Formation-R-perfectionnement

Module Cartographie

SSP/DEMESIS

26/03/2026

Avant-propos

0.1 Avant-propos

Ce diaporama de formation a été rédigé dans le but d’être le support visuel des formations dispensées au SSM Agriculture.

Ces formations de perfectionnement s’adressent aux agents qui ont suivi la formation R initialisation (ou le module de rappels sur la formation initiation) ainsi que le module sur les fonctions, voir sur le site des formations dispensées au MASA.

0.2 Avant-propos

Les différents modules sont donnés en présentiel sur une durée d’une journée (avant la formation R-perfectionnement était groupée sur 3 jours).

Champ couvert par cette formation

Ce support couvre le module cartographie dans l’environnement du Ministère.

Pour information, Les Modules de la formation R-perfectionnement sont :

01 - Module Rappels
02 - Module Fonctions
03 - Module Quarto
04 - Module Création de graphiques avec ggplot2
05 - Module Cartes statiques et interactives
06 - Module Parquet
07 - Module Initiation à l’écriture d’applications Shiny

Les modules sont orientés pour être utiles aux agents du SSM Agriculture et se concentrent sur une utilisation de R via RStudio qui est mise à disposition des agents sur la plateforme interne Cerise basée sur RStudio Workbench.

1 Introduction

1.1 Cartographie

Voir les fiches Principaux types de cartes, Cartographie, et Sémilogie Graphique et sur https://sigea.educagri.fr/theorie/fiches-synthetiques.

Topographique ou thématique

la carte topographique (ou générale) : représente la nature du terrain (élévation et reliefs), les entités naturelles et anthropiques, e.g., la “Carte IGN”.
la carte thématique : représente un sujet particulier pour qualifier les objets et les phénomènes à partir de données (généralement statistiques). Vous êtes ici !

Carte figurative de l’instruction populaire de la France est une carte choroplèthe de la France conçue en 1826 par l’ingénieur, mathématicien et homme politique français Charles Dupin. Elle est considérée comme une des toutes premières cartes thématiques jamais réalisées. Wikipédia

Ceci n’est pas une carte !

Ceci n’est pas une carte !

Une carte doit présenter : un titre, une légende, une échelle, une flèche nord, des sources, un auteur… et un corps.

Sémiologie graphique : la grammaire visuelle

La sémiologie graphique est, de façon générale, l’ensemble des règles qui régissent la construction d’un système de signes ou langage permettant la traduction graphique d’une information. Depuis la parution de la Sémiologie graphique de Jacques Bertin en 1967, elle désigne surtout un ensemble standardisé des règles et de pratiques inhérentes à la représentation cartographique au-delà des travaux réalisés par Bertin.

Extrait de Wikipédia.

Exemple

S’il ne faut retenir qu’une seule règle : pas de stocks en aplat ! (voir https://neocarto.hypotheses.org/5717).

Variables graphiques {tmap}

Principales variables graphiques et leur rendu dