• Contenu principal
  • Menu
OpenEdition Books
  • Accueil
  • Catalogue de 15900 livres
  • Éditeurs
  • Auteurs
  • Facebook
  • X
  • Partager
    • Facebook

    • X

    • Accueil
    • Catalogue de 15900 livres
    • Éditeurs
    • Auteurs
  • Ressources numériques en sciences humaines et sociales

    • OpenEdition
  • Nos plateformes

    • OpenEdition Books
    • OpenEdition Journals
    • Hypothèses
    • Calenda
  • Bibliothèques

    • OpenEdition Freemium
  • Suivez-nous

  • Lettre d’information
OpenEdition Search

Redirection vers OpenEdition Search.

À quel endroit ?
  • Éditions Quæ
  • ›
  • Update Sciences & Technologie
  • ›
  • Télédétection et modélisation spatiale...
  • ›
  • Partie 1 - Informations spatiales pour l...
  • ›
  • Chapitre 4 - Du recensement au bâtiment ...
  • Éditions Quæ
  • Éditions Quæ
    Éditions Quæ
    Informations sur la couverture
    Table des matières
    Liens vers le livre
    Informations sur la couverture
    Table des matières
    Formats de lecture

    Plan

    Plan détaillé Texte intégral Désagréger et redistribuer la population Population synthétique, une méthodologie au service d’une analyse spatiale fine des problématiques de santé Conclusion Bibliographie Notes de bas de page Auteurs

    Télédétection et modélisation spatiale

    Ce livre est recensé par

    Précédent Suivant
    Table des matières

    Chapitre 4 - Du recensement au bâtiment : génération de populations synthétiques

    Alexandre Cebeillac, Olivier Gillet et Éric Daudé

    p. 62-72

    Texte intégral Bibliographie Notes de bas de page Auteurs

    Texte intégral

    1La connaissance de la répartition des populations humaines à haute résolution spatiale est un enjeu majeur pour l’étude des maladies vectorielles. Dans le cas de la dengue, la taille des foyers infectieux varie en effet entre 200 et 800 m de rayon (Salje et al., 2012), ce qui induit de possibles explosions épidémiques dans les zones les plus peuplées. Ceci conduit à une stratégie éprouvée de la lutte antivectorielle avec des interventions ciblées autour des domiciles de cas index pour limiter l’apparition et la taille des clusters. En cas de présence de plusieurs foyers, cette stratégie doit être affinée pour prioriser les interventions dans les zones les plus à risque, donc potentiellement les plus peuplées, avec une présence avérée de vecteurs. Le couplage de données épidémiologiques (p. ex. via les hôpitaux sentinelles) et entomologiques (comme des cartes de risque de présence de moustiques) avec la répartition de la population doit donc permettre de mieux anticiper les risques d’apparition et de propagation de foyers infectieux.

    2Véritables outils d’intervention sur le terrain, les cartes de population ou de densité de population à une échelle spatiale très fine ne sont malheureusement pas disponibles dans une grande partie des métropoles des zones intertropicales où la dengue sévit tout particulièrement. En effet, les données institutionnelles sont généralement agrégées selon un découpage administratif qui ne fait pas sens pour les mécanismes épidémiologiques. Par ailleurs, elles sont souvent trop anciennes au regard des taux de croissance élevés que connaissent certaines mégapoles et, parfois aussi, inexistantes. Si ces deux derniers aspects, liés aux capacités de recensement de chaque État et/ou municipalité, ne sont pas du ressort de ce chapitre, il est toutefois possible d’appliquer des algorithmes de désagrégation spatiale des données disponibles à une échelle large afin de ventiler la population à des résolutions spatiales plus fines (Viel et Tran, 2009). Des projets comme Landscan (Dobson et al., 2000), Worldpop (Linard et Tatem, 2012) ou Global Human Settlement Layer (GHSL ; Florczyk et al., 2019) vont dans cette direction en proposant des cartes de répartition de la population à l’échelle mondiale avec des résolutions spatiales maximales de l’ordre du kilomètre et jusqu’à 250 m.

    3Pour aller plus loin dans la désagrégation spatiale des données de population, nous présentons un cas d’étude sur Bangkok (Thaïlande). Pour cette métropole, nous disposons des données de recensement de la population à l’échelle de l’arrondissement, ainsi que d’une couche représentant les bâtiments en deux dimensions. Nous décrivons ensuite une seconde méthode de ventilation des données de population sur un autre site, Rouen (France). Nous montrons l’utilisation d’algorithmes qui permettent d’estimer la répartition de la population par bâtiment, ainsi que la description réaliste de la composition de chaque ménage. Ce dernier aspect peut être tout particulièrement intéressant dans le contexte de la dengue pour laquelle il existe un lien fort entre taux d’immunité de la population et pyramide des âges au sein de la population. Les résultats de ces algorithmes peuvent également représenter une source de données utilisable dans le cadre de modèles de simulation (chapitre 9).

