-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathCR_SIGR2021.Rmd
1105 lines (794 loc) · 57.8 KB
/
CR_SIGR2021.Rmd
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
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
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Compte-rendu de l'École Thématique Sciences de l'Information Géographiques Reproductibles SIGR"
author: "Julie"
date: "23/07/2021"
output:
rmdformats::readthedown:
toc_depth: 3
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE,
eval = TRUE)
```
```{r eval=TRUE, include=FALSE}
library(sf)
library(spData)
library(dplyr)
library(osmdata)
library(skimr)
library(osmextract)
library(tmap)
library(raster)
library(terra)
library(stars)
library(RColorBrewer)
library(mapsf)
library(spDataLarge)
library(dplyr)
library(gridExtra)
library(plotly)
library(tidyverse)
library(here)
library(gtsummary)
library(GWmodel)
```
*Oléron, 28 juin au 2 juillet 2021*
## Présentation de l'école
L'école thématique SIGR était organisée par [l'UMS Riate](https://riate.cnrs.fr/), avec un comité scientifique composé de :
* **Claude Grasland** (UMR Géographie-cités - Université de Paris)
* **Renaud Le Goix** (UMR Géographie-cités - Université de Paris)
* **Marion Le Texier** (UMR IDEES - Université de Rouen Normandie)
Et comme responsable scientifique : **Timothée Giraud** (UMS RIATE - CNRS).
L'organisation était assurée par l'équipe du RIATE :
* **Timothée Giraud**
* **Nicolas Lambert**
* **Ronan Ysebaert**
La liste des intervenants est disponible [ici](https://sigr2020.sciencesconf.org/resource/page/id/4).
Cette école visait à répondre aux problématiques de production, publication, diffusion ou valorisation de traitements de données géographiques dans une démarche de recherche reproductible.
En identifiant les principales avancées conceptuelles, méthodologiques et techniques du domaine via un focus sur les méthodes de traitement de l’information géographique, cette école a permis aux participants de s’initier à la mise en œuvre de protocoles de recherche ouverts et transparents avec le logiciel libre R.
## Liens utiles
* site de présentation de l'école : https://sigr2020.sciencesconf.org/
* site de l'école "de travail" avec les liens vers les présentations et le pad collaboratif : https://sigr2021.github.io/site/
* dépôt github de l'école : https://github.com/sigr2021
## En bref : sélection de quelques points abordés
### Bonnes pratiques en matière de reproductibilité
2 points clés de la formation, qui sont revenus tout au long :
* Pour documenter son code, ou pour des besoins de formations : on peut créer des "documents computationnels" en [R Markdown](#atelier_ysebaert_lundi) (programmation lettrée), alternant texte explicatif en markdown et code R. Ces documents peuvent être exportés en HTML, PDF... ([exemple de doc R Markdown](https://github.com/sigr2021/markdown/blob/main/index.Rmd) et [sa sortie HTML](https://sigr2021.github.io/markdown/))
* Utilisation de [git](https://peerj.com/preprints/3159v2/) pour garder trace de tout l'historique des modifications d'un fichier texte (code, markdown...) et pour travailler à plusieurs sur un même fichier. On peut utiliser git non seulement pour du code, mais aussi par ex. pour travailler sur un article à plusieurs, et éviter les allers-retours de fichiers word par mail ! Il y a tout de même un coût d'entrée pour apprendre à se servir de cet outil.
### Créer un environnement reproductible dans R
Pour résoudre les problèmes du style "mon code ne fonctionne plus depuis la mise à jour d'hier", "mon code fonctionne sur mon ordi mais pas sur celui de mon collègue" et plus encore...
* Pour faciliter le transfert de scripts R : utilisation de gestionnaires de paquets tels que [Guix](https://guix.gnu.org/) ou [Nix](https://nixos.org/)
* Pour travailler avec les mêmes versions des mêmes packages R : package [minicran](https://andrie.github.io/miniCRAN/)
* Autre package pour créer des environnements reproductibles : [renv](https://rstudio.github.io/renv/)
### Cartographie reproductible
Reprendre facilement la carte que vous avez créée il y a 3 ans, ou bien réutiliser la mise en page que vous avez faite il y a 6 mois mais avec d'autres données, faire des cartes interactives pour les publier sur le web, et transmettre tout ça à vos collègues !
* Créer des **cartes interactives** dans R en quelques lignes de code : package [mapview](https://r-spatial.github.io/mapview/) ou [tmap](https://mtennekes.github.io/tmap/) (tmap permet également la création de cartes statiques, on passe très facilement d'un mode à l'autre)
* Créer des **cartes statiques** en R, avec le [package mapsf](https://riatelab.github.io/mapsf/) fait par un cartographe (Timothée Giraud) pour les cartographes !
* Pour créer des **visualisations 2D et 3D avec du relief** : package [rayshader](https://www.rayshader.com/). Peut être utilisé par exemple pour [visualiser l'évolution du niveau de la mer](https://www.tylermw.com/wp-content/uploads/2018/07/montbayaboveweb2.mp4)
### Télédétetection/données rasters
3 packages à tester ?
* Pour traiter des **séries d'images** (concept de data cubes) : [package stars](https://r-spatial.github.io/stars/index.html), pratique aussi pour les images au format **netcdf**. Utile aussi pour travailler avec des données volumineuses, peut se connecter directement au fournisseur de la donnée
* Pour de la **classification objet** sur des images RGB ou des données continues ou de catégories : package [supercells](https://github.com/Nowosad/supercells) (en cours de développement par Jakub Nowosad)
* Pour les données lidar : package [lidR](https://jean-romain.github.io/lidRbook/index.html)
### Pour se documenter et résoudre les problèmes
Voir aussi la partie [Biblio]
* La liste de diffusion [R-SIG-Geo](https://stat.ethz.ch/mailman/listinfo/r-sig-geo)
* Pour poster un exemple reproductible sur une liste ou un forum : package R [reprex](https://github.com/tidyverse/reprex)
* tag **#rspatial** sur Twitter, retweetés par le compte [talk_rspatial](https://twitter.com/talk_rspatial)
* rapporter un bug : conseils du [site officiel R](https://www.r-project.org/bugs.html) et de [RStudio](https://github.com/rstudio/rstudio/wiki/Writing-Good-Bug-Reports)
### Divers
* Pour réfléchir à une chaîne de traitement : outil [Excalibur](https://excalidraw.com/) pour créer des **organigrammes**
* Pour accéder à des jeux de données spatiales tests, utile pour les formations par exemple : packages [spData](https://nowosad.github.io/spData/) et [spDataLarge](https://nowosad.github.io/spDataLarge/)
* Possibilité de **créer des sites web simples** en R Markdown avec le package [blogdown](https://github.com/rstudio/blogdown) et le thème [Hugo](https://gohugo.io/) (ex. : [Rzine](https://rzine.fr/))
* Créditer les auteurs d'un article : utilisation de [CRediT](https://www.elsevier.com/authors/policies-and-guidelines/credit-author-statement) (Contributor Roles Taxonomy) pour préciser qui a fait quoi dans les auteurs d'un article (conceptualisation, méthodo, visualisation...)
