg <- ventes_districts |>
  group_by(___, ___) |>
  summarise(
    count_sales = n(),
    mean_price  = mean(___, na.rm = TRUE)
  )
head(ventes_districts_agg)

Voir la réponse

ventes_districts_agg <- ventes_districts |>
  group_by(DIST_CODE, DIST_NAME) |>
  summarise(
    count_sales = n(),
    mean_price  = mean(price, na.rm = TRUE)
  )
head(ventes_districts_agg)

Simple feature collection with 6 features and 4 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: 515484.9 ymin: 156480.8 xmax: 554503.8 ymax: 198355.2
Projected CRS: OSGB36 / British National Grid
# A tibble: 6 × 5
# Groups:   DIST_CODE [6]
  DIST_CODE DIST_NAME           count_sales mean_price                  geometry
  <chr>     <chr>                     <int>      <dbl>             <POLYGON [m]>
1 00AA      City of London                1       NaN  ((531028.5 181611.2, 531…
2 00AB      Barking and Dagenh…          38     91802. ((550817 184196, 550814 …
3 00AC      Barnet                       83    169662. ((526830.3 187535.5, 526…
4 00AD      Bexley                       82    119276. ((552373.5 174606.9, 552…
5 00AE      Brent                        49    174498. ((524661.7 184631, 52466…
6 00AF      Bromley                     124    142468. ((533852.2 170129, 53385…

7.6.2 Exercice 8 — Améliorer la carte des prix

La carte ci-dessous est fonctionnelle mais peu lisible. Améliorez-la en ajoutant : une palette viridis option "magma", des labels en livres sterling (£), et un meilleur thème.

Code

map2 <- ggplot() +
  geom_sf(data = ventes_districts_agg, aes(fill = mean_price),
          color = "white", linewidth = 0.3) +
  labs(x = "", y = "")
map2

Figure 7.4: Prix moyen par district — version initiale (à améliorer)

Code

map3 <- ggplot() +
  geom_sf(data = ___, aes(fill = ___),
          color = "white", linewidth = 0.3) +
  scale_fill_viridis(
    name      = "Prix moyen",
    direction = ___,
    labels    = ___,
    option    = "___"
  ) +
  labs(
    title   = "Prix moyen des transactions immobilières — Londres",
    caption = "Source : données Londres | Cours R-Carto"
  ) +
  ___()   # choisissez un thème : ?ggtheme
map3

Voir la réponse

map3 <- ggplot() +
  geom_sf(data = ventes_districts_agg, aes(fill = mean_price),
          color = "white", linewidth = 0.3) +
  scale_fill_viridis(
    name      = "Prix moyen",
    direction = -1,
    labels    = dollar_format(prefix = "£"),
    option    = "magma"
  ) +
  labs(
    title   = "Prix moyen des transactions immobilières — Londres",
    caption = "Source : données Londres | Cours R-Carto"
  ) +
  theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))
map3

Prix moyen par district — version améliorée

Exercice 9 — Paris

Maintenant que vous maîtrisez le géotraitement sur Londres, créez une carte similaire pour Paris avec les données du cours :

Chargez le shapefile des arrondissements parisiens
Chargez donnees_arrondissement_enrichi.csv
Faites la jointure avec left_join() sur le code arrondissement
Cartographiez une variable de votre choix (prix au m², taux de chômage, part de logements sociaux…)
Appliquez une palette et un thème adaptés

7.7 Zones tampons (buffers)

Une zone tampon est une zone géographique à une distance donnée d’un objet. Ici, nous calculons la population vivant à moins de 500 m d’un échantillon de bâtiments classés londoniens.

7.7.1 Charger les bâtiments classés

Code

batiments_classes <- read_sf("data/London/Points/listed_buildings_london.shp")

# Sélectionner 20 bâtiments au hasard pour l'exemple
set.seed(42)
sample_ids        <- sample(batiments_classes$ListEntry, 20)
batiments_classes <- batiments_classes[batiments_classes$ListEntry %in% sample_ids, ]

cat("Nombre de bâtiments sélectionnés :", nrow(batiments_classes))