    Désagréger et redistribuer la population

    Cartographie dasymétrique classique

    4Utilisée dès 1911 par Semenov-Tian-Shansky (Petrov, 2012) et popularisée par Wright en 1936 (Li et Weng, 2005), la cartographie dasymétrique (littéralement « mesure de densité ») consiste à distribuer la population connue depuis une zone source vers un ensemble de zones cibles sur la base de caractéristiques thématiques. Historiquement, il s’agissait de redistribuer la population d’une zone administrative dans les zones habitées de cette même entité spatiale. Ce principe a été progressivement affiné par l’emploi des régressions linéaires multiples entre la population enregistrée par maille et l’utilisation/occupation du sol de cette même maille (équation 1).

    Ps = β0 + β1U1 + β2U2 + … + βnUn (équation 1)

    5Cette méthode propose de décrire la distribution de la population Ps d’une zone source à l’aide d’une régression multiple où à chaque type d’utilisation du sol Un est associé un coefficient βn. Ces coefficients, qui représentent les densités de population associées aux différentes classes d’utilisation du sol, sont ensuite utilisés comme pondérateurs pour désagréger la population source vers chaque zone cible, en fonction de sa surface. Idéalement, le coefficient de corrélation doit tendre vers 1.

    6Cette méthode a donc été utilisée pour estimer la population de Bangkok à échelle fine (Misslin et Daudé, 2017) à partir des images satellite OLI et TIRS (Landsat 8). La part de bâti lâche, dense et très dense au sein des sous-districts de la capitale thaïlandaise a été estimée à partir d’une classification non supervisée. La cartographie dasymétrique dans ce contexte repose sur l’hypothèse qu’un pixel de bâti dense accueillera plus de population qu’un pixel de bâti épars. Chaque pixel se voit donc attribuer un coefficient (β) obtenu à partir de la régression multiple sur l’ensemble de la zone et correspondant à sa catégorie (U), que l’on multiplie par la population de la zone géographique dans laquelle il se situe (figure 4.1).

    7Comme les images satellite Landsat 8 sont disponibles pour l’ensemble de la planète et que la méthodologie employée est éprouvée (Hallot et al., 2019), cette approche a l’avantage d’être théoriquement reproductible en différents lieux, dès lors qu’il existe des données de recensement dans la zone étudiée. D’autres données thématiques peuvent également être utilisées pour caractériser le lien avec la distribution de la population, telles que le taux d’imperméabilisation des sols et leur surface relative (Hallot et al., 2019) ou encore les données de luminosité artificielle du ciel nocturne (Briggs et al., 2007).

    8Néanmoins, toute classification non supervisée reste imparfaite et l’apparition de nouveaux services proposant des données relatives à l’emprise spatiale des bâtiments et à leur utilisation (Google Maps, ESRI22, etc.) ouvre de nouvelles perspectives. Il s’agit alors de dénombrer les bâtiments habités et de prendre en compte leur emprise spatiale par zone de recensement pour appliquer les mêmes approches par régression linéaire. Les données issues du projet OpenStreetMap (OSM), par exemple, sont disponibles gratuitement et renseignent les types d’occupation et d’utilisation du sol d’une zone géographique donnée et, parfois, l’empreinte géographique des bâtiments. Mais le niveau d’exhaustivité et de véracité des données de ce projet participatif dépend grandement du lieu étudié. D’une grande précision en France, ces informations ne sont pas aussi précises dans d’autres zones du monde, notamment à Bangkok. Il est cependant possible, avec la démultiplication des producteurs de données géospatiales, de contourner cet obstacle.

    Figure 4.1. Répartition de la population à Bangkok sur une maille de 30 × 30 m par cartographie dasymétrique. Source : Misslin et Daudé (2017).

    Image

    Affiner les données thématiques pour améliorer la cartographie dasymétrique

    9Les méthodes de webscrapping permettent d’accéder à des bases de données en ligne (privées ou non), comme celles issues du WMS (Web Map Service) d’ESRI. Ces bases de données permettent d’obtenir une carte thématique décrivant l’emprise spatiale des bâtiments (figure 4.2a). À Bangkok, une comparaison visuelle entre les images satellite et les données représentant les bâtiments issues du WMS ESRI montre une bonne représentativité qualitative de ces dernières. Un code a donc été développé pour extraire l’ensemble de ces informations23, tout d’abord sous forme de raster (figure 4.2b), puis de façon vectorisée24 (figure 4.2c et d), formant une base de données de 1,4 million de polygones.