## Conférences et ateliers
### Reproductibility crisis and Open Science
***Arnaud Legrand**, [UMR LIG, CNRS](https://team.inria.fr/polaris/members/arnaud-legrand/) (conférence)*
[Lien vers la présentation au format PDF](https://raw.githubusercontent.com/alegrand/SMPE/master/lectures/talk_21_06_28_Oleron.pdf)
A travers plusieurs exemples de fraudes scientifiques ou d'erreurs involontaires, les notions de reproductibilité, réplicabilité, robustesse et généralisation sont introduites. 3 exemples de bonnes pratiques sont ensuite passés en revue avec pour chacune différents outils :
1. la prise de notes et la documentation, à travers la programmation lettrée et les workflows
2. le contrôle de l'environnement logiciel : rétrocompatibilité, écosystèmes (dépendances des bibliothèques entre elles), conteneurs et gestionnaires de paquets
3. le contrôle de version et l'archivage, avec git et différents systèmes d'archives pour les articles, les données et les logiciels (évite les liens morts, cf. [The Decay and Failures of URL References](https://www.spinellis.gr/sw/url-decay/) et [Decay of References to Websites in Articles Published in General Medical Journals: Mainstream vs Small Journals](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3885908/))
Pour terminer, la problématique de changement des pratiques est abordée au travers de différentes initiatives.
Un exemple intéressant : un [article exécutable par Carl Boetinger](https://github.com/cboettig/noise-phenomena), qui utilise [binder](https://mybinder.org/), on peut reproduire le code utilisé dans l'article avec RStudio mais dans un navigateur !
(note : dans cet article, un des liens pour télécharger les données n'est plus valide, ce qui ramène au point important de la pérennité des url)
### Produire des documents reproductibles avec R Markdown
***Ronan Ysebaert**, [UMS RIATE, CNRS](http://riate.cnrs.fr/?page_id=38) (atelier)*
[Lien vers la présentation au format HTML](https://sigr2021.github.io/markdown/)
[Lien vers le dépôt github de la présentation](https://github.com/sigr2021/markdown/)
Un document markdown est un fichier texte utilisant une syntaxe très simple pour la mise en forme, comme par exemple :
```
# titre 1
## titre 2
*italique*
**gras**
```
Ce qui donnera une fois interprété :
<h1>titre 1</h1>
<h2>titre 2</h2>
*italique*
**gras**
(à tester par exemple [ici](https://stackedit.io/app#))
Un document R Markdown mélange des morceaux (chunks) de code R et de texte mise en forme. C'est un outil pour faire la programmation lettrée (literate programming). Pour expliquer ce qu'est la programmation lettrée, une citation de **Donald Knuth** :
>Au lieu de considérer que notre tâche principale est de dire à un ordinateur ce qu'il doit faire, appliquons-nous plutôt à expliquer à des êtres humains ce que nous voulons que l'ordinateur fasse.
Le R Markdown est particulièrement utile pour **expliquer un cheminement**, créer des **supports de formation**... Et même ce compte-rendu !
Un document R Markdown peut être mouliné (tricoté selon la terminologie RStudio) pour créer des sorties au format HTML, PDF...
Un bloc de code R pour l'exemple, son résultat est affiché dessous :
```{r eval=TRUE}
print ("hello")
```
Il existe également des packages R pour créer en R Markdown des types de documents spécifiques, comme des [présentations](https://slides.yihui.org/xaringan/), des [livres](https://bookdown.org/yihui/rmarkdown-cookbook/), des [sites web](https://rcarto.gitpages.huma-num.fr/centralite/) ...
Le fait de pouvoir créer des sites web légers très simplement peut être pratique pour des projets de recherche (pas besoin de déployer un CMS type wordpress ou de savoir faire du HTML).
Après la théorie, l'atelier propose une **mise en pratique** avec création d'un projet R Markdown dans RStudio, ajouts de titres et de contenus (texte, tables figures...), où on voit notamment que :
* un document R Markdown commence par des métadonnées au format [YAML](https://en.wikipedia.org/wiki/YAML) avec le titre, l'auteur, le type de sortie... il y a donc très peu de choses à changer pour passer d'une sortie HTML à PDF par ex.
* pour les blocs de code, on peut choisir différentes [options](https://yihui.org/knitr/options/) : code évalué ou non, sortie affichée ou non, taille des figures si figure il y a...
Cet atelier se termine avec un focus sur les **bonnes pratiques pour avoir un code exécutable et lisible** :
* utiliser des fonctions ou des boucles pour les opérations répétitives
* indentation claire
* commentaires
* optimiser les noms d'objets
* limiter les dépendances (préférer quelques lignes de code en plus mais un package en moins)
* utiliser de préférence l'anglais
Note : on peut aussi inclure des diagrammes en utilisant [Mermaid](https://mermaid-js.github.io/mermaid/) :
```{r}
DiagrammeR::mermaid("
graph TD;
A[point A] --> B{à pied}
A --> C{à vélo}
A --> D{à cheval}
B --> E[point B]
C --> E[point B]
D --> E[point B]
", height = 300)
```
### Présentez vos travaux en Markdown
***Nicolas Lambert**, [UMS RIATE, CNRS](http://riate.cnrs.fr/?page_id=38) (atelier)*
[Lien vers la présentation au format HTML](https://sigr2021.github.io/xaringan/)
[Lien vers le dépôt github de la présentation](https://github.com/sigr2021/xaringan)
Cet atelier présente le package R [Xaringan](https://github.com/yihui/xaringan) créé par Yihui Xie permettant de générer des présentations HTML à partir d'un document R Markdown.
C'est donc un outil qui peut remplacer PowerPoint par exemple, particulièrement utile pour présenter du code, mais nécessitant une prise en main. On peut inclure du code R et son résultat (texte, tableaux, graphiques, cartes...).
La présentation de cet atelier et du précédent sont réalisées avec Xaringan.
Pour utiliser Xaringan, ça aide de connaître un peu de HTML, on peut utiliser ses propres fichiers de style CSS. On peut intégrer dans une présentation Xaringan tous les éléments d'une page web : vidéos, iframe, carte interactive avec leaflet, code javascript...
Un autre intérêt de Xaringan est de pouvoir utiliser différents [thèmes](https://bookdown.org/yihui/rmarkdown/css-and-themes.html) sans changer le contenu de la présentation.
### Introduction à git
***Thimothée Giraud**, [UMS RIATE, CNRS](http://riate.cnrs.fr/?page_id=38) (atelier)*
[Lien vers la présentation au format HTML](https://sigr2021.github.io/git/)
[Lien vers le dépôt github de la présentation](https://github.com/sigr2021/git/)
*Lecture préalable : Bryan J. 2017. Excuse me, do you have a moment to talk about version control? PeerJ Preprints 5:e3159v2 https://doi.org/10.7287/peerj.preprints.3159v2*
git = système de gestion de version, permet de :
* garder trace de l'historique de toutes les modifications faites sur des fichiers texte (code)
* travailler à plusieurs sur un même fichier texte
* partager son code !
