Préparer les variables de l’indice

Pour créer un indice de risque de chaleur, vous devez commencer par préparer les données en entrée. Vous allez utiliser trois variables pour cet indice : la température moyenne de la surface terrestre en été, le pourcentage de surface sans couvert végétal et la densité de population. Chacune de ces entrées découle des données de ArcGIS Living Atlas of the World, et peut être répétée ou personnalisée pour votre propre voisinage ou une autre zone d’intérêt.

Ajouter des données pour la zone d’étude

L’indice de risque de chaleur (HRI, Heat Risk Index) est calculé pour la ville de Séville, qui se situe au sud de l’Espagne. Avant de traiter les données qui composeront l’indice de risque, vous allez rechercher et préparer des données de recensement pour la ville de Séville. Cette couche permettra de filtrer et de découper des services raster globaux et de créer l’indice dans des géométries au niveau du voisinage qui soit pertinent pour planifier et intervenir en local.

  1. Démarrez ArcGIS Pro. Si vous y êtes invité, connectez-vous via votre compte d’organisation ArcGIS sous licence.
    Remarque :

    Si vous n’avez pas accès à ArcGIS Pro ou ne disposez pas d’un compte ArcGIS (pour ArcGIS Online ou ArcGIS Enterprise), consultez les options disponibles pour accéder aux logiciels.

  2. Sous New Project (Nouveau projet), cliquez sur Map (Carte).

    Modèle de carte sous Nouveau projet

  3. Dans la fenêtre Create a New Project (Créer un nouveau projet), pour Name (Nom), saisissez Sevilla Heat Resilience Index (Indice de risque de chaleur à Séville) et cliquez sur OK. Cliquez sur OK.

    Le projet est créé. Vous allez d’abord ajouter une couche de limites à la carte. Pour ce didacticiel, vous allez utiliser la couche Spain Census Section Boundaries (Limites des sections de recensement en Espagne) de ArcGIS Living Atlas.

    Conseil :
    En fonction de vos objectifs pour l’indice, d’autres limites peuvent s’avérer plus appropriées. Par exemple, si les décisions locales sont prises au niveau du quartier ou du conseil municipal, Il peut être préférable d’utiliser ces limites pour fournir aux décideurs un contexte spécifique. Dans d’autres cas, si votre région ne contient pas d’unité administrative ou de recensement assez petite ou que vous souhaitez effectuer l’analyse à des résolutions plus petites, vous pouvez envisager de créer des tessellations ou une grille plus petite pour l’analyse. Gardez à l’esprit que vous devrez sans doute ajouter des données démographiques à la géographie que vous choisissez.

  4. Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Layer (Couche), cliquez sur le bouton Add Data (Ajouter des données).

    Bouton Ajouter des données

  5. Dans le menu latéral de la fenêtre Add Data (Ajouter des données), sous Portal (Portail), cliquez sur Living Atlas.
  6. Recherchez Spain census sections owner:esri_dm. Cliquez sur la couche d’entités Spain Census Section Boundaries (Limites des sections de recensement en Espagne) pour la sélectionner.
    Conseil :

    L’ajout de owner: et du nom du propriétaire à une recherche permet de filtrer les résultats pour le propriétaire spécifié.

    Couche Spain Census Section Boundaries dans la liste des résultats de la recherche

  7. Cliquez sur OK.

    La couche est ajoutée à la carte et la carte effectue un zoom avant sur l’Espagne. Vous allez filtrer les sections de recensement pour n’afficher que Séville.

  8. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur ESP_CensusSectionet sélectionnez Attribute Table (Table attributaire).

    La table attributaire s'ouvre. La ville où se trouve chaque section de recensement est répertoriée dans le champ Name (Nom).

    Remarque :

    Si le champ Name (Nom) n’apparaît pas, cliquez sur le bouton Options dans le ruban de la table attributaire et sur Show All Fields (Afficher tous les champs).

  9. Dans la table attributaire, pour Selection (Sélection), cliquez sur Select By Attributes (Sélectionner selon les attributs).

    Bouton Sélectionner selon les attributs dans la table attributaire.

    L’outil Select By Attributes (Sélectionner selon les attributs) s’ouvre.

  10. Dans l’outil Select By Attributes (Sélectionner selon les attributs), construisez la requête Where Name is equal to Sevilla (Où Nom est égal à Séville) et cliquez sur OK.

    Au bas de la table attributaire, il est indiqué que 521 sections sont sélectionnées. Vous allez enregistrer une copie de cette couche filtrée dans votre projet afin de pouvoir utiliser les données.

  11. Sur le ruban, cliquez sur l’onglet Analysis (Analyse). Dans le groupe Geoprocessing (Géotraitement), cliquez sur Tools (Outils).

    La fenêtre Géotraitement s’ouvre.

  12. Dans la fenêtre Geoprocessing (Géotraitement), recherchez l’outil Export Features (Conversion Tools) (Exporter des entités [Outils de conversion]) et ouvrez-le.
  13. Pour Input Features (Entités en entrée), choisissez ESP_CensusSection. Pour Output Feature Class (Classe d’entités en sortie), saisissez Sevilla_Census_Sections.

    Paramètres de l’outil Exporter des entités

  14. Cliquez sur Run (Exécuter).

    Une fois l’exécution de l’outil terminée, la couche Sevilla_Census_Sections est ajoutée à la fenêtre Contents (Contenu). Vous pouvez maintenant supprimer la couche des sections de recensement d’origine.

  15. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur ESP_CensusSection et choisissez Remove (Supprimer).

    Vous allez ensuite symboliser la couche Sevilla_Census_Sections pour qu’elle s’affiche au-dessus des couches que vous ajouterez ultérieurement.

  16. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Sevilla_Census_Sections (Sections_Recensement_Séville) et choisissez Symbology (Symbologie).
  17. Pour Symbol (Symbole), cliquez sur l’échantillon de symbole actuel. Dans l’onglet Gallery (Bibliothèque), sous ArcGIS 2D, cliquez sur Black Outline (1 pt) (Contour noir [1 pt]).

    Style Contour noir (1 pt) dans la bibliothèque

    La transparence qui est appliquée à la couche rend également les limites difficiles à distinguer sur le fond de carte.

  18. Sur le ruban, cliquez sur l’onglet contextuel Feature Layer (Couche d’entités). Dans le groupe Effects (Effets), définissez Transparency (Transparence) sur 0 percent (0 pour cent).
  19. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Sevilla_Census_Sections et choisissez Zoom To Layer (Zoom sur la couche).

    Couche Sevilla_Census_Sections symbolisée

    La couche de votre zone d’intérêt est maintenant symbolisée et centrée sur la carte. Vous allez utiliser cette étendue plus tard pour découper les données raster à utiliser.

  20. Sur Quick Access Toolbar (Barre d’outils Accès rapide), cliquez sur le bouton Save Project (Enregistrer le projet).

    Bouton Enregistrer le projet

    Le projet est enregistré.

