Formation au carroyage et lissage spatial sur R

EXERCICES

Présentation

L’objectif est de mettre en pratique les techniques présentées dans le tutoriel, à partir de nouveaux jeux de données.

Les objectifs et les données utilisées

Pour cela, on utilise un jeu de données en open-data : les parkings publics géolocalisés situés dans l’agglomération bordelaise. Les données ont été téléchargées sur le site de l’open-data de Bordeaux Métropole et ont été retravaillées pour les besoins de l’exercice (script ici pour plus de détails).

Par ailleurs, notre objectif sera d’étudier la situation du centre-ville de Bordeaux en termes de présence de places de stationnement, de proportion de places adaptées aux personnes à mobilité réduite et au prix de ces places. Le contour géographique du centre-ville de Bordeaux est fourni. À noter qu’il a été créé « à la main » par les auteurs de ce TP, et qu’il ne répond à aucune définition officielle ou urbanistique précise.

Par ailleurs, à la fin de ce TP, une dernière partie consistera à approximer le nombre d’habitants vivant dans le centre-ville de Bordeaux d’après les données Filosofi 2019 carroyées.

Partie 0 : Installation de la session et importation des données

Installation des packages

Avant de débuter les exercices, on installe tous les packages nécessaires :

• dplyr
• sf
• btb
• mapsf
• mapview¹
• aws.s3 (seulement si vous travaillez sur le SSPCloud)

## Liste des librairies utilisées
packages <-  c("dplyr", "sf", "mapsf", "mapview", "aws.s3", "btb")

## Vérifier si la librairie est installée, si non l'installer, puis la charger
package.check <- lapply(
  packages,
  FUN = function(x) {
    if (!require(x, character.only = TRUE)) {
      install.packages(x, dependencies = TRUE)
      library(x, character.only = TRUE)
    }
  }
)

Chargement des données

Le code ci-dessous permet d’importer les données utilisées dans ce tutoriel. Elles sont stockées sous Minio, dans le « bucket public » : s3/projet-formation/r-lissage-spatial/.

Quelques informations concernant ces jeux de données :

• parking.RDS : table de données géolocalisées concernant les parkings publics dans l’agglomération bordelaise. Attention : on parle de parking publics et non de places de stationnements ! Pour chaque parking public, voici les variables renseignées :
  • ident : identifiant du parking public
  • exploit : exploitant
  • np_global : nombre total de places de stationnement
  • np_pmr : nombre de places de stationnement pour les personnes à mobilité réduite
  • th_heur : prix horaire
  • x : longitude
  • y : latitude
  • epsg : code EPSG (projection géographique)
• bordeaux_centre.gpkg : découpage à façon du centre-ville de Bordeaux².

bucket <- "projet-formation"

url_bucket <- "https://minio.lab.sspcloud.fr/"

object <- "r-lissage-spatial/parking.RDS"
download.file(paste0(url_bucket, bucket, "/", object), destfile = "parking.RDS")
parkings <- readRDS("parking.RDS")

object <- "r-lissage-spatial/bordeaux_centre.gpkg"
centreBdx <- st_read(paste0(url_bucket, bucket, "/", object))

Reading layer `file3873b8243dc' from data source 
  `https://minio.lab.sspcloud.fr/projet-formation/r-lissage-spatial/bordeaux_centre.gpkg' 
  using driver `GPKG'
Simple feature collection with 1 feature and 0 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: 415676.3 ymin: 6419503 xmax: 419826.9 ymax: 6425297
Projected CRS: RGF93 v1 / Lambert-93

Pour information si vous voulez travailler dans le SSPCloud, l’importation peut se faire de cette manière :

parkings <- 
  aws.s3::s3read_using(
    FUN = base::readRDS,
    object = "r-lissage-spatial/parking.RDS",
    bucket = bucket
    ,
    opts = list("region" = "")
  )

centreBdx <- 
  aws.s3::s3read_using(
    FUN = sf::st_read,
    object = "r-lissage-spatial/bordeaux_centre.gpkg",
    bucket = bucket
    ,
    opts = list("region" = "")
  )

Fonction de cartographie genercarte

Pour visualiser les résultats de vos lissages, on crée une fonction genercarte de cartographie s’appuyant sur le package mapsf s’appuyant sur les éléments vus dans le tutoriel. On pourra réutiliser cette fonction par la suite, et limiter ainsi le nombre de lignes à recopier dans le code à chaque exercice).