Plusieurs plate-formes implémentent le logiciel git : GitHub, GitLab, + plate-formes institutionnelles
L'objectif de l'atelier est de créer un compte github, configurer git sur sa machine avec une clé SSH pour s'authentifier, créer un dépôt = projet avec une présentation rmarkdown, et mettre en ligne cette présentation. Voir la présentation pour le pas à pas détaillé (c'est ce que j'ai utilisé pour ce CR).
Ressources :
- [Installer et configurer git sous linux, mac et windows](https://gitlab.inria.fr/learninglab/mooc-rr/mooc-rr-ressources/-/blob/master/module2/ressources/gitlab_fr.org)
- [git et github pour les utilisateurs-trices R](https://happygitwithr.com/)
### GIS and mapping - A lecture on the GIS and mapping ecosystem of R
***Jakub Nowosad**, [Institute of Geoecology and Geoinformation - Adam Mickiewicz University, Pologne](https://nowosad.github.io/) et **Robin Lovelace**, [Institute for Transport Studies - University of Leeds, Royaume-Uni](https://environment.leeds.ac.uk/transport/staff/953/dr-robin-lovelace) (conférence)*
[Lien vers la présentation au format HTML](https://nowosad.github.io/SIGR2021/lecture/lecture.html)
[Lien vers le dépôt github de la présentation](https://github.com/Nowosad/SIGR2021/tree/master/lecture/)
L'écosystème R propose beaucoup d'outils pour les données géographiques, pour explorer des données, les traiter, les analyser, les transformer, les convertir vers d'autres formats, les visualiser... Il est donc important de prendre le bon outil pour ce qu'on veut faire !
Il y a aussi pas mal d'outils pour partager [des cartes](https://rpubs.com/), des [workflow](https://excalidraw.com/), du [code](https://github.com/)...
Liste de packages R utiles en :
* [analyse de données spatiales](https://cran.r-project.org/web/views/Spatial.html)
* [analyse de données spatio-temporelles](https://cran.r-project.org/web/views/SpatioTemporal.html)
Derrière R, il y a de nombreuses librariries de l'[OSGeo](https://www.osgeo.org/) telles que **Proj**, **Gdal**, **Geos**... Ces librairies sont utilisées par la plupart des logiciels SIG (QGIS, ArcGIS...). Donc si un outil R ne fonctionne pas comme on le souhaite, c'est possible que l'outil équivalent de QGIS ou ArcGIS ait les mêmes défauts si le problème vient d'une des librairies "de base".
Dans R, on peut appeler les algorithmes de nombreux logiciels SIG : QGIS avec [qgisprocess](https://github.com/paleolimbot/qgisprocess), Saga, Grass, ArcGIS...
Pour **partager son code** : il y a plusieurs intermédiaires entre coder "tout seul" et créer un package, comme par ex. avoir un dépôt git avec un readme.
Quelques packages pour manipuler des données raster ou vecteur :
* données vecteur : package [sf](https://r-spatial.github.io/sf/) (successeur de sp, rgeos et rgdal)
* données raster : package [terra](https://rspatial.org/terra/index.html) et son prédécesseur le package [raster](https://rspatial.org/raster/spatial/8-rastermanip.html)
* séries de données raster ou vecteur, données spatio-temporelles : package [stars](https://r-spatial.github.io/stars/)
Quelques packages pour visualiser des données :
* cartes statiques : [mapsf](https://riatelab.github.io/mapsf/) : poussé niveau carto, permet de faire de la carto en respectant les règles de sémiologie graphique
* cartes interactives : [leaflet](https://rstudio.github.io/leaflet/)
* cartes statiques et interactives : [tmap](https://cran.r-project.org/web/packages/tmap/vignettes/tmap-getstarted.html). Pratique car permet de passer très facilement d'une carte statique à une carte interactive, mais moins axé cartographie que mapsf
* pour représenter le relief : [rayshader](https://www.rayshader.com/)
Il en existe beaucoup d'autres ! Chaque package stocke les données sous des formats différents, il faut [faire des conversions pour passer d'un package à l'autre](https://geocompr.github.io/post/2021/spatial-classes-conversion/).
La conférence se conclut par une présentation d'un ouvrage de Robin et Jakub : [Geocomputation with R](https://geocompr.robinlovelace.net/), un livre disponible en ligne et au format papier sur l'analyse et la visualisation de données géographiques avec R. Ce livre propose de nombreux exercices avec les packages sf, raster, tmap... pour effectuer de manière reproductible toutes les opérations courantes dans un logiciel SIG et au-delà (statistiques spatiales, carto interactive...).
### Git avec des petits dessins
***Arnaud Legrand**, [UMR LIG, CNRS](https://team.inria.fr/polaris/members/arnaud-legrand/) (atelier informel)*
Il s'agit d'un atelier spontané pour aller plus loin sur git (le off de l'école !)
Contenu inspiré de [cette présentation](https://gitlab.inria.fr/learninglab/mooc-rr/mooc-rr-ressources/-/raw/master/module1/slides/diapos_git.pdf?inline=false) du MOOC Recherche Reproductible
Tests de quelques commandes git supplémentaires :
* git checkout pour revenir à une version précédente
* git diff pour voir la différence entre 2 versions
* gitk pour gérer l'historique
* pour gérer des gros fichiers : git annex
* git blame pour savoir qui a écrit quoi
Quelle interface graphique pour git ?
* emacs magit (ça n'est pas à proprement parler une interface graphique ;-) )
* [git kraken](https://www.gitkraken.com/) : pratique en cas de conflit. Permet de rendre git plus accessible !
* [jupyterlab-git](https://github.com/jupyterlab/jupyterlab-git)
Sur un autre sujet, comment créditer les auteurs : utilisation de [CRediT](https://www.elsevier.com/authors/policies-and-guidelines/credit-author-statement) (Contributor Roles Taxonomy) pour préciser qui a fait quoi dans les auteurs d'un article (conceptualisation, méthodo, visualisation...)
### GIS and mapping workshop
***Jakub Nowosad**, [Institute of Geoecology and Geoinformation - Adam Mickiewicz University, Pologne](https://nowosad.github.io/) et **Robin Lovelace**, [Institute for Transport Studies - University of Leeds, Royaume-Uni](https://environment.leeds.ac.uk/transport/staff/953/dr-robin-lovelace) (atelier)*
Un atelier très dense où on verra comment utiliser les jeux de données test fournis dans certains packages R, importer des données OpenStreetMap, voir les données manquantes, et faire des cartes statiques et interactives !
