Version classiqueVersion mobile

Les paysages périurbains et leur prix

 | 
Jean Cavailhès
, 
Daniel Joly

Chapitre I. Données immobilières et paysagères

Texte intégral

Introduction

1Ce chapitre présente le terrain et le corpus de données qui ont servi de support à cette recherche pour en valider, après expérience, la méthodologie et les protocoles. Cette phase d’acquisition et de mise en ordre factuelle est déterminante car elle conditionne la qualité des résultats qui vont suivre. Il faut que les données immobilières et paysagères soient en bonne adéquation dans leur nature et leur précision pour que la modélisation recherchée puisse atteindre son but, capter la part qui revient au paysage dans le prix d’un bien immobilier.

2La première section du chapitre présente le territoire d’étude. Centré sur Dijon, celui-ci s’étend sur 3 570 kilomètres carré et rassemble 228 000 habitants. Il se compose de deux types d’espace : des communes de la banlieue de Dijon (la ville de Dijon étant exclue, pour des raisons que nous préciserons), à l’habitat collectif ou pavillonnaire dense ; des communes périurbaines ou rurales situées dans un rayon de 40 kilomètres autour de la ville, avec un habitat ancien ou pavillonnaire peu dense.

3La deuxième section présente les données et le marché immobilier. Les données proviennent de la société PERVAL qui gère la base de données Marché immobilier des notaires (MIN) et portent sur les années 1995 à 2002. Afin de localiser les transactions foncières à l’intérieur du périmètre d’étude, chacune d’elle a fait l’objet d’un repérage préalable de ses coordonnées géographiques, exprimées en latitude et longitude. Les caractéristiques du marché immobilier et celles des acheteurs sont ensuite définies en distinguant les transactions de terrains nus destinés à la construction d’une habitation individuelle et les maisons individuelles déjà en place.

4La troisième section présente l’information paysagère. Les bases de données numériques mises en place proviennent principalement d’images satellites et d’un modèle numérique de terrain. Un des objectifs fut de produire, sous forme de couches d’information géographique, une couverture de l’occupation du sol modulée dans sa précision spatiale et thématique, en fonction des besoins de l’analyse du paysage. C’est pourquoi des données issues de la base européenne CORINE LAND COVER ont été requises en complément des images satellites. De plus, dans le fil de la modélisation économique et de sa mise au point, est apparu le besoin de disposer d’un découpage de l’aire d’étude en unités paysagères cohérentes. La base de données paysagères ainsi constituée nous a permis de produire commodément cette information grâce aux ressources de l’analyse multivariée.

1. La région d’étude

5Le territoire d’étude considéré dans ce document est délimité par un temps d’accès à Dijon inférieur à 33 minutes ou une distance routière de moins de 42 kilomètres. Il englobe 14 communes de la banlieue de Dijon et 305 communes périurbaines ou rurales. La commune de Dijon, qui compte 150 000 habitants, soit une densité de 3 709 habitants par kilomètre carré, est exclue de l’étude. En effet, les modèles d’analyse du paysage mis en œuvre dans ce travail s’appliquent mal aux espaces à forte densité de bâtis urbains et à forte variabilité de la hauteur des immeubles comme c’est le cas à Dijon.

  • 1 Les figures hors texte sont regroupées à la fin de l’ouvrage dans des cahiers numérotés en chiffres (...)

6La région d’étude regroupe deux ensembles distincts (fig. I-1, I) : à l’exception de Dijon, les 14 communes de l’agglomération dijonnaise (le pôle urbain au sens INSEE) sont retenues. Elles ont une population moyenne de 6 220 habitants par commune (de 1 043 à 16 257) et une densité moyenne de 693 habitants par kilomètre carré (de 86 à 2 485). Ces communes offrent souvent un environnement résidentiel assez semblable à celui des communes périurbaines : habitat fait majoritairement de maisons individuelles, faibles densités du bâti, nombreux lotissements pavillonnaires, etc1.

  • 2 Nous parlons de « ceinture périurbaine » pour désigner cet ensemble constitué de la couronne périur (...)

7Les seuils de 33 minutes et de 42 kilomètres autour de Dijon conduisent à retenir 305 communes, toutes en Côte-d’Or, et appartenant successivement, selon un dispositif concentrique qui reprend la nomenclature de l’INSEE, à l’aire urbaine de Dijon, à sa périphérie (communes multipolarisées) ou à son espace proche à dominante rurale (EDR)2. Les communes y sont moins peuplées : la moitié a moins de 230 habitants, la moyenne étant de 461 et l’écart-type de 733. La densité de population est également très faible puisque la moyenne est de 41 habitants par kilomètre carré, avec une médiane de 26 et un écart-type de 135.

8La région d’étude ainsi constituée rassemble 87 086 habitants dans l’agglomération (hors Dijon) et 140 703 dans la « ceinture périurbaine ». Entre 1990 et 1999, 19 123 personnes ont déménagé du pôle urbain vers la ceinture périurbaine et 11 964 personnes ont effectué le mouvement dans l’autre sens. Par ailleurs, 74 % des actifs occupés, résidant dans la « ceinture périurbaine », travaillent hors de leur commune de résidence. L’intensité des mobilités résidentielles et des déplacements domicile-travail quotidiens entre ces deux entités permet d’avancer l’hypothèse d’une certaine cohésion du marché du travail et du marché immobilier dans la zone d’étude, hypothèse nécessaire pour appliquer la méthode économique retenue.

  • 3 Les références bibliographiques sont regroupées pages 177 à 184

9Au cours des années 1990, les communes de l’aire d’étude, en incluant Dijon, ont gagné 14 543 personnes, soit, exprimé en taux, un accroissement de + 0,4 % par an (INSEE, 20023). Cette croissance repose exclusivement sur l’excédent naturel qui s’élève à 16 115 personnes. Le solde migratoire est déficitaire puisque 1 572 départs n’ont pas été compensés. À l’intérieur de la zone, la croissance de la population suit un schéma d’étalement urbain : l’augmentation est d’autant plus forte qu’on s’éloigne de la ville centre. Entre 1990 et 1999, la population de Dijon croît de 0,2 % par an, celle de la banlieue de 0,4 % et celle de la « ceinture périurbaine » de 0,7 % (0,9 % pour les communes appartenant à l’aire urbaine). L’agglomération (Dijon et banlieue) gagne toujours des habitants. Cependant cet accroissement est dû au seul bilan naturel, le bilan migratoire étant négatif : l’afflux de jeunes qui viennent étudier ou chercher un travail dans l’agglomération ne compense pas les départs vers la périphérie. La « ceinture périurbaine », quant à elle, bénéficie d’un accroissement important de population, soutenu par un bilan naturel et un solde migratoire excédentaires.

10En 1999, l’ensemble de la région d’étude plus Dijon compte 175 082 logements, soit 12,6 % de plus qu’en 1990. Durant la période, la population n’augmente que de 4 %. L’évolution plus importante du nombre de logements s’explique par la diminution de la taille des familles, elle-même due à l’augmentation de la monoparentalité, à la décohabitation et à l’augmentation du nombre de personnes vivant seules (en particulier célibataires, veuves et veufs). Les résidences principales représentent 90 % des logements et c’est dans le périurbain que leur nombre a le plus fortement augmenté (+ 16 %), notamment dans les communes de la Plaine de la Saône et du nord de Dijon. Si, globalement, les maisons individuelles représentent 42 % des résidences principales, leur proportion augmente avec l’éloignement à Dijon : elle est de 18 % à Dijon, 47 % dans les communes de banlieues, 91 % dans le reste de l’aire urbaine et 79 % au-delà. L’étalement urbain renforce la présence des maisons individuelles : elles représentent 8 % des logements construits à Dijon entre 1990 et 1999, 45 % dans la banlieue contre 90 % dans la « ceinture périurbaine ». Les occupants propriétaires de leur logement sont d’autant plus nombreux qu’on s’éloigne de Dijon : 41 % à Dijon, 59 % dans les communes de banlieues et 74 % dans la « ceinture périurbaine ».

11La région d’étude présente quatre grands ensembles naturels et agricoles qui se différencient par la topographie et l’occupation du sol. Au nord de Dijon, s’étendent des plateaux calcaires avec de grandes exploitations céréalières utilisant peu de main-d’œuvre agricole. Au sud de Dijon, trois bandes se succèdent : à l’ouest, l’Auxois est une région d’élevage avec un paysage de bocage organisé en vallées herbagères et croupes forestières ; ensuite, l’Arrière-Côte forme un plateau calcaire coupé de vallées sèches où l’agriculture est diversifiée (fruits, céréales, élevage) ; enfin, les plaines de la Saône, où voisinent des zones forestières et des terres labourées avec des productions agricoles intensives (maraîchage et grandes cultures). Un talus abrupt, sur lequel s’adosse l’étroite bande viticole (la Côte d’Or) qui donne sa réputation au vin de Bourgogne, sépare l’Arrière-Côte de la Plaine.

2. Le marché de l’immobilier

12Les données foncières utilisées dans cette étude proviennent de la base de données Marché immobilier des notaires (MIN) et portent sur les années 1995 à 2002. Une convention conclue entre PERVAL (société émanant des chambres des notaires) et l’INRA-CESAER a permis l’accès aux données, moyennant un engagement au secret statistique de l’ensemble des chercheurs qui exploitent les données.

2.1. Description des données et géoréférencement

2.1.1. La base de données immobilières

  • 4 Nous parlerons de « transactions », ou de surfaces « échangées », sachant qu’il ne saurait y avoir (...)

13La base de données MIN concerne les mutations à titre onéreux opérées sur le marché foncier et immobilier4, à l’exclusion de celles opérées à titre gratuit. Elle contient :

  • l’identifiant de l’acte ;
  • la date de la transaction ;
  • des variables décrivant les caractéristiques du bien : nature, adresse postale, références cadastrales, surface du terrain auxquelles est adjoint un descriptif complémentaire dans le cas des maisons (surface habitable, éléments de confort, date de construction, etc.) ;
  • le prix : prix net vendeur et montant des frais d’agence ;
  • des variables décrivant les caractéristiques du vendeur : qualité, profession, sexe, statut matrimonial, âge, commune de résidence, nationalité ;
  • des variables décrivant les caractéristiques de l’acheteur : qualité, profession, sexe, statut matrimonial, âge, commune de résidence, nationalité.