    Figure 4.2. Processus d’extraction de bâtiments à partir d’une image du WMS d’ESRI.

    Image

    (a) La base de données brutes, (b) le changement d’intensité des couleurs, (c) l’extraction des polygones bâtis et (d) leur projection sur l’image satellite pour comparaison visuelle.

    10Cette couche 2D des bâtiments de Bangkok25 permet, pour chaque zone (ici les sous-districts), de calculer un nombre de bâtiments, un périmètre cumulé de ces bâtiments et une surface de bâti. Bangkok est également une ville où se mêlent des quartiers sinueux faits de constructions de un à deux étages et de grands buildings d’habitation. L’ajout de données sur l’estimation de la hauteur peut donc apporter une information supplémentaire utile pour désagréger la population. Pour ce faire, nous avons collecté les données de la mission SRTM (Shuttle Radar Topography Mission) qui permettent d’obtenir des modèles numériques d’élévation (MNE) avec une résolution au sol d’environ 30 m à l’équateur26. Un modèle numérique de terrain (MNT) a ensuite été construit en interpolant l’altitude moyenne des canaux et rivières de la ville pour définir un niveau de base que nous avons soustrait au MNE, afin d’obtenir l’élévation locale27. Enfin, les zones habitées ont été distinguées des zones non habitées grâce à la couche d’utilisation du sol issue d’OSM. Celle-ci a permis de supprimer les bâtiments situés dans des zones non résidentielles (temples, zones industrielles, centres commerciaux, zones de loisirs, etc.) ainsi que les zones végétalisées ou en eau.

    11À partir de ces données, sont calculées plusieurs régressions linéaires entre la population à Bangkok par sous-districts et les informations sur l’utilisation du sol : le nombre de bâtiments, la superficie de l’emprise spatiale du bâti, le linéaire de bâti et l’altitude moyenne dans chacun de ces sous-districts (figure 4.3a). Nous sélectionnons ensuite la combinaison de facteurs issue de l’équation 1 qui permet d’obtenir une erreur moyenne absolue la plus faible possible et le meilleur coefficient de corrélation. Ce dernier est obtenu en utilisant tous les indicateurs de bâti (figure 4.3b), mais la combinaison d’au moins deux paramètres (peu importe lesquels) donne des coefficients de corrélation R² supérieurs à 0,81. En effet, au regard de la figure 4.3a la plupart des paramètres qui caractérisent le bâti sont très corrélés avec la population (R² > 0,75).

    Figure 4.3a. Liens entre les caractéristiques des bâtiments d’une zone géographique et la population associée.

    Image

    (a) Corrélations (R²) entre paires de paramètres et (b) régression entre la population connue au sous-district et la population estimée avec l’ensemble des indicateurs d’occupation du sol (droite noire, la droite bleue correspond à la relation y = x).

    Figure 4.3b. Liens entre les caractéristiques des bâtiments d’une zone géographique et la population associée.

    Image

    (a) Corrélations (R²) entre paires de paramètres et (b) régression entre la population connue au sous-district et la population estimée avec l’ensemble des indicateurs d’occupation du sol (droite noire, la droite bleue correspond à la relation y = x).

    12Nous procédons ensuite en trois étapes : tout d’abord nous créons une grille de maille d’une taille désirée, par exemple 50 m, à laquelle nous inférons les informations sur les bâtiments (le nombre, la longueur, la hauteur et la surface de bâti dans chaque maille) ; ensuite nous appliquons à chacune des mailles les coefficients de la régression linéaire qui lient la population à ces indicateurs à l’échelle du sous-district ; et enfin, nous ajustons la population au sein de chaque maille selon le sous-district de sorte à conserver la population des arrondissements du recensement. Nous obtenons alors une ventilation de la population dans une maille de résolution donnée (figure 4.4b). Néanmoins, comme le montre la figure 4.4c, selon les modèles de régression multiple utilisés en entrée, des différences locales importantes peuvent survenir. Elles se situent essentiellement dans des zones où la hauteur des bâtiments est importante, ce qui implique que les régressions qui prennent en compte l’élévation vont tendre à concentrer la population dans ces mailles, à l’inverse des autres approches qui vont répartir la population de manière plus homogène.