[Lien vers la partie 1 (Robin) au format HTML](https://nowosad.github.io/SIGR2021/workshop1/workshop1_rl.html)
[Lien vers la partie 2 (Jakub) au format HTML](https://nowosad.github.io/SIGR2021/workshop1/workshop1_jn.html)
[Lien vers le dépôt github de l'atelier](https://github.com/Nowosad/SIGR2021/tree/master/workshop1)
#### Partie 1 avec Robin Lovelace : importer des données, voir les données manquantes...
Où trouver des **jeux de données exemple** ?
* dans des packages dédiés : spData, spDataLarge, osmdata, nzelect
* dans beaucoup de packages spatiaux : rayshader
Ex. pour spData :
Pour accéder à la documentation du package (et voir la liste des jeux de données disponibles) :
```{r}
help(package="spData")
```
Ou bien :
```{r}
library(help=spData)
```
Et pour avoir une description d'un jeu de données en particulier, ici afcon :
```{r}
help(afcon)
```
Pour savoir de quel type est un jeu de données (dataframe, raster...) :
```{r}
class(afcon)
class(elev)
```
Pour accéder à un jeu de données :
```{r}
afcon <- spData::afcon
head(afcon)
```
**Récupérer des données OpenStreetMap**, avec la fonction [opq](https://rdrr.io/cran/osmdata/man/opq.html) (overpass query) du package **osmdata** :
```{r}
northland_lonlat = sf::st_transform(nz[1,], 4326) # nz est dispo via le package spData, ici on ne prend qu'une seule région
schools_nl_osm = opq(bbox = sf::st_bbox(northland_lonlat)) %>%
add_osm_feature(key = "amenity", value = "school") %>%
osmdata_sf()
```
Pour ne garder que les polygones :
```{r}
schools_nl_polygons = schools_nl_osm$osm_polygons
```
Voir les **données manquantes** : on supprime d'abord la colonne de géométrie pour que la commande [skim](https://cran.r-project.org/web/packages/skimr/vignettes/skimr.html#the-skim-function) du package skimr ne soit pas trop longue à se lancer.
```{r}
schools_pol_nogeom <- st_drop_geometry(schools_nl_polygons)
```
Avec skim, on obtient un tableau avec une ligne par colonne de la table attributaire, avec pour chacune le nombre de valeurs manquantes, le nombre de valeurs uniques etc.
```{r}
skim(schools_pol_nogeom)
```
**Une autre méthode pour extraire des données OpenStreetMap**, avec la fonction [oe_get](https://www.rdocumentation.org/packages/osmextract/versions/0.3.0/topics/oe_get) du package **osmextract** :
```{r results='hide', warning=FALSE, message=FALSE}
place_name = "Canberra"
et = c("amenity")
q_points = "SELECT * FROM points WHERE amenity IN ('school')"
oe_school_points = oe_get(place_name, provider = "openstreetmap_fr", query = q_points, extra_tags = et)
```
*Note : la recherche de nom de lieux n'est pas hyper au point, on peut tester avec `oe_match`*
Pour visualiser ces données avec une carte interactive avec le package [mapview](https://r-spatial.github.io/mapview/) :
```{r fig.height=4}
mapview::mapview(oe_school_points)
```
Avec le package osmextract, on peut tester si des noms de lieux renvoient des résultats avec la fonction `oe_match`. En fait, ce package utilise des zones prédéfinies par chacun de ses 3 providers :
```{r message=FALSE}
oe_providers()
```
Pour voir ces zones pour un de ces providers, par ex. pour openstreetmap_fr :
```{r}
plot(st_geometry(openstreetmap_fr_zones))
```
En France, on est au niveau des départements.
On n'a pas forcément de zones aussi fines qu'on le voudrait. Avec osmdata on peut spécifier exactement les coordonnées de l'emprise souhaitées, ou bien spécifier l'emprise d'une couche existante.
On peut aussi simplifier des données avec la fonction [ms_simplify](https://rdrr.io/cran/rmapshaper/man/ms_simplify.html) du package rmapshaper, créer des zones tampon avec la fonction [st_buffer](https://r-spatial.github.io/sf/reference/geos_unary.html) du package sf... cf. https://geocompr.robinlovelace.net/geometric-operations.html
#### Partie 2 avec Jakub Nowosad : visualiser les données avec le package tmap
le package [tmap](https://cran.r-project.org/web/packages/tmap/vignettes/tmap-getstarted.html) permet de créer des cartes statiques ou interactives. Le principe est de partir d'un jeu de données, puis d'ajouter des éléments (autres couches de données, légende, échelle...)
On récupère d'abord un jeu de données test du package spDataLarge, avec le package terra :
```{r}
nz_elev = rast(system.file("raster/nz_elev.tif", package = "spDataLarge"))
```
Puis pour en faire un carte :
```{r warning=FALSE, message=FALSE, fig.height=4}
tm_shape(nz_elev) +
tm_graticules(col = "white") +
tm_raster(title = "Elevation (m asl)",
style = "cont",
palette = brewer.pal(6,"YlOrBr")) +
tm_shape(nz) +
tm_borders(col = "darkgray",
lwd = 1) +
tm_shape(nz_height) +
tm_symbols(size = 0.2,
shape = 2,
col = "black") +
tm_add_legend(type = "symbol",
shape = 2,
size = 0.4,
col = "black",
title = "Highest peaks") +
tm_scale_bar(breaks = c(0, 200),
text.size = 0.8,
lwd = 0.1) +
tm_credits(text = "J. Nowosad, 2021") +
tm_layout(bg.color = "lightblue",
inner.margins = c(0, 0, 0, 0))
```
Voir la présentation, ou l'aide, pour détailler chacun des éléments de cette carte ! Le point de départ est une couche de données avec `tm_shape(nz_elev)`, il faut ensuite ajouter des options avec des `+`. On peut ajouter plusieurs couches, elles seront dessinées dans l'ordre indiqué (donc il faut mettre en dernier ce qu'on veut au-dessus).
Pour de l'aide sur un élément, par ex. comment ajouter des graticules :
```{r}
help(tm_graticules)
```
Pour explorer les palettes de couleur :
```{r eval=FALSE}
tmaptools::palette_explorer()
```
Pour passer en mode interactif, il faut utiliser la commande `tmap_mode("view")` :
```{r warning=FALSE, message=FALSE, fig.height=4}
tmap_mode("view") # plot pour le mode statique, view pour le mode interactif
tm_shape(nz_elev) +
tm_graticules(col = "white") +
tm_raster(title = "Elevation (m asl)",
style = "cont",
palette = brewer.pal(6,"YlOrBr")) +
tm_shape(nz) +
tm_borders(col = "darkgray",
lwd = 1) +
tm_shape(nz_height) +
tm_symbols(size = 0.2,
shape = 2,
col = "black") +
tm_add_legend(type = "symbol",
shape = 2,
size = 0.4,
col = "black",
title = "Highest peaks") +
tm_scale_bar(breaks = c(0, 200),
text.size = 0.8,
lwd = 0.1) +
tm_credits(text = "J. Nowosad, 2021") +
tm_layout(main.title = "New Zealand",
bg.color = "lightblue",
inner.margins = c(0, 0, 0, 0))
```
Avec quelques limitations cependant : on ne peut pas utiliser de formes autres que des cercles ou des icônes prédéfinies par exemple (ici, les triangles sont remplacés par des cercles).