14Le taux de couverture de la base PERVAL par rapport à l’ensemble des mutations foncières et immobilières de la zone d’étude n’est pas connu. Les notaires ne sont pas tenus d’alimenter la base de données. Cependant, les gestionnaires de cette dernière déclarent un taux de transmission supérieur à 75 % s’accompagnant d’une nette amélioration qualitative et quantitative au cours du temps.

15Pour les besoins de la présente étude, seule une partie des données a été achetée en prenant soin de n’acquérir que les transactions pour lesquelles toutes les variables d’intérêt sont renseignées. Des tests de cohérence des surfaces et des prix ont permis d’écarter les transactions atypiques ou aberrantes. Au final, sont retenues 1 714 transactions de terrains nus à bâtir en maisons d’habitation individuelles et 4 734 maisons individuelles déjà construites. Parmi elles, les 4050 maisons individuelles serviront pour l’évaluation économique elle-même.

2.1.2. Géoréférencement des transactions

16Les variables paysagères qui alimentent le modèle économique d’évaluation sont calculées à l’échelle de cellules élémentaires de 7 mètres de côté (plus petite unité à l’intérieur de laquelle l’information est distinguée). Le dispositif général de repérage prend donc la forme d’une grille à maille très fine couvrant tout l’espace. En raison de leur faible surface, ces cellules sont assimilables à des points qui sont repérés par leurs coordonnées géographiques exprimées en latitude et longitude. Afin de rendre possible l’évaluation du paysage autour des transactions immobilières, ces dernières doivent être positionnées précisément sur la grille spatiale de référence. Le géoréférencement permet cette opération. Il consiste à rattacher à chaque transaction (terrain ou maison) des coordonnées géographiques (X, Y) dites « Lambert », du nom du système de référence utilisé en France. Cette opération s’effectue à partir des données de localisation disponibles dans la base des notaires pour chaque mutation :

  • le nom et le code géographique de la commune ;
  • l’adresse postale du bien ;
  • les localisants parcellaires (n° section et parcelle) qui permettent un repérage au cadastre.

17Pour les communes de l’agglomération de Dijon, le service cartographique du Grand Dijon nous a permis d’utiliser ses plans cadastraux vectorisés. L’opération de géoréférencement s’est déroulée en trois étapes :

18Etape 1 : les numéros de section et parcelle des terrains et des maisons ont été extraits de la base notariale puis transmis au service cartographique du Grand Dijon (communauté d’agglomération).

19Etape 2 : ce service nous a envoyé, en retour, la couche parcellaire du plan cadastral, avec les polygones identifiés par les numéros correspondants de sections et de parcelles des mutations. S’agissant du parcellaire, les polygones correspondent aux limites des terrains. Une seconde extraction, à partir de la couche bâti, a été nécessaire pour obtenir la délimitation des polygones effectivement construits au sein du parcellaire, les polygones bâtis n’ayant pas d’identifiant, ni cadastral, ni postal.

20Etape 3 : l’opération de géoréférencement, proprement dite, consiste :

Pour les terrains Pour les maisons
- à repérer dans la couche parcellaire les mutations de terrains ;
 - à vérifier que la parcelle correspond à un seul lot ;
 - à attribuer à la mutation les coordonnées Lambert X, Y du centroïde de la parcelle ;
 - dans le cas où la parcelle contient plusieurs lots, une recherche supplémentaire, utilisant une couche d’adresse postale, a permis de situer sur la parcelle le lot correspondant à la mutation.
- à repérer dans la couche parcellaire le terrain sur lequel est située la maison ;
 - à vérifier que la parcelle contient une seule maison ;
 - à attribuer à la mutation les coordonnées Lambert X, Y du centroïde du polygone figurant le bâti. Dans le cas où la maison possède plusieurs bâtiments, le centroïde du plus grand bâtiment construit en dur est retenu ;
 - dans le cas où la parcelle contient plusieurs maisons, une recherche supplémentaire, utilisant une couche d’adresse postale, a permis de retrouver le polygone correspondant à la maison.

21Pour les autres communes, le géoréférencement a été réalisé avec l’appui des Centres des impôts fonciers (CDIF) de Dijon et de Beaune. La procédure a été adaptée aux plans cadastraux disponibles.

22Si le cadastre est vectorisé ou numérisé et calé, l’opération consiste à relever les coordonnées Lambert de la maison ou de la parcelle sur écran, puis à saisir ces informations dans un tableur.

23Quand le cadastre n’est pas calé (numérisé ou sur feuille), mais si le plan est lambertisé, l’opération consiste à interpoler les coordonnées Lambert de la maison ou de la parcelle à partir de l’échelle des latitudes et longitudes du plan (amorces Lambert II sur le bord du plan et croisillons d’intersection des latitudes et longitudes tous les 100 mètres à l’intérieur du plan).

24Pour les plans non lambertisés, une application développée à l’aide de l’outil Mapinfo permet de positionner au mieux la maison ou la parcelle, en cliquant sur une couche d’informations calées (carte au 1/25 000 et image satellite) et en s’aidant du tracé de la voierie et de la position du bâti.

2.2. Les terrains nus

2.2.1. Caractéristiques du marché

25Les 1 714 transactions portant sur les terrains nus représentent une surface de 1,8 millions de mètres carré et un volume financier de 402 millions de francs courants hors taxe (61 226 000 euros, après conversion au taux officiel).

26Un grand nombre de transactions a été enregistré entre 1998 et 2001, l’année 2002 étant incomplète (la base de données a été acquise en cours d’année). Le marché est particulièrement actif en juin de chaque année. Plus précisément, la base enregistre environ 150 transactions annuelles pour la période 1996-1997. Ce nombre approche les 250 en 1998 puis se stabilise autour de 300 par la suite. Cette progression tient probablement à une meilleure alimentation de la base avec une amélioration d’autant plus nette qu’on s’éloigne de Dijon. Ce constat peut être révélateur d’un biais de sélection ; c’est pourquoi les données relatives aux terrains ont été écartées du traitement au moment de l’évaluation économique des paysages.

27Les 14 communes de la banlieue dijonnaise enregistrent 20 % des transactions et la ceinture périurbaine 80 %, dont 58 % pour les communes incluses dans l’aire urbaine. Les surfaces correspondantes sont plus importantes dans la périphérie et notamment hors de l’aire urbaine, du fait d’une plus grande taille des lots échangés. Les coûts d’acquisition sont plus élevés dans les communes de banlieue : en moyenne le prix des lots y est deux fois plus élevé.

28Seules 203 communes sur les 320 composant la zone d’étude enregistrent au moins une transaction durant la période étudiée. Le nombre de transactions est très faible (moins de 5) dans 54 % des communes et il dépasse 10 transactions dans un cinquième d’entre elles, le maximum étant de 74 ventes à Auxonne (ceinture périurbaine).

  • 5 Après avoir classé les valeurs d’une série par ordre croissant, on peut y déterminer quatre groupes (...)

29La surface communale médiane (Q2) échangée est de 5 357 mètres carré5 ; le premier quartile (Q1) s’établit à 2 301 mètres carré tandis que le troisième (Q3) est de 21 618 mètres carré, révélant ainsi le caractère actif du marché dans les communes concernées.

© INRA-CESAER/THéMA. Source : Perval.
Tableau I-1 : Répartition des transactions de terrains nus (1995-2002)

30La médiane de la surface acquise s’élève à 828 mètres carré, tandis que, de part et d’autre, les premier et troisième quartiles s’établissent à 702 et 1 106 mètres carré. La distribution statistique de la surface est resserrée du côté des petites surfaces et très étalée du côté des grandes. Le prix médian payé est de 200 000 francs hors taxes (30 000 euros), la moitié des prix (entre Q1 et Q3) se situant dans la fourchette 160 000 – 315 000 francs (24 000 - 48 000 euros).

2.2.2. Caractéristiques des acquéreurs

31Les terrains nus, considérés ici, sont destinés à la construction de maisons individuelles. Ils intéressent toutes les catégories socioprofessionnelles.

© INRA-CESAER/THéMA. Source : Perval.
Tableau I-2 : Valeurs médianes des surfaces et du prix des terrains nus selon la catégorie socioprofessionnelle de l’acquéreur (1995-2002)

32Les professions intermédiaires acquièrent 29 % des transactions. Ils sont suivis par les ouvriers (27 %) et les employés (20 %). Ces trois catégories représentent 76 % des acheteurs, 74 % des surfaces et 70 % des volumes financiers hors taxe correspondants. Les cadres supérieurs font l’acquisition de 12 % des terrains nus et les artisans, commerçants, chefs d’entreprise de 7 %. Les volumes de surface et de prix correspondant sont proportionnellement plus importants.

33Comparées à la médiane d’ensemble des surfaces acquises (828 mètres carré), les médianes établies par catégories socioprofessionnelles varient assez peu à l’exception des agriculteurs (1113 mètres carré) et du groupe des artisans, commerçants et chefs d’entreprises (923 mètres carré). En revanche, les volumes et les médianes des prix payés varient fortement d’une catégorie socioprofessionnelle à l’autre. Les cadres supérieurs achètent les terrains les plus chers tandis que les moins chers vont aux agriculteurs et aux ouvriers. L’âge moyen des acheteurs est de 37 ans et la moitié d’entre eux a entre 30 et 42 ans.

34Près de 80 % des acheteurs résidaient dans une commune différente de celle où est situé le bien qu’ils acquièrent mais les distances entre lieu d’acquisition et lieu de résidence antérieur restent faibles : pour 25 % des achats, cette distance ne dépasse pas trois kilomètres (à vol d’oiseau), pour la moitié, elle reste inférieure à sept kilomètres. Elle est supérieure à 22 kilomètres dans 10 % des cas.

2.3. Les maisons individuelles

2.3.1. Caractéristiques du marché

35Le fichier retenu décrit 4 734 opérations de vente de maisons individuelles. La surface totale échangée représente plus de 343 hectares pour un volume financier dégagé de 3 603 millions de francs hors taxe, soit 549 millions d’euros.

36Un grand nombre de transactions a été enregistré entre 1998 et 2001. Une transaction sur quatre a eu lieu durant les deux mois de juin et juillet avec des prix de vente plus élevés ; cet effet saisonnier est bien connu des professionnels de l’immobilier.