Nombre de bâtiments sélectionnés : 20

7.7.2 Télécharger les zones de recensement

Code

# Télécharger les zones de sortie du recensement 2011
dir.create("data/London", recursive = TRUE, showWarnings = FALSE)

download.file(
  url     = "https://data.london.gov.uk/download/statistical-gis-boundary-files-london/9ba8c833-6370-4b11-abdc-314aa020d5e0/statistical-gis-boundaries-london.zip",
  destfile = "data/London/statistical-gis-boundaries-london.zip"
)
unzip("data/London/statistical-gis-boundaries-london.zip", exdir = "data/London")

Code

oas_census <- read_sf(
  "data/London/statistical-gis-boundaries-london/ESRI/OA_2011_London_gen_MHW.shp"
)
oas_census$area_census <- st_area(oas_census)

Code

oas_Southwark <- oas_census[oas_census$LAD11NM == "Southwark", ]

ggplot(oas_Southwark) +
  geom_sf(fill = "#1a4f7a", color = "white", linewidth = 0.2) +
  labs(title   = "Zones de recensement — Southwark",
       caption = "Source : recensement 2011 | Cours R-Carto") +
  theme_void(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 7.5: Zones de recensement — arrondissement de Southwark

7.7.3 Créer les zones tampons

Code

# Harmoniser les SCR
batiments_classes <- st_transform(batiments_classes, st_crs(oas_census))

# Créer les zones tampons de 500 m
buffers500m          <- st_buffer(batiments_classes, dist = 500)
buffers500m$area_buffer <- st_area(buffers500m)

ggplot() +
  geom_sf(data = buffers500m, fill = "#cce5f0", color = "#1a6ea8",
          linewidth = 1.0, alpha = 0.4) +
  geom_sf(data = batiments_classes, color = "#d7191c", size = 2.5,
          shape = 17) +
  labs(
    title    = "Bâtiments classés et zones tampons (500 m)",
    subtitle = "20 bâtiments sélectionnés aléatoirement",
    caption  = "Source : données Londres | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(plot.title    = element_text(face = "bold", hjust = 0.5),
        plot.subtitle = element_text(color = "grey40", hjust = 0.5))

Figure 7.6: Zones tampons de 500 m autour des bâtiments classés sélectionnés

7.7.4 Intersection et population pondérée

Code

# Corriger les géométries invalides si nécessaire
oas_census <- st_make_valid(oas_census)

# Intersection : quelles zones de recensement tombent dans les tampons ?
buffers_inter          <- st_intersection(buffers500m, oas_census)
buffers_inter$area_inter <- st_area(buffers_inter)

Code

# Agréger au niveau du bâtiment — population pondérée par la part de surface couverte
buffers_agg <- buffers_inter |>
  mutate(
    weight     = as.numeric(area_inter / area_buffer),
    population = as.numeric(USUALRES)
  ) |>
  group_by(ListEntry) |>
  summarise_at("population", list(sum = ~sum(. * weight)))

pop_moyenne <- round(mean(buffers_agg$sum))
cat("Population moyenne dans un rayon de 500 m :", pop_moyenne, "habitants\n")

Population moyenne dans un rayon de 500 m : 316 habitants

La population moyenne vivant à moins de 500 m d’un bâtiment classé est 316 habitants.

À noter — st_intersection vs st_join vs st_intersects

Fonction	Ce qu’elle renvoie
`st_join(x, y)`	Table jointe — chaque entité de x avec les attributs de y qui la touchent
`st_intersects(x, y)`	Indices des paires qui se croisent (liste logique)
`st_intersection(x, y)`	Géométries découpées à l’intersection — parties non sécantes supprimées

Référence : R as GIS for Economists

7.8 Calculs de distance

st_distance() calcule la distance entre deux objets sf. Le résultat est une matrice avec des unités (mètres si la projection est en mètres).

Code

Hackney  <- london[london$DIST_NAME == "Hackney",  ]
Southwark <- london[london$DIST_NAME == "Southwark", ]

Hackney_centroid  <- st_centroid(Hackney)
Southwark_centroid <- st_centroid(Southwark)

dist <- st_distance(Hackney_centroid, Southwark_centroid)
cat("Distance Hackney → Southwark :", round(as.numeric(dist)), "mètres\n")