On peut exporter la carte au format image ou vecteur avec la fonction `tmap_save`. Pour voir la liste des formats possibles :
```{r}
help(tmap_save)
```
### Sciences reproductibles et analyse spatiale : quelques lectures et retours d’expérience
***Marianne Guérois**, [UMR Géographie-cités - Université de Paris](https://www.parisgeo.cnrs.fr/spip.php?article127&lang=fr) (conférence)*
[Lien vers la présentation au format PDF](https://sigr2021.github.io/site/Seance_SIGR_30062021_MG.pdf)
*Lecture préalable : Kedron P., Frazier A., Trgovac A., Nelson T., Fotheringham S., Reproducibility and Replicability in Geographical Analysis, 2019, Geographical Analysis, Volume 53, Issue 1. https://doi.org/10.1111/gean.12221*
**Exemples d'erreurs et de controverses en analyse spatiale :**
- Comparaison de 4 implémentations "ouvertes" et 2 implémentations "fermées" d'un même algorithme (Geographical Weighted Regression) : tous donnent le même résultat sauf ArcGIS. Pas moyen de savoir pourquoi ! (Brundson et al., 2016)
- [Modifiable areal unit problem (MAUP)](https://en.wikipedia.org/wiki/Modifiable_areal_unit_problem) : selon la manière dont des données ponctuelles sont agrégées, les résultats des analyses peuvent être différents.
**Les pionniers d'une approche reproductible :** Openshaw et al., étude sur les cancers infantiles dans les années 80 : en lien ou non avec la présence de la centrale nucléaire de Sellafield ? Ce lien venait d'un biais de pré-sélection, ce qu'a montré Openshaw en balayant la zone avec des millions de cercles de différentes tailles.
**Quelles pratiques de sciences reproductibles en analyse spatiale ?** Etude de Konkol et al., 2019 : la méthodo est souvent documentée mais les données et le code sont rarement associés aux publis. Le besoin est reconnu, les auteurs savent a priori comment améliorer la reproductibilité de leurs travaux, mais ça n'est pas considéré comme une priorité car peu de valeur ajoutée (pas pris en compte dans les évaluations).
**Reproductibilité : l'analyse spatiale est-elle un cas particulier ?**
problème de l'échelle spatiale qui n'est pas toujours fixe, + principe d’hétérogénéité patiale : résultats obtenus dans une zone donnée ne sont pas nécessairement transposables à une autre zone. On ne recherche donc pas la reproductibilité des résultats à tout prix (≠ sciences dures).
Synthèse de Kedron et al. (2021) avec 4 sources d'incertitudes lors du processus de recherche, qui compliquent la reproductibilité :
* incertitudes conceptuelles
* incertitudes de mesures
* incertitudes liées aux analyes
* incertitudes lors de la communication
Ex. d'un problème d'**incertitude conceptuelle** ([Anne Ruas, 2020](https://cybergeo.hypotheses.org/688)) sur la notion d'**artificialisation** : le concept a "glissé" au cours du temps pour se confondre avec l'imperméabilisation, ce glissement étant lié à un changement de contexte. Il est donc difficile de comparer des taux d'artificialisation au cours du temps.
Ex. d'un problème d'**incertitude liée aux données** avec un projet en cours au RIATE sur les AirDNA. Il s'agit d'une base de données vendue par une entreprise qui donne des infos sur les locations AirBnB. Ces données sont chères, certaines infos y sont difficilement accessibles (durées de séjour), problème d'imprécision spatiale.
Ex. du projet [TRADEVE](https://hal-paris1.archives-ouvertes.fr/halshs-01311420/fr/) sur les trajectoires démographiques des aires urbaines européennes entre 1961 et 2011 : problème de l'harmonisation de bases de données urbaines :
* multiplicité des définitions de la ville
* plusieurs bases de données avec chacune ses limites
* plusieurs modèles théoriques pour comparer les villes dans le temps (limites fixes ou changeantes...)
* il y a aussi la question de la pertinence d'utiliser un seuil fixe de desnsité comme un des critères pour définir les agglomérations
On ne peut pas toujours utiliser un modèle unique avec des paramètres identiques -> pertincence de la reproductibilité ? A quel niveau la placer ?
### Tenir un journal de laboratoire avec emacs et orgmode
***Arnaud Legrand**, [UMR LIG, CNRS](https://team.inria.fr/polaris/members/arnaud-legrand/) (atelier informel)*
**journal de laboratoire** = fichier texte organisé de manière chronologique, on l'on note chaque jour ce que l'on fait, avec des tags.
Un outil pour tenir ce journal : l'éditeur de texte [emacs](https://www.gnu.org/software/emacs/) avec [orgmode](https://orgmode.org/). Orgmode est un mode spécial pour emacs, adapté à la prise de note, la création de to-do listes, la programmation lettrée... Il suffit d'ouvrir un fichier .org dans emacs pour passer en orgmode (après configuration).
Outil permettant d'être très efficace mais nécessitant un temps d'apprentissage !
### Atelier analyse spatiale (Régression Géographiquement Pondérée ou GWR)
***Thierry Feuillet**, [UMR LADYSS - Université Paris 8 Vincennes - Saint-Denis](https://www.ladyss.com/feuillet-thierry?lang=fr) (atelier)*
[Lien vers la présentation au format HTML](https://sigr2021.github.io/gwr/)
[Lien vers le dépôt github de l'atelier](https://sigr2021.github.io/gwr/)
*Lecture préalable : Helbich, M., Brunauer, W., Hagenauer, J., & Leitner, M., Data-driven regionalization of housing markets, 2013. Annals of the Association of American Geographers, 103(4), 871-889. https://www.geog.uni-heidelberg.de/md/chemgeo/geog/lehrstuehle/gis/helbich_etal_2012.pdf*
Atelier sur les prix de l'immobilier sur l'île d'Oléron : données DVF (Demandes de Valeurs Foncières) disponibles sur data.gouv en licence ouverte.
Concepts manipulés :
**Hétérogénéité spatiale**, qui a a pour traduction d'un point de vue statistique la **non-stationnarité spatiale**, c'est-à-dire l’instabilité, dans l’espace, des moyennes, des variances et des covariances.
La méthode **GWR** est une méthode de régression locale pour explorer la non-stationnarité spatiale à travers des cartes de relation.
Intérêts de la GWR :
- outil d'exploration visuelle, permet d'identifier des variables locales pertinentes initialement omises
- considère l'espace en continu, méthode non tributaire de découpages administratifs
Faiblesses de la GWR :
- pas mal de paramétrages "manuels" qui peuvent affecter les résultats et rendre les comparaisons difficiles d'une étude à l'autre (tester, et documenter !)