Préparer les données Landsat de température de la surface terrestre

La première variable de votre indice est la température moyenne de la surface terrestre en été, qui peut être déduite de l’imagerie Landsat mondiale de niveau 2, disponible dans ArcGIS Living Atlas. Pour préparer cette entrée, vous allez ajouter le service d’imagerie dans votre carte et trouver les scènes disponibles pour votre zone d’intérêt. Vous allez ensuite copier le raster en local et utiliser l’outil Zonal Statistics as Table (Statistiques zonales [table]) pour déterminer la valeur maximale dans chaque section de recensement à Séville.

Conseil :
En fonction de votre zone d’étude et des données disponibles, vous risquez d’opter pour une autre source de données relatives à la chaleur. Par exemple, vous pouvez préférer télécharger les données Landsat de l’application Landsat Explorer. Cette application permet de sélectionner et prévisualiser les scènes avant de les télécharger. Une autre option consiste à utiliser les données sur les îlots de chaleur urbains haute résolution du National Integrated Heat Health Information Systems (NIHHIS) et du programme Climate Adaptation Planning and Analytics (CAPA). Les données NIHHIS-CAPA sont disponibles pour des villes spécifiques des États-Unis et du monde entier qui ont participé à la campagne de cartographie de densité. Vérifiez si votre ville a été cartographiée ou comment procéder.

  1. Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Layer (Couche), cliquez sur le bouton Add Data (Ajouter des données).
  2. Dans la fenêtre Add Data (Ajouter des données), vérifiez que Living Atlas est sélectionné. Recherchez et ajoutez la couche d’imagerie Landsat Level-2 (Landsat niveau 2) dont esri_imagery est propriétaire.

    Couche d’imagerie Landsat Level-2 (Landsat niveau 2) d’ArcGIS Living Atlas

    La couche d’imagerie Landsat Level-2 (Landsat niveau 2) est ajoutée à votre projet. Les données de réflectance de surface et de température de la surface terrestre de la collection de niveau 2 des produits scientifiques ont fait l’objet d’une correction atmosphérique en 1982. Vous allez ajuster les propriétés du service Landsat pour obtenir uniquement les données de température qui vous intéressent.

  3. Dans la fenêtre Contents (Contenu), double-cliquez sur Landsat Level-2 (Landsat niveau 2).

    La fenêtre Layer Properties (Propriétés de la couche) apparaît.

  4. Dans la fenêtre Layer Properties (Propriétés de la couche), cliquez sur l’onglet Processing Templates (Modèles de traitement).
  5. Pour Processing Template (Modèle de traitement), sélectionnez Surface Temperature (Celsius) (Température de la surface terrestre [Celsius]).

    Modèle de traitement Température de surface dans la bande 10 en Celsius.

  6. Cliquez sur l'onglet Mosaïque. Pour Mosaic operator (Opérateur de mosaïquage), sélectionnez Mean (Moyenne).

    Ce service utilise un jeu de données mosaïque pour gérer les décennies de scènes. Par défaut, il affiche la première scène. La sélection de l’opérateur moyen déclenche le calcul d’une valeur de température moyenne à partir de toutes les scènes disponibles pour votre zone d’intérêt, en fonction des filtres que vous allez appliquer. Vous allez maintenant ajouter un ensemble de définition avec deux arguments : la couverture nuageuse est inférieure ou égale à 10 pour cent et les scènes ont été acquises au cours des mois d’été.

  7. Cliquez sur l’onglet Definition Query (Ensemble de définition), puis sur New definition query (Nouvel ensemble de définition).

    Bouton New definition query (Nouvel ensemble de définition)

  8. Créez l’expression Where Cloud Cover is less than or equal to 0.10 (Où Couverture nuageuse est inférieure ou égale à 0,10). Cliquez sur Add Clause (Ajouter une clause).

    Ensemble de définition Couverture nuageuse

    Cette requête éliminera toutes les scènes avec une couverture nuageuse supérieure à 10 pour cent. Les nuages et leurs ombres dans les scènes Landsat ont un impact négatif sur les résultats d’analyse.

  9. Générez l’expression And Month includes the value(s) 6,7,8 (Et Mois inclut les valeurs 6,7,8).

    Cette clause inclura uniquement les mois qui sont considérés comme des mois estivaux dans l’hémisphère nord. Votre requête contient désormais deux clauses.

    Requête avec deux clauses

  10. Pour Query 1 (Requête 1), cliquez sur Apply (Appliquer). Dans la fenêtre Layer Properties (Propriétés de couche), cliquez sur OK (OK).

    La mise à jour du service peut prendre quelques minutes. Lorsqu’elle est terminée, les scènes peuvent apparaître sous forme d’un rectangle gris. Pour visualiser les températures estivales moyennes dans la couche, vous allez symboliser le raster.

  11. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Landsat Level-2 (Landsat niveau 2) et sélectionnez Symbology (Symbologie).
  12. Dans la fenêtre Symbology (Symbologie), pour Statistics (Statistiques), cliquez sur Dataset (Jeu de données) et sélectionnez DRA (Ajustement dynamique de la plage).

    Statistiques définies sur Ajustement dynamique de la plage dans la fenêtre Symbologie

    La fonction d’ajustement dynamique de la plage (DRA) règle automatiquement le type d’étirement actif lorsque vous naviguez dans l’image, en fonction des valeurs de pixel de l’affichage actuel.

  13. Pour Color scheme (Combinaison de couleurs), sélectionnez un dégradé de couleurs, tels que Inferno.
    Conseil :

    Pointez sur les dégradés de couleurs pour en afficher le nom.

    Données de température de la surface terrestre de l’imagerie Landsat

Calculer la température moyenne de la surface terrestre en été

Maintenant que vous avez configuré le modèle de traitement et les filtres sur l’imagerie Landsat, vous allez copier uniquement les scènes présentant un intérêt pour votre projet.

  1. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Landsat Level-2 (Landsat niveau 2) et sélectionnez Attribute Table (Table attributaire).
  2. Au bas de la table attributaire, cliquez sur le bouton Filter by Extent (Filtrer selon l’étendue).

    Bouton Filtrer selon l’étendue

    La table est filtrée pour afficher uniquement les scènes disponibles dans l’étendue actuelle de la carte, la région de Séville.

  3. Fermez la table attributaire. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Sevilla_Census_Sections et choisissez Zoom To Layer (Zoom sur la couche).
  4. Dans la fenêtre Geoprocessing (Géotraitement), ouvrez l’outil Copy Raster (Copier un raster).
  5. Pour Input Raster (Raster en entrée), sélectionnez Landsat Level-2 (Landsat niveau 2).
    Remarque :

    Il se peut qu’un X rouge apparaisse en regard du paramètre Input Raster (Raster en entrée), indiquant que ce dernier n’est pas valide. Le service d’imagerie Landsat autorise uniquement les exportations de 4 000 x 4 000 pixels à la fois. Avant d’exécuter cet outil, vous allez définir une étendue de traitement pour vous assurer que l’exportation du raster respecte ces limites.

  6. Pour Jeu de données raster en sortie, cliquez sur le bouton Parcourir.

    Vous allez enregistrer ce raster au format TIFF, qui ne peut pas être stocké dans une géodatabase.

  7. Dans la fenêtre Output Raster Dataset (Jeu de données raster en sortie), sous Project (Projet), cliquez sur Folders (Dossiers). Double-cliquez sur le dossier du projet Sevilla Heat Resilience Index (Indice de risque de chaleur à Séville).
    Remarque :

    Si vous donnez à votre projet un nom différent, le nom du dossier du projet sera différent lui aussi.