37Les 14 communes de la banlieue dijonnaise enregistrent 37 % des transactions et la ceinture périurbaine 63 %, dont 46 % pour la seule aire urbaine. Les surfaces des terrains échangés sont plus importantes dans la périphérie et notamment hors de l’aire urbaine. Enfin, les coûts d’acquisition moyens sont plus élevés dans les communes de la banlieue de 18 % par rapport à la couronne périurbaine et de 60 % par rapport aux communes rurales les plus proches.

38Sur les 320 communes composant la zone d’étude, 296 enregistrent au moins une mutation de maison individuelle entre 1995 et 2002. Le nombre de transactions est très faible (moins de 5) dans 35 % des communes et il dépasse 10 transactions dans 38 % d’entre elles, le maximum étant de 211 maisons vendues à Fontaine-lès-Dijon (agglomération dijonnaise).

© INRA-CESAER/THéMA. Source : Perval.
Tableau I-3 : Répartition des transactions de maisons individuelles (1995-2002)

39La surface communale médiane échangée est de 8 699 mètres carré tandis que premier et troisième quartiles sont respectivement de 3 852 et de 19 536 mètres carré. Quant aux surfaces de terrain échangées, la médiane est de 648 mètres carré, et les quartiles de part et d’autre, s’établissent à 397 et à 946 mètres carré. On retrouve une distribution statistique ramassée du côté des petites surfaces et très étalée du côté des grandes. Le prix médian payé est de 710 000 francs hors taxe (108 000 euros), la moitié des prix se situant dans la fourchette 550 000 – 900 000 francs (84 000 - 137 000 euros).

40La médiane de la surface habitable est de 100 mètres carré, avec la moitié des maisons qui disposent de 89 à 129 mètres carré, ce qui correspond à quatre ou cinq pièces principales. Près d’une maison sur quatre dispose d’au moins deux salles de bains.

2.3.2. Caractéristiques des acquéreurs

© INRA-CESAER/THéMA. Source : Perval.
Tableau I-4 : Catégories socioprofessionnelles des acquéreurs de maisons individuelles (1995-2002)

41Les professions intermédiaires achètent 29 % des maisons. Elles sont suivies par les employés (21 %) et les cadres supérieurs (21 %). Ces trois catégories regroupent 71 % des acheteurs, 68 % des surfaces et 74 % des volumes financiers hors taxe. Les ouvriers représentent 15 % des acquéreurs, les catégories « artisans, commerçants, chefs d’entreprises » et « retraités » 6 % chacune. La proportion de cadres est plus forte chez les acquéreurs de maisons individuelles (21 %) que chez les acheteurs de terrains nus à bâtir (12 %). On observe l’inverse chez les ouvriers qui achètent 27 % des terrains nus et seulement 15 % des maisons individuelles.

42Établies par catégories socioprofessionnelles, les surfaces médianes des lots sont élevées pour les agriculteurs (742 mètres carré) et pour le groupe des artisans, commerçants, chefs d’entreprise (739). Elles décroissent ensuite régulièrement : les cadres supérieurs achètent plus de surface (719) que les retraités (595), les employés (606) ou les ouvriers (617). Les prix payés ne suivent pas la même règle : les cadres supérieurs achètent leurs maisons au prix le plus fort tandis que les ouvriers et les retraités achètent les maisons les moins chères.

© INRA-CESAER/THéMA. Source : Perval.
Tableau I-5 : Valeurs médianes des surfaces de lot et du prix des maisons individuelles selon la catégorie socioprofessionnelle de l’acquéreur (1995-2002)

43Les acheteurs sont âgés, en moyenne, de 40 ans et la moitié d’entre eux ont entre 32 et 46 ans.

44Comme pour les terrains, 80 % des maisons sont achetées par une personne qui ne résidait pas au moment de l’acquisition dans la commune où est localisé le bien. Les distances entre ce dernier et le lieu de résidence de l’acquéreur sont faibles : pour 25 % des achats l’acquéreur résidait à moins de deux kilomètres et demi (à vol d’oiseau), pour la moitié, la distance était inférieure à sept kilomètres et, dans 90 % des cas, elle ne dépassait pas 24 kilomètres.

2.4. Les disparités géographiques

2.4.1. Localisation des transactions et taux d’ouverture du marché

45Le marché foncier et immobilier est très actif dans les communes de la banlieue dijonnaise et dans les communes périurbaines proches de Dijon (fig. I-2, II). Nuits-Saint-Georges, Genlis et Auxonne sont également très dynamiques. Les communes desservies par l’autoroute A38, à l’ouest, et par le faisceau routier et autoroutier du sud-est de l’aire urbaine enregistrent un nombre important de transactions et semblent s’ouvrir davantage à l’urbanisation (fig. I-3, II).

2.4.2. Origine géographique des acquéreurs

46Les acquéreurs des maisons et des terrains résident pour 60 % dans l’agglomération dijonnaise (2 207 Dijonnais et 1 634 banlieusards) au moment de l’achat. Les périurbains représentent 27 % et les personnes venant de l’extérieur de l’aire d’étude 14 %.

  • 6 Hors transactions réalisées dans la commune de Dijon.

47Plus de la moitié des biens acquis par les Dijonnais6 (61 %) le sont dans la ceinture périurbaine, alors que les habitants de la banlieue sont 53 % à acheter un bien dans une commune de l’agglomération (hors Dijon). 92 % des ménages périurbains ayant acheté un terrain ou une maison le font dans une commune périurbaine. C’est le cas également de 76 % des personnes venant de l’extérieur de la zone d’étude.

2.4.3. Surfaces médianes échangées par commune

48La taille des parcelles résidentielles augmente avec l’éloignement à Dijon : la valeur médiane est comprise entre 1 000 et 2 500 mètres carré dans les communes à la périphérie de la zone d’étude ; elle vaut 250 à 1 000 mètres carré dans les communes proches de Dijon (fig. I-4, III). Au-delà de ce schéma général, les surfaces des lots résidentiels ont tendance à se réduire à proximité des bourgs et petites villes comme Genlis ou Nuits-Saint-Georges ; les surfaces sont également plus petites dans les communes au contact de l’Arrière-Côte et de la Plaine, le long de la Côte viticole (axe de la nationale 74 de Dijon à Beaune).

2.4.4. Lieux d’achat selon la catégorie socioprofessionnelle des acquéreurs

49Les ouvriers et employés représentent plus de 50 % des acquéreurs dans les communes où traditionnellement ces deux catégories sont importantes : le secteur de Selongey et Is-sur-Tille, ainsi que l’arc ouvrier du Val-de-Saône qui s’étend de Nuits-Saint-Georges à Pontailler-sur-Saône, en passant par les cantons de Saint-Jean-de-Losne et Auxonne (fig. I-5, III).

50Les cadres supérieurs et professions intermédiaires sont nombreux à acheter dans les communes proches de Dijon et dans le nord de l’agglomération. Plus de la moitié des biens sont acquis par ces catégories socioprofessionnelles à Quétigny, Saint-Apollinaire, Fontaine-lès-Dijon et Talant, mais également dans les communes périurbaines proches situées au nord et au nord-est de Dijon (fig. I-6, IV).

2.4.5. Variations géographiques du prix des terrains

51Le prix des terrains diminue en fonction de la distance au cœur de l’agglomération dijonnaise (fig. I-7, IV). Le prix médian du mètre carré vaut de 350 à 707 francs courants (53 à 108 euros) dans les communes proches de Dijon et moins de 100 francs courants (15 euros) dans les communes les plus éloignées. La diminution du prix au mètre carré s’accuse nettement à mesure qu’on s’éloigne de Dijon en direction du plateau occidental, mais cet effet est moins marqué vers la Plaine. Les prix demeurent plus élevés dans les communes bien desservies par le réseau routier qui assure un accès commode aux emplois et aux services de l’agglomération (cf. chapitre III, section 1).

3. L’information paysagère

52Pour répondre aux contraintes de la modélisation économétrique, l’information à produire sur le paysage repose sur la mobilisation de bases de données numériques qui n’ont pas été constituées dans ce but au départ ; il s’agit des trois types de sources suivants :

  • l’occupation du sol que l’on tire d’images satellites ou aériennes, ou encore de bases constituées, renseigne sur la façon dont le paysage est « habillé » ou masqué par différentes classes d’objets au sol (végétation, bâti, réseau, cultures, etc.) ;
  • le modèle numérique de terrain (MNT) qui prend la forme d’une matrice d’altitude et dont on dérive, par le calcul, toutes sortes d’informations sur les structures et propriétés paysagères telles que pentes, orientation, énergie incidente, formes topographiques, etc. ; le MNT sert également de base à la confection d’un modèle numérique d’élévation (MNE) dont les valeurs correspondent aux altitudes augmentées des hauteurs des types d’occupation du sol ;
  • des informations particulières peuvent également compléter les ressources nécessaires à l’analyse (monuments, implantation d’ouvrages, hydrologie, données foncières, etc.).

53Ces données ont été préalablement traitées pour les mettre sous la forme adéquate. Cette phase d’élaboration est tout aussi délicate que la modélisation proprement dite et mérite d’être présentée car elle constitue l’assise même de notre démarche en lui apportant son support objectif. Cette partie du travail tire profit des ressources offertes par les Systèmes d’information géographique (SIG) et par les concepts opératoires qui s’y rattachent, notamment le croisement de couches d’informations repérées dans l’espace (Brossard et al., 1995).

3.1. Reconnaître l’occupation du sol pour appréhender le paysage

54L’occupation du sol est un des termes fondamentaux de la composition des paysages qu’elle contribue à définir, tant dans leur configuration matérielle, que dans leur physionomie. En effet, la topographie n’est pas seule à contribuer à la composition des volumes du champ de vision : un rideau d’arbres, la lisière ou la canopée d’une forêt, la façade d’une maison, forment autant de masques qui, simultanément, ferment la vue et remplissent le paysage. Cette information sur l’occupation du sol peut être obtenue directement de bases données déjà constituées, comme la BD_CARTO de l’Institut géographique national (IGN) ou la base européenne Corine Land Cover, diffusée en France par l’Institut français de l’environnement (IFEN). Ces deux sources ont été effectivement mobilisées dans le fil du travail, dès lors qu’elles convenaient aux échelles d’analyse. En revanche, pour appréhender le paysage dans son organisation fine, d’autres solutions ont été trouvées grâce aux ressources de la télédétection en haute résolution. Le recours à cette technique fut possible dans la mesure où les compétences requises étaient présentes dans l’équipe réunie autour du projet. Les résultats obtenus du traitement d’image font donc partie des apports originaux de cette étude dont ils conditionnent une part essentielle de la pertinence ; la présentation qui vient permet d’en préciser la teneur.