- il faut un nombre minimum d'observations
- l'interprétation est parfois délicate, nécessite de bien connaître le sujet
La présentation inclue le pas à pas détaillé avec les commandes R. On trouvera aussi le détail de la méthode dans le chapitre 9 du manuel de géographie quantitative de T. Feuillet, E. Cossart et H. Commenges (2019).
Petit résumé de l'atelier :
```{r echo=FALSE, results=FALSE, message=FALSE, warning=FALSE}
data <- read_csv("https://files.data.gouv.fr/geo-dvf/latest/csv/2020/departements/17.csv.gz")
# Filtre sur les ventes de maisons à Oléron avec coordonnées géographiques
dataOleron <- data %>%
filter(nom_commune %in% c("Dolus-d'Oléron",
"La Brée-les-Bains",
"Le Château-d'Oléron",
"Le Grand-Village-Plage",
"Saint-Denis-d'Oléron",
"Saint-Georges-d'Oléron",
"Saint-Pierre-d'Oléron",
"Saint-Trojan-les-Bains") &
nature_mutation == "Vente" &
type_local == "Maison" &
!is.na(longitude) &
!is.na(surface_terrain) &
!is.na(valeur_fonciere))
# Conversion en sf
dataSf <- dataOleron %>%
st_as_sf(coords = c("longitude","latitude"),
crs = 4326) # WGS84
# lecture du fond de carte pour oléron (linéaire)
path_to_shp <- paste0(dirname(here()), "/ateliers/GWR/gwr-main/oleron.shp")
oleron <- st_read(path_to_shp)
# Ajout d’une variable contextuelle : distance au littoral
dataSf$dist_litt <- st_distance(dataSf, oleron) %>%
as.numeric()
# Exploration des variables
# Distribution de la variable dépendante (prix de vente)
plot_ly(dataSf, x = ~valeur_fonciere) %>% add_histogram()
# Suppression d’une valeur aberrante < 1000€
dataSf <- dataSf %>% filter(valeur_fonciere > 1000)
# Suppression des maisons vraisemblablement trop petites
dataSf <- dataSf %>% filter(surface_reelle_bati > 10)
# Création des variables log (pour faciliter la carto par la suite)
dataSf$log_valeur_fonciere <- log(dataSf$valeur_fonciere)
dataSf$log_dist_litt <- log(dataSf$dist_litt)
dataSf$log_surface_reelle_bati <- log(dataSf$surface_reelle_bati)
dataSf$log_surface_terrain <- log(dataSf$surface_terrain)
```
On regarde la distribution de la **variable dépendante**, = prix de vente des maisons. Après suppression d'une vaeur aberrante, cette distribution apparaît dissymétrique.
On utilise comme **variables indépendantes** :
- la distance au littoral
- la surface du bâti
- la surface du terrain
Pour chacune des ces 3 variables, on regarde le nuage de points log/log avec la variable dépendante et on obtient :
```{r echo=FALSE, fig.height=3}
# prix du foncier et distance au littoral : relation plutôt négative, pas net
p1 <-ggplot(dataSf, aes(x=log(dist_litt), y=log(valeur_fonciere))) +
geom_point() + geom_smooth()
# prix du foncier et surface bâti : relation positive
p2 <- ggplot(dataSf, aes(x=log(surface_reelle_bati), y=log(valeur_fonciere))) +
geom_point() + geom_smooth()
# prix du foncier et surface terrain : relation positive
p3 <- ggplot(dataSf, aes(x=log(surface_terrain), y=log(valeur_fonciere))) +
geom_point() + geom_smooth()
grid.arrange(p1, p2, p3, ncol=3)
```
- prix du foncier et distance au littoral : relation plutôt négative, pas net
- prix du foncier et surface bâti : relation positive
- prix du foncier et surface terrain : relation positive
On construit ensuite le modèle log-log global (MCO), en utlisant la fonction `lm` puisque la valeur foncière est une variable quantitative continue.
A ce stade, on peut vérifier la [multicolinéarité](http://larmarange.github.io/analyse-R/multicolinearite.html) : est-ce que les variables explicatives sont interdépendantes ? Si oui, ça peut poser des problèmes pour interpréter les résultats. Pour mesurer la colinéarité, on regarde les **Facteurs d'Inflation de la Variance, FIV ou VIF en anglais** (fonction `vif` du package **car**). Ici, pas d'interdépendance a priori, avec des VIF autour de 1.
Pour interpréter les résultats du modèle :
```{r echo=FALSE}
mco <- lm(log_valeur_fonciere ~ log_dist_litt + log_surface_reelle_bati + log_surface_terrain, data = dataSf)
mco %>%
tbl_regression(intercept = TRUE)
```
* **beta** : coef de régression caractérisant le relation entre la variable à expliquer et les variables explicatives. Ici, beta = 0.46 pour la surface bâtie, donc si cette surface augmente de 1%, le prix augmente de 0.46%
* **intervalle de confiance** : si 0 n'est pas compris dans l'IC, alors les relations sont significatives
On se sert du MCO pour faire une cartographie des résidus, qui semble difficile à interpréter :
```{r echo=FALSE, fig.height=3, message=FALSE, warning=FALSE}
dataSf$resMco <- mco$residuals
tm_shape(dataSf) + tm_dots(col = "resMco", style = "quantile")
```
Beaucoup de points "foncés" = éloignés de 0 semble indiquer qu'il manque des variables dans le modèle.
On va maintenant faire une **GWR** : on va faire **autant de régressions locales que d'individus** (maisons), en ne prenant en compte que le voisinage.
Il faut d'abord définir le voisinage, on peut utiliser plusieurs méthodes :
- **pondération exponentielle** : prend en compte ttes les maisons, avec pondération en fonction distance (fonction `nNeigh.exp`)
- **pondération bicarrée** : au-delà d'une certaine distance, les maisons ne seront pas prises en compte (fonction `nNeigh.bisq`)
On va estimer la GWR avec ces 2 pondérations, avec la fonction `gwr.basic`. La GWR avec pondération exponentielle s'avère ici plus performante, avec un r2 de 0.58 contre un r2 de 0.50 pour la pondération bicarrée. On voit aussi qu'il semble exister une non-stationnarité spatiale, et même des inversions de signes pour la distance au littoral.
On cartographie ensuite les betas de chaque variable pour décrire cette non-stationnarité spatiale, en faisant 3 cartes, une pour chaque variable. Les points y apparaissent uniquement si leur t-value es supérieure à 1.96 c-à-d significatif.