  8. Pour Name (Nom), saisissez Avg_SurfaceTemp_Sevilla.tif.

    Paramètre Nom dans la fenêtre Jeu de données raster en sortie

  9. Cliquez sur Save (Enregistrer).
  10. Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur l’onglet Environments (Environnements). Pour Extent (Étendue), cliquez sur le bouton Extent of a Layer (Étendue d’une couche) et sélectionnez Sevilla_Census_Sections.

    Paramètre Étendue dans l’onglet Environnements

    Le paramétrage d’une étendue résout la condition d’erreur qui est apparue lorsque vous avez défini le raster en entrée.

  11. Cliquez sur Run (Exécuter).

    Une fois le traitement terminé, le raster Avg_SurfaceTemp_Sevilla.tif est ajouté à la fenêtre Contents (Contenu) et à la carte.

    Remarque :

    Il se peut que vous receviez un message d’avertissement une fois l’outil exécuté indiquant : WARNING 003485: Processing templates will not be saved to the output raster dataset because the input layer already has an active processing template. (AVERTISSEMENT 003485 : Les modèles de traitement ne seront pas enregistrés dans le jeu de données raster en sortie car la couche en entrée possède déjà un modèle de traitement actif). Cet avertissement est attendu puisque seules les données d’imagerie sont copiées et pas les modèles de traitement du service.

  12. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Landsat Level-2 (Landsat niveau 2) et sélectionnez Remove (Supprimer).

    Couche raster de température de surface copiée

    Maintenant que le raster de température de surface de votre zone d’intérêt est copié dans un fichier local, vous pouvez utiliser l’outil Zonal Statistics as Table (Statistiques zonales [table]) pour synthétiser toutes les valeurs de température dans chaque polygone de recensement afin de déterminer la valeur moyenne.

  13. Dans la fenêtre Geoprocessing (Géotraitement), ouvrez l’outil Zonal Statistics as Table (Spatial Analyst Tools) (Statistiques zonales [table]) (outils Spatial Analyst).

    L’outil Zonal Statistics as Table (Statistiques zonales [table]) calcule les statistiques des cellules du raster dans les zones d’un autre jeu de données. Dans ce cas, vous allez calculer la statistique Maximum (Maximale) pour trouver la température moyenne la plus élevée dans chaque section de recensement.

  14. Renseignez les paramètres suivants :
    • Pour Input Raster or Feature Zone Data (Données raster ou vecteur de zones en entrée), sélectionnez Sevilla_Census_Sections.
    • Pour Zone Field (Champ de zone), sélectionnez ID.
    • Pour Input Value Raster (Raster de valeurs en entrée), sélectionnez Avg_SurfaceTemp_Sevilla.tif.
    • Pour Output Table (Table en sortie), saisissez Avg_SurfaceTemp_Sevilla.
    • Dans Statistics Type (Type de statistique), sélectionnez Mean (Moyenne).

    Paramètres de l’outil Statistiques zonales en tant que table

  15. Cliquez sur Run (Exécuter).

    La table Avg_SurfaceTemp_Sevilla est ajoutée dans la fenêtre Contents (Contenu) sous Standalone Tables (Tables autonomes).

  16. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la table Avg_SurfaceTemp_Sevilla et sélectionnez Open (Ouvrir).

    Le champ MEAN affiche la statistique de la moyenne. Vous allez renommer ce champ pour qu’il soit plus significatif.

  17. Sur le ruban, cliquez sur l’onglet contextuel Standalone Table (Table autonome). Dans le groupe Data Design (Conception de données), cliquez sur Fields (Champs).

    Bouton Champ du groupe Conception de données

  18. Dans la table Fields (Champs), dans la colonne Alias (Alias), double-cliquez sur MEAN pour mettre à jour l’enregistrement. Saisissez Température moyenne en été (C).

    Alias du champ MEAN

  19. Sur le ruban, dans le groupe Manage Edits (Gérer les mises à jour), cliquez sur Save (Enregistrer) pour enregistrer vos mises à jour de la table.
  20. Fermez les deux tables et enregistrez le projet.

    Vous avez maintenant terminé le processus de préparation de la première saisie dans l’indice de résilience à la chaleur. Tout d’abord, avec des données de ArcGIS Living Atlas, vous avez déduit la température de la surface terrestre d’une zone d’intérêt à l’aide des modèles de traitement du service d’imagerie Landsat Level-2 (Landsat niveau 2). Vous avez ensuite ajusté les propriétés du service pour filtrer les scènes par attribut et pour calculer les valeurs moyennes dans toutes les scènes filtrées. Vous avez également appliqué un filtre spatial pour limiter les scènes à une zone autour des limites de recensement. Après avoir exporté l’imagerie dans votre projet, vous avez calculé la température moyenne de la surface terrestre à l’intérieur de chaque section de recensement

Déduire l’absence de couvert végétal

La deuxième entrée pour obtenir l’indice de risque de chaleur est l’absence de couvert végétal. Cette entrée découle du service d’imagerie European Space Agency WorldCover 2021 Land Cover de ArcGIS Living Atlas.

Conseil :
En fonction de vos objectifs pour l’indice, vous pouvez choisir d’autres méthodes de clasification ou d’autres données. L’objectif de cet indice étant d’identifier les zones des campagnes de plantation d’arbres, vous allez reclasser la couche d’occupation du sol pour indiquer où se trouvent déjà les arbres. Si vous générez l’indice pour identifier les zones d’autres types d’interventions, comme la suppression d’une surface imperméable ou la création de jardins pluviaux, vous pouvez choisir de reclasser les données d’occupation du sol pour indiquer la quantité d’espace vert existant en identifiant le couvert forester, les zones arbustives et les pâturages dans chaque section de recensement. Vous pouvez également choisir d’utiliser une mesure de la biomasse et de l’état sanitaire de la végétation, comme l’indice de végétation par différence normalisée (NDVI) ou l’indice de végétation ajusté en fonction du sol (SAVI). Ces mesures sont incluses dans le service Landsat Level-2 (Landsat niveau 2), mais elles peuvent également être calculées dans ArcGIS Pro.

  1. Sur le ruban, cliquez sur l’onglet Map (Carte), puis sur le bouton Add Data (Ajouter des données). Dans le portail Living Atlas (Living Atlas), ajoutez la couche European Space Agency WorldCover 2021 Land Cover dont esri_environment est propriétaire.

    Couche ESA WorldCover 2021 du portail Living Atlas

    Cette couche est un jeu de données d’occupation du sol mondial qui contient 11 classes d’occupation du sol. Sur ces pixels classés, vous n’aurez besoin que de ceux qui affichent un couvert végétal. Vous allez utiliser l’outil Reclassify (Reclassification) pour isoler uniquement les pixels de couvert végétal.

  2. Dans la fenêtre Geoprocessing (Géotraitement), ouvrez l’outil Reclassify (Reclassification) (outils Spatial Analyst).
  3. Pour Input raster (Raster en entrée), sélectionnez European Space Agency WorldCover 2021 Land Cover. Vérifiez que Reclass field (Champ de reclassement) est défini sur ClassName (NomClasse).
  4. Dans la table Reclassification, laissez la valeur New (Nouveau) pour Tree Cover (Couvert végétal) définie sur 1. Modifiez toutes les autres valeurs New (Nouveau) par 0, sauf pour NODATA.