Distance Hackney → Southwark : 8714 mètres

Code

ggplot() +
  geom_sf(data = london, fill = "grey90", color = "grey70", linewidth = 0.3) +
  geom_sf(data = Hackney,   fill = "#2c7bb6", color = "white", linewidth = 0.5) +
  geom_sf(data = Southwark, fill = "#d7191c", color = "white", linewidth = 0.5) +
  geom_sf(data = Hackney_centroid,   color = "#1a4f7a", size = 4, shape = 19) +
  geom_sf(data = Southwark_centroid, color = "#a01010", size = 4, shape = 19) +
  geom_sf(data = st_union(Hackney_centroid, Southwark_centroid) |>
            st_cast("LINESTRING"),
          color = "#333333", linewidth = 1.0, linetype = "dashed") +
  annotate("label",
           x     = -0.03, y = 51.525,
           label = paste0(round(as.numeric(dist) / 1000, 1), " km"),
           size  = 4, fontface = "bold",
           fill  = "white", label.size = 0.3) +
  coord_sf(
    xlim = c(st_bbox(london)["xmin"], st_bbox(london)["xmax"]),
    ylim = c(st_bbox(london)["ymin"], st_bbox(london)["ymax"]),
    expand = TRUE
  ) +
  labs(
    title   = "Distance entre Hackney et Southwark",
    caption = "Source : données Londres | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

Figure 7.7: Centroïdes de Hackney et Southwark avec distance calculée

7.8.1 Matrice de distances multiples

Code

# Distance de Hackney vers Southwark et Croydon
co <- london |> filter(grepl("Southwark|Croydon", DIST_NAME))
st_distance(Hackney_centroid, co)

Units: [m]
         [,1]    [,2]
[1,] 14558.19 5064.61

7.9 Voisinage par distance

Les poids spatiaux par distance identifient pour chaque point l’ensemble de ses voisins dans un rayon donné. Ici, toutes les propriétés à moins de 2 000 m.

Code

housesales    <- read.csv("data/London/Tables/housesales.csv")
housesales_sf <- st_as_sf(housesales, coords = c(17, 18)) |>
  st_set_crs(27700)

# Voisins dans un rayon de 0 à 2000 m
W_dist <- dnearneigh(housesales_sf, d1 = 0, d2 = 2000,
                     row.names = housesales_sf$propid)

# Convertir en liste de poids spatiaux
W_dist_mat <- nb2listw(W_dist, zero.policy = TRUE)
summary(W_dist_mat, zero.policy = TRUE)

Characteristics of weights list object:
Neighbour list object:
Number of regions: 2444 
Number of nonzero links: 71400 
Percentage nonzero weights: 1.195352 
Average number of links: 29.2144 
1 region with no links:
2
4 disjoint connected subgraphs
Link number distribution:

 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 
 1  3  2 16  9 12 19 24 38 43 35 44 55 55 61 52 61 80 60 71 68 84 69 84 77 57 
26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 
51 56 59 57 50 47 51 54 44 57 48 27 27 47 38 32 33 36 23 33 36 32 29 17 22 19 
52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 
13 11 12  6 15 15 22  6 21 26 16 10 11  3  7 11  9  8  4  4  2  5  2 
3 least connected regions:
815 1584 1900 with 1 link
2 most connected regions:
886 984 with 74 links

Weights style: W 
Weights constants summary:
     n      nn   S0       S1       S2
W 2443 5968249 2443 235.6446 9848.804

Code

# Visualiser le réseau
plot(W_dist_mat,
     coords   = housesales[, 17:18],
     pch      = 19,
     cex      = 0.1,
     col      = "#2c7bb6",
     main     = "Voisinage par distance (2 000 m)")

Réseau de voisinage par distance (2 000 m) — transactions immobilières

7.10 Récapitulatif des opérations de géotraitement

Ce qu’il faut retenir

Opération	Fonction	Usage
Spatialiser un CSV	`st_as_sf(df, coords = c(...))`	Créer des points depuis lon/lat
Définir un SCR	`st_set_crs(x, epsg)`	Déclarer le SCR manquant
Reprojeter	`st_transform(x, epsg)`	Changer de projection
Jointure spatiale	`st_join(polygons, points)`	Associer points aux polygones
Zone tampon	`st_buffer(x, dist = ...)`	Zone à distance fixe
Intersection	`st_intersection(x, y)`	Découper les géométries
Calculer une superficie	`st_area(x)`	Superficie en m²
Calculer une distance	`st_distance(x, y)`	Distance entre entités
Trouver des voisins	`dnearneigh(x, d1, d2)`	Voisinage par distance

7.11 Liens utiles

← Précédent : Choroplèthes et Classification → Suivant : Calculs d’Indices Topographiques

