Comparaison du ruissellement avec les observations des adaptations

R
géomatique
inondation
logement

Génération d’une carte avec R qui permet la comparaison de l’étendue spatiale du ruissellement avec les observations ponctuelles des adaptations des bâtiments.

Auteur·rice

Frédéric Grelot

Date de publication

4 octobre 2025

Objectif

Cette note vise à montrer comment produire une carte pour un rendu visuel de la cohérence entre les observations de terrains de la TO adaptation et la représentation spatiale au niveau institutionnel de l’aléa d’inondation.

Paramétrage initial

Installation des logiciels et bibliothèques requis

Le code est destiné à être exécuté avec R. Il est donc nécessaire que R](https://www.r-project.org/) soit installé sur votre système.

Ce tutoriel utilise les bibliothèques suivantes :

  • data.table qui permet (entre autres) de lire rapidement un jeu de données tabulaires.
  • sf qui permet de réaliser de nombreux traitements avec les données géomatiques au format vectoriel.
  • floodam.data qui permet de réaliser des opérations adaptées aux données de l’observatoire.
  • so.ii qui permet notamment de réaliser des cartes centrées sur le territoire de l’observatoire.

Il est également présupposé que vous disposiez d’un dossier **_data-local** accessible depuis votre espace de travail.

Chargement des librairies et définition des chemins

# load libraries
library(data.table)
library(sf)
library(floodam.data)
library(so.ii)

# set paths
# origin = tempdir()
path_hazard = file.path("_data-local", "3M", "ruissellement", "zonage", "ruissellement-2024-11-22.gpkg")
path_adaptation = file.path("_data-local", "so-ii", "to-adaptation", "state_2024-09-04.csv.gz")
path_adaptation_hazard = file.path("_data-local", "so-ii", "to-adaptation", "state-hazard_2024-09-04.csv.gz")
path_output_map = file.path("image", "map")

Chargement des données

Les données de ruissellement sont chargées. Elles sont au format gpkg dans notre exemple, mais quasiment n’importe quel format peut être lu avec la librairie sf.

# data in GPKG format
hazard = sf::st_read(path_hazard)
st_geometry(hazard) = "geometry"
if (!is.null(hazard[["area"]])) hazard[["area"]] = units::set_units(hazard[["area"]], km^2)

# Compressed data are managed
# Test if adapted files already exists, if not take none adapted file
if (!file.exists(path_adaptation_hazard)) {
    adaptation = data.table::fread(path_adaptation, data.table = FALSE)
    adaptation = sf::st_as_sf(adaptation, coords = c("lon", "lat"), crs = "WGS84")
} else {
    adaptation = data.table::fread(path_adaptation_hazard, data.table = FALSE)
    adaptation = sf::st_as_sf(adaptation, coords = c("lon", "lat"), crs = "WGS84")
}

Traitements

Préparation des codes couleurs pour les cartes et des légendes

Pour la couche ruissellement, il est choisi d’utiliser des couleurs avec de la transparence via la fonction alpha() de la librairie scales.

Pour la couche des adaptations, il est choisi d’utiliser des couleurs sans transparence, les dégradés sont obtenus avec la fonction col_mix() de la librairie scales. Les couleurs sans transparence sont nécessaires car beaucoup de points (autant que d’adresses) vont être dessinés. À l’échelle choisie ces points vont nécessairement se chevaucher. Avec des couleurs transparentes, il en résulterait un mélange des couleurs qui ne pourraient pas être décrit dans la légende.

col_hazard = c(
    "Aléa très fort" = scales::alpha("red", .4),
    "Aléa fort" = scales::alpha("red", .2),
    "Aléa modéré" = scales::alpha("orange", .2),
    "Aléa résiduel" = scales::alpha("blue", .2),
    "Bande de sécurité" = scales::alpha("green", .2)
)

legend_hazard = list(
    legend = names(col_hazard),
    fill = col_hazard
)

level_adaptation = c("with", "none", "unobserved")

col_adaptation = c(
    "with - out" = scales::col_mix("blue", "white", .25),
    "with - 1" = "green",
    "with - 2" = scales::col_mix("green", "white", .25),
    "with - 3" = scales::col_mix("green", "white"),
    "none - 1" = "red",
    "none - 2" = scales::col_mix("red", "orange"),
    "none - 3" = "orange",
    "none - out" = scales::col_mix("black", "white", .80),
    "unobserved" = scales::col_mix("black", "white", .95)
)

legend_adaptation = list(
    legend = c("Avec 'in'", "Sans 'in", "Non observé", "Avec 'out'", "Sans 'out'"),
    col = col_adaptation[c("with - 1", "none - 1", "unobserved", "with - out", "none - out")],
    pt.bg = col_adaptation[c("with - 1", "none - 1", "unobserved", "with - out", "none - out")],
    pch = 21,
    pt.cex = 1,
    ncol = 2
)

Croisement des informations

# Affect hazard_level to each observation
# Give priority to highest level
# Take time and need a valid geometry for hazard to function
if (FALSE && !all(sf::st_is_valid(hazard))){
    adaptation[["hazard_level"]] = "Hors aléa"
    for (h in rev(names(col_hazard))) {
        sel_h = hazard[["hazard_level"]] %in% h
        sel_a = floodam.data::in_layer(adaptation[0], hazard[sel_h, "geometry"])
        adaptation[["hazard_level"]][sel_a] = h
    }

    dataset = sf::st_drop_geometry(adaptation)
    coordinates = sf::st_coordinates(adaptation)
    dataset[["lon"]] = coordinates[, "X"]
    dataset[["lat"]] = coordinates[, "Y"]
    data.table::fwrite(dataset, path_adaptation_hazard)
}