    Paramètres de l’outil Reclassification

  5. Pour Output raster (Raster en sortie), cliquez sur Browse (Parcourir). Accédez au dossier du projet Sevilla Heat Resilience Index (Indice de risque de chaleur à Séville).
  6. Pour Name (Nom), saisissez Tree_Canopy_Sevilla.tif. Cliquez sur Save (Enregistrer).

    Pour traiter uniquement les pixels appropriés à votre zone d’intérêt, vous allez utiliser l’étendue de traitement pour découper le raster.

  7. Cliquez sur l'onglet Environnements. Sous Processing Extent (Étendue de traitement), pour Extent (Étendue), cliquez sur le bouton Extent of a Layer (Étendue d’une couche) et sélectionnez Sevilla_Census_Sections.
  8. Cliquez sur Run (Exécuter).

    Une fois le traitement du raster terminé, il est ajouté dans la fenêtre Contents (Contenu) et dessiné sur la carte.

  9. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur European Space Agency WorldCover 2021 Land Cover et sélectionnez Remove (Supprimer).

    Raster reclassifié sur la carte

    Remarque :

    La symbologie de votre raster peut être différente de celle de l’image de l’exemple.

    La couche Tree_Canopy_Sevilla.tif comporte deux classes : le couvert végétal et tout le reste. Vous pouvez utiliser ce raster pour calculer la variable d’absence de couvert végétal qui servira d’entrée dans votre indice.

    L’absence de couvert végétal est calculée à l’aide de la formule 100 – Percent Tree Canopy (100 – Pourcentage du couvert végétal).

  10. Dans la fenêtre Geoprocessing (Géotraitement), ouvrez l’outil Zonal Statistics as Table (Spatial Analyst Tools) (Statistiques zonales [table]) (outils Spatial Analyst).

    Cette fois, vous allez utiliser l’outil pour synthétiser le nombre de pixels avec un couvert végétal dans chaque polygone de recensement. L’outil comptabilise également le nombre total de pixels dans chaque zone (polygone), ce qui vous permet de calculer le pourcentage de pixels surfaciques couverts par des arbres.

  11. Renseignez les paramètres suivants :
    • Pour Input Raster or Feature Zone Data (Données raster ou vecteur de zones en entrée), sélectionnez Sevilla_Census_Sections.
    • Pour Zone Field (Champ de zone), sélectionnez ID.
    • Pour Input Value Raster (Raster de valeurs en entrée), sélectionnez Tree_Canopy_Sevilla.tif.
    • Pour Output Table (Table en sortie), saisissez Tree_Pixels.
    • Pour Statistics type (Type de statistique), sélectionnez Sum (Somme).
  12. Cliquez sur Run (Exécuter)

    La table Tree_Pixels est ajoutée à la fenêtre Contents (Contenu) sous Standalone Tables (Tables autonomes).

  13. Ouvrez la table Tree_Pixels.

    La table contient deux colonnes intéressantes : COUNT (TOTAL), qui représente le nombre total de pixels dans chaque zone surfacique et SUM (SOMME), qui représente la somme des pixels avec un couvert végétal. Vous allez calculer le pourcentage de couvert végétal et le pourcentage d’absence de couvert végétal pour chaque polygone de recensement en appliquant les formules suivantes :

    • PCT_Tree_Cover = (Sum / Count) * 100
    • PCT_Lacking = 100 - PCT_Tree_Cover
  14. Dans la table attributaire, cliquez sur Calculate (Calculer).

    Bouton Calculer

  15. Dans l’outil Calculate Field (Calculer un champ), pour Field Name (Existing or New) (Nom du champ [existant ou nouveau]), saisissez Pct_Tree_Cover. Pour Field Type (Type de champ), sélectionnez Float (32-bit floating point) (Flottant [virgule flottante 32 bits]).
  16. Sous Expression, pour Pct_Tree_Cover =, construisez l’expression (!SUM! / !COUNT!) * 100 et cliquez sur OK.

    Le nouveau champ est ajouté à la fin de la table attributaire.

  17. Cliquez sur Calculer. Pour Field Name (Existing or New) (Nom du champ [existant ou nouveau]), saisissez Pct_Lacking et pour Field Type (Type de champ), sélectionnez Float (32-bit floating point) (Flottant [virgule flottante 32 bits]).
  18. Pour Pct_Lacking =, construisez l’expression 100 - !Pct_Tree_Cover! et cliquez sur OK.

    La table Tree_Pixels comporte deux nouveaux champs, Pct_Tree_Cover et Pct_Lacking. L’attribut Pct_Lacking représente le pourcentage de la section de recensement qui ne présente pas de couvert végétal. Il s’agit de la deuxième entrée dans l’indice de résilience à la chaleur.

    Champs Pct_Tree_Cover et Pct_Lacking

  19. Fermez la table Tree_Pixels (Pixels_Arbres) et enregistrez le projet.

Calculer la densité de population

La dernière entrée pour obtenir l’indice de risque de chaleur est la densité de population. Ce composant de l’indice permet de prioriser les actions dans les zones peuplées où un nombre maximal de gens peuvent profiter de l’intervention. Vous allez déduire la densité de population des données de recensement en Espagne indiquées dans la couche Sevilla_Census_Sections.

Conseil :

En fonction de vos objectifs pour l’indice, envisagez d’ajouter des variables démographiques supplémentaires. À titre d’instruction, dans ce didacticiel, vous n’utilisez qu’une mesure générale de la densité de population pour localiser les campagnes de plantation d’arbres qui desservent le plus grand nombre de personnes. Lorsque vous générerez cet indice, vous devrez sans doute nuancer davantage cette entrée. Envisagez d’ajouter des données démographiques pour indiquer où les populations sont le plus vulnérables au stress thermique. Les personnes les plus vulnérables au stress thermique incluent les enfants et les personnes âgées, les personnes exerçant des métiers pénibles à l’extérieur, les personnes sujettes à des maladies chroniques, les personnes présentant des déficiences et les sans-abris.

Lorsque vous sélectionnez des variables démographiques, il est recommandé de collaborer avec les parties prenantes afin d’identifier leurs priorités et de déterminer la manière de les représenter dans l’indice. En fonction de vos priorités locales et du nombre d’indicateurs que vous choisissez d’inclure, envisagez de créer un sous-indice pour représenter la population et la vulnérabilité dans votre indice.

  1. Ouvrez la table attributaire de la couche Sevilla_Census_Sections (Sections_Recensement_Séville).

    La couche contient des attributs à la fois pour la population totale et pour la surface en kilomètres carrés. Vous allez calculer un nouveau champ en divisant la population par la surface.

  2. Dans la table attributaire, pour Field (Champ), cliquez sur Calculate (Calculer). Dans la fenêtre Calculate Field (Calculer un champ), pour Field Name (Existing or New) (Nom du champ [existant ou nouveau]), saisissez PopDensity et pour Field Type (Type de champ), sélectionnez Float (32-bit floating point) (Flottant [virgule flottante 32 bits]).
  3. Sous Expression, pour PopDensity =, copiez et collez l’expression !TOTPOP_CY! / !AREA!.