Dr. Elisabetta Pietrostefani — Directrice Adjointe, Geographic Data Science Lab — Université de Liverpool | Co-Directrice, Imago : Data Service for Imagery | Chercheuse Associée, London School of Economics

--- title: "Géotraitement" author: "Dr. Elisabetta Pietrostefani" date: today format: html: toc: true toc-depth: 3 toc-title: "Table des matières" number-sections: true code-fold: show code-tools: true theme: cosmo highlight-style: github embed-resources: true fig-align: center fig-width: 8 fig-height: 6 execute: warning: false message: false echo: true --- ## Introduction {#sec-intro} Dans ce chapitre, nous appliquons les concepts vus jusqu'ici à un cas concret : les **ventes immobilières à Londres**. Nous allons charger des données, les spatialiser, les joindre, les agréger, et produire des cartes publiables. Les opérations que nous couvrons — jointure spatiale, zone tampon, intersection, calcul de distance — constituent le cœur du **géotraitement** (*geoprocessing*). ```{r} #| label: setup #| message: false library(sf) library(ggplot2) library(dplyr) library(viridis) library(ggspatial) library(spdep) library(scales) ``` ------------------------------------------------------------------------ ## Charger et spatialiser les données {#sec-load} ### Exercice 1 — Charger les données Chargez le shapefile des districts londoniens et le fichier CSV des ventes immobilières. ::: callout-tip ## Indice Pour lire un shapefile dans R avec `sf`, la fonction est `read_sf()`. Pour un CSV, c'est `read.csv()`. ::: ```{r} #| label: ex1-question #| eval: false # À compléter london <- ___(dsn = "data/London/Polygons/districts.shp") ventes <- read.csv("data/London/Tables/housesales.csv") ``` ```{r} #| label: ex1-answer #| code-fold: true #| code-summary: "Voir la réponse" london <- read_sf(dsn = "data/London/Polygons/districts.shp") ventes <- read.csv("data/London/Tables/housesales.csv") ``` ### Exercice 2 — Créer des points spatiaux Le fichier `ventes` est un data frame ordinaire avec des colonnes de coordonnées. Convertissez-le en objet `sf` avec `st_as_sf()`. Les coordonnées se trouvent dans les colonnes 17 et 18. ::: callout-tip ## Indice `st_as_sf(data, coords = c(col_lon, col_lat))` — passez les numéros de colonnes ou les noms. ::: ```{r} #| label: ex2-question #| eval: false ventes <- st_as_sf(ventes, coords = c(___, ___)) ``` ```{r} #| label: ex2-answer #| code-fold: true #| code-summary: "Voir la réponse" ventes <- st_as_sf(ventes, coords = c(17, 18)) ``` ### Exercice 3 — Définir le bon SCR Les coordonnées de Londres sont en **British National Grid** (`EPSG:27700`). Définissez ce SCR sur l'objet `ventes`. ::: callout-tip ## Indice Souvenez-vous de la distinction `st_set_crs()` vs `st_transform()` — ici nous *déclarons* le SCR, nous ne reprojetons pas. ::: ```{r} #| label: ex3-question #| eval: false ventes <- st_set_crs(ventes, ___) ``` ```{r} #| label: ex3-answer #| code-fold: true #| code-summary: "Voir la réponse" ventes <- st_set_crs(ventes, 27700) ``` ------------------------------------------------------------------------ ## Visualiser les données {#sec-viz} Maintenant que les données sont chargées, explorons-les visuellement. Ce bloc est entièrement fourni — lisez le code attentivement, chaque ligne est commentée. ### Construire une carte pas à pas avec `ggplot2` ```{r} #| label: fig-wards-base #| fig-cap: "Wards londoniens — carte de base" wards <- read_sf("data/London/Polygons/wards.shp") wards$level4p <- wards$LEVEL4_5 / wards$POP16_74 wards$level4pp <- wards$level4p * 100 # Carte minimale ggplot(wards) + geom_sf(fill = "grey90", color = "white", linewidth = 0.2) + theme_void(base_size = 12) + labs(title = "Wards de Londres", caption = "Source : données Londres | Cours R-Carto") + theme(plot.title = element_text(face = "bold", hjust = 0.5)) ``` ```{r} #| label: fig-wards-choro #| fig-cap: "Part de la population avec qualification niveau 4+ par ward — palette divergente" ggplot(wards) + geom_sf(aes(fill = level4p), color = "white", linewidth = 0.15) + scale_fill_viridis_c( name = "Niveau 4+", option = "mako", labels = label_percent() ) + labs( title = "Part de la population avec qualification niveau 4+", caption = "Source : Recensement 2001 | Cours R-Carto" ) + theme_void(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5)) ``` ```{r} #| label: fig-wards-full #| fig-cap: "Carte complète avec échelle et flèche nord" ggplot(wards) + geom_sf(aes(fill = level4p), color = "white", linewidth = 0.15) + scale_fill_viridis_c( name = "Niveau 4+", option = "mako", labels = label_percent() ) + annotation_scale(location = "bl") + annotation_north_arrow(location = "bl", pad_y = unit(1, "cm"), style = north_arrow_fancy_orienteering()) + labs( title = "Qualification niveau 4+ — Wards de Londres", caption = "Source : Recensement 2001 | Cours R-Carto" ) + theme_void(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5)) ``` ------------------------------------------------------------------------ ## Ajouter les points de vente {#sec-points} ### Exercice 4 — Carte de base de Londres Créez une carte simple des districts londoniens avec `ggplot2`. ```{r} #| label: ex4-question #| eval: false map1 <- ggplot() + ___(data = london, ___) + theme_void() map1 ``` ```{r} #| label: ex4-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Districts londoniens avec étiquettes" map1 <- ggplot() + geom_sf(data = london, fill = "grey95", color = "white", linewidth = 0.4) + geom_sf_text(data = london, aes(label = DIST_NAME), fun.geometry = sf::st_centroid, size = 2, color = "grey30") + theme_void(base_size = 12) + labs(title = "Districts de Londres", caption = "Source : données Londres | Cours R-Carto") + theme(plot.title = element_text(face = "bold", hjust = 0.5)) map1 ``` ### Exercice 5 — Superposer les points de vente Ajoutez les transactions immobilières (`ventes`) à la carte `map1`. ::: callout-tip ## Indice Dans `ggplot2`, on ajoute une couche avec `+` et un nouveau `geom_sf()`. ::: ```{r} #| label: ex5-question #| eval: false map1 + ___(data = ventes, ___) ``` ```{r} #| label: ex5-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Transactions immobilières superposées aux districts" map1 + geom_sf(data = ventes, color = "#d7191c", size = 0.3, alpha = 0.4) ``` ------------------------------------------------------------------------ ## Jointure spatiale {#sec-spatial-join} Une **jointure spatiale** (`st_join()`) associe à chaque point le polygone dans lequel il tombe — ici, chaque vente immobilière hérite des attributs du district qui la contient. ```{r} #| label: join-explain # Rappel des fonctions spatiales disponibles : # st_join(polygons, points) → jointure spatiale # st_intersects(x, y) → renvoie les indices des objets qui se croisent # st_intersection(x, y) → renvoie les géométries découpées à l'intersection ``` ### Exercice 6 — Jointure spatiale districts × ventes Créez un objet `ventes_districts` qui joint les polygones des districts avec les points de vente. ::: callout-tip ## Indice `st_join(polygons, points)` — l'ordre compte : le premier argument donne la structure géométrique du résultat. ::: ```{r} #| label: ex6-question #| eval: false ventes_districts <- st_join(___, ___) head(ventes_districts) ``` ```{r} #| label: ex6-answer #| code-fold: true #| code-summary: "Voir la réponse" ventes_districts <- st_join(london, ventes) head(ventes_districts) ``` ------------------------------------------------------------------------ ## Agréger les données {#sec-aggregate} ### Exercice 7 — Prix moyen par district À partir de `ventes_districts`, calculez pour chaque district : le nombre de ventes et le prix moyen. ::: callout-tip ## Indice Utilisez `group_by()` + `summarise()` du tidyverse. Le prix est dans la colonne `price`. ::: ```{r} #| label: ex7-question #| eval: false ventes_districts_agg <- ventes_districts |> group_by(___, ___) |> summarise( count_sales = n(), mean_price = mean(___, na.rm = TRUE) ) head(ventes_districts_agg) ``` ```{r} #| label: ex7-answer #| code-fold: true #| code-summary: "Voir la réponse" ventes_districts_agg <- ventes_districts |> group_by(DIST_CODE, DIST_NAME) |> summarise( count_sales = n(), mean_price = mean(price, na.rm = TRUE) ) head(ventes_districts_agg) ``` ### Exercice 8 — Améliorer la carte des prix La carte ci-dessous est fonctionnelle mais peu lisible. Améliorez-la en ajoutant : une palette `viridis` option `"magma"`, des labels en livres sterling (£), et un meilleur thème. ```{r} #| label: fig-map2-base #| fig-cap: "Prix moyen par district — version initiale (à améliorer)" map2 <- ggplot() + geom_sf(data = ventes_districts_agg, aes(fill = mean_price), color = "white", linewidth = 0.3) + labs(x = "", y = "") map2 ``` ```{r} #| label: ex8-question #| eval: false map3 <- ggplot() + geom_sf(data = ___, aes(fill = ___), color = "white", linewidth = 0.3) + scale_fill_viridis( name = "Prix moyen", direction = ___, labels = ___, option = "___" ) + labs( title = "Prix moyen des transactions immobilières — Londres", caption = "Source : données Londres | Cours R-Carto" ) + ___() # choisissez un thème : ?ggtheme map3 ``` ```{r} #| label: ex8-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Prix moyen par district — version améliorée" map3 <- ggplot() + geom_sf(data = ventes_districts_agg, aes(fill = mean_price), color = "white", linewidth = 0.3) + scale_fill_viridis( name = "Prix moyen", direction = -1, labels = dollar_format(prefix = "£"), option = "magma" ) + labs( title = "Prix moyen des transactions immobilières — Londres", caption = "Source : données Londres | Cours R-Carto" ) + theme_minimal(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5)) map3 ``` ::: callout-note ## Exercice 9 — Paris Maintenant que vous maîtrisez le géotraitement sur Londres, créez une carte similaire pour Paris avec les données du cours : 1. Chargez le shapefile des arrondissements parisiens 2. Chargez `donnees_arrondissement_enrichi.csv` 3. Faites la jointure avec `left_join()` sur le code arrondissement 4. Cartographiez une variable de votre choix (prix au m², taux de chômage, part de logements sociaux…) 5. Appliquez une palette et un thème adaptés ::: ------------------------------------------------------------------------ ## Zones tampons (*buffers*) {#sec-buffer} Une **zone tampon** est une zone géographique à une distance donnée d'un objet. Ici, nous calculons la population vivant à moins de 500 m d'un échantillon de **bâtiments classés** londoniens. ### Charger les bâtiments classés ```{r} #| label: load-buildings batiments_classes <- read_sf("data/London/Points/listed_buildings_london.shp") # Sélectionner 20 bâtiments au hasard pour l'exemple set.seed(42) sample_ids <- sample(batiments_classes$ListEntry, 20) batiments_classes <- batiments_classes[batiments_classes$ListEntry %in% sample_ids, ] cat("Nombre de bâtiments sélectionnés :", nrow(batiments_classes)) ``` ### Télécharger les zones de recensement ```{r} #| label: download-oas #| eval: false # Télécharger les zones de sortie du recensement 2011 dir.create("data/London", recursive = TRUE, showWarnings = FALSE) download.file( url = "https://data.london.gov.uk/download/statistical-gis-boundary-files-london/9ba8c833-6370-4b11-abdc-314aa020d5e0/statistical-gis-boundaries-london.zip", destfile = "data/London/statistical-gis-boundaries-london.zip" ) unzip("data/London/statistical-gis-boundaries-london.zip", exdir = "data/London") ``` ```{r} #| label: load-oas oas_census <- read_sf( "data/London/statistical-gis-boundaries-london/ESRI/OA_2011_London_gen_MHW.shp" ) oas_census$area_census <- st_area(oas_census) ``` ```{r} #| label: fig-southwark #| fig-cap: "Zones de recensement — arrondissement de Southwark" oas_Southwark <- oas_census[oas_census$LAD11NM == "Southwark", ] ggplot(oas_Southwark) + geom_sf(fill = "#1a4f7a", color = "white", linewidth = 0.2) + labs(title = "Zones de recensement — Southwark", caption = "Source : recensement 2011 | Cours R-Carto") + theme_void(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5)) ``` ### Créer