    13La cartographie à haute résolution spatiale des densités de population peut donc aider à la décision (contrôle vectoriel accru dans les zones les plus denses) ou être utilisée comme donnée d’entrée pour différents modèles (voir chapitre 9). Pour ces derniers, les évolutions les plus récentes conduisent à aller encore plus loin dans la qualification des données de population à haute résolution spatiale. Il s’agit non plus seulement de décompter le nombre de personnes présentes dans une zone, mais de caractériser chacun des individus présents dans la zone. Nous illustrons cette démarche sur la commune de Rouen.

    Figure 4.4. Estimation de la population à Bangkok par cartographie dasymétrique.

    Image

    (a) Résolutions de 500 m et (b) 50 m avec tous les paramètres de bâti pris en compte ; (c) écat-type sur 10 estimations.

    Population synthétique, une méthodologie au service d’une analyse spatiale fine des problématiques de santé

    14La construction d’une population synthétique consiste à concevoir un ensemble exhaustif et statistiquement représentatif d’individus et de ménages sur un territoire donné (Lovelace et Dumont, 2016). Plusieurs méthodes (reconstruction synthétique, optimisation combinatoire, apprentissage statistique) ont été développées ces dernières années pour générer une population d’agents avec des attributs démographiques réalistes. La disponibilité des données et le niveau de précision de celles-ci vont participer au choix de la méthodologie à employer : avec ou sans échantillon, déterministe ou stochastique.

    Principe des générateurs de populations synthétiques

    15L’algorithme le plus utilisé pour générer une population synthétique est l’IPF, pour Iterative Proportional Fitting (Hörl et Balac, 2021). Cet algorithme utilise deux types de données : un échantillon représentatif d’individus décrit selon plusieurs modalités et le nombre total d’individus dans la population par modalité. L’algorithme va alors générer une population d’individus équivalant à la population globale tout en respectant la distribution relative de l’échantillon par modalités croisées. L’IPF n’est cependant pas adapté pour respecter des contraintes d’emboîtement, par exemple un nombre de ménages composés de n individus. Cet algorithme vise en effet une répartition optimale à l’échelle soit des ménages soit des individus (Khachman et al., 2021). Cette perte d’information peut être problématique notamment pour la prise en compte des mobilités des individus, celles-ci dépendant à la fois des caractéristiques individuelles et du ménage. D’autres méthodes ont été développées pour pallier cette perte comme l’Iterative Proportional Update (Ye et al., 2009) ou le Hierarchical Iterative Proportional Fitting (Yameogo et al., 2021). Ces algorithmes prennent donc en considération non seulement les informations au niveau individuel, mais aussi au niveau des ménages dans leurs processus de reconstruction synthétique.

    De la population aux ménages, du ménage à l’individu

    16La France, via les recensements de la population, dispose d’informations très précises sur les caractéristiques de la population : âge, profession, moyens de transport utilisés, conditions de logement, etc. Ces données (2017) sont ici mobilisées pour générer une population synthétique à partir de l’algorithme IPF sur l’ensemble des IRIS (îlots regroupés pour l’information statistique) de la commune de Rouen. Au total, 62 121 ménages et 110 142 individus ont été générés sur l’ensemble des 42 IRIS de la zone d’étude. La seconde étape dans ce processus de génération consiste à ventiler les individus et les ménages dans les bâtiments de chacun des IRIS. Il faut d’abord estimer le nombre d’habitants à partir des caractéristiques des bâtiments résidentiels de la BD TOPO28 de l’IGN. Le nombre d’habitants est donc fonction du nombre d’étages, de la superficie de chaque étage au prorata de la surface totale des bâtiments résidentiels. Les ménages sont ensuite ventilés dans les bâtiments en fonction du nombre d’individus qui les composent et de la capacité d’accueil théorique des logements.

    17La figure 4.5 présente quelques résultats de cette génération de population synthétique sur trois IRIS de la commune de Rouen (Vieux-Marché – Palais de Justice, Vieux-Marché – Saint-Patrice, Beauvoisine). La carte représente le nombre de ménages dans chaque bâtiment et l’histogramme présente la distribution des types de ménage dans les trois IRIS. La même méthode peut ensuite être employée pour ventiler la population en fonction de la pyramide des âges.

    Figure 4.5. Répartition des ménages sur trois IRIS à Rouen. Répartition spatiale.

    Image

    Figure 4.5. Répartition des ménages sur trois IRIS à Rouen. Structure des groupes sociaux : (1) ménage d’une seule personne, (2) famille monoparentale, (3) couple sans enfant, (4) couple avec enfant et (5) ménages complexes.