Pour importer cette fonction dans votre environnement global, copier-coller et executer le code ci-dessous.

genercarte <- function(sfcarLisse,nomvar,nbreaks = 5,zone,titre,epais =0.2){
  #'@param sfcarLisse : Table de carreaux portant les valeurs lissées
  #'@param nomvar : Nom de la variable lissée à cartographier
  #'@param nbreaks : Nombre de classes à représenter sur la carte (avec méthode des quantiles)
  #'@param zone : Polygone de la zone d'intérêt (ex : centre de Bordeaux)
  #'@param titre : Titre de la carte (chaîne de caracères)
  #'@param epais : epaisseur des la grille des carreaux
  #'@returns : carte produite avec le package mapsf
  mf_init(x=sfcarLisse)
  mf_map(x = sfcarLisse, 
         type = "choro",
         var = nomvar,
         breaks = "quantile",
         nbreaks = nbreaks,
         lwd = epais,
         leg_pos = "bottomleft", 
         add = TRUE)
  mf_map(x = st_cast(zone[,c("geom")], "MULTILINESTRING"), 
         lwd = 4,
         col= "black", add = TRUE)
  mf_layout(title = titre, credits = "Insee-DSAU, Bordeaux Métropole, IGN, mapsf")
}

Phase 1 : Appropriation des données

Exercice 1

Répondre aux questions suivantes :

• Combien de parkings publics sont répertoriés dans la base parkings ?
• Vérifier qu’il n’y a pas de données manquantes dans les variables de positions géographiques.
• Regarder la distribution des variables (avec la fonction base::summary)

Solution

head(parkings)

    ident     exploit np_global np_pmr th_heur        x       y epsg
1 CUBPK95     METPARK       355      8     2.4 417429.7 6424607 2154
2 CUBPK84      KEOLIS       199      5     3.1 418293.2 6426830 2154
3 CUBPK97      KEOLIS       102     12     4.5 410470.1 6428201 2154
4 CUBPK99 INDIGO_PARK       952     20     0.0 418288.3 6426501 2154
5 CUBPK76      KEOLIS       206      5     4.5 414215.2 6430881 2154
6 CUBPK16     METPARK       667     14     2.8 417759.4 6421534 2154

nrow(parkings) 

[1] 87

# 87 parkings dans la base

# Absence de valeurs manquantes dans les xy ? => Vrai
sum(is.na(parkings$x))

[1] 0

sum(is.na(parkings$y))

[1] 0

# Distribution des variables
parkings %>% summary()

    ident             exploit            np_global          np_pmr         th_heur      
 Length:87          Length:87          Min.   :  46.0   Min.   : 0.00   Min.   : 0.000  
 Class :character   Class :character   1st Qu.: 162.0   1st Qu.: 4.00   1st Qu.: 2.400  
 Mode  :character   Mode  :character   Median : 341.0   Median : 7.00   Median : 3.100  
                                       Mean   : 473.9   Mean   : 9.08   Mean   : 3.296  
                                       3rd Qu.: 528.5   3rd Qu.:10.50   3rd Qu.: 4.050  
                                       Max.   :3427.0   Max.   :57.00   Max.   :14.500  
       x                y               epsg          
 Min.   :407552   Min.   :6414710   Length:87         
 1st Qu.:415311   1st Qu.:6420763   Class :character  
 Median :417608   Median :6421969   Mode  :character  
 Mean   :416684   Mean   :6422432                     
 3rd Qu.:418911   3rd Qu.:6424019                     
 Max.   :422710   Max.   :6433813                     

Exercice 2

Observer l’emprise du contour du centre-ville de Bordeaux en utilisant la fonction mapview::mapview (avec un fond de carte OpenStreetMap).

Solution

mapview(centreBdx)

Exercice 3

1. Transformer la base des parkings en format vectoriel et enregistrer la résultat dans la nouvelle variable sfparkings.
2. Cartographier conjointement le contour de Bordeaux-centre et les parkings en utilisant mapview.