les zones tampons ```{r} #| label: fig-buffers #| fig-cap: "Zones tampons de 500 m autour des bâtiments classés sélectionnés" # Harmoniser les SCR batiments_classes <- st_transform(batiments_classes, st_crs(oas_census)) # Créer les zones tampons de 500 m buffers500m <- st_buffer(batiments_classes, dist = 500) buffers500m$area_buffer <- st_area(buffers500m) ggplot() + geom_sf(data = buffers500m, fill = "#cce5f0", color = "#1a6ea8", linewidth = 1.0, alpha = 0.4) + geom_sf(data = batiments_classes, color = "#d7191c", size = 2.5, shape = 17) + labs( title = "Bâtiments classés et zones tampons (500 m)", subtitle = "20 bâtiments sélectionnés aléatoirement", caption = "Source : données Londres | Cours R-Carto" ) + theme_void(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5)) ``` ### Intersection et population pondérée ```{r} #| label: intersection # Corriger les géométries invalides si nécessaire oas_census <- st_make_valid(oas_census) # Intersection : quelles zones de recensement tombent dans les tampons ? buffers_inter <- st_intersection(buffers500m, oas_census) buffers_inter$area_inter <- st_area(buffers_inter) ``` ```{r} #| label: population-agg # Agréger au niveau du bâtiment — population pondérée par la part de surface couverte buffers_agg <- buffers_inter |> mutate( weight = as.numeric(area_inter / area_buffer), population = as.numeric(USUALRES) ) |> group_by(ListEntry) |> summarise_at("population", list(sum = ~sum(. * weight))) pop_moyenne <- round(mean(buffers_agg$sum)) cat("Population moyenne dans un rayon de 500 m :", pop_moyenne, "habitants\n") ``` La population moyenne vivant à moins de 500 m d'un bâtiment classé est `r round(mean(buffers_agg$sum))` habitants. ::: callout-note ## À noter — `st_intersection` vs `st_join` vs `st_intersects` | Fonction | Ce qu'elle renvoie | |----|----| | `st_join(x, y)` | Table jointe — chaque entité de x avec les attributs de y qui la touchent | | `st_intersects(x, y)` | Indices des paires qui se croisent (liste logique) | | `st_intersection(x, y)` | Géométries découpées à l'intersection — parties non sécantes supprimées | Référence : [R as GIS for Economists](https://tmieno2.github.io/R-as-GIS-for-Economists/spatial-intersection-cropping-join.html) ::: ------------------------------------------------------------------------ ## Calculs de distance {#sec-distance} `st_distance()` calcule la distance entre deux objets sf. Le résultat est une **matrice** avec des unités (mètres si la projection est en mètres). ```{r} #| label: fig-distance #| fig-cap: "Centroïdes de Hackney et Southwark avec distance calculée" Hackney <- london[london$DIST_NAME == "Hackney", ] Southwark <- london[london$DIST_NAME == "Southwark", ] Hackney_centroid <- st_centroid(Hackney) Southwark_centroid <- st_centroid(Southwark) dist <- st_distance(Hackney_centroid, Southwark_centroid) cat("Distance Hackney → Southwark :", round(as.numeric(dist)), "mètres\n") ggplot() + geom_sf(data = london, fill = "grey90", color = "grey70", linewidth = 0.3) + geom_sf(data = Hackney, fill = "#2c7bb6", color = "white", linewidth = 0.5) + geom_sf(data = Southwark, fill = "#d7191c", color = "white", linewidth = 0.5) + geom_sf(data = Hackney_centroid, color = "#1a4f7a", size = 4, shape = 19) + geom_sf(data = Southwark_centroid, color = "#a01010", size = 4, shape = 19) + geom_sf(data = st_union(Hackney_centroid, Southwark_centroid) |> st_cast("LINESTRING"), color = "#333333", linewidth = 1.0, linetype = "dashed") + annotate("label", x = -0.03, y = 51.525, label = paste0(round(as.numeric(dist) / 1000, 1), " km"), size = 4, fontface = "bold", fill = "white", label.size = 0.3) + coord_sf( xlim = c(st_bbox(london)["xmin"], st_bbox(london)["xmax"]), ylim = c(st_bbox(london)["ymin"], st_bbox(london)["ymax"]), expand = TRUE ) + labs( title = "Distance entre Hackney et Southwark", caption = "Source : données Londres | Cours R-Carto" ) + theme_void(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5)) ``` ### Matrice de distances multiples ```{r} #| label: distance-matrix # Distance de Hackney vers Southwark et Croydon co <- london |> filter(grepl("Southwark|Croydon", DIST_NAME)) st_distance(Hackney_centroid, co) ``` ------------------------------------------------------------------------ ## Voisinage par distance {#sec-neighbours} Les **poids spatiaux par distance** identifient pour chaque point l'ensemble de ses voisins dans un rayon donné. Ici, toutes les propriétés à moins de 2 000 m. ```{r} #| label: neighbours-dist #| fig-cap: "Réseau de voisinage par distance (2 000 m) — transactions immobilières" housesales <- read.csv("data/London/Tables/housesales.csv") housesales_sf <- st_as_sf(housesales, coords = c(17, 18)) |> st_set_crs(27700) # Voisins dans un rayon de 0 à 2000 m W_dist <- dnearneigh(housesales_sf, d1 = 0, d2 = 2000, row.names = housesales_sf$propid) # Convertir en liste de poids spatiaux W_dist_mat <- nb2listw(W_dist, zero.policy = TRUE) summary(W_dist_mat, zero.policy = TRUE) # Visualiser le réseau plot(W_dist_mat, coords = housesales[, 17:18], pch = 19, cex = 0.1, col = "#2c7bb6", main = "Voisinage par distance (2 000 m)") ``` ------------------------------------------------------------------------ ## Récapitulatif des opérations de géotraitement {#sec-summary} ::: callout-note ## Ce qu'il faut retenir | Opération | Fonction | Usage | |----|----|----| | Spatialiser un CSV | `st_as_sf(df, coords = c(...))` | Créer des points depuis lon/lat | | Définir un SCR | `st_set_crs(x, epsg)` | Déclarer le SCR manquant | | Reprojeter | `st_transform(x, epsg)` | Changer de projection | | Jointure spatiale | `st_join(polygons, points)` | Associer points aux polygones | | Zone tampon | `st_buffer(x, dist = ...)` | Zone à distance fixe | | Intersection | `st_intersection(x, y)` | Découper les géométries | | Calculer une superficie | `st_area(x)` | Superficie en m² | | Calculer une distance | `st_distance(x, y)` | Distance entre entités | | Trouver des voisins | `dnearneigh(x, d1, d2)` | Voisinage par distance | ::: ------------------------------------------------------------------------ ## Liens utiles {#sec-links} - [Geocomputation with R — Ch. 4 : Spatial data operations](https://geocompr.robinlovelace.net/spatial-operations.html) - [sf cheatsheet](https://github.com/rstudio/cheatsheets/blob/main/sf.pdf) - [ggplot2 themes](https://ggplot2.tidyverse.org/reference/ggtheme.html) - [Spatial intersection / join comparison](https://tmieno2.github.io/R-as-GIS-for-Economists/spatial-intersection-cropping-join.html) ------------------------------------------------------------------------ > **← Précédent : [Choroplèthes et Classification](choropleths.qmd)** **→ Suivant : Calculs d'Indices Topographiques** ------------------------------------------------------------------------ *Dr. Elisabetta Pietrostefani — Directrice Adjointe, Geographic Data Science Lab — Université de Liverpool \| Co-Directrice, [Imago : Data Service for Imagery](https://imago.ac.uk/) \| Chercheuse Associée, London School of Economics*

7.1 Introduction

7.2 Charger et spatialiser les données

7.2.1 Exercice 1 — Charger les données

7.2.2 Exercice 2 — Créer des points spatiaux

7.2.3 Exercice 3 — Définir le bon SCR

7.3 Visualiser les données

7.3.1 Construire une carte pas à pas avec ggplot2

7.4 Ajouter les points de vente

7.4.1 Exercice 4 — Carte de base de Londres

7.4.2 Exercice 5 — Superposer les points de vente

7.5 Jointure spatiale

7.5.1 Exercice 6 — Jointure spatiale districts × ventes

7.6 Agréger les données

7.6.1 Exercice 7 — Prix moyen par district

7.6.2 Exercice 8 — Améliorer la carte des prix

7.7 Zones tampons (buffers)

7.7.1 Charger les bâtiments classés

7.7.2 Télécharger les zones de recensement

7.7.3 Créer les zones tampons

7.7.4 Intersection et population pondérée

7.8 Calculs de distance

7.8.1 Matrice de distances multiples

7.9 Voisinage par distance

7.10 Récapitulatif des opérations de géotraitement

7.11 Liens utiles

7.3.1 Construire une carte pas à pas avec `ggplot2`