    Image

    Conclusion

    18La connaissance de la répartition des populations doit permettre de limiter les risques d’exposition des humains aux maladies à transmission vectorielle. Le risque épidémique résulte en effet de la coprésence spatiale et temporelle des hôtes et des vecteurs. Nous avons montré dans ce chapitre quelques-unes des méthodes qui permettent, depuis diverses sources de données, de désagréger des données issues de recensements qui sont très souvent disponibles à un maillage administratif assez peu pertinent pour des enjeux épidémiologiques. Si la spatialisation des individus est à ce jour possible à une très haute résolution spatiale, l’un des enjeux à venir est de s’attaquer à l’évolution temporelle de ces spatialités. Les données sociodémographiques que nous avons utilisées ici reposent en effet sur des recensements au lieu de résidence, elles ne permettent donc pas d’évaluer les risques d’exposition des individus lors de leurs déplacements.

    Bibliographie

    Des DOI sont automatiquement ajoutés aux références bibliographiques par Bilbo, l’outil d’annotation bibliographique d’OpenEdition. Ces références bibliographiques peuvent être téléchargées dans les formats APA, Chicago et MLA.

    Format

    • APA
    • Chicago
    • MLA
    Viel, J.-F., & Tran, A. (2009). Estimating Denominators. Ovid Technologies (Wolters Kluwer Health). https://doi.org/10.1097/ede.0b013e31819670dc
    Viel, Jean-François, and Annelise Tran. “Estimating Denominators”. Epidemiology. Ovid Technologies (Wolters Kluwer Health), March 2009. doi:10.1097/ede.0b013e31819670dc.
    Viel, Jean-François, and Annelise Tran. “Estimating Denominators”. Epidemiology, vols. 20, nos. 2, Ovid Technologies (Wolters Kluwer Health), Mar. 2009, pp. 214-22. Crossref, https://doi.org/10.1097/ede.0b013e31819670dc.

    Cette bibliographie a été enrichie de toutes les références bibliographiques automatiquement générées par Bilbo en utilisant Crossref.

    Briggs D.J., Gulliver J.S., Fecht D., Vienneau D., 2007. Dasymetric modelling of small-area population distribution using land cover and light emissions data. Remote Sensing of Environment, 108, 451-466.

    Dobson J., Bright E., Coleman P., Durfee R., Worley B., 2000. LandScan: A Global Population Database for Estimating Populations at Risk. Photogrammetric Engineering & Remote Sensing, 66 (7), 849-857.

    Florczyk A., Corban C., Ehrlich D., Freire S., Kemper T., Maffenini L., Melchiorri M., Pesaresi M., Politis P., Schiavina M., Sabo F., Zanchetta L., 2019. GHSL Data Package, JRC Technical Report, Publications Office of the European Union, Luxembourg.

    Hallot E., Tais G., Stephenne N., Wolff E., 2019. Cartographie détaillée de la densité de population : comparaison de méthodes dasymétriques. Dynamiques régionales, 8 (2), 35–56.

    Hörl S., Balac M., 2021. Synthetic population and travel demand for Paris and Île-de-France based on open and publicly available data. Transportation Research Part C: Emerging Technologies, 130, 103291.

    Khachman M., Morency C., Ciari F., 2021. Impact of the Geographic Resolution on Population Synthesis Quality. ISPRS International Journal of Geo-Information, 10 (11), 790.

    Li G., Weng Q., 2005. Using Landsat ETM+ Imagery to Measure Population Density in Indianapolis, Indiana, États-Unis. Photogrammetric Engineering & Remote Sensing, 71 (8), 947–958.

    Linard C., Tatem A.J., 2012. Large-scale spatial population databases in infectious disease research. International Journal of Health Geographics, 11, 7.

    Lovelace R., Dumont M., 2016. Spatial Microsimulation with R, CRC Press, 260 p. (Chapman & Hall/CRC The R Series).

    Misslin R., Daudé É., 2017. An environmental suitability index based on the ecological constraints of Aedes aegypti, vector of dengue. Revue internationale de géomatique, 27, 481-502.

    Petrov A., 2012. One Hundred Years of Dasymetric Mapping : Back to the Origin. The Cartographic Journal, 49, 256-264.

    Salje H., Lessler J., Endy T.P., Curriero F.C., Gibbons R.V., Nisalak A., Nimmannitya S., Kalayanarooj S., Jarman R.G., Thomas S.J., Burke D.S., Cummings D.A., 2012. Revealing the microscale spatial signature of dengue transmission and immunity in an urban population. Proceedings of the National Academy of Sciences of the United States of America, 109 (24), 9535-9538.

