Author

Dr. Elisabetta Pietrostefani

Published

March 24, 2026

6.1 Vecteur vs Raster

Jusqu’ici nous avons travaillé avec des données vectorielles : des points, des lignes et des polygones avec des frontières nettes. Mais de nombreux phénomènes géographiques — l’altitude, la température, la végétation, la pollution — sont continus dans l’espace et ne s’arrêtent pas aux frontières administratives.

C’est là qu’intervient le raster.

Vecteur Raster
Structure Points, lignes, polygones Grille régulière de pixels
Adapté pour Entités discrètes (communes, routes) Phénomènes continus (altitude, T°)
Format de fichier .shp, .gpkg, .geojson .tif, .img, .nc
Package R principal sf terra, stars
Résolution Exacte (coordonnées précises) Dépend de la taille du pixel
Code 
library(sf)
library(ggplot2)
library(dplyr)
library(stars)
library(terra)

6.2 Une grille régulière de cellules

Un raster est une grille régulière de cellules (pixels), chacune portant une valeur numérique. C’est exactement la même structure qu’une photographie numérique — sauf que chaque pixel correspond à une zone précise sur la surface terrestre.

Code 
# Le dataset volcano (base R) est une matrice 87 x 61 d'altitudes
cat("Classe :", class(volcano), "\n")
Classe : matrix array
Code 
cat("Dimensions :", nrow(volcano), "lignes ×", ncol(volcano), "colonnes\n")
Dimensions : 87 lignes × 61 colonnes
Code 
cat("Valeurs — aperçu des 3 premières lignes :\n")
Valeurs — aperçu des 3 premières lignes :
Code 
print(volcano[1:3, 1:5])
     [,1] [,2] [,3] [,4] [,5]
[1,]  100  100  101  101  101
[2,]  101  101  102  102  102
[3,]  102  102  103  103  103
Code 
# Convertir la matrice en data frame pour ggplot2
volcano_df <- expand.grid(x = 1:ncol(volcano), y = 1:nrow(volcano))
volcano_df$altitude <- as.vector(t(volcano))

ggplot(volcano_df, aes(x = x, y = y, fill = altitude)) +
  geom_raster() +
  scale_fill_gradientn(
    colors = hcl.colors(50, "Terrain"),
    name   = "Altitude (m)"
  ) +
  coord_equal() +
  labs(
    title    = "MNT — Volcan Maungawhau, Auckland (NZ)",
    subtitle = paste0("Grille de ", nrow(volcano), " × ", ncol(volcano),
                      " cellules | Altitude : ",
                      min(volcano), "–", max(volcano), " m"),
    caption  = "Source : dataset volcano (base R) | 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, size = 9),
    plot.caption  = element_text(color = "grey55", size = 8)
  )
Figure 6.1: Modèle Numérique d’Élévation — Maungawhau, Auckland (Nouvelle-Zélande). Chaque cellule de la matrice devient un pixel coloré selon son altitude.

6.3 Qu’est-ce qu’un raster ?

Un raster est une grille régulière de pixels — chaque cellule couvre une zone précise sur la surface terrestre et contient une valeur numérique unique. C’est exactement la même structure qu’une photographie numérique, à ceci près que chaque pixel est géoréférencé.

Trois propriétés définissent tout raster géographique :

Propriété Description Exemple
Emprise (extent) Zone géographique couverte xmin, xmax, ymin, ymax
Résolution spatiale Taille d’un pixel au sol 30 m × 30 m (Landsat)
SCR Système de coordonnées de référence WGS84, Lambert-93

Les valeurs peuvent représenter des phénomènes continus (altitude, température, intensité lumineuse) ou des variables catégorielles (type d’occupation du sol, classe de végétation).

6.3.1 Les grands types de données raster

Rasters à une bande (grayscale)

Le cas le plus simple : une seule bande où la valeur du pixel encode une magnitude. C’est le format des MNT, des données de luminosité nocturne, ou de la rétrodiffusion radar.

Les données de lumières nocturnes (nightlights) en sont un exemple parlant : chaque pixel représente la radiance ou la luminance artificielle mesurée depuis l’espace. Les zones sombres correspondent à une faible activité humaine ; les zones brillantes trahissent l’urbanisation, les axes routiers, les zones industrielles. Ces données servent à suivre l’étalement urbain, évaluer la pollution lumineuse, ou approcher l’activité économique dans des régions où les statistiques officielles sont lacunaires.