Indices

1. Pour transformer la base des parkings en format vectoriel, utiliser la fonction sf::st_as_sf. Attention à bien renseigner le système de projection des coordonnées xy dans le paramètre crs.

Indices

2. Pour cartographier avec mapview, on additionne les couches vectorielles avec un + : mapview(polygone) + mapview(points).

Solution

# 1. Transformation en objet vectoriel (géographique)
sfparkings <- sf::st_as_sf(parkings,coords = c("x", "y"), crs =2154)

# 2. Cartographie avec mapview
mapview(centreBdx) + mapview(sfparkings, col.region= "black")

Phase 2 : Le lissage spatial

Partie 2.1 : Carroyer les données avant de lisser

Dans le cas présent, le petit nombre de parkings ne rend pas indispensable cette phase de carroyage. Elle permet néanmoins de s’approprier un peu plus la structure spatiale des données avec le lissage.

Exercice 4

1. Créer une constante iCellSize <- 1000 correspondant à la taille des carreaux souhaitée
2. Créer la table centroides contenant les centroïdes x_centro et y_centro des carreaux de 1000m à partir de la table parkings.
3. Comptabiliser le nombre de parkings contenus dans chaque carreau et créer une nouvelle variable nbParkings.

Indices

2. Utiliser la fonction btb_add_centroids

Pour information, les variables x_centro et y_centro correspondent respectivement aux variables x et y auxquelles :

• On retire le reste de leurs divisions euclidiennes modulo 1000 pour déterminer le point en bas à gauche du carreau de 1km.
• Puis on ajoute 1000/2 pour tomber sur le centre du carreau

Indices

3. En groupant la base de parkings sur le couple de centroïdes, on aboutit à la base souhaitée.

Solution

# 1. Taille des carreaux
iCellSize = 1000 

# 2. Centroïdes
centroides <- parkings
centroides <- btb::btb_add_centroids(pts = centroides, iCellSize = iCellSize)

# 3. Compter le nombre de parkings par carreau
centroides <- centroides %>% 
  group_by(x_centro, y_centro) %>% 
  count(name = "nbParkings")

centroides

# A tibble: 48 × 3
# Groups:   x_centro, y_centro [48]
   x_centro y_centro nbParkings
      <dbl>    <dbl>      <int>
 1   407500  6421500          4
 2   408500  6421500          1
 3   410500  6417500          1
 4   410500  6424500          2
 5   410500  6428500          1
 6   411500  6416500          1
 7   411500  6421500          1
 8   411500  6422500          1
 9   412500  6417500          1
10   412500  6418500          1
# ℹ 38 more rows

Exercice 5

1. Transformer centroides en grille de carreaux et stocker le résultat dans la variable sfcarreaux.
2. Restreindre cette base aux seuls carreaux intersectant le centre de Bordeaux.
3. Cartographie les carreaux et le contour du centre de Bordeaux avec mapview en colorant les carreaux différemment selon le nombre de parkings qu’ils contiennent.

Indices

1. La fonction btb::btb_ptsToGrid permet de créer la grille de carreaux.

Indices

2. Utiliser la fonction st_join par exemple pour réaliser l’intersection.

Indices

3. Dans la fonction mapview, on peut utiliser les options :

• zcol = "nbParkings"
• col.regions = list("grey", "yellow", "red")

Solution

# 1. Générer la grille
sfcarreaux <- btb::btb_ptsToGrid(pts = centroides, sEPSG = "2154",
                            iCellSize = iCellSize)

# 2. Restriction du champ : on ne retient que les carreaux intersectant Bordeaux-centre
sfcarreaux <- sfcarreaux %>% st_join(centreBdx, left = F)
# sfcarreaux <- sfcarreaux[unlist(st_intersects(centreBdx, sfcarreaux)),]

Solution

# 3. Cartographie
mapview(centreBdx, alpha.regions = 0, lwd = 4, legend = F) + 
  mapview(sfcarreaux, zcol = "nbParkings",
          col.regions = list("grey", "yellow", "red"))

Partie 2.2 : Lissage de la densité des parkings

Exercice 6

1. Créer un “buffer” du centre-ville de Bordeaux (avec une marge de 3 000 mètres autour) et enregistrer le résultat dans centreBdxBuffer.
2. Représenter le centre de Bordeaux et son buffer avec la librairie mapview
3. Sélectionner les parkings positionnés dans cette zone tampon et enregistrer la nouvelle table parkingsBuff.