55L’objectif visé va au-delà d’une reconnaissance classique de l’occupation du sol. En effet, le paysage visible associe des objets proches et lointains, dont la reconnaissance demande des échelles, des nomenclatures et des méthodes différentes. Ces méthodes s’appuient sur des sources de données diverses (images satellites et bases de données thématiques) qui nécessitent des choix préalables et plusieurs étapes de traitement : géométrie, identification thématique, agrégations et désagrégations d’objets.

3.1.1. Adaptation des nomenclatures aux informations multi-échelles

Echelles emboîtées et représentation matricielle

56La vue d’un paysage embrasse l’espace dans un éloignement progressif, au sein duquel l’observateur peut reconnaître des objets différents suivant la distance qui le sépare d’eux.

57L’arbre vu à 20 mètres devient, à trois kilomètres, un simple élément d’une forêt. La prairie ou le champ de céréales, différenciés de près et suivant la saison, deviennent, au loin, de simples formations ouvertes. Les modélisations de la visibilité employées dans cette étude fonctionnent selon cette approche multiscalaire en faisant appel à quatre bases de données aux échelles emboîtées. Le détail des procédures sera présenté au chapitre II. En outre, ces données doivent être représentées en mode matriciel (ou « raster »), qui figure un découpage régulier de l’espace en carrés élémentaires (cellules ou « pixels »). Ce modèle permet de représenter des phénomènes aux variations continues dans l’espace, ce qui est le cas du relief et des volumes du paysage. Le terme de « résolution » désigne la longueur du côté des cellules. Cette résolution varie ici entre 7, 30, 150 mètres, et un kilomètre (fig. I – 8, V).

Nomenclatures et échelles

58A chacune de ces échelles correspond une description de l’occupation du sol plus ou moins variée, passant de 12 types pour la résolution de 7 mètres, à quatre types pour la résolution de un kilomètre (cf. chapitre II, tableau II-4). Cette progression représente une baisse théorique de la discrimination de la vue suivant l’éloignement. Des échelles et des nomenclatures différentes demandent généralement d’employer des sources d’information différentes. Les plus hautes résolutions (7 mètres, 30 mètres) demandent une précision géométrique et des différenciations thématiques élevées, mais leur couverture spatiale est limitée à l’environnement proche des points étudiés (ici, les lieux des transactions). Les faibles résolutions (150 mètres et un kilomètre) nécessitent des précisions géométriques et thématiques moindres, mais pour une région beaucoup plus grande (les horizons lointains, potentiellement vus depuis les lieux de transaction).

Découper l’espace en pixels : une option requise par la modélisation du paysage

59Quelle que soit la résolution, chaque cellule ne peut contenir qu’une information (arbre ou pré ou route, etc.). Or, un arbre ou une maison ne font ni 7 sur 7 mètres, pas plus que 150 sur 150 mètres. Les solutions habituelles à ce problème passent par des règles de majorité, ou de préférence, en l’absence de majorité. Le cas présent appelle une méthode différente, dans la mesure où une attention privilégiée doit être accordée à la présence d’objets élevés, qui constituent autant de masques dans le paysage. Ainsi, les données obtenues ne doivent pas être considérées comme des cartographies classiques de l’occupation du sol, mais bien comme des modèles particuliers à cette approche paysagère. Toute exploitation passant par de simples dénombrements de cellules, pour obtenir des surfaces par type d’occupation du sol, serait ainsi totalement infondée.

Observation statique d’un paysage dynamique

60Le paysage visible évolue au fil des saisons, mais aussi au fil des années qui voient l’érection de nouveaux bâtiments, l’avancée ou le recul des friches ou des forêts, l’extension des cultures, etc. Les références de transactions immobilières utilisées pour cette étude retracent plusieurs années de ventes et d’achats qui ont pu participer à la dynamique du paysage. Toutefois, il est difficilement possible de disposer de sources d’informations qui permettent de retracer ces évolutions dans la durée. Nous prenons donc le parti d’utiliser des informations statiques, dont les dates de validité sont choisies au mieux des disponibilités offertes et de la période au cours de laquelle les transactions considérées sont intervenues.

61Ces quelques points résument les principaux pré-requis pour l’établissement de données représentatives du rôle de l’occupation du sol dans le paysage visible. Les rubriques suivantes exposent brièvement les étapes de leur mise en place.

3.1.2. Sources d’information et choix préalables

62Plusieurs sources d’information peuvent renseigner sur l’occupation ou l’utilisation du sol, parmi lesquelles on peut établir quatre grandes catégories : les levés photogrammétriques, les cartes topographiques, les bases de données thématiques, les classifications d’images satellitaires. Ces types de données ont d’ailleurs des origines pour partie identiques, et peuvent être efficacement utilisées de concert.

Les levés photogrammétriques

63Ceux-ci renseignent simultanément les objets et leurs volumes, à grande échelle. A priori, ils constituent la meilleure source de données, mais leur mise en œuvre se heurte pourtant à plusieurs difficultés :

  • un coût élevé, particulièrement pour de grandes superficies ;
  • de gros volumes de données, difficiles à gérer en bloc pour l’analyse du paysage ;
  • une précision parfois illusoire : par exemple, un jardin est une surface composite, où s’assemblent des volumes élevés et bas, des masques plus ou moins transparents selon la saison, etc.

Les cartes topographiques à grande échelle

64Ces cartes (exemple : 1/25 000 IGN, pour partie reprises dans la BD CARTO IGN) présentent simultanément de bonnes qualités géométriques et une grande richesse thématique, mais n’offrent qu’un intérêt limité dans le cas présent :

  • la représentation symbolique des éléments linéaires ou ponctuels conduit à des aberrations d’échelles (une route de un millimètre de large sur la carte ne fait pas 25 mètres de large sur le terrain, et il en va de même pour les maisons) ;
  • les cartes voisines sont mises à jour selon des rythmes très différents, ce qui conduit à de forts hiatus aux limites des coupures ;
  • la définition thématique reste faible sur plus d’un thème (ainsi, pas de distinction entre forêts de conifères et forêts caducifoliées ; de même le territoire agricole est représenté de façon uniforme, sans distinction des prés ou des cultures).

Les bases de données spécialisées

65Des bases de données sur l’occupation du sol sont déjà constituées et disponibles. Toutes ne se prêtent pas à l’exercice : certaines ne représentent qu’une partie du territoire (exemple : l’Inventaire forestier national, IFN), d’autres procèdent par échantillonnage et ne sont significatives qu’au niveau de grands agrégats (exemple : Enquête sur l’utilisation du territoire, TERUTI), d’autres encore ne fournissent pas le niveau thématique souhaité (exemple : la couche « habillage » de la BD CARTO IGN). La base européenne CORINE Land-Cover (CLC), produite par l’Institut français de l’environnement (IFEN) et l’Agence européenne de l’environnement (EEA), constitue une bonne alternative à petite échelle, soit au 1/100 000 ou moins. Sa richesse thématique et son homogénéité spatiale en font une ressource de choix pour mettre en place les données à basse résolution (150 mètres, 1000 mètres). CLC pose toutefois le problème d’une nomenclature où beaucoup de types désignent des formes hétérogènes d’occupation du sol (« urbain discontinu », qui indique que le bâti n’est pas la seule forme d’occupation du sol, ou « territoires agricoles avec présence de végétation naturelle importante »). Nous avons choisi de retenir CLC (avec l’autorisation de l’IFEN), pour générer les bases de données aux résolutions de 150 mètres et un kilomètre, et en lui apportant un traitement adapté pour restituer l’hétérogénéité interne des différents thèmes de sa nomenclature.

Les images satellitaires

66Celles-ci présentent de larges couvertures spatiales, observées de façon instantanée, et peuvent être parfaitement géoréférencées. Toutefois, ces atouts sont contrebalancés par quelques contraintes.

67Les capteurs à haute résolution œuvrant sur de vastes couvertures (SPOT P, IRS P) ne donnent que peu d’information thématique (mode panchromatique mono-bande), et les capteurs à forte capacité thématique (SPOT XI, Landsat TM) n’offrent qu’une faible résolution spatiale. Ce problème peut être résolu en utilisant des complémentarités entre instruments, qui permettent, sous conditions de dates d’observation suffisamment rapprochées, d’améliorer la résolution spatiale des images à forte résolution thématique en les fusionnant avec les images à forte résolution spatiale.

68Les dates d’acquisition conditionnent fortement le potentiel de reconnaissance thématique de chaque image. Dans le cas présent, la période optimale correspond à la fin de l’été (distinction entre cultures et prairies, entre feuillus et conifères). Toutefois, la couverture nuageuse ne permet pas l’obtention d’images utilisables pour toutes les fins d’été !

69Les images satellitaires fournissent une information sur l’intensité du rayonnement électromagnétique réfléchi par la surface terrestre ; elles n’indiquent pas directement des types d’occupation du sol. Il est donc nécessaire de procéder à un travail de reconnaissance thématique, par classification ou segmentation, qui permet peu à peu d’identifier les objets pertinents.

70Pour être efficaces, ces instruments n’en sont pas pour autant universels, et il est parfois impossible de différencier certaines surfaces (des champs récoltés et des toitures de hangars), de repérer certains éléments (une route en sous-bois), ou de lever certaines incertitudes (des feuillus sur un versant au soleil donnent la même image qu’une prairie plate). Il est donc généralement nécessaire de faire appel à des données extérieures (BD CARTO et BD ALTI IGN) pour affiner la reconnaissance thématique.

71Les caractéristiques des objectifs à atteindre pour cette étude nous ont amenés à effectuer les choix suivants :

  • l’imagerie satellitaire est retenue pour fournir les observations aux résolutions de 7 et 30 mètres, avec l’appui de données issues des BD thématiques de l’IGN ;
  • CORINE Land-Cover est retenu comme base d’extraction des données aux résolutions de 150 mètres et un kilomètre.