    Viel J.-F., Tran A., 2009. Estimating denominators: satellite-based population estimates at a fine spatial resolution in a European urban area. Epidemiology, 20 (2), 214-222.

    10.1097/EDE.0b013e31819670dc :

    Yameogo B.F., Vandanjon P.-O., Gastineau P., Hankach P., 2021. Generating a Two-Layered Synthetic Population for French Municipalities: Results and Evaluation of Four Synthetic Reconstruction Methods. Journal of Artificial Societies and Social Simulation, 24 (2), 5.

    Ye X., Konduri K.C., Pendyala R.M., Sana B., Waddell P., 2009. Methodology to Match Distributions of Both Household and Person Attributes in Generation of Synthetic Populations, in Transportation Research Board 88th Annual Meeting Compendium of Papers DVD, 11-15 January 2009, Washington DC, USA, 24 p.

    Notes de bas de page

    22 https://www.esrifrance.fr/

    23 À noter que la méthode de webscrapping employée est désormais légale aux yeux de la Cour de justice américaine, https://techcrunch.com/2022/04/18/web-scraping-legal-court/ .

    24 https://drive.univ-rouen.fr/f/a20e1dc3baad49caadec/?dl=1

    25 https://drive.univ-rouen.fr/f/d71c73ffd3504ae28068/?dl=1

    26 https://www2.jpl.nasa.gov/srtm/

    27 https://drive.univ-rouen.fr/f/f282bacb588e43818c75/?dl=1

    28 https://geoservices.ign.fr/documentation/donnees/vecteur/bdtopo

    Auteurs

    • Alexandre Cebeillac

      Postdoctorant à l’Institut Pasteur et hébergé à l’UMR IDEES (Normandie Université). Ses travaux portent essentiellement sur l’étude des mobilités humaines, notamment en contexte d’épidémies de dengue. Il s’appuie sur la collecte, l’analyse et le traitement de données massives et variées, allant de traces numériques géolocalisées aux images satellite, et participe à la production de modèles multi-agents.

    • Olivier Gillet

      Doctorant à l’UMR IDEES (université Rouen Normandie). Son travail de recherche porte sur la gestion du risque volcanique en Guadeloupe et, plus précisément, sur les stratégies d’évacuation massive de la population. L’objectif est, via la simulation informatique, d’explorer le champ des possibles en matière de scénarios éruptifs afin de fournir aux acteurs de la gestion de crise des informations relatives à ces diverses stratégies.

    • Éric Daudé

      Géographe, directeur de recherche au CNRS affecté à l’UMR IDEES (Normandie Université). Ses travaux portent sur l’étude des vulnérabilités des territoires et des populations à différents aléas (environnementaux et technologiques), les stratégies de gestion des risques (contrôle vectoriel) et des crises (évacuations massives de population) à partir de la conception de modèles de simulation spatiale et l’exploration de scénarios d’aléas.

    Précédent Suivant
    Table des matières

    Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0

    Le texte seul est utilisable sous licence Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International - CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

    Voir plus de livres
    Paroles de chercheurs

    Paroles de chercheurs

    Environnement et interdisciplinarité

    Évelyne Brun, Jean-François Ponge et Jean-Claude Lefeuvre

    2017

    La question des échelles en sciences humaines et sociales

    La question des échelles en sciences humaines et sociales

    Sébastien Boulay et Sylvie Fanchette (dir.)

    2019

    Systèmes agraires et changement climatique au Sud

    Systèmes agraires et changement climatique au Sud

    Les chemins de l'adaptation

    Hubert Cochet, Olivier Ducourtieux et Nadège Garambois (dir.)

    2019

    Les terres agricoles face à l’urbanisation

    Les terres agricoles face à l’urbanisation

    De la donnée à l’action, quels rôles pour l’information ?

    Roel Plant, Pierre Maurel, Éric Barbe et al. (dir.)

    2018

    Sociologie des changements de pratiques en agriculture

    Sociologie des changements de pratiques en agriculture

    L’apport de l’étude des réseaux de dialogues entre pairs

    Claude Compagnone

    2019

    Construire des politiques alimentaires urbaines

    Construire des politiques alimentaires urbaines

    Concepts et démarches

    Caroline Brand, Nicolas Bricas, Damien Conaré et al. (dir.)

    2017

    Services écosystémiques et protection des sols

    Services écosystémiques et protection des sols

    Analyses juridiques et éclairages agronomiques

    Carole Hermon (dir.)

    2018

    Manger en ville

    Manger en ville

    Regards socio-anthropologiques d’Afrique, d’Amérique latine et d’Asie

    Nicolas Bricas, Olivier Lepiller, Audrey Soula et al. (dir.)