Attention : cette nouvelle table doit être issue de la table parkings non vectorielle pour garder des colonnes x et y en vue du carroyage.

Indices

1. Utiliser la fonction sf::st_buffer

Indices

3. Utiliser la fonction sf::st_contains ou sf::st_intersects

Solution

# 1. Création d'un buffer autour du territoire
marge <- 3000
centreBdxBuffer <- st_buffer(centreBdx, dist = marge)

# 2. Cartographie avec mapview
mapview(centreBdxBuffer, col.region= "gray") + mapview(centreBdx)

# 3. Repérer les indices des observations contenues le buffer
# puis réduire la base aux seules observations dans le territoire
indiceObsContenues <- unlist(sf::st_contains(centreBdxBuffer, sfparkings))
parkingsBuff <- parkings[indiceObsContenues, ]
parkingsBuff

     ident      exploit np_global np_pmr  th_heur        x       y epsg
1  CUBPK95      METPARK       355      8 2.400000 417429.7 6424607 2154
2  CUBPK84       KEOLIS       199      5 3.100000 418293.2 6426830 2154
4  CUBPK99  INDIGO_PARK       952     20 0.000000 418288.3 6426501 2154
6  CUBPK16      METPARK       667     14 2.800000 417759.4 6421534 2154
7  CUBPK02  INDIGO_PARK      1661     34 2.400000 418008.0 6422279 2154
8  CUBPK81  INDIGO_PARK       879     19 3.600000 419070.6 6420185 2154
9  CUBPK80 INTERPARKING       405      9 2.200000 419585.1 6424611 2154
11 CUBPK47       KEOLIS        46      4 3.296104 422710.0 6422372 2154
19 CUBPK87   URBIS_PARK       158      3 3.200000 418885.5 6422348 2154
21 CUBPK27      METPARK       847     15 2.800000 417987.8 6423092 2154
22 CUBPK79      METPARK       521     11 3.200000 418727.7 6422330 2154
 [ reached 'max' / getOption("max.print") -- omitted 52 rows ]

Exercice 7

1. Créer une variable nbObsLisse = 1L dans parkingsBuff. Que représente-t-elle ?
2. Lisser le nombre de parkings dans le buffer du centre-ville de Bordeaux :
   • Avec un rayon de lissage de 1 700 mètres
   • En générant une grille carroyée de 50 mètres de côté
3. Restreindre les carreaux de 50 mètres obtenus aux seuls carreaux intersectant le centre-ville et enregistrer le résultat dans sfcarLisse
4. Cartographier le résultat obtenu avec la fonction genercarte.
5. [BONUS] Proposer une transformation permettant d’obtenir une densité au km².

Indices

2. Utiliser bien sûr la fonction btb::btb_smooth !

Solution

# 1. Nouvelle variable nbObsLisse
parkingsBuff$nbObsLisse <- 1L
#### C'est une variable de "comptage des observations".

# 2. Lissage
rayon <- 1700 # Rayon de lissage
tcar <-  50 # Taille des carreaux de la grille
parkingsLissage <- parkingsBuff[, c("nbObsLisse", "x", "y")]
sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                                    sEPSG = "2154",
                                    iCellSize = tcar, 
                                    iBandwidth = rayon)

# 3. Filtrage : ne garder que les carreaux intersectant le centre de Bordeaux
sfcarLisse <- sfcarLisse %>% st_join(centreBdx, left = F)

Solution

# 4. Carte lissée avec mapsf
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "nbObsLisse",
           nbreaks = 5,
           zone = centreBdx,
           titre = paste0("Lissage de la densité de parkings avec un rayon de ", rayon, " m"))

Solution

#5. densité au km2
sfcarLisse$nbObsLisse <- sfcarLisse$nbObsLisse * ((1000 / tcar) ^ 2)
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "nbObsLisse",
           nbreaks = 5,
           zone = centreBdx,
           titre = paste0("Lissage de la densité de parkings avec un rayon de ", rayon, " m"))

Exercice 8

Refaire le lissage avec un rayon de 600 mètres, puis avec un rayon de 3000 mètres. Essayer de créer une fonction générale pour automatiser vos traitements.