3.1.3. Des images satellites aux objets du paysage

72La préparation de l’imagerie et le travail de reconnaissance thématique passent par cinq phases principales :

  • la réalisation d’un compromis entre les types de capteurs, les dates d’acquisition, et les objectifs à atteindre ;
  • une mise en forme géométrique des images brutes, couplée à une amélioration de la résolution spatiale des données à forte résolution thématique ;
  • l’identification des types d’occupation du sol recherchés, et leur complément par des bases de données thématiques ;
  • le passage de la résolution 7 mètres à la résolution 30 mètres.

Capteurs et dates

73Le capteur à haute résolution thématique (multispectral) retenu, en fonction de l’étendue de la zone d’étude et de la qualité des acquisitions, est le système ETM (Enhanced Thematic Mapper) embarqué sur le satellite Landsat 7, avec les caractéristiques suivantes :

  • date d’acquisition : 11 septembre 2000 (fin d’été), couvrant l’ensemble de la zone étudiée (couverture totale 185 x 185 kilomètres, centrée sur Dijon) ;
  • résolution 30 x 30 mètres pour six canaux TM (bleu, vert, rouge, un infra-rouge proche, deux infra-rouges moyens) ;
  • résolution 15 x 15 mètres pour un canal simultané ETM-P (approximativement infra-rouge proche), permettant l’amélioration des six canaux précédents amenés, par des calculs appropriés, à la même résolution de 15 x 15 mètres.

74Le capteur à haute résolution spatiale monobande retenu est le mode panchromatique (lumière visible) du satellite IRS1-D. L’image correspondante (IRS1D-P) présente les caractéristiques suivantes :

  • dates d’acquisition : 23 août 2000 pour la partie ouest de la zone d’étude, et 9 juin 2000 pour la partie est, chaque image couvrant 70 x 70 kilomètres, la limite est-ouest passant approximativement par la côte bourguignonne ;
  • résolution 5 x 5 mètres pour un canal (domaine de la lumière visible).

Mise en forme géométrique et amélioration spatiale

75Cette phase vise, dans un premier temps, à modifier la géométrie des images source de façon à la faire correspondre au plan de projection utilisé par les autres données de l’étude, à savoir le système Lambert conique conforme de l’IGN pour la France, zone centrale étendue, plus communément appelé système « Lambert 2 étendu ». Localement, cette opération ressemble à une rotation du plan de l’image sur quelques degrés. Dans les faits (Jensen, 1996 ; ERDAS, 1999), cette transformation procède par une déformation de l’image d’origine selon une fonction polynomiale établie en comparant les localisations de points homologues (points d’amer) repérés simultanément sur l’image et sur une carte, ainsi que le résume la figure I-9 (fig. I – 9, VI). La résolution des pixels de l’image corrigée peut être modifiée durant ce processus.

76Simultanément à cette rectification géométrique, la phase préliminaire comprend une amélioration progressive de la résolution spatiale des données Landsat TM (qui offrent la meilleure résolution spectrale avec leurs six canaux, mais pour des pixels de 30 mètres de côté), en les fusionnant avec les données Landsat ETM (un canal à 15 x 15 mètres) puis avec les données IRS1D-P (un canal à 5 x 5 mètres). Le principe employé (Chavez et al., 1991) exploite les représentations de composition des couleurs sous forme cartésienne (composantes rouge, vert, et bleu ou RVB) ou sous forme sphérique (espace intensité-teinte-saturation ou ITS), ainsi que le présente la figure I-10 (fig. I – 10, VI).

77Dans le premier cas, chaque couleur est décrite comme la composée additive de trois composantes primaires apportant plus ou moins de lumière (le rouge, le vert et le bleu). Dans le second cas, chaque couleur est décrite comme une teinte (donnée par un angle sur un disque) plus ou moins saturée (c’est-à-dire plus ou moins pure, la pureté étant indiquée par un éloignement au centre du disque) et plus ou moins intense (c’est-à-dire plus ou moins lumineuse, ou brillante, ceci étant donné par une position sur l’axe vertical de la sphère).

78Le principe utilisé pour l’amélioration de la résolution spatiale consiste à :

  • assigner, à une image RVB, trois canaux d’une image multispectrale basse résolution, suréchantillonnée ;
  • transformer cette image RVB en image ITS ;
  • remplacer l’axe d’intensité par une image monospectrale haute résolution, en veillant à ce que cette image présente une dynamique comparable à l’axe d’intensité ;
  • transformer cette nouvelle image ITS en image RVB, puis réassigner chacune de ces composantes colorées à un canal « amélioré » de l’image multispectrale, qui acquiert ainsi la résolution de l’image monospectrale.

79Le résultat de cette opération est une amélioration, qui ne présente pas toutes les qualités d’une acquisition directe en haute résolution, mais montre un gain très significatif de précision. Dans le détail, plusieurs étapes sont nécessaires pour traiter une image d’entrée à six canaux, et une attention particulière doit être accordée aux compositions RVB, à la signification de l’axe d’intensité, et aux dates d’acquisition des différentes images. Dans la pratique, ces opérations demandent cinq grandes étapes de traitement, illustrées par la figure I- 11 (fig. I – 11, VII) pour un petit secteur aux alentours de Savigny-sous-Mâlin (20 kilomètres à l’ouest de Dijon).

80Etape 1 : Correction géométrique : mise en correspondance de l’image Landsat TM avec le plan de projection « Lambert 2 étendu », et suréchantillonnage des pixels de 30 x 30 mètres à 14 x 14 mètres. Ce suréchantillonnage n’améliore pas la qualité de l’information, mais prépare les phases de traitement suivantes.

81Etape 2 : Correction géométrique : mise en correspondance de l’image Landsat ETM-P avec le plan de projection « Lambert 2 étendu », et suréchantillonnage des pixels de 15 x 15 mètres à 14 x 14 mètres. La résolution de 14 mètres est déterminée en fonction de la résolution finale souhaitée, à savoir 7 x 7 mètres.

82Etape 3 : Amélioration de la résolution spatiale de l’image Landsat TM par fusion avec l’image ETM-P (deux traitements, pour cinq canaux, en deux fois trois canaux, l’infra-rouge proche étant partie prenante des deux traitements).

83Etape 4 : Corrections géométriques : mise en correspondance des deux images IRS1-D panchromatiques (est et ouest) avec le plan de projection « Lambert 2 étendu », et sous-échantillonnage des pixels de 5 x 5 mètres à 7 x 7 mètres.

84Etape 5 : Seconde amélioration spatiale de l’image Landsat TM par fusion avec les deux images IRS1-D panchromatiques (deux images, deux traitements pour les cinq canaux de chaque image).

85Le résultat final est constitué de deux images multispectrales, une pour l’est et une autre pour l’ouest, à la résolution de 7 x 7 mètres, en projection « Lambert 2 étendu », conservant la diversité thématique des cinq premiers canaux Landsat TM, ainsi que le montre la figure I-12 (fig. I – 12, VIII).

86Ces deux images peuvent être affichées simultanément, mais leurs caractéristiques intrinsèques demeurent différentes en raison de la différence de date d’acquisition entre les deux images IRS1-P : les traitements de reconnaissance thématique devront être menés de façon distincte pour les deux secteurs.

87La figure I-13 (fig. I – 13, IX) reprend un détail de cet ensemble sur le secteur de Mâlin et Savigny-sous-Mâlin, avec deux compositions colorées différentes utilisant les cinq canaux TM améliorés. Les grandes masses faites de forêts, de prés et de cultures dessinent le cadre général de l’occupation du sol, mais, plus localement, on repère le dessin de haies et de réseaux de bocages, l’empreinte de petits bosquets, la marque de maisons isolées : ces éléments fins contribuent autant que les grandes masses à la construction du paysage visible.

Reconnaissance thématique de l’occupation du sol, à 7 mètres de résolution

88L’identification de l’occupation du sol d’après une image satellitaire peut passer par trois filières principales : la photo-interprétation, la segmentation ou la classification.

89La photo-interprétation réside, pour l’essentiel, en une analyse visuelle et un zonage manuel de l’image par un interprète qui met au service de cette tâche sa connaissance de la région, son expérience de l’imagerie, et son décodage des couleurs, des structures, des textures, des formes ou des associations d’éléments de l’image. Cette méthode est extrêmement efficace, mais cadre mal avec l’identification d’un faible nombre de thèmes pour une grande précision spatiale qui doit, dans le cas présent, descendre au niveau du pixel, par exemple dans le cas d’arbres isolés.

90La segmentation passe par des traitements numériques qui permettent de reconnaître des secteurs particuliers, singularisés autant par leurs valeurs radiométriques (les couleurs de l’image), que par leurs configurations spatiales internes (textures, bordures, etc.). Cette méthode a pour avantage d’être complète, dans la mesure où elle intègre à la fois la distribution radiométrique et l’organisation spatiale, mais elle a souvent pour inconvénient de générer d’énormes quantités de zones, certes singulières, mais dont l’interprétation finale reste souvent complexe.

91Les classifications reposent essentiellement sur la radiométrie de l’image ; elles travaillent pixel par pixel, et délaissent la part spatiale de l’information.

92Par exemple et analogie, on peut dire qu’un pixel rouge (radiométrie) est caractéristique de la forêt. Mais il a une chance d’appartenir à une forêt s’il est au milieu d’autres pixels rouges légèrement différents (texture de la canopée), ce que les méthodes de classification, héritées de la statistique, ne prennent pas en compte. Il s’ensuit de nombreuses incertitudes et confusions, qui ne permettent généralement pas de se satisfaire du résultat direct de ces méthodes, et demandent un travail ultérieur de reconnaissance à l’intérieur de chaque classe, d’après des critères spatiaux ou d’après la projection de données extérieures à l’image.

93Le cas présent demande une faible ouverture thématique (une dizaine de classes), mais une forte discrimination spatiale, ce qui conduit à préférer la méthode de classification, qui singularise chaque pixel et permet potentiellement de détecter les éléments fins du paysage. Toutefois, c’est au prix d’un travail de post-classification important que des termes précis pourront réellement être affectés à chaque classe.