    2020

    La santé globale au prisme de l'analyse des politiques publiques

    La santé globale au prisme de l'analyse des politiques publiques

    Sébastien Gardon, Amandine Gautier et Gwenola Le Naour

    2020

    Agroforesterie et services écosystémiques en zone tropicale

    Agroforesterie et services écosystémiques en zone tropicale

    Recherche de compromis entre services d’approvisionnement et autres services écosystémiques

    Josiane Seghieri et Jean-Michel Harmand (dir.)

    2019

    Méthodes d'investigation de l'alimentation et des mangeurs

    Méthodes d'investigation de l'alimentation et des mangeurs

    MIAM

    Olivier Lepiller, Tristan Fournier, Nicolas Bricas et al. (dir.)

    2021

    Télédétection et modélisation spatiale

    Télédétection et modélisation spatiale

    Applications à la surveillance et au contrôle des maladies liées aux moustiques

    Annelise Tran, Eric Daudé et Thibault Catry (dir.)

    2022

    Voir plus de livres
    1 / 12
    Paroles de chercheurs

    Paroles de chercheurs

    Environnement et interdisciplinarité

    Évelyne Brun, Jean-François Ponge et Jean-Claude Lefeuvre

    2017

    La question des échelles en sciences humaines et sociales

    La question des échelles en sciences humaines et sociales

    Sébastien Boulay et Sylvie Fanchette (dir.)

    2019

    Systèmes agraires et changement climatique au Sud

    Systèmes agraires et changement climatique au Sud

    Les chemins de l'adaptation

    Hubert Cochet, Olivier Ducourtieux et Nadège Garambois (dir.)

    2019

    Les terres agricoles face à l’urbanisation

    Les terres agricoles face à l’urbanisation

    De la donnée à l’action, quels rôles pour l’information ?

    Roel Plant, Pierre Maurel, Éric Barbe et al. (dir.)

    2018

    Sociologie des changements de pratiques en agriculture

    Sociologie des changements de pratiques en agriculture

    L’apport de l’étude des réseaux de dialogues entre pairs

    Claude Compagnone

    2019

    Construire des politiques alimentaires urbaines

    Construire des politiques alimentaires urbaines

    Concepts et démarches

    Caroline Brand, Nicolas Bricas, Damien Conaré et al. (dir.)

    2017

    Services écosystémiques et protection des sols

    Services écosystémiques et protection des sols

    Analyses juridiques et éclairages agronomiques

    Carole Hermon (dir.)

    2018

    Manger en ville

    Manger en ville

    Regards socio-anthropologiques d’Afrique, d’Amérique latine et d’Asie

    Nicolas Bricas, Olivier Lepiller, Audrey Soula et al. (dir.)

    2020

    La santé globale au prisme de l'analyse des politiques publiques

    La santé globale au prisme de l'analyse des politiques publiques

    Sébastien Gardon, Amandine Gautier et Gwenola Le Naour

    2020

    Agroforesterie et services écosystémiques en zone tropicale

    Agroforesterie et services écosystémiques en zone tropicale

    Recherche de compromis entre services d’approvisionnement et autres services écosystémiques

    Josiane Seghieri et Jean-Michel Harmand (dir.)

    2019

    Méthodes d'investigation de l'alimentation et des mangeurs

    Méthodes d'investigation de l'alimentation et des mangeurs

    MIAM

    Olivier Lepiller, Tristan Fournier, Nicolas Bricas et al. (dir.)

    2021

    Télédétection et modélisation spatiale

    Télédétection et modélisation spatiale

    Applications à la surveillance et au contrôle des maladies liées aux moustiques

    Annelise Tran, Eric Daudé et Thibault Catry (dir.)

    2022

    Voir plus de chapitres

    Chapitre 9 - Simulation spatiale du risque de propagation de la dengue à partir de modèles comportementaux vecteurs et hôtes

    Éric Daudé, Sébastien Rey-Coyrehourcq et Alexandre Cebeillac

    Introduction générale

    Thibault Catry, Éric Daudé, Nadine Dessay et al.

    Chapitre 3 - Estimation des températures de l’air à partir d’images satellite et de stations météorologiques

    Barbara Boufhal, Alexandre Cebeillac et Éric Daudé

    Voir plus de chapitres
    1 / 3

    Chapitre 9 - Simulation spatiale du risque de propagation de la dengue à partir de modèles comportementaux vecteurs et hôtes

    Éric Daudé, Sébastien Rey-Coyrehourcq et Alexandre Cebeillac

    Introduction générale

    Thibault Catry, Éric Daudé, Nadine Dessay et al.