```{r echo=FALSE, warning=FALSE, message=FALSE, results='hide'}
# package gwmodel pas compatible avec sf : conversion sf -> sp
dataSp <- as_Spatial(dataSf)
# Construction de la matrice de distances
matDist <- gw.dist(dp.locat = coordinates(dataSp))
# pondération exponentielle : prend en compte ttes les maisons, avec pondération en fonction distance
nNeigh.exp <- bw.gwr(data = dataSp, approach = "AICc",
kernel = "exponential",
adaptive = TRUE,
dMat = matDist,
formula = log_valeur_fonciere ~ log_dist_litt + log_surface_reelle_bati + log_surface_terrain)
# Estimation de la GWR avec pondération exponentielle
GWR.exp <- gwr.basic(data = dataSp, bw = nNeigh.exp, kernel = "exponential", adaptive = TRUE, dMat = matDist, formula = log_valeur_fonciere ~ log_dist_litt + log_surface_reelle_bati + log_surface_terrain)
# Il faut maintenant cartographier les betas de chaque variable pour décrire cette non-stationnarité spatiale.
# Fonction de cartographie automatique des coefficients GWR
# TV = t-value : coefficient de régression divisé par son écart-type
# des fois il faut faire attention même si coef de régression élevée si écart-type élevé
# si t-value très basse, attention à l'interprétation
mapGWR <- function(spdf,var,var_TV,legend.title = "betas GWR",main.title, dot.size = 0.3) {
tv <- spdf[abs(var_TV)>1.96,]
tm_shape(spdf) +
tm_dots(var, title = legend.title, size = dot.size) +
tm_shape(oleron) + tm_lines() +
tm_shape(tv) + tm_dots(col="grey40") +
tm_layout(title = main.title, legend.title.size =0.9, inner.margins = .15)
}
# Planche cartographique des 3 variables
# points apparaissent uniquement si t-value > seuil à 1.96 c-à-d significatif
tmap_mode("plot")
a <- mapGWR(GWR.exp$SDF, var = "log_dist_litt",var_TV = GWR.exp$SDF$log_dist_litt_TV,
main.title = "Distance au littoral")
b <- mapGWR(GWR.exp$SDF, var = "log_surface_reelle_bati",var_TV = GWR.exp$SDF$log_surface_reelle_bati_TV,
main.title = "Surface bâtie")
c <- mapGWR(GWR.exp$SDF, var = "log_surface_terrain",var_TV = GWR.exp$SDF$log_surface_terrain_TV,
main.title = "Surface terrain")
# les 3 cartes ne sont pas comparables directement, il faudrait standardiser les coefficients
tmap_arrange(a,b,c)
```
Il faut interpréter ces cartes, ce qui n'est pas évident, surtout ici sans bien connaître le sujet et la zone, mais très rapidement :
- pour la distance au littoral : pas bien clair, peu significatif à certains endroits
- pour la surface bâtie, c’est positif partout, donc c’est significatif partout
- pour la surface terrain, il existe des zones homogènes, mais aussi des zones non significatives, au nord
L'atelier comportait aussi une partie sur la GWR multiscalaire, qu'on n'a pas eu le temps de voir.
On termine avec la **régionalisation des sous-marchés immobiliers**. L'objectif est de délimiter des sous-marchés immobiliers, sur la base des coefficients de la GWR, ici avec l'algorithme [SKATER](http://www.jms-insee.fr/2018/S08_5_ACTE_ROUSSEZ_JMS2018.pdf).
Il faut procéder en 4 étapes :
1. Constuction d’un graphe de voisinage (contiguité ou knn)
2. Pondération des liens du graphe à partir de la matrice de dissimilarité
3. Construction de l’arbre portant minimal, en retenant le lien avec le voisin le plus ressemblant pour chaque noeud
4. Elagage de l’arbre maximisant la variance inter-classes des sous-graphes
On aboutit au final à 6 clusters. Si on prend l'exemple du cluster central de St Pierre d'Oléron, l'effet de la distance littoral est > moyenne, l'effet de la surface réelle < moyenne.
### Analyse d'image raster (et télédétection)
***Malika Madelin**, [UMR PRODIG - Université de Paris](http://www.prodig.cnrs.fr/spip.php?article1589) (conférence)*
[Lien vers la présentation au format HTML](https://mmadelin.github.io/sigr2021/SIGR2021_raster_MM.html)
[Lien vers le dépôt github de la présentation](https://github.com/mmadelin/sigr2021)
Il existe plusieurs plate-formes où on peut accéder aux images satellite : Copernicus (ESA), Earth Explorer, Sentinel Hub, Google Earth Explorer... Selon la plate-forme, pas toujours besoin de télécharger les données, on peut parfois lancer des traitements directement sur la plate-forme.
A propos du poids des images : le + souvent, ascii > geotiff > geopackage, mais ça n'est pas immuable.
Package [stars](https://r-spatial.github.io/stars/) pour les datacubes (données vecteur et raster) : utile pour données NetCDF
Avantage des données raster par rapport à la reproductibilité :
* mode de production souvent homogène
* données souvent accessibles
* souvent dans des formats ouverts
* bibliothèques écrites en C communes à plusieurs logiciels (GDAL...)
3 packages phares pour les raster sous R :
* raster
* stars : gère bien les rasters lourds car tuilage en amont
* terra : successeur de raster
Comparatif du blog [seascapemodels](https://www.seascapemodels.org/rstats/2021/06/01/STARS.html) :
> So terra was about 8.5 times faster than raster and stars was about 3 times faster than terra (so about 26 times faster than raster).
On peut lire un même geotiff avec chacun de ces 3 packages, le résultat sera un objet de type différent selon le package.
Pour gérer les **valeurs manquantes** :
Donne la valeur NA (non renseigné) aux pixels ayant pour valeur -9999 :
```{r eval=FALSE}
r[r[]== -9999] <- NA
```
A l'inverse, donne aux pixels NA la valeur 0 :
```{r eval=FALSE}
r[is.na(r)] <- 0
```
3 types d'opérations :
- locales : on regarde les pixels en tant que tels, ex. reclassification, calculatrice raster...
- focales : on regarde le pixel par rapport à ses voisins, ex. filtres passe-bas/passe-haut, calcul de pente...
- zonales ou globales : on définit des zones, ex. statistiques zonales...
Pour la visualisations, en + des 3 packages déjà cités :
- sp avec `spplot()`
- rastervis avec `levelplot()` : histogrammes, gère bien vignettes, pratique pour données temporelles
- leaflet avec `addRasterImage()` (attention aux projections et aux volumes des rasters)
- tmap avec `tm_raster()`
- rayshader
- mapview...
### Faire des cartes avec le package R mapsf
***Timothée Giraud**, [UMS RIATE, CNRS](http://riate.cnrs.fr/?page_id=38) (présentation improvisée en 15 min)*
Historique des packages développés par Timothée : rcarto (2013) > cartography (2015) > mapsf (2020)
Cartography s'appuyait sur des packages qui ont été remplacés par sf : mapsf est une réécriture de cartography notamment pour utiliser sf.
La fonction principale est [mf_map](https://riatelab.github.io/mapsf/reference/mf_map.html), avec 3 arguments principaux :
- une couche de données (objet sf)
- la variable à représenter
- le type de carte (choroplèthe, symboles proportionnels...)