Modèles Numériques de Terrain (MNT)

Chaque pixel vaut l’altitude au-dessus du niveau de la mer à cet endroit. Les MNT sont la matière première de l’analyse topographique — ils servent à calculer la pente, l’exposition, la courbure, les bassins versants, les zones inondables, et bien d’autres indices. Le chapitre suivant, Indices Topographiques, couvre ces opérations en détail et explique comment obtenir des données d’altitude pour n’importe quelle zone d’étude.

Des MNT aux produits dérivés

À partir d’un seul MNT, on peut calculer :

  • Pente (terrain(v = "slope")) — inclinaison du terrain en degrés
  • Exposition (terrain(v = "aspect")) — orientation des versants (N, S, E, O)
  • Courbure — concavité/convexité de la surface
  • TRI (Terrain Ruggedness Index) — rugosité topographique
  • Ombrage (hillshade) — effet d’éclairage directionnel pour la visualisation

Images multispectrales

L’œil humain perçoit trois bandes (rouge, vert, bleu). Les capteurs satellitaires capturent 4 à 12 bandes ou plus couvrant l’ensemble du spectre électromagnétique — du visible à l’infrarouge thermique. Chaque bande supplémentaire révèle quelque chose d’invisible à l’œil nu : santé de la végétation, humidité du sol, température de surface, composition minérale.

Le tableau ci-dessous détaille les bandes du satellite Landsat 8/9, l’archive la plus utilisée en télédétection open source :

Bande Nom Longueur d’onde Résolution Utilisation principale
1 Ultra Bleu (Côtier/Aérosol) 0,43–0,45 µm 30 m Eaux côtières, aérosols
2 Bleu 0,45–0,51 µm 30 m Profondeur de l’eau, distinction sol/végétation
3 Vert 0,53–0,59 µm 30 m Réflectance maximale de la végétation
4 Rouge 0,64–0,67 µm 30 m Absorption de la chlorophylle
5 Proche Infrarouge (PIR) 0,85–0,88 µm 30 m Biomasse, santé de la végétation
6 SWIR-1 1,57–1,65 µm 30 m Humidité du sol, neige vs nuages
7 SWIR-2 2,11–2,29 µm 30 m Géologie, minéralogie, cicatrices de feux
8 Panchromatique 0,50–0,68 µm 15 m Haute résolution en niveaux de gris
10–11 Infrarouge Thermique 10,6–12,5 µm 100 m Température de surface

La combinaison des bandes 2, 3 et 4 donne une composition en vraies couleurs (ce que l’œil verrait depuis l’espace). L’ajout de la bande 5 (PIR) produit une fausse couleur où la végétation saine apparaît en rouge vif — très utilisée pour cartographier les couverts végétaux et mesurer des indices comme le NDVI.

6.3.2 Résolution : le compromis fondamental

La résolution spatiale définit la plus petite unité observable dans une image. Un pixel de 1 m permet de distinguer un bâtiment ; un pixel de 250 m ne révèle qu’un bloc urbain. Plus la résolution est fine, plus les fichiers sont volumineux et le calcul coûteux.

La résolution temporelle — fréquence de revisite du capteur — est tout aussi importante pour les analyses dynamiques : suivi d’une inondation, cycles de croissance des cultures, progression de la déforestation. Les deux dimensions sont souvent en tension : les capteurs à très haute résolution spatiale revisitent rarement, et vice versa.

6.3.3 Où trouver des données raster libres

Pour les sources spécifiques aux modèles d’altitude (NASA Earthdata, RGE ALTI® IGN, NextGIS, elevatr), voir Indices Topographiques → Obtenir des données d’altitude.

6.4 Le package stars — images satellitaires

stars est conçu pour les données spatio-temporelles multidimensionnelles : images satellitaires multibandes, séries temporelles de rasters, données climatiques.