94Notons en outre quelques difficultés habituelles :

  • tout l’espace doit être renseigné (chaque pixel doit appartenir à une classe), or toute image comporte de nombreux pixels mixtes, chevauchant par exemple un pré et une route ;
  • la zone d’étude est vaste, et présente des aspects divers dans ses altitudes, dans le degré et l’orientation de ses pentes, dans l’humidité des sols, dans l’état de l’atmosphère au moment de l’acquisition de l’image, dans les pratiques culturales, etc., soit autant d’éléments qui freinent la généralisation des reconnaissances thématiques, et demandent de prendre en compte des particularités locales ;
  • quelques nuages ponctuent les marges de l’image IRS d’est : l’image Landsat ETM est heureusement là pour éclaircir ces petites zones, au prix d’un traitement particulier ;
  • la région est couverte par deux images IRS acquises à des dates différentes, d’où la nécessité de mener en parallèle deux classifications et post-classifications complètes, avant de rassembler les données thématiques finales dans une même couverture.

95Dans la pratique, ces classifications ont été conduites selon le schéma suivant, et pour chaque image :

96Etape 1 : Calcul de deux classifications non supervisées : chaque classification repose sur un ensemble de canaux différents de l’autre, et distingue 20 classes a priori (étape de calcul stricto sensu). Le choix d’un système non supervisé correspond à la variété du terrain observé, et à l’adoption d’une phase de post-classification.

97Etape 2 : Ces classes font l’objet d’une première interprétation sommaire, qui permet d’identifier de grandes associations de confusions entre types.

98Etape 3 : Croisement des deux classifications, donnant en théorie 400 classes, un peu moins de 200 en fait, et analyse classe par classe, permettant de simplifier de nombreuses confusions.

99Etape 4 : Recherche et mise en œuvre de critères spatiaux pour lever les confusions les plus fréquentes, groupe de classe par groupe de classe. Ainsi, un pixel indécis pré/arbre deviendra arbre s’il est au milieu d’autres arbres, sans quoi il restera indécis (il peut s’agir d’un arbre isolé, mais ce n’est pas sûr). Les critères employés font principalement appel aux notions de majorité conditionnelle et de texture, ils sont appliqués au cas par cas en fonction des confusions observées, et en tenant compte de voisinages adaptés en tant que de besoin aux effets d’échelles propres à chaque classe.

100Etape 5 : Prise en compte de l’illumination solaire au moment de l’acquisition de l’image par le satellite, par un calcul exploitant le modèle numérique de terrain, pour diminuer les confusions entre forêts et prairies, et, parfois, tirer parti des ombres d’éléments singuliers (arbres isolés).

101Etape 6 : Prise en compte de zonages de la BD CARTO IGN, couche habillage, précisés par photo-interprétation, sur les thèmes « bâti », « zones d’activité » et « vignoble ». Ces thèmes recouvrent des zones très hétérogènes, et incluent de nombreuses confusions : leur délimitation spatiale a priori permet de lever progressivement ces incertitudes.

102Etape 7 : Assemblage des parties est et ouest.

103Etape 8 : Intégration conditionnelle des éléments linéaires de la BD CARTO IGN (routes, voies ferrées, réseau hydrographique), après conversion de leurs arcs en mode matriciel, compte tenu des largeurs d’emprise précisées par l’IGN. Ces éléments sont inclus ou exclus selon le type d’occupation du sol prédéterminée qu’ils viennent recouvrir : ainsi, priorité sera donnée à un arbre plutôt qu’aux réseaux et ruisseaux, l’arbre constituant un masque dans le paysage. A l’inverse, priorité sera donnée à une rue ou une voie ferrée sur des bâtiments supposés, ces réseaux constituant des ouvertures visuelles potentielles, et le bâti étant parfois difficile à différencier des réseaux d’après une image à 7 mètres de résolution.

104Les étapes 2 à 6 sont accompagnées de phases de validation, par examen de placettes réparties parmi les différents milieux régionaux, et documentés par des cartes topographiques. En outre, l’affichage en superposition de l’image d’origine et des classes en cours de validation permet d’évaluer la qualité des traitements opérés à chaque étape, ainsi que le suggère la figure I-14 (fig. I – 14, X).

105Au final, l’ensemble de la zone d’étude, ainsi que son environnement proche, est couvert par une couche thématique déclinant douze thèmes, à la résolution de 7 mètres, représentant environ 90 kilomètres d’est en ouest et 70 kilomètres du nord au sud. Une carte (fig. I-15, XI) renseigne les résultats pour huit thèmes d’occupation du sol, auxquels s’ajoutent des éléments de repérage. Précisions que routes, carrières, voies ferrées et zones d’activité, qui font partie de la nomenclature retenue, ont été laissées de côté sur cette carte car leur seuil de représentation n’était pas compatible avec l’échelle. Pour la suite du travail, ces informations ont été évidemment conservées (cf. Chapitre II, tableau II-4).

Généralisation de la résolution de 7 mètres à 30 mètres

106Le changement de résolution de données qualitatives est un problème classique des SIG matriciels, qui proposent de façon plus ou moins opaque de recourir à la méthode du rééchantillonnage suivant l’algorithme du plus proche voisin (ESRI, 1991). Ce choix se justifie dans la mesure où :

  • rééchantillonner signifie modifier la géométrie et/ou la taille des cellules ;
  • le système du plus proche voisin affecte à chaque nouvelle cellule la valeur de la cellule la plus proche dans les données d’origine : les données qualitatives ne permettent pas de pondérer, ou de convoluer, plusieurs valeurs ensemble, il faut donc trouver une règle pour choisir une valeur parmi plusieurs possibles.

107Ce système par défaut peut être amendé pour tenir compte de règles de majorité, et donner ainsi une sorte de priorité au thème le plus représenté. Dans le cas présent, ces solutions n’offrent qu’un intérêt mitigé, dans la mesure où les objets recherchés doivent surtout indiquer les fermetures ou les ouvertures du paysage (peu importe qu’il y ait des prés, le problème est qu’une ligne d’arbres coupe ces prés, et ferme potentiellement l’horizon). Le mode de changement de résolution retenu ici passe donc par plusieurs phases, répondant à des conditions locales d’ouverture et de fermeture de la vue.

108En premier lieu, la couverture 7 x 7 mètres est classiquement rééchantillonnée à 30 x 30 mètres, suivant la méthode du plus proche voisin.

109Ensuite, les thèmes « arbre », « buisson », « route », « voie ferrée », sont repris au cas par cas, pour restituer les masques arborescents en campagne et les fuites visuelles des réseaux en milieu bâti.

110Sur la base à 7 mètres, les arbres et buissons sont dilatés par un facteur trois sur leurs voisins (si une cellule est arbre, ses voisins deviennent arbre), et atteignent donc une résolution artificielle de 21 mètres. Cette nouvelle base est elle-même rééchantillonnée à 30 mètres, et son résultat superposé à celui du rééchantillonnage général. L’intérêt de cette transformation est de maintenir les marques de présence des masques végétaux, sans pour autant couvrir la région d’improbables forêts.

111Sur la base à 7 mètres, les routes étroites et les voies ferrées, situées dans des zones bâties ou des zones d’activités, sont également dilatées par un facteur trois. À nouveau, cette couverture intermédiaire est rééchantillonnée à 30 mètres, et surimposée aux pixels du rééchantillonnage initial si ceux-ci désignaient des formes bâties : on restitue ainsi l’aération de l’espace bâti par le dessin des réseaux viaires.

112La figure I-16 (fig. I – 16, XII) donne un exemple du résultat de cette opération sur le secteur de Mâlin : le village, vu à la maille de 30 mètres, comporte encore quelques rues et maisons, et les arbres semblent occuper une forte partie de l’espace ; cette proportion est exagérée si on considère les superficies d’occupation du sol, elle est en revanche pertinente si on s’intéresse au rôle des masques végétaux dans le paysage visible.

3.1.4. Corine Land-Cover et les données à basse résolution

113CORINE Land-Cover (CLC) a été choisi pour renseigner les couvertures à basse résolution spatiale (150 mètres et un kilomètre), en raison :

  • de son extension spatiale, les horizons très lointains pouvant être décrits ;
  • de sa richesse thématique, qui permet de distinguer feuillus et résineux, prés et cultures.

114CLC est une base en format vectoriel, c’est-à-dire un découpage de l’espace en zones plus ou moins complexes, pertinente à l’échelle du 1/100.000, et comportant nominalement 44 postes de légende. L’échelle du 1/100.000 est compatible avec une définition de 150 mètres (un millimètre et demi à cette échelle), mais les autres caractéristiques de CLC engendrent quelques difficultés.

115Le format vectoriel doit être transformé en mode matriciel pour s’adapter aux besoins de cette approche : une conversion par « rastérisation » est donc nécessaire.

116La richesse thématique excède fortement le niveau demandé. En fait, seuls 27 postes de légende sont représentés en Bourgogne (pas d’oliveraies, ni de marais salants), mais les nomenclatures recherchées doivent comporter huit entrées pour la résolution 150 mètres, et quatre entrées pour la résolution un kilomètre. En outre, la plupart des thèmes CLC recouvrent des entités hétérogènes, au couvert mixte, qu’il sera nécessaire de désagréger.

117La figure I-17 (fig. I – 17, XIII) résume les différentes étapes de la construction des données à 150 mètres. En un premier temps, les zones CLC sont simplement rastérisées à la maille de 150 mètres, en conservant leur diversité thématique. Puis, en un second temps, chaque zone fait l’objet d’une désagrégation thématique et spatiale, pour arriver aux huit types demandés. Les exemples suivants illustrent cette opération.

118Le thème CLC-243, « agriculture et végétation naturelle », concerne des zones où les espaces agricoles sont fractionnés par de petits éléments de formations hautes. Conformément aux indications du « Guide Technique CLC » (Heymann, 1993), nous avons donc choisi d’attribuer 70 % des cellules de chacune de ces zones aux prés, et 30 % aux arbres feuillus, en suivant une répartition spatiale semi-aléatoire.

119Le thème CLC-112, « tissu urbain discontinu », indique une composition où le bâti n’est qu’un élément parmi des jardins, donc de l’herbe, des arbres, etc.

120La désagrégation est effectuée sur la base des proportions suivantes : 50 % bâti, 20 % prés, 20 % feuillus, 10 % conifères.

121Chaque thème est ainsi décomposé suivant les huit types recherchés, en accordant à nouveau une légère priorité aux objets les plus hauts dans le paysage. La figure I-18 représente simultanément le découpage des zones CLC et les cellules des huit thèmes de la base à 150 mètres : sous la simplification thématique, l’homogénéité ou la diversité des petites cellules fait ressortir la richesse thématique originelle de CORINE Land-Cover.