    Calculez l’attribut PopDensity.

    Remarque :

    Même si les attributs s’affichent avec leur alias, ou par un nom lisible, dans la fenêtre Fields (Champs), ils sont renseignés dans l’expression avec leur nom de champ.

  4. Cliquez sur OK.

    Le champ PopDensity (DensitéPop) est ajouté à la table. Les trois entrées déduites sont maintenant prêtes à être combinées dans l’indice de risque de chaleur et symbolisées sur une carte. Vous allez transférer toutes les entrées dans la couche Sevilla_Census_Sections pour procéder au traitement.

  5. Dans la fenêtre Geoprocessing (Géotraitement), ouvrez l’outil Join Field (Champ de jointure).
  6. Renseignez les paramètres suivants :
    • Pour Input Table (Table en entrée), choisissez Sevilla_Census_Sections (Sections_Recensement_Séville).
    • Dans Input Join Field (Champ de jointure en entrée), choisissez ID.
    • Pour Join Table (Table de jointure), sélectionnez Avg_SurfaceTemp_Sevilla.
    • Pour Join Table Field (Champ de table de jointure), choisissez ID.
    • Pour Transfer Fields (Champs de transfert), sélectionnez Avg Summer Temp (C) (Température moyenne en été [C]).

    Paramètres de l’outil Joindre un champ

  7. Cliquez sur Run (Exécuter).

    À l’issue de l’exécution de l’outil, le champ Avg Summer Temp (C) (Température moyenne en été [C]) est ajouté à la table Sevilla_Census_Sections.

  8. Dans la fenêtre Join Field (Champ de jointure), affectez au paramètre Join Table (Table de jointure) la valeur Tree_Pixels et au paramètre Avg Summer Temp (C) (Température moyenne en été [C]), la valeur Pct_Lacking. Cliquez sur Run (Exécuter).

    Les trois couches se trouvent désormais dans la même table.

  9. Fermez la table. Enregistrez le projet.

Vous avez préparé les variables que vous utiliserez pour créer votre indice de chaleur. Vous êtes prêt à créer l’indice.


Créer un indice de risque de chaleur

Une fois toutes ses entrées préparées, vous allez créer l’indice. Il existe de nombreuses façons de créer, de combiner et d’interpréter des indices selon l’objectif visé. Dans ce didacticiel, vous allez utiliser l’outil Calculate Composite Index (Calculer l’indice composite). Cet outil intègre certaines étapes de prétraitement et de combinaison des données pour vous aider à choisir une méthode appropriée à vos données. Si vous utilisez différentes zones d’étude ou variables, ajustez vos méthodes d’indexation en vous reportant à la documentation de l’outil Calculate Composite Index (Calculer l’indice composite) et au guide des bonnes pratiques.

Comprendre les entrées d’indice

Pour créer un indice efficace, vous devez choisir les méthodes à utiliser pour prétraiter et combiner les données. Les étapes de prétraitement de l’outil Calculate Composite Index (Calculer l’indice composite) permettent de s’assurer que les variables sont compatibles et peuvent être combinées dans un indice. Pour choisir ces étapes, vous devez au préalable comprendre la distribution des variables en entrée. Vous pouvez également choisir de traiter les incohérences, telles que l’asymétrie et les valeurs manquantes, lors de cette phase. Pour comprendre les variables, vous allez utiliser la vue Data Engineering (Ingénierie des données), dont les outils vous permettent d’explorer vos données, de les visualiser et de les nettoyer.

  1. Dans la fenêtre Contents (Contenu), décochez Tree_Canopy_Sevilla.tif et Avg_SurfaceTemp_Sevilla.tif pour les désactiver.
  2. Cliquez avec le bouton droit sur Sevilla_Census_Sections et sélectionnez Data Engineering (Ingénierie des données).

    La vue Data Engineering (Ingénierie des données) s’ouvre. Vous allez utiliser les outils Data Engineering (Ingénierie des données) pour afficher les histogrammes de chacune de vos variables en entrée, les symboliser sur la carte et calculer les résumés statistiques pour comprendre les valeurs.

  3. Dans la fenêtre Fields (Champs), cliquez sur PopDensity. Appuyez sur la touche Shift (Maj) et maintenez-la enfoncée, puis cliquez sur Pct_Lacking pour sélectionner les trois entrées d’indice que vous avez préparées.
  4. Faites glisser les trois champs sélectionnés dans la fenêtre Statistics (Statistiques).

    Ajouter des champs à la fenêtre Statistics (Statistiques)

    Les trois champs sont ajoutés. Vous allez maintenant calculer les statistiques.

  5. Dans la fenêtre Statistics (Statistiques), sur le ruban, cliquez sur Calculate (Calculer).

    Les statistiques, et notamment la moyenne, la médiane, les points aberrants et l’asymétrie, sont calculées pour chaque entrée. Vous allez maintenant cartographier les entrées et créer des histogrammes pour comprendre leur répartition.

  6. Dans la fenêtre Fields (Champs), pointez sur le champ PopDensity et cliquez sur Update Symbology (Mettre à jour la symbologie).

    Bouton Update Symbology (Mettre à jour la symbologie)

    La carte est mise à jour de sorte à afficher les secteurs de recensement en fonction de la densité de leur population. Les valeurs de densité sont plus élevées dans les zones de recensement plus petites à proximité du centre de la ville, tandis que les zones de recensement de plus grande taille et les zones situées à la périphérie de la ville présentent des densités plus faibles.

    Carte illustrant le champ de densité de population dans la couche Sevilla_Census_Sections

  7. Dans la fenêtre Statistics (Statistiques), pour le champ PopDensity, cliquez avec le bouton droit sur l’aperçu du diagramme et sélectionnez Open histogram (Ouvrir l’histogramme).

    Ouvrir l’histogramme PopDensity

    L’histogramme PopDensity apparaît. Cet histogramme représente la distribution des données, qui montre une légère asymétrie positive.

  8. Fermez l’histogramme. Faites défiler la vue Data Engineering (Ingénierie des données) jusqu’à ce que la statistique Skewness (Asymétrie) apparaisse.

    La statistique d’asymétrie du champ PopDensity est de 0,823. Les valeurs inférieures à -0,5 ou supérieures à 0,5 sont généralement considérées comme asymétriques. Une asymétrie élevée dans une variable peut en modifier l’impact sur les résultats d’indice. L’outil Calculate Composite Index (Calculer un indice composite) dispose de méthodes de prétraitement, telles que la mise à l’échelle, pouvant traiter l’asymétrie, mais ces méthodes sont appliquées à chacune des variables utilisées comme entrée et non aux seules variables asymétriques. L’utilisation des outils Data Engineering (Ingénierie des données) pour traiter les variables avant d’utiliser l’outil des indices composites vous offre davantage de contrôle sur les variables individuelles. Vous allez utiliser l’outil Transform Field (Transformer un champ) pour remplacer la variable PopDensity par une distribution plus normale.