Solution

lissage_maison <- function(rayon){

       sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                                     sEPSG = "2154",
                                     iCellSize = tcar, 
                                     iBandwidth = rayon)
 
  sfcarLisse <- sfcarLisse %>% 
    st_join(centreBdx, left = F) %>% 
    mutate(nbObsLisse = nbObsLisse*(1000 / tcar) ^ 2)
  
  genercarte(sfcarLisse = sfcarLisse,
             nomvar = "nbObsLisse",
             nbreaks = 5,
             zone = centreBdx,
             titre = paste0("Lissage de la densité de parkings avec un rayon de ", rayon, " m"))
}

Solution

lissage_maison(600)
lissage_maison(3000)

Partie 2.3 : Lissage du nombre de places de parkings

Exercice 9

Lisser le nombre de places de stationnement (variable np_global), et non plus le nombre de parkings.

Remarque : Pour la suite, toujours prendre un rayon de lissage de 1 700 mètres sauf mention contraire.

Solution

rayon <- 1700
parkingsLissage <- parkingsBuff[,c("np_global", "x", "y")]
sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                                    sEPSG = "2154",
                                    iCellSize = tcar, 
                                    iBandwidth = rayon)

# Filtrage des carreaux lissés dans Bordeaux centre
sfcarLisse <- sfcarLisse %>% 
  st_join(centreBdx, left = F) %>% 
  mutate(np_global = np_global * (1000 / tcar) ^ 2)

# Carte lissée
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "np_global",
           nbreaks = 5,
           zone = centreBdx,
           titre = "Lissage des places de stationnement")

Exercice 10

Lisser le nombre de places de stationnement pour les personnes à mobilité réduite (variable np_pmr).

Solution

parkingsLissage <- parkingsBuff[,c("np_pmr", "x", "y")]

sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                              sEPSG = "2154",
                              iCellSize = tcar, 
                              iBandwidth = rayon)


# Filtrage des carreaux lissés dans Bordeaux centre
sfcarLisse <- sfcarLisse %>% 
  st_join(centreBdx, left = F)%>% 
  mutate(np_pmr = np_pmr * (1000 / tcar) ^ 2)

# Carte lissée
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "np_pmr",
           nbreaks = 5,
           zone = centreBdx,
           titre = "Lissage des places de stationnement PMR")

Partie 2.4 : Lissage de ratios

Exercice 11

Lisser le nombre moyen de places de stationnement par parking.

Indices

Ne jamais lisser directement le ratio ! On lisse le numérateur et le dénominateur séparément. Puis, on fait le ratio sur les carreaux générés par btb_smooth.

Solution

parkingsLissage <- parkingsBuff[, c("nbObsLisse", "np_global", "x", "y")]

sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                              sEPSG = "2154",
                              iCellSize = tcar, 
                              iBandwidth = rayon)

# Création du ratio lissé à partir des numérateur et dénominateur lissés
sfcarLisse <- sfcarLisse %>% mutate(place_par_parking = np_global/nbObsLisse)

sfcarLisse <- sfcarLisse %>% st_join(centreBdx, left = F)
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "place_par_parking",
           nbreaks = 5,
           zone = centreBdx,
           titre = "Lissage du nombre de places par parking")

Exercice 12

Lisser le taux de places de stationnement pour personnes à mobilité réduite (en %).

Solution

parkingsLissage <- parkingsBuff[, c("np_global", "np_pmr", "x", "y")]

sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                              sEPSG = "2154",
                              iCellSize = tcar, 
                              iBandwidth = rayon)
# Création du ratio lissé à partir des numérateur et dénominateur lissés
sfcarLisse$part_pmf <- 100 * sfcarLisse$np_pmr / sfcarLisse$np_global

sfcarLisse <- sfcarLisse %>% st_join(centreBdx, left = F)
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "part_pmf",
           nbreaks = 5,
           zone = centreBdx,
           titre = "Lissage de la part de places PMR")

Partie 2.5 [BONUS] : où trouver des places de parking pas chères ?