122La couverture à un kilomètre de résolution, qui ne concerne que les parties les plus lointaines du paysage, est élaborée à partir du zonage CLC d’origine, par rastérisation, suivie d’un recodage direct en quatre classes synthétiques. En effet, à ce niveau de résolution, seules les masses comptent, ce qui rend inutile toute désagrégation.

123Les quatre couvertures matricielles aux résolutions progressives sont ainsi constituées, conformément à ce qu’illustre la figure I-18 (fig. I – 18, XIII). Leur mise en place a été guidée par le souci de révéler les masques du paysage, et non l’occupation du sol au sens traditionnel, et c’est ainsi qu’elles seront exploitées.

3.2. Modèle numérique de terrain

124Le modèle numérique de terrain (MNT) constitue la seconde source d’information indispensable pour modéliser le paysage et sa structure (fig. I-19, XIV) ; il prend la forme de matrices d’altitude dont on dérivera, dans la suite des traitements, toutes sortes de termes d’analyse telles que pente, orientation, formes topographiques, architecture visuelle. Le MNT, constitué en base de données (BD_ALTI), est commercialisé en France par l’Institut géographique national (IGN). La base en question délivre le MNT selon différentes résolutions allant de 50 à 250 mètres tandis que les valeurs d’altitude sont données au mètre. Dans notre application, nous aurons recours aux deux résolutions initiales de 50 et 250 mètres car la modélisation du paysage mise en œuvre ici prend en compte des différents plans tels qu’ils s’organisent dans la profondeur du champ visuel ; c’est pourquoi une modulation de l’information en quatre niveaux de résolution à 7, 30, 150 et 1000 mètres interviendra par la suite. Pour les résolutions les plus fines à 7 et 30 mètres, on procédera par interpolation (ajustement de polynômes locaux) ; pour les résolutions à 50 et 250 mètres, on procédera par agrégation.

125Les valeurs, exprimées en mètres sur le MNT d’origine, ont été transformées en centimètres pour éviter les effets de « marches d’escalier » qui apparaissent inévitablement sur les fichiers résultant d’une dilatation. En effet, sur les espaces peu inclinés (glacis), deux courbes équidistantes de un mètre peuvent être fort éloignées l’une de l’autre. Ainsi, l’ensemble des pixels qui assurent le raccordement entre ces deux courbes est doté de la même altitude. Le passage à la valeur juste supérieure se fait alors brusquement, d’un pixel à l’autre, lors du franchissement de la courbe. Cet effet de marche est particulièrement gênant pour la modélisation des visibilités qui interviendra par la suite ; c’est pourquoi l’interpolation effectuée sur des valeurs transformées en centimètres a permis de gommer cet effet indésirable.

3.3. Définition des unités morphologiques de paysage

126Au cours de leur mise au point, les modèles économétriques ont fait apparaître l’intérêt d’un ajustement différencié par grands secteurs géographiques autour de Dijon. En effet, les termes de l’évaluation ne jouent pas de la même façon selon que l’on se situe dans la plaine de Saône ou dans l’Arrière Côte par exemple. Pour procéder à l’ajustement en question, il fallait disposer d’un zonage en unités cohérentes à l’échelle de l’aire étudiée. A cette fin, une méthode, déjà éprouvée à l’occasion de travaux antérieurs, a été reprise et adaptée. Cette méthode s’appuie sur le traitement de données numériques se rapportant aux composantes « objectivables » du paysage que sont la topographie et l’occupation du sol (Collectif, 2000-2001). Il s’agit d’opérer la synthèse de ces informations grâce aux traitements multivariés. Les unités ainsi délimitées se définissent par des agencements caractéristiques de formes et de structures ; le paysage prend corps ici à travers la réalité matérielle de ses composants.

3.3.1. Données

127Le modèle numérique de terrain et les images satellites dont nous disposons ont été mobilisés pour délivrer l’information nécessaire. Le modèle numérique de terrain a servi à dériver différents types d’informations sur la structure et les aptitudes du paysage telles que l’altitude, la pente (fig. I-20, XV), l’orientation (fig. I-21, XVI) ou le rayonnement solaire. En vue du traitement, nous avons procédé à une simplification de ces données : chaque plan d’information se réduit à cinq termes ou classes de description comme le montre le tableau ci-après. Les cartes élémentaires correspondantes sont fournies à la suite.

128La carte d’occupation du sol est reprise de la classification d’image présentée ci-dessus (fig. I-15, XI). Les thèmes qu’elle comporte sont codés comme suit : 1=bâti, 2=culture, 3=pré, 4=vigne, 5=feuillus, 6=résineux, 7=buissonnant, 8=eau.

129De manière à alléger les traitements, un échantillon de 2 999 points a été extrait de la base par tirage aléatoire. Les points échantillonnés et les variables qui les décrivent (occupation du sol, exposition, pentes, rayonnement, altitude) sont mis en tableau (tab. I-8). La position du pixel dans l’image en ligne et colonne est également archivée pour les besoins des traitements.

Tableau I-6 : Informations morphotopographiques dérivées du MNT et exprimées en cinq classes

130Dans la mesure où les données dont nous disposons sont hétérogènes de nature (quantitatives ou qualitatives), nous les avons recodées sous forme binaire, opération qui conduit à réduire toute l’information en une suite de 0 et de 1 (tab. I-9). La matrice que l’on obtient comporte donc 2 999 lignes et 28 colonnes.

Tableau I-7 : Données sur les composants du paysage (10 premiers points de l’échantillon)

Tableau I – 8 : Recodage de l’information sous forme de matrice binaire

131Cette transformation est un des moyens dont nous disposons pour réaliser la « mise à plat de l’information » et faciliter l’approche objective du paysage que nous recherchons.

3.3.2. Les paysages et leur structure

132A l’issue de cette phase de préparation, les données se présentent sous la forme requise pour être soumise à divers traitements mathématiques destinés à faire apparaître les structures logiques qui organisent le paysage. A cet égard, l’analyse factorielle des correspondances constitue un outil intéressant puisque le résultat auquel elle conduit prend la forme de graphiques synthétiques dont l’interprétation aide à faire ressortir les structures logiques en question. C’est ce que montre la figure I-22 (fig. I – 22, XVII).

133On y voit comment les différents descripteurs du paysage que nous avons retenus se rapprochent en fonction des combinaisons les plus fréquentes qui s’observent sur le terrain. Ce type de traitement amène à reconnaître des principes organisateurs du paysage grâce à l’interprétation des axes qui structurent le graphique.

134L’axe horizontal (axe 1) est le plus significatif ; il ordonne les éléments de l’analyse en fonction de deux pôles : à gauche se trouvent les paysages humanisés où cultures et bâti sont associés aux altitudes et aux pentes les plus faibles, avec parfois la présence d’eau. A droite, se regroupent les caractères qui décrivent les paysages où la nature s’impose à la fois par la vigueur des formes (pentes, altitudes) et par le couvert végétal, constitué de forêts de feuillus ou de résineux. Entre ces ensembles opposés, les paysages de vignes, prairies et buissons prennent une place intermédiaire. Secondairement, l’axe vertical (axe 2) distingue, parmi les paysages à forte composante naturelle, ceux qui présentent une topographie relativement douce et ceux dont le relief s’exacerbe. Enfin sur un troisième axe qui n’est pas représenté ici, se différencient, toujours en fonction de la topographie, les paysages d’adret et d’ubac.

135La mise en ordre graphique qui résulte de l’analyse constitue un modèle de classement des paysages dont on peut étendre l’application à l’ensemble de la zone : chaque pixel, autrement dit chaque portion de terrain de 30 mètres de côté, peut être replacé dans le référentiel mathématique que constituent les axes factoriels. A la suite de cette opération, il est possible de faire correspondre à chacun des axes en question une représentation cartographique sous la forme d’une image en niveau de gris. Celle-ci explicite la façon dont l’axe et surtout la signification qui s’y rapporte structurent l’espace géographique. L’image de la figure I-23 (fig. I – 23, XVIII) opère la synthèse du graphe factoriel et transcrit les axes 1, 2 et 3 respectivement par les composantes rouge, vert et bleu.

3.3.3. Typologie des paysages par classification automatique

136L’analyse des correspondances en générant des axes factoriels donne lieu à un nouveau système de coordonnées dans lequel se positionnent individus et caractères. Grâce à la matrice de distance ainsi construite, il est possible de procéder à une classification automatique. Dans le cas présent, la mise en œuvre de la classification conduit à reconnaître huit types de paysages dont la définition est en concordance logique avec les résultats de l’analyse factorielle (fig. I-24, XIX).

137La généralisation spatiale déjà mise en œuvre pour représenter les résultats de l’analyse factorielle, peut être reprise ici et donner lieu à la confection d’une carte des types paysagers (fig. I-25, XX).

3.3.4. Définition des unités paysagères

138Les cartes auxquelles les différents traitements ont abouti nous permettent de repérer des « logiques de partition de l’espace ». Celles-ci procèdent d’associations locales de types ou de couleurs. La mise en place de limites strictes pour la définition d’unités spatiales cohérentes reste in fine confiée à l’interprétation visuelle : les processus d’automatisation restent très lourds à mettre en œuvre avec des résultats incertains. L’analyse et la confrontation des documents nous ont amenés à proposer deux cartes d’unités paysagères : la première, la plus précise, suit au plus près les indications visuelles tirées des cartes ; elle est renvoyée en annexe ; la seconde propose une simplification par regroupements spatialement cohérents formant sept unités paysagères (fig. I-26, XXI). L’information fournie par ce dernier document sera reprise pour procéder aux ajustements requis par la modélisation économétrique.

139Les ensembles identifiés s’établissent comme suit :

  • Vallées alluviales (Saône, Ouche, Tille, Doubs), dénommées « Plaine dijonnaise » dans le chapitre III
  • Collines dijonnaises, dénommées « Nord Plaine dijonnaise » dans le chapitre III
  • Plaine de Cîteaux, dénommée « Sud Plaine dijonnaise » dans le chapitre III
  • Côte d’Or et plateaux, dénommés « Arrière-côte et plateaux » dans le chapitre III
  • Châtillonnais
  • Auxois
  • Morvan

140Les unités paysagères ainsi désignées et délimitées concordent avec celles qui ont déjà été consacrées par l’usage. Cependant, ce détour par l’analyse numérique n’est pas superflu, car il confère à ce zonage une assise objective qu’il était nécessaire de vérifier pour caler la modélisation économétrique.