  9. Pour le champ PopDensity, cliquez avec le bouton droit sur la statistique Skewness (Asymétrie) et sélectionnez Transform Field (Transformer un champ).

    Outil Transform Field (Transformer un champ)

  10. Dans l’outil Transform Field (Transformer un champ), assurez-vous que l’option Transformation Method (Méthode de transformation) est définie sur Box-Cox.

    Vous allez accepter toutes les autres valeurs par défaut. Le paramètre Shift (Maj) peut être utilisé si des valeurs de la table en entrée sont négatives. Le paramètre Power (Puissance) peut être utilisé pour spécifier la valeur de la puissance. Si aucune valeur n’est fournie, la meilleure approximation d’une courbe de distribution normale est utilisée et affichée dans les messages de géotraitement.

  11. Dans l’outil Transform Field (Transformer un champ), cliquez sur OK (OK).

    Exécuter l’outil Transform Field (Transformer un champ)

    À l’issue de l’exécution de l’outil, le nouveau champ est ajouté à la table Sevilla_Census_Sections.

  12. Dans la vue Data Engineering (Ingénierie des données), dans la fenêtre Fields (Champs), faites glisser PopDensity_BOX_COX dans la fenêtre Statistics (Statistiques) et cliquez sur Calculate (Calculer).
  13. Utilisez l’histogramme et les statistiques pour comparer les champs PopDensity et PopDensity_BOX_COX.

    La statistique d’asymétrie du champ PopDensity_BOX_COX est de -0,033, ce qui est plus proche d’une distribution normale. Vous allez maintenant répéter le processus pour cartographier et transformer le champ PCT_Lacking, dont l’asymétrie est fortement négative.

  14. Dans la fenêtre Fields (Champs), pointez sur le champ PCT_Lacking et cliquez sur Update Symbology (Mettre à jour la symbologie).

    Carte de l’attribut Pct_Lacking

    La carte est mise à jour de sorte à afficher les secteurs de recensement en fonction du pourcentage de couvert végétal. Les nuances de vert plus foncées indiquent les zones où le pourcentage de sol manquant de couvert végétal est le plus élevé. Nombre des secteurs de recensement dans la zone du centre-ville possèdent un faible couvert végétal. Par ailleurs, plusieurs grands secteurs de recensement périphériques possèdent également un faible couvert végétal. Pour mieux comprendre ces modèles, vous pouvez modifier le fond de carte afin d’afficher l’imagerie satellite.

  15. Sur le ruban, dans l’onglet Map (Carte), cliquez sur Basemap (Fond de carte) et sélectionnez Imagery Hybrid (Imagerie hybride).

    L’imagerie montre que nombre des grands secteurs de recensement périphériques contiennent des parcs industriels, des districts d’entrepôts et des champs agricoles avec peu d’arbres. De nombreux secteurs de recensement ne possédant pas de couvert végétal, la variable est fortement asymétrique. Vous allez de nouveau utiliser l’outil Transform Field (Transformer un champ) pour remplacer la distribution par une distribution plus proche d’une distribution normale.

  16. Pour l’attribut PCT_Lacking, cliquez avec le bouton droit sur l’aperçu du diagramme et sélectionnez Transform Field (Transformer un champ).
  17. Dans l’outil Transform Field (Transformer un champ), assurez-vous que l’option Transformation Method (Méthode de transformation) est définie sur Box-Cox et cliquez sur OK (OK).
  18. Dans la vue Data Engineering (Ingénierie des données), dans la fenêtre Fields (Champs), faites glisser Pct_Lacking_BOX_COX dans la fenêtre Statistics (Statistiques) et cliquez sur Calculate (Calculer).
  19. Utilisez l’histogramme et les statistiques pour comparer les champs Pct_Lacking et Pct_Lacking_BOX_COX.

    L’asymétrie étant plus forte sur ce champ, la transformation a généré un nouveau paramètre Skewness (Asymétrie) de -0,233, qui se trouve toujours dans la plage -0,5 à 0,5 que vous utilisez comme approximation grossière d’une distribution normale.

    Le champ final à cartographier est le champ Avg Summer Temp (C) (Température moyenne en été [C]).

  20. Dans la fenêtre Fields (Champs), pointez sur le champ Avg Summer Temp (C) (Température moyenne en été [C]) et cliquez sur Update Symbology (Mettre à jour la symbologie).

    Carte de la température moyenne en été

    L’attribut final, Avg Summer Temp (C) (Température moyenne en été [C]), est représenté sur la carte. Curieusement, les grands secteurs de recensement périphériques semblent également connaître des températures supérieures. Cela peut s’expliquer de différentes manières (par exemple, un artefact du traitement des données ou la taille des secteurs par rapport aux secteurs plus petits du centre-ville). Par exemple, les températures élevées dans les parcs industriels et les districts d’entrepôts peuvent faire augmenter la valeur moyenne de tout le secteur. Dans la fenêtre Statistics (Statistiques), vous pouvez voir que les températures moyennes minimum et maximum sont respectivement de 40,91 et 50,84 degrés Celcius.

    Maintenant que nous comprenez mieux les entrées d’indice, vous pouvez sélectionner les étapes de prétraitement et les méthodes d’indexation.

Sélectionner les méthodes d’indexation

Vous allez maintenant choisir vos étapes de prétraitement. Dans l’outil Calculate Composite Index (Calculer l’indice composite), le prétraitement met l’accent sur l’inversion des variables pour s’assurer qu’elles restent cohérentes lors d’un changement de sens et sur la mise à l’échelle des variables pour s’assurer qu’elles restent cohérentes en termes de plage et d’unité. Si vous utilisez différentes zones d’étude ou variables, reportez-vous à la documentation de l’outil Calculate Composite Index (Calculer l’indice composite) et au guide des bonnes pratiques pour choisir les étapes de prétraitement et les méthodes de combinaison appropriées.

  1. Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Calculate Composite Index (Calculer l’indice composite).

    Même s’il existe de nombreuses façons de créer des indices, vous allez utiliser cet outil, car il combine plusieurs étapes de traitement des données en un seul outil et génère une série de diagrammes pour vous aider à vérifier les résultats de l’outil d’indice.

    Vous allez d’abord ajouter les trois entrées que vous avez préparées, et configurer les paramètres de prétraitement que vous souhaitez utiliser.

  2. Pour Input Table (Table en entrée), choisissez Sevilla_Census_Sections (Sections_Recensement_Séville). Pour Output Features or Table (Table ou entités en sortie), saisissez Sevilla_HRI_MeanofScaled.

    Conseil :
    Il est recommandé de tester plusieurs méthodes de prétraitement et de combinaison d’indices. Pour pouvoir les différencier plus facilement par la suite, sélectionnez un nom de sortie représentant les paramètres utilisés.

  3. Pour Input Variables (Variables en entrée), cliquez sur le bouton Add Many (Ajouter plusieurs).

    Bouton Add Many (Ajouter plusieurs)

  4. Sélectionnez Avg Summer Temp (Température moyenne en été), PopDensity_BOX_COX et Pct_Lacking_BOX_COX. Cliquez sur Add (Ajouter).