Exercice 13

Lisser le prix moyen d’une heure de stationnement par parking (sans pondérer par le nombre de places)

Solution

parkingsLissage <- parkingsBuff[, c("nbObsLisse", "th_heur", "x", "y")]
sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                              sEPSG = "2154",
                              iCellSize = tcar, 
                              iBandwidth = rayon)

sfcarLisse$prix_moyen <- sfcarLisse$th_heur / sfcarLisse$nbObsLisse

sfcarLisse <- sfcarLisse %>% st_join(centreBdx, left = F)
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "prix_moyen",
           nbreaks = 5,
           zone = centreBdx,
           titre = "Lissage du prix par parking (sans pondération)")

Exercice 14

Lisser le prix moyen d’une heure de stationnement (prendre en compte le nombre de places de stationnement par parking).

Indices

Pour chaque parking de la base, il faut lisser :

• la multiplication du prix et du nombre de places
• le nombre de places

Puis, faire le ratio pour obtenir le “prix moyen d’une place” lissé.

Solution

# Création de la variable "multiplication du prix et du nmbre de places" pour chaque parking
parkingsBuff <- parkingsBuff %>% mutate(prix_x_place = np_global * th_heur)

parkingsLissage <- parkingsBuff[, c("np_global", "prix_x_place", "x", "y")]

sfcarLisse <- btb::btb_smooth(pts = parkingsLissage, 
                              sEPSG = "2154",
                              iCellSize = tcar, 
                              iBandwidth = rayon)

# Et on rapporte par le nombre de places lissé.
sfcarLisse <- sfcarLisse %>% mutate(prix_moyen_place = prix_x_place / np_global)


sfcarLisse <- sfcarLisse %>% st_join(centreBdx, left = F)

# Carte lissée
genercarte(sfcarLisse = sfcarLisse,
           nomvar = "prix_moyen_place",
           nbreaks = 5,
           zone = centreBdx,
           titre = "Lissage du prix moyen par place de stationnement")

Phase 3 : Calcul d’indicateurs sur une zone à façon

Exercice 15

Combien d’habitants vivent dans le centre de Bordeaux tel que nous l’avons défini ?

Pour répondre à cette question :

1. Comme dans le tutoriel, charger la base des données Filosofi 2019 carroyées (grille de 200m) en ne chargeant que les carreaux de la Gironde grâce à l’option query de sf::st_read.

2. Vérifier les projections cartographiques utilisées puis faire une intersection géographique entre les carreaux de la Gironde et le contour géographique du centre de Bordeaux

3. Cartographier avec mapview les carreaux du centre de Bordeaux.

4. Calculer le nombre d’habitants grâce à la variable Ind.

Solution

#1. Chargement des données de Filosofi 2019 en Gironde
url_bucket <- "https://minio.lab.sspcloud.fr/"
bucket <- "projet-formation"
object = "/r-lissage-spatial/carreaux_200m_met.gpkg"

st_read_maison <- function(chemin_tab){
  requete <- "SELECT idcar_200m, lcog_geo, ind, geom
            FROM carreaux_200m_met
            WHERE SUBSTR(lcog_geo, 1, 2) IN ('33')"
  sf::st_read(chemin_tab, query = requete)
}

# sans s3
car33 <-  st_read_maison(paste0(url_bucket,bucket, "/", object))

# avec s3
car33 <- 
  aws.s3::s3read_using(
    FUN = st_read_maison,
    object = object,
    bucket = bucket
    ,
    opts = list("region" = "")
  )

Solution

# 2. Vérification de la projection 
# puis sélection des carreaux intersectant le centre de Bordeaux

head(car33)

Simple feature collection with 6 features and 3 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: 438486.3 ymin: 6350085 xmax: 439499.4 ymax: 6351138
Projected CRS: RGF93 v1 / Lambert-93
                      idcar_200m lcog_geo ind                           geom
1 CRS3035RES200mN2399800E3501000    33095   3 POLYGON ((438504 6350085, 4...
2 CRS3035RES200mN2399800E3501800    33095   1 POLYGON ((439300.3 6350162,...
3 CRS3035RES200mN2400200E3501200    33095   1 POLYGON ((438667.8 6350502,...
4 CRS3035RES200mN2400400E3501400    33095   5 POLYGON ((438849.3 6350721,...
5 CRS3035RES200mN2400400E3501600    33095   4 POLYGON ((439048.4 6350740,...
6 CRS3035RES200mN2400600E3501400    33095   8 POLYGON ((438831.7 6350920,...