Le package est [bien documenté](https://riatelab.github.io/mapsf/), avec notamment la [liste des fonctions](https://riatelab.github.io/mapsf/reference/index.html).
Juste un exemple rapide :
```{r fig.height=4}
# importe le jeu de données exemple sur la Martinique
mtq <- mf_get_mtq()
# utilise le thème algolight
mf_theme("agolalight")
# crée la carte de base
mf_map(x = mtq)
# ajoute des symboles proportionnels colorés en fonction du revenu médian
mf_map(x = mtq, var = c("POP","MED"), type = "prop_choro")
mf_title("Population and Wealth")
```
On peut aussi [ajouter des insets](https://riatelab.github.io/mapsf/articles/web_only/how_to_create_inset_maps.html) (petite carte pour situer la carte principale). Plusieurs [thèmes](https://riatelab.github.io/mapsf/articles/web_only/how_to_use_themes.html) sont définis et peuvent être modifiés.
La carte peut être [exportée aux formats PNG et SVG](https://riatelab.github.io/mapsf/articles/web_only/how_to_export_maps.html).
### Image processing and all things raster
***Jakub Nowosad**, [Institute of Geoecology and Geoinformation - Adam Mickiewicz University, Pologne](https://nowosad.github.io/) (atelier)*
[Lien vers la présentation au format HTML](https://nowosad.github.io/SIGR2021/workshop2/workshop2.html)
[Lien vers le dépôt github de l'atelier](https://github.com/Nowosad/SIGR2021/tree/master/workshop2)
**La présentation comprend le pas à pas détaillé.**
Pour charger un geotiff issu du package **spDataLarge** en utilisant raster, terra ou stars :
```{r}
srtm_path = system.file("raster/srtm.tif", package = "spDataLarge")
srtm = rast(srtm_path) # terra
srtm_r = raster(srtm_path) # raster
srtm_s = read_stars(srtm_path) # stars
```
Pour visualiser rapidement ce raster avec la fonction `plot()` :
```{r fig.height=4, fig.width=5}
plot(srtm)
```
#### Map Algebra
Opérations locales : **calcul raster**, en récupérant le min ou max du raster avec la fonction `global()` du package terra :
```{r}
srtm2 = srtm + 1000
srtm3 = srtm - global(srtm, min)[[1]]
srtm4 = srtm - global(srtm, median)[[1]]
```
On peut faire des vignettes en passant un vecteur avec plusieurs rasters à la fonction `plot()` :
```{r}
plot(c(srtm, srtm2, srtm3, srtm4))
```
Opérations locales : **reclassification**. On crée d'abord une matrice, avec une ligne par classe, et 3 colonne pour chaque classe : valeur min, valeur max et id.
```{r}
rcl = matrix(c(0, 1500, 1,
1500, 2000, 2,
2000, 9999, 3),
ncol = 3,
byrow = TRUE)
```
On utilise ensuite la fonction `reclassify()` du package raster :
```{r fig.height=4, fig.width=5}
srtm_recl = classify(srtm, rcl = rcl)
plot(srtm_recl)
```
Quand on travaille avec des rasters à plusieurs bandes, la fonction [lapp](https://rdrr.io/cran/terra/man/lapp.html) du package terra permet d'appliquer une même fonction à chaque bande (ou aux bandes sélectionnées).
**Opérations focales** (filtres) : on définit la fenêtre avec une matrice, et la fonction, ici la moyenne :
```{r fig.height=3}
srtm_focal_mean = focal(srtm,
w = matrix(1, nrow = 9, ncol = 9),
fun = mean)
plot(c(srtm, srtm_focal_mean))
```
**Opérations zonales** :
On commence par récupérer un raster catégorisé :
```{r fig.height=3, fig.width=3}
nlcd = rast(system.file("raster/nlcd2011.tif", package = "spDataLarge"))
plot(nlcd)
```
Il n'a pas le même CRS que srtm :
```{r}
crs(nlcd, describe = TRUE)
crs(srtm, describe = TRUE)
```
Pour passer srtm en UTM avec la fonction [project](https://rdrr.io/github/rspatial/terra/man/project.html) du package terra :
```{r}
srtm_utm = project(srtm, nlcd, method = "bilinear")
```
On peut maintenant calculer les statistiques zonales, ici seulement la moyenne :
```{r}
srtm_zonal = zonal(srtm_utm, nlcd, na.rm = TRUE, fun = "mean")
srtm_zonal
```
**Opérations globales** :
```{r}
global(srtm, fun = "mean")
```
```{r}
freq(nlcd)
```
#### Interactions raster-vecteur
Chargement d'un polygone avec les contours du parc national de Zion :
```{r}
zion = read_sf(system.file("vector/zion.gpkg", package = "spDataLarge"))
```
**Crop** (découpe le raster par le rectangle englobant du polygone) et **mask** (ne garde que la valeur des pixels dans le polygone) :
```{r}
srtm_utm_c = crop(srtm_utm, vect(zion))
srtm_utm_m = mask(srtm_utm_c, vect(zion)) # on combine généralement crop et mask
```
Comparaison des 3 avec tmap :
```{r echo=FALSE}
tmap_mode("plot")
```
```{r message=FALSE, warning=FALSE, fig.height=3}
tc1 = tm_shape(srtm_utm) +
tm_grid() +
tm_raster(style = "cont") +
tm_shape(zion) +
tm_borders(col = "black") +
tm_layout(inner.margins = 0)
tc2 = tm_shape(srtm_utm_c) +
tm_grid() +
tm_raster(style = "cont") +
tm_shape(zion) +
tm_borders(col = "black") +
tm_layout(inner.margins = 0)
tc3 = tm_shape(srtm_utm_m) +
tm_grid() +
tm_raster(style = "cont") +
tm_shape(zion) +
tm_borders(col = "black") +
tm_layout(inner.margins = 0)
tmap_arrange(tc1, tc2, tc3)
```
Récupérer les valeurs d'un raster dans une couche de points, avec la fonction [extract](https://rdrr.io/cran/terra/man/extract.html) du package terra :
```{r}
zion_points = read_sf(system.file("vector/zion_points.gpkg", package = "spDataLarge"))
zion_extract = terra::extract(srtm, vect(zion_points))
head(zion_extract)
```
On peut ensuite lier ces valeurs à la couche de points avec la fonction rbase `cbind()` :
```{r fig.height=2}
zion_points2 = cbind(zion_points, zion_extract)
plot(zion_points2['srtm'])
```
La même chose est possible pour récupérer la valeur moyenne, médiane... d'un raster pour un polygone. Le paramètre `exact = TRUE` de la fonction `extract` permet de prendre en compte les bouts de pixels tronqués par le polygone, en tenant compte de la surface de ces bouts de pixels.
Il faut ensuite utiliser les fonctions `group_by()` et `summarise()` pour avoir les stats pour le polygone.