    Trois entrées d’indice pour le paramètre Variables en entrée

    Remarque :

    Si vos valeurs Input Variables (Variables en entrée) sont indiquées avec leurs noms de champ au lieu des alias, cliquez sur le bouton Field list settings (Paramètres de la liste des champs) et choisissez Show Field Aliases (Afficher les alias de champ).

    Chaque entrée dispose d’une case à cocher permettant d’inverser le sens. Selon la manière dont vous avez préparé vos variables en entrée, vous pouvez être amené à inverser le sens d’une variable. Pour déterminer si une variable doit être inversée vous devez vous assurer que toutes les valeurs élevées représentent un résultat commun pour l’indice. Dans notre cas, vous avez préparé toutes vos variables de sorte que les valeurs élevées indiquent un avantage supérieur pour la plantation d’arbres dans les secteurs de recensement, et les valeurs faibles, un avantage inférieur. Les sens des valeurs étant compatibles, vous n’avez pas besoin de les inverser.

    Vous allez maintenant choisir comment mettre à jour les entrées. La mise à l’échelle est la méthode utilisée pour normaliser toutes les entrées sur une plage commune. Comme vous utilisez des variables de différentes unités et échelles, vous devez les normaliser pour pouvoir les combiner. Par exemple, il est difficile de comparer les impacts d’un changement d’un degré Celsius sur un secteur de recensement par rapport à un changement d’un pour cent du couvert végétal. La mise à l’échelle de ces variables cartographie les valeurs sur une plage commune (par exemple, de 0 à 1).

    Les méthodes de mise à l‘échelle dépendent de vos données et de vos objectifs pour l’indice. Par exemple, si vous utilisez des données très asymétriques ou que les classements de chaque variable du jeu de données sont plus importantes que leurs valeurs réelles, vous pouvez choisir d’utiliser la moyenne des centiles, qui normalise les valeurs en les convertissant en centiles, compris entre 0 et 1. Sinon, si vous avez une valeur critique, telle que le prix médian des logements, et que vous souhaitez que votre indice identifie les zones au-dessus et en dessous de cette valeur critique, vous pouvez choisir d’utiliser l’option personnalisée Flag by threshold (Marquer par seuil).

  5. Pour Preset Method to Scale and Combine Variables (Méthode prédéfinie pour mettre à l’échelle et combiner les valeurs), sélectionnez Combine values (Mean of scaled values) (Combiner les valeurs [moyenne des valeurs mises à l’échelle]).

    Cette option prédéfinie définit Method to Scale Input Variables (Méthode de mise à l’échelle des variables en entrée) sur Minimum-maximum et Method to Combine Scaled Variables (Méthode de combinaison des variables mises à l’échelle) sur Mean (Moyenne). Les variables en entrée sont remises à l’échelle entre 0 et 1 avant d’être combinées en utilisant la moyenne des variables en entrée remises à l’échelle comme indice. Cette méthode est appropriée car le processus de mise à l’échelle prend en compte la magnitude ou la différence entre les valeurs des données en entrée et en quantifie l’avantage ou l’inconvénient pour le secteur de recensement par rapport au reste des valeurs.

    Cette méthode utilisant les minimum et maximum du jeu de données pour la remise à l’échelle, elle est souvent inappropriée pour les données asymétriques. Si vous n’aviez pas transformé les attributs PopDensity et PctLacking aux étapes précédentes, Il aurait été judicieux d’utiliser une méthode telle que la moyenne des centiles, qui conserve le classement des données, mais non leur magnitude. Les méthodes qui conservent le classement sont utiles pour créer des indices indiquant les conditions sont meilleures ou pires, mais elles ne permettent pas de quantifier ces informations.

  6. Pour Method to Scale Input Variables (Méthode pour mettre à l’échelle les variables en entrée), vérifiez que l’option Minimum-maximum est sélectionnée.
  7. Pour Method to Combine Scaled Variables (Méthode pour combiner les variables mises à l’échelle), vérifiez que Mean (Moyenne) est sélectionné.

    Le paramètre suivant sert à configurer la pondération de chaque variable. Les variables peuvent être pondérées pour représenter l’importance relative de chaque facteur contribuant à l’indice.

  8. Développez la section Variable Weights (Pondérations des variables).

    Par défaut, toutes les pondérations sont fixées à 1, ce qui signifie que chaque variable est pondérée de manière égale. Pour cet indice, vous souhaitez mettre l’accent sur la plantation d’arbres là où les gens peuvent directement en profiter. Vous allez donc pondérer la variable PopDensity_BOX_COX davantage que les deux autres.

    Les paramètres Output Settings (Paramètres en sortie) vous permettent de choisir comment nommer le champ attributaire de l’indice. Vous pouvez également choisir des couches symbolisées supplémentaires que l’outil va générer.

  9. Sous Weights (Pondérations), pour PopDensity_BOX_COX, définissez la Weight (Pondération) sur 2.

    Vous allez à présent choisir les paramètres de la sortie d’indice. Vous pouvez commencer par choisir les valeurs minimum et maximum de la plage d’indices (par exemple, une échelle de 1 à 10). Cette plage est facultative, mais vous pouvez rendre les valeurs plus faciles à interpréter. Vous pouvez alors choisir des couches en sortie supplémentaires pour disposer d’autres manières d’évaluer les résultats.

  10. Développez Output Settings (Paramètres en sortie). Pour Output Index Name (Nom de l’indice en sortie), saisissez HRI.

    Paramètres de l’outil Calculer l’indice composite

  11. Pour Output Index Minimum and Maximum Values (Valeurs minimale et maximale de l’indice en sortie), définissez Minimum (Minimum) sur 1 et Maximum (Maximum) sur 10.
  12. Sous Outputs Settings (Paramètres en sortie), cochez la case Standard deviation (Écart type) pour Additional Classified Outputs (Sorties classées supplémentaires).

    Paramètres d’indice personnalisés

  13. Cliquez sur Run (Exécuter).

    Une fois l’exécution de l’outil terminée, le groupe de couches Sevilla_HRI_MeanofScaled est ajouté à la fenêtre Contents (Contenu). Ce groupe de couches contient trois couches, une affichant les valeurs d’indice à l’aide d’un dégradé de couleurs non classé, une autre présentant les valeurs d’indice sous forme de centiles et la troisième présentant les valeurs d’indice sous forme de classes d’écart type. La couche HRI contient également plusieurs diagrammes.

Cartographier et interpréter l’indice

Maintenant que vous avez créé un indice, vous allez explorer et interpréter les résultats. À l’aide des diagrammes et sorties créés par l’outil Calculate Composite Index (Calculer un indice composite), vous pouvez déterminer si l’indice répond à vos besoins ou si vous devez tester des étapes de prétraitement et des méthodes de calcul d’indice supplémentaires. Lorsque vous êtes satisfait des résultats de votre indice, vous allez lui appliquer un style pour faciliter son interprétation par autrui. Les valeurs d’indice que vous avez examinées ont un sens pour vous, mais probablement pas pour les autres sans contexte supplémentaire.

En outre, le déclenchement d’une intervention reposant sur cet indice exige davantage de données et de connaissances locales. Par exemple, quel est le budget du programme de plantation d’arbres ? Quel type d’autorisation est-il nécessaire et les communautés sont-elles d’accord pour que des arbres soient plantés dans leur voisinage ? Sans ce genre de compréhension directe, il est potentiellement fallacieux de produire des cartes qui présentent des interprétations de votre indice. Vous allez plutôt utiliser la sortie écart type que vous avez générée pour classer les zones de recensement par catégories de bénéfice (maximal, modéré et minimal).