# Projection 2154 (Lambert93).

carreaux_centreBdx <- car33 %>% st_join(centreBdx, left = F)

# 3. Cartographie des carreaux du centre de Bordeaux
mapview(centreBdx, color = "black", lwd = 6, alpha.regions = 0, legend = F) + 
mapview(carreaux_centreBdx, col.regions = "#ffff00")

# 4. Combien d'habitants dans le centre de Bordeaux ?
cat("Il y a approximativement ", sum(carreaux_centreBdx$ind), " habitants dans le centre de Bordeaux")

Il y a approximativement  137804  habitants dans le centre de Bordeaux

---

---

Reproductibilité

sessionInfo()

R version 4.3.2 (2023-10-31)
Platform: x86_64-apple-darwin20 (64-bit)
Running under: macOS Monterey 12.7.3

Matrix products: default
BLAS:   /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/lib/libRblas.0.dylib 
LAPACK: /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/lib/libRlapack.dylib;  LAPACK version 3.11.0

locale:
[1] en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8

time zone: UTC
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] btb_0.2.0      aws.s3_0.3.21  mapview_2.11.2 mapsf_0.9.0    sf_1.0-15     
[6] dplyr_1.1.4    knitr_1.45    

loaded via a namespace (and not attached):
 [1] xfun_0.42               bslib_0.6.1             raster_3.6-26          
 [4] htmlwidgets_1.6.4       lattice_0.21-9          leaflet.providers_2.0.0
 [7] vctrs_0.6.5             tools_4.3.2             crosstalk_1.2.1        
[10] generics_0.1.3          stats4_4.3.2            curl_5.2.0             
[13] tibble_3.2.1            proxy_0.4-27            fansi_1.0.6            
[16] highr_0.10              pkgconfig_2.0.3         KernSmooth_2.23-22     
[19] satellite_1.0.5         RColorBrewer_1.1-3      uuid_1.2-0             
[22] RcppParallel_5.1.7      leaflet_2.2.1           lifecycle_1.0.4        
[25] farver_2.1.1            compiler_4.3.2          stringr_1.5.1          
[28] munsell_0.5.0           fontawesome_0.5.2       terra_1.7-73           
[31] codetools_0.2-19        maplegend_0.1.0         htmltools_0.5.7        
[34] class_7.3-22            sass_0.4.8              yaml_2.3.8             
[37] pillar_1.9.0            jquerylib_0.1.4         ellipsis_0.3.2         
[40] classInt_0.4-10         cachem_1.0.8            wk_0.9.1               
[43] brew_1.0-10             tidyselect_1.2.0        digest_0.6.34          
[46] stringi_1.8.3           fastmap_1.1.1           grid_4.3.2             
[49] colorspace_2.1-0        cli_3.6.2               magrittr_2.0.3         
[52] base64enc_0.1-3         utf8_1.2.4              leafem_0.2.3           
[55] e1071_1.7-14            aws.signature_0.6.0     scales_1.3.0           
[58] sp_2.1-3                rmarkdown_2.25          httr_1.4.7             
[61] unilur_0.4.0.9100       png_0.1-8               evaluate_0.23          
[64] s2_1.1.6                rlang_1.1.3             leafpop_0.1.0          
[67] Rcpp_1.0.12             glue_1.7.0              DBI_1.2.2              
[70] xml2_1.3.6              svglite_2.1.3           jsonlite_1.8.8         
[73] R6_2.5.1                systemfonts_1.0.5       units_0.8-5            

---

1. mapview est un package de cartographie produisant des résultats proches de leaflet. Il est un peu plus rapide d’utilisation quant il s’agit de produire des résultats simples : notamment, il reprojette automatiquement les objets géographiques que vous souhaitez cartographier. Plus d’informations ici.↩︎

2. construit manuellement par les auteurs de ce tutoriel en utilisant le Geoportail.↩︎