Exploration des données de ruissellement

# Manage geometry
# condition set to FALSE as it takes time
if (FALSE && !all(sf::st_is_valid(hazard))){
    hazard = sf::st_make_valid(hazard)
    hazard[["area"]] = units::set_units(st_area(hazard), km^2)
    sf::st_write(hazard, path_hazard, delete_dsn = TRUE)
}

# Select only Montpellier
hazard = hazard[hazard[["commune"]] == "34172", ]

# Prepare info for Montpellier
area_montpellier = units::set_units(
    sf::st_area(so.ii::so_ii_collectivity[so.ii::so_ii_collectivity[["commune"]] == "34172", ]),
    km^2
)

# Areas
hazard[["hazard_level"]] = factor(hazard[["hazard_level"]], levels = names(col_hazard))
area = aggregate(list(superficie = hazard[["area"]]), list(zone = hazard[["hazard_level"]]), sum)
area = data.frame(
    zone = c(as.character(area[["zone"]]), "Hors zonage", "Montpellier"),
    superficie = c(area[["superficie"]] , area_montpellier - sum(area[["superficie"]] ), area_montpellier)
)
area[["proportion"]] = round(area[["superficie"]] / area_montpellier * 100, 2)
area[["superficie"]] = round(area[["superficie"]], 2)

knitr::kable(area)

Exploration des données d’adaptation

adaptation = adaptation[adaptation[["commune"]] == "34172", ]
adaptation[["state"]] = factor(adaptation[["state"]], levels = level_adaptation)
adaptation[["hazard_level"]] = factor(adaptation[["hazard_level"]], levels= c(names(col_hazard), "Hors aléa"))
adaptation = adaptation[order(adaptation[["state"]], decreasing = TRUE), ]

dataset = sf::st_drop_geometry(adaptation)
exposure = table(dataset[c("hazard_level", "state")])
exposure = addmargins(exposure, FUN = list("total" = sum))
knitr::kable(exposure)

Génération de la carte

La librairie so.ii permet de générer facilement des cartes sur les périmètres inclus dans so-ii. Ici nous faisons une carte avec les caractéristiques suivantes :

  • centrée sur Montpellier (scope = "34172")
  • pas de thème particulier
  • sauvegardée au format png (c’est induit par le choix de l’extension pour le fichier de sauvegarde).
par(bg = "white")

map_so_ii(
    dataset = adaptation[0],
    pch = 21,
    cex = .1,
    col = scales::col_mix("black", "white", .95),
    bg = scales::col_mix("black", "white", .95),
    scope = "34172"
)

map_so_ii(
    dataset = hazard[0],
    col = col_hazard[hazard[["hazard_level"]]],
    border = NA,
    dataset_legend = legend_hazard,
    add = TRUE,
    path = file.path(path_output_map, "runoff.png")
)


# plot(seq_along(col_adaptation), seq_along(col_adaptation), type = "p", pch = 21, cex = 3, col = col_adaptation, bg = col_adaptation)

col_dataset = rep(col_adaptation[["unobserved"]], length(adaptation[["state"]]))

col_dataset[adaptation[["state"]] %in% "none"] = col_adaptation[["none - out"]]
col_dataset[adaptation[["state"]] %in% "none" & adaptation[["hazard_level"]] %in% "Aléa modéré" ] = col_adaptation["none - 3"]
col_dataset[adaptation[["state"]] %in% "none" & adaptation[["hazard_level"]] %in% "Aléa fort"] = col_adaptation["none - 2"]
col_dataset[adaptation[["state"]] %in% "none" & adaptation[["hazard_level"]] %in% "Aléa très fort"] = col_adaptation["none - 1"]

col_dataset[adaptation[["state"]] %in% "with" & adaptation[["hazard_level"]] %in% "Aléa modéré" ] = col_adaptation[["with - 3"]]
col_dataset[adaptation[["state"]] %in% "with" & adaptation[["hazard_level"]] %in% "Aléa fort"] = col_adaptation[["with - 2"]]
col_dataset[adaptation[["state"]] %in% "with" & adaptation[["hazard_level"]] %in% "Aléa très fort"] = col_adaptation[["with - 1"]]

col_dataset[adaptation[["state"]] %in% "with" & adaptation[["hazard_level"]] %in% "Hors aléa" ] = col_adaptation[["with - out"]]

o = order(factor(col_dataset, levels = col_adaptation), decreasing = TRUE)
adaptation = adaptation[o, ]
col_dataset = col_dataset[o]

map_so_ii(
    dataset = adaptation[0],
    pch = 21,
    cex = .1,
    col = col_dataset,
    bg = col_dataset,
    dataset_legend = legend_adaptation,
    scope = "34172",
    path = file.path(path_output_map, "runoff-adaptation.png")
)

Résultats

Aléa inondation

Adaptations observées et aléa
Figure 1: Croisements entre adaptations observées et aléa d’inondation sur la ville de Montpellier
Retour au sommet