  1. Dans la fenêtre Contents (Contenu), sous HRI, cliquez avec le bouton droit sur Distribution of Index (Distribution d’indice) et sélectionnez Open (Ouvrir).

    Option Ouvrir du diagramme Distribution d’indice

    Les valeurs d’indice élevées peuvent être interprétées comme désignant les zones où la plantation d’arbres aurait le plus d’impact positif dans le cadre d’un plan d’intervention de résilience à la chaleur. De même, les valeurs d’indice faibles peuvent être interprétées comme bénéficiant le moins d’un programme de plantation d’arbres. Cela ne signifie pas que ces zones ne subissent pas des températures estivales élevées ou qu’elles n’ont pas besoin que des mesures de résilience soient mises en place, mais que des interventions autres que la plantation d’arbres peuvent être envisagées.

  2. Dans la fenêtre du diagramme, cliquez sur la barre représentant les valeurs d’indice les plus élevées pour les sélectionner sur la carte.

    Valeurs d’indice les plus élevées dans le diagramme

  3. Cliquez sur l’un des secteurs de recensement sélectionnés sur la carte pour ouvrir une fenêtre contextuelle d’information.

    Fenêtre contextuelle Index layer (Couche d’indexation)

    Cette fenêtre contextuelle affiche le score d’indice global du secteur de recensement, ainsi que les valeurs mises à l’échelle des variables.

  4. Cliquez sur la carte et utilisez l’histogramme pour explorer les secteurs de recensement dont les valeurs d’indice sont élevées et faibles et comprendre la raison pour laquelle elles ont été classées ainsi.

    L’utilisation de cette couche de sortie d’indice et du diagramme qui l’accompagne peut s’avérer utile si les valeurs d’indice sont elles-mêmes significatives pour vous. Par exemple, cet histogramme représente un bon point de départ pour cibler votre campagne de plantation d’arbres dans les secteurs de recensement dont le score est supérieur ou égal à 8 sur l’indice.

  5. Dans la fenêtre Contents (Contenu), désactivez la couche HRI (HRI) et activez la couche HRI - Percentile (HRI – Centile). Utilisez les fenêtres contextuelles et le diagramme Distribution of HRI - Mean (Percentile) (Distribution du HRI – Moyenne [Centile]) pour explorer la sortie des centiles.

    Cette sortie est utile si vous vous intéressez moins au score d’indice qu’au classement du secteur. Par exemple, cette sortie permet de cibler votre campagne de plantation d’arbres dans les secteurs de recensement dont le score est compris dans le 95e centile.

    Dans notre cas, comme vous créez un indice général sans entrée locale ou avis des parties prenantes, vous allez utiliser la sortie finale, la sortie d’écart type, pour classer les zones de recensement par catégories de bénéfice (maximal, modéré et minimal). Cette carte doit être considérée comme une étape de mi-parcours dans votre analyse. Elle peut être utilisée pour lancer une discussion et dégager les perspectives des parties prenantes afin de mieux affiner les variables, pondérations et méthodes utilisées.

  6. Dans la fenêtre Contents (Contenu), sous les couches Sevilla_HRI_Percentiles_GeomMean, désactivez la couche HRI - Percentile (HRI – Centile) et activez la couche HRI - Standard Deviation Classes (HRI - Classes d’écart type). Ouvrez le diagramme Counts by HRI – Mean (Standard deviation classes) (Totaux par HRI – Moyenne [Classes d’écart type]).

    Table et carte d’écart type

    Cette couche montre les données d’indice symbolisées par écart type, avec les valeurs d’indice les plus élevées éloignées de trois écarts types de la moyenne.

  7. Fermez le diagramme. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche HRI- Standard Deviation Classes (HRI - Classes d’écart type) et sélectionnez Symbology (Symbologie).

    La couche est actuellement symbolisée avec six classes.

  8. Pour Primary symbology (Symbologie principale), cliquez sur Unique Values (Valeurs uniques) et sélectionnez Graduated Colors (Couleurs graduées).

    Option Couleurs graduées

  9. Pour Field (Champ), sélectionnez HRI – Mean (Standard Deviation Classes) (HRI – Moyenne [Classes d’écart type]).
  10. Pour Classes, sélectionnez 3.

    Ces trois classes représenteront les zones de recensement recevant un bénéfice maximal, un bénéfice modéré et un bénéfice minimal.

  11. Cliquez sur Color scheme (Combinaison de couleurs) et sélectionnez Show all (Afficher tout). Choisissez le dégradé de couleurs Brown-Green (3 classes) (Marron-vert [3 classes]).

    Dégradé de couleurs marron à vert (3 classes)

    Conseil :

    Cochez la case Show names (Afficher les noms) pour voir le nom de chaque dégradé.

    Vous allez maintenant choisir quelles zones de recensement appartiennent aux trois catégories que vous avez décidé d’utiliser. Cette décision est aussi subjective que celle de la création de l’indice et peut être adaptée pour répondre aux besoins et principes locaux.

  12. Dans l’onglet Classes, pour la première classe, vérifiez que Upper value (Valeur supérieure) est égale à ≤ –1. Pour Label (Étiquette), saisissez Least Benefit (Bénéfice minimal).
  13. Pour la deuxième classe, vérifiez que Upper value (Valeur supérieure) est égale à ≤ 1. Pour Label (Étiquette), saisissez Moderate Benefit (Bénéfice modéré).
  14. Pour la troisième classe, vérifiez que Upper value (Valeur supérieure) est égale à ≤ 3. Pour Label (Étiquette), saisissez Least Benefit (Bénéfice maximal).

    Classes avec étiquettes mises à jour

    Selon vos méthodes préférées de partage et de communication des résultats de cet indice, vous pouvez maintenant les publier en tant que carte Web ou créer une mise en page cartographique pour partager une version imprimée. D’une manière ou d’une autre, cette carte doit être considérée comme une étape de mi-parcours, une façon de rassembler les données et perspectives de la communauté avant de prendre des mesures en matière de plantation d’arbres.

  15. Enregistrez le projet.

Dans ce didacticiel, vous avez créé un indice de risque de chaleur indiquant où la plantation d’arbres serait la plus bénéfique pour réduire la chaleur extrême en fonction de la densité de population, de l’absence de couvert végétal existant et des températures de surface moyennes en été.

La méthodologie de l’indice de résilience peut être répliquée pour d’autres zones d’intérêt du monde et pour différents aléas climatiques. Elle peut inclure des entrées d’indice spécifiques à votre communauté, par exemple les populations à risque. Lorsque vous créez votre propre indice, veillez à utiliser des méthodes de création d’indice et de prétraitement des données spécifiques à vos données. Pour obtenir des conseils supplémentaires sur l’outil Calculer l’indice composite, utilisez lapage de documentation de l’outil et l’article technique Creating Composite Indices Using ArcGIS: Best Practices.

Vous trouverez d’autres didacticiels dans la bibliothèque des didacticiels.