Conclusion

141La confection préalable de la base de données représente un budget et un travail importants, à assortir de compétences spécifiques que l’équipe investie dans ce projet de recherche a dû réunir.

  • 7 La France est en retard en cette matière sur d’autres pays, comme les Etats-Unis, où des données su (...)

142A ce titre, il faut d’abord mentionner une pré-enquête qui a été réalisée en 2000 auprès d’opérateurs du marché immobilier (notaires, agences, agents fonciers) et qui a permis d’asseoir notre hypothèse de recherche grâce aux connaissances de terrain venues de ces experts. Ensuite, des négociations ont été menées avec PERVAL pour en obtenir des données individuelles sur les transactions immobilières7. Grâce à l’accord obtenu, nous avons pu constituer la base nécessaire. Toutefois, il a fallu en éliminer certaines erreurs de saisie (11 salles de bain au lieu d’une ;…) ou transactions atypiques (une parcelle résidentielle dépassant un hectare, …). Ce toilettage représente un travail en partie informatisable, grâce à des règles de cohérence entre variables, mais qui a dû être complété manuellement. Le géoréférencement des transactions est aussi une opération hybride, à la fois automatique et manuelle, car une bonne partie du travail fut faite sur cartes et feuilles cadastrales par un opérateur recruté pour la circonstance et formé à la gestion de l’information géographique.

143L’information paysagère représente également un coût d’acquisition important, même si le prix des images satellites est orienté à la baisse, et surtout, elle a exigé la mise en œuvre de protocoles spécifiques pour automatiser les traitements et les rendre reproductibles. Nous avons par exemple insisté sur la nécessité de conserver, à travers les échelles, l’importance de certains thèmes paysagers comme les formations arborées ou les routes ; pour y parvenir, il a fallu dilater les surfaces occupées par ces éléments dans la base à 7 mètres avant de rééchantillonner l’image pour constituer la base à 30 mètres. De plus, le passage d’une image satellite brute à une carte de l’occupation du sol distinguant un petit nombre de types, demande de multiples allers-retours avant validation, de manière à lever les confusions majeures entre objets de nature différentes mais aux signatures spectrales voisines. Des règles de discrimination reposant sur l’analyse contextuelle des pixels concernés ont été établies pour lever ce type de difficultés.

144L’acquisition et la mise en forme préalable des données constitue un élément à part entière de la recherche. Ce qui a été réalisé ici constitue une expérience précieuse dont nous avons voulu préciser les termes dans l’idée d’étendre, le cas échéant, l’investigation à d’autres espaces où une expertise équivalente serait souhaitée. En effet, la qualité des résultats est fortement contrainte par celle des données, il convient de garder en mémoire les précautions prises à l’occasion de ce chapitre lorsqu’il s’agira de définir, au chapitre III, la portée et les limites des modèles économiques qui viendront.

145Avant d’aborder, dans le chapitre qui suit, les questions de méthodes géographique et économique qui ont permis d’exploiter ces données, retenons également les traitements préliminaires qui en ont été faits ici. Ils apportent des informations sur la géographie du marché immobilier, sur celle des paysages de la région étudiée, et ils suggèrent des hypothèses reliant l’une à l’autre.

146Ainsi se trouve vérifié un des principaux mécanismes économiques responsable des localisations résidentielles : l’éloignement des centres urbains, en l’occurrence de la ville de Dijon, se traduit par une baisse des valeurs foncières et une augmentation de la taille des lots résidentiels. Les différences de coût de transport pour accéder aux emplois urbains sont évidemment à la source de ces gradients de prix et de surface.

147La classification des paysages fait apparaître un gradient logique qui va des paysages fortement humanisés aux paysages où la « nature » s’impose. Cette opération qui prend appui sur des traitements quantitatifs, donne lieu à une traduction cartographique. Celle-ci révèle et retrouve, avec la caution d’une méthode fermement éprouvée, l’opposition classique en région dijonnaise entre les paysages animés qui, à l’ouest de l’escarpement de la Côte d’Or, mêlent bois et cultures, et ceux de plaine qui, à l’est, sont habillés de grands massifs boisés et de vastes parcelles agricoles.

148Retenons également que la répartition des acheteurs de maison ou de terrain à bâtir oppose elle aussi, est et ouest de la région d’étude. Ce résultat révèle sans doute l’attrait qu’exercent, sur les classes sociales à fort pouvoir d’achat, les paysages dont les aménités qu’ils offrent renforcent les mécanismes ségrégatifs, largement étudiés en économie et que nous retrouvons ici (« qui se ressemble s’assemble »). Dans ce cas, la géographie des paysages viendrait pourvoir la géographie sociale en arguments explicatifs, hypothèse qui, formulée en conclusion de ce chapitre, illustre l’intérêt des approches croisées que nous abordons maintenant.

Notes

1 Les figures hors texte sont regroupées à la fin de l’ouvrage dans des cahiers numérotés en chiffres romains I à L.

2 Nous parlons de « ceinture périurbaine » pour désigner cet ensemble constitué de la couronne périurbaine (199 communes), des communes multipolarisées (34) et des communes de l’espace à dominante rurale (72) incluses dans la région d’étude. L’Institut national de la statistique et des études économiques (INSEE) définit les pôles urbains comme des unités urbaines offrant plus de 5000 emplois. Ils sont constitués d’une commune-centre et de communes de banlieue. La ceinture périurbaine susceptible d’entourer ce pôle urbain est constituée de communes – rurales ou urbaines - dont au moins 40 % des personnes actives occupées travaillent dans une autre commune de l’aire urbaine, cette dernière étant l’ensemble constitué par le pôle urbain et la couronne périurbaine. Les communes multipolarisées sont celles qui dépassent le seuil de 40 % des actifs occupés travaillant hors de leur commune de résidence, mais qui se répartissent entre plusieurs aires urbaines. L’ensemble des aires urbaines et des communes multipolarisées constitue l’espace à dominante urbaine. Les autres communes forment l’espace à dominante rurale.

3 Les références bibliographiques sont regroupées pages 177 à 184

4 Nous parlerons de « transactions », ou de surfaces « échangées », sachant qu’il ne saurait y avoir d’ambiguïté compte tenu de cette origine des données.

5 Après avoir classé les valeurs d’une série par ordre croissant, on peut y déterminer quatre groupes égaux appelés quartiles et représentant chacun 25 % de l’effectif total. Q1 correspond à la valeur la plus élevée du premier quartile où sont rangées les valeurs les plus basses. Q2 correspond à la valeur la plus élevée du deuxième quartile et détermine la médiane qui partage l’effectif en deux moitiés. Q3 marque de la même manière la limite supérieure du troisième quartile. Ces trois valeurs, Q1, Q2, Q3 sont couramment utilisées comme repères pour caractériser rapidement une série statistique. Par commodité, l’usage fait que Q1 est désigné comme premier quartile, Q2 comme médiane et Q3 comme troisième quartile. C’est ce que nous ferons ici.

6 Hors transactions réalisées dans la commune de Dijon.

7 La France est en retard en cette matière sur d’autres pays, comme les Etats-Unis, où des données sur les marchés fonciers et immobiliers sont disponibles pour les chercheurs. Cela explique le retard de notre pays en termes de publications dans ces domaines, faute de données. Pourtant, les transactions sont enregistrées par des agents remplissant des fonctions publiques et par des services publics (notaires, Conservation des hypothèques) ; elles sont intégrées à des bases de données permanentes (Œil, base constituée par les Services fiscaux) ou ponctuelles (le ministère en charge de l’Equipement en a réalisé plusieurs). Les raisons de cette rétention de données sont obscures. Celle tenant au respect des données individuelles ne peut être sérieusement soutenue : nous avons sollicité et obtenu l’accord de la Commission nationale informatique et libertés (CNIL) pour l’accès aux données de PERVAL, et la présente publication montre comment les chercheurs réalisent des travaux qui respectent l’anonymat des données.

Table des illustrations

Légende © INRA-CESAER/THéMA. Source : Perval.Tableau I-1 : Répartition des transactions de terrains nus (1995-2002)
URL http://books.openedition.org/pufc/docannexe/image/27907/img-1.jpg
Fichier image/jpeg, 37k
Légende © INRA-CESAER/THéMA. Source : Perval.Tableau I-2 : Valeurs médianes des surfaces et du prix des terrains nus selon la catégorie socioprofessionnelle de l’acquéreur (1995-2002)
URL http://books.openedition.org/pufc/docannexe/image/27907/img-2.jpg
Fichier image/jpeg, 64k
Légende © INRA-CESAER/THéMA. Source : Perval.Tableau I-3 : Répartition des transactions de maisons individuelles (1995-2002)
URL http://books.openedition.org/pufc/docannexe/image/27907/img-3.jpg
Fichier image/jpeg, 42k
Légende © INRA-CESAER/THéMA. Source : Perval.Tableau I-4 : Catégories socioprofessionnelles des acquéreurs de maisons individuelles (1995-2002)
URL http://books.openedition.org/pufc/docannexe/image/27907/img-4.jpg
Fichier image/jpeg, 59k
Légende © INRA-CESAER/THéMA. Source : Perval.Tableau I-5 : Valeurs médianes des surfaces de lot et du prix des maisons individuelles selon la catégorie socioprofessionnelle de l’acquéreur (1995-2002)
URL http://books.openedition.org/pufc/docannexe/image/27907/img-5.jpg
Fichier image/jpeg, 56k
Légende Tableau I-6 : Informations morphotopographiques dérivées du MNT et exprimées en cinq classes
URL http://books.openedition.org/pufc/docannexe/image/27907/img-6.jpg
Fichier image/jpeg, 27k
Légende Tableau I-7 : Données sur les composants du paysage (10 premiers points de l’échantillon)
URL http://books.openedition.org/pufc/docannexe/image/27907/img-7.jpg
Fichier image/jpeg, 37k
Légende Tableau I – 8 : Recodage de l’information sous forme de matrice binaire
URL http://books.openedition.org/pufc/docannexe/image/27907/img-8.jpg
Fichier image/jpeg, 38k

© Presses universitaires de Franche-Comté, 2006

Conditions d’utilisation : http://www.openedition.org/6540

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search