6.4.1 Charger et explorer une image Landsat

Code 
# Image Landsat 7 ETM+ — Olinda, Brésil
# 6 bandes spectrales : visible (B1-B3), proche infrarouge (B4), SWIR (B5-B6)
L7 <- read_stars(system.file("tif/L7_ETMs.tif", package = "stars"))

# Structure de l'objet
L7
stars object with 3 dimensions and 1 attribute
attribute(s):
             Min. 1st Qu. Median     Mean 3rd Qu. Max.
L7_ETMs.tif     1      54     69 68.91242      86  255
dimension(s):
     from  to  offset delta                     refsys point x/y
x       1 349  288776  28.5 SIRGAS 2000 / UTM zone 25S FALSE [x]
y       1 352 9120761 -28.5 SIRGAS 2000 / UTM zone 25S FALSE [y]
band    1   6      NA    NA                         NA    NA
Code 
# Dimensions et attributs
dim(L7)          # lignes × colonnes × bandes
   x    y band 
 349  352    6
Code 
st_crs(L7)$srid  # SCR
[1] "EPSG:31985"
Code 
st_bbox(L7)      # emprise géographique
     xmin      ymin      xmax      ymax 
 288776.3 9110728.8  298722.8 9120760.8

6.4.2 Visualiser les 6 bandes

Code 
ggplot() +
  geom_stars(data = L7) +
  facet_wrap(
    ~band,
    labeller = labeller(band = c("1" = "B1 — Bleu",   "2" = "B2 — Vert",
                                  "3" = "B3 — Rouge",  "4" = "B4 — PIR",
                                  "5" = "B5 — SWIR1",  "6" = "B6 — SWIR2"))
  ) +
  scale_fill_viridis_c(
    option   = "inferno",
    name     = "Réflectance",
    na.value = "white"
  ) +
  coord_equal() +
  labs(
    title   = "Landsat 7 ETM+ — Olinda, Brésil",
    caption = "Source : package stars | Cours R-Carto"
  ) +
  theme_void(base_size = 10) +
  theme(
    plot.title = element_text(face = "bold", hjust = 0.5),
    strip.text = element_text(face = "bold", size = 8)
  )
Figure 6.2: Image Landsat 7 — 6 bandes spectrales. Les bandes 1-3 correspondent au visible (bleu, vert, rouge), la bande 4 au proche infrarouge (végétation), les bandes 5-6 à l’infrarouge moyen.

6.4.3 Extraire une seule bande

Code 
L7_b4 <- L7[,,,4]   # sélectionner la bande 4

ggplot() +
  geom_stars(data = L7_b4) +
  scale_fill_viridis_c(option = "viridis", name = "PIR", na.value = "white") +
  coord_equal() +
  labs(
    title    = "Bande 4 — Proche Infrarouge (PIR)",
    subtitle = "Valeurs élevées = végétation dense",
    caption  = "Source : Landsat 7 | 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 6.3: Bande 4 (Proche Infrarouge) — la végétation apparaît en clair car elle réfléchit fortement le PIR

6.5 Le package terra — modèles numériques de terrain

terra est optimisé pour les opérations rapides sur des rasters simples : modèles numériques de terrain (MNT), reclassification, algèbre raster.

Installation de spDataLarge

Les exemples terra ci-dessous utilisent le package spDataLarge qui contient des données plus volumineuses. À installer une fois en local :

Code 
install.packages("spDataLarge",
                 repos = "https://geocompr.r-universe.dev")

6.5.1 Charger un MNT SRTM

Code 
library(spDataLarge)

# Modèle numérique d'élévation SRTM — Parc National de Zion, Utah (USA)
raster_filepath <- system.file("raster/srtm.tif", package = "spDataLarge")
srtm <- rast(raster_filepath)

# Informations essentielles
srtm                   # résumé complet
crs(srtm)              # SCR
res(srtm)              # résolution (en degrés ici)
ext(srtm)              # emprise (xmin, xmax, ymin, ymax)
nlyr(srtm)             # nombre de couches
global(srtm, "range")  # min / max des valeurs

6.5.2 Visualiser avec tidyterra + ggplot2

Code 
library(tidyterra)

ggplot() +
  geom_spatraster(data = srtm) +
  scale_fill_gradientn(
    colors   = hcl.colors(50, "Terrain"),
    name     = "Altitude (m)",
    na.value = "white"
  ) +
  labs(
    title   = "MNT SRTM — Parc National de Zion (Utah)",
    caption = "Source : spDataLarge | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))

6.5.3 Raster multi-couches

Code 
# Image Landsat multibande avec terra
multi_rast_file <- system.file("raster/landsat.tif", package = "spDataLarge")
multi_rast      <- rast(multi_rast_file)

multi_rast          # 4 couches (bandes)
nlyr(multi_rast)    # nombre de couches
names(multi_rast)   # noms des couches

6.6 SCR et rasters

Les rasters ont aussi un SCR. Les fonctions sont légèrement différentes de sf :

Code 
# Lire le SCR d'un raster terra
crs(srtm)

# Définir un SCR manquant (ne modifie pas les valeurs)
crs(srtm) <- "EPSG:4326"

# Reprojeter (réinterpolation des valeurs — plus coûteux qu'un vecteur)
srtm_lambert <- project(srtm, "EPSG:2154")
Reprojeter un raster ≠ reprojeter un vecteur

Reprojeter un vecteur = transformer des coordonnées. Rapide, sans perte.

Reprojeter un raster = réinterpoler les valeurs de chaque cellule dans une nouvelle grille. Plus lent et peut introduire de légères imprécisions. Travaillez toujours dans le SCR natif le plus longtemps possible, et ne reprojetez qu’en dernier recours.

6.7 stars vs terra : lequel choisir ?

Règle pratique
Situation Package recommandé
Modèle numérique de terrain (MNT) terra
Calculs raster rapides (reclassification, algèbre) terra
Image satellitaire multibande stars ou terra
Données spatio-temporelles (séries de rasters) stars
Intégration avec ggplot2 sans package extra stars (geom_stars())
Intégration avec ggplot2 via tidyterra terra (geom_spatraster())

En pratique, les deux packages interopèrent : st_as_stars(terra_obj) et rast(stars_obj) permettent de convertir facilement de l’un à l’autre.

6.8 Exercices

Exercice 1 — Explorer le raster volcano

En utilisant le data frame volcano_df créé dans ce chapitre :

  1. Calculez l’altitude moyenne, minimale et maximale du volcan
  2. Créez une carte qui ne montre que les zones au-dessus de 160 m (astuce : utilisez mutate() et na_if() ou if_else())
  3. Changez la palette de couleurs — essayez "YlOrRd" ou "RdBu" dans scale_fill_gradientn()
Code 
volcano_df <- expand.grid(x = 1:ncol(volcano), y = 1:nrow(volcano))
volcano_df$altitude <- as.vector(t(volcano))

# 1. Statistiques
summary(volcano_df$altitude)

# 2. Filtrer les zones > 160 m
volcano_hautes <- volcano_df |>
  mutate(altitude_filtre = if_else(altitude > 160, altitude, NA_real_))

ggplot(volcano_hautes, aes(x = x, y = y, fill = altitude_filtre)) +
  geom_raster() +
  scale_fill_gradientn(colors = hcl.colors(20, "..."), na.value = "grey90") +
  coord_equal() +
  theme_void()
Exercice 2 — Landsat et indices spectraux (avancé)

L’indice NDVI (Normalized Difference Vegetation Index) mesure la densité de végétation à partir des bandes rouge (B3) et proche infrarouge (B4) :

\[NDVI = \frac{PIR - Rouge}{PIR + Rouge} = \frac{B4 - B3}{B4 + B3}\]

Les valeurs vont de -1 (eau, sol nu) à +1 (végétation dense).

Code 
L7 <- read_stars(system.file("tif/L7_ETMs.tif", package = "stars"))

# Extraire bandes rouge (B3) et PIR (B4)
b3_rouge <- L7[,,,3]
b4_pir   <- L7[,,,4]

# Calculer le NDVI
ndvi <- (b4_pir - b3_rouge) / (b4_pir + b3_rouge)

ggplot() +
  geom_stars(data = ndvi) +
  scale_fill_distiller(
    palette  = "RdYlGn",
    direction = 1,
    name     = "NDVI",
    limits   = c(-1, 1),
    na.value = "grey80"
  ) +
  coord_equal() +
  labs(
    title    = "NDVI — Indice de végétation",
    subtitle = "Vert = végétation | Rouge = sol nu / eau",
    caption  = "Landsat 7 ETM+ — Olinda, Brésil"
  ) +
  theme_void()