    Chapitre 3 - Estimation des températures de l’air à partir d’images satellite et de stations météorologiques

    Barbara Boufhal, Alexandre Cebeillac et Éric Daudé

    Accès ouvert

    Accès ouvert

    ePub

    PDF

    PDF du chapitre

    Acheter

    Édition imprimée

    Éditions Quæ
    • amazon.fr
    • decitre.fr
    • mollat.com
    • leslibraires.fr
    • placedeslibraires.fr

    22 https://www.esrifrance.fr/

    23 À noter que la méthode de webscrapping employée est désormais légale aux yeux de la Cour de justice américaine, https://techcrunch.com/2022/04/18/web-scraping-legal-court/ .

    24 https://drive.univ-rouen.fr/f/a20e1dc3baad49caadec/?dl=1

    25 https://drive.univ-rouen.fr/f/d71c73ffd3504ae28068/?dl=1

    26 https://www2.jpl.nasa.gov/srtm/

    27 https://drive.univ-rouen.fr/f/f282bacb588e43818c75/?dl=1

    28 https://geoservices.ign.fr/documentation/donnees/vecteur/bdtopo

    Télédétection et modélisation spatiale

    X Facebook Email

    Télédétection et modélisation spatiale

    Vous pouvez vous connecter à votre bibliothèque à l’adresse suivante : https://freemium.openedition.org/oebooks

    Suggérer l’acquisition à votre bibliothèque

    Si vous avez des questions, vous pouvez nous écrire à access[at]openedition.org

    Télédétection et modélisation spatiale

    Vérifiez si votre bibliothèque a déjà acquis ce livre : authentifiez-vous à OpenEdition Freemium for Books.

    Vous pouvez suggérer à votre bibliothèque d’acquérir un ou plusieurs livres publiés sur OpenEdition Books. N’hésitez pas à lui indiquer nos coordonnées : access[at]openedition.org

    Vous pouvez également nous indiquer, à l’aide du formulaire suivant, les coordonnées de votre bibliothèque afin que nous la contactions pour lui suggérer l’achat de ce livre. Les champs suivis de (*) sont obligatoires.

    Veuillez, s’il vous plaît, remplir tous les champs.

    La syntaxe de l’email est incorrecte.

    Référence numérique du chapitre

    Format

    Cebeillac, A., Gillet, O., & Daudé, Éric. (2022). Chapitre 4 - Du recensement au bâtiment : génération de populations synthétiques. In A. Tran, E. Daudé, & T. Catry (éds.), Télédétection et modélisation spatiale. Versailles: Éditions Quæ. Consulté à l’adresse https://books.openedition.org/quae/42844
    Cebeillac, Alexandre, Olivier Gillet, et Éric Daudé. « Chapitre 4 - Du recensement au bâtiment : génération de populations synthétiques ». In Télédétection et modélisation spatiale, édité par Annelise Tran, Eric Daudé, et Thibault Catry. Versailles: Éditions Quæ, 2022. https://books.openedition.org/quae/42844.
    Cebeillac, Alexandre, et al. « Chapitre 4 - Du recensement au bâtiment : génération de populations synthétiques ». Télédétection et modélisation spatiale, édité par Annelise Tran et al., Éditions Quæ, 2022, https://books.openedition.org/quae/42844.

    Référence numérique du livre

    Format

    Tran, A., Daudé, E., & Catry, T. (éds.). (2022). Télédétection et modélisation spatiale. Versailles: Éditions Quæ. Consulté à l’adresse https://books.openedition.org/quae/42729
    Tran, Annelise, Eric Daudé, et Thibault Catry, éd. Télédétection et modélisation spatiale. Versailles: Éditions Quæ, 2022. https://books.openedition.org/quae/42729.
    Tran, Annelise, et al., éditeurs. Télédétection et modélisation spatiale. Éditions Quæ, 2022, https://books.openedition.org/quae/42729.
    Compatible avec Zotero Zotero

    1 / 3

    Éditions Quæ

    Éditions Quæ

    • Plan du site
    • Se connecter

    Suivez-nous

    • Flux RSS

    URL : https://www.quae.com

    Email : serviceclients@quae.fr

    Adresse :

    RD 10

    78026

    Versailles

    France

    OpenEdition
    • Candidater à OpenEdition Books
    • Connaître le programme OpenEdition Freemium
    • Commander des livres
    • S’abonner à la lettre d’OpenEdition
    • CGU d’OpenEdition Books
    • Accessibilité : partiellement conforme
    • Données personnelles
    • Gestion des cookies
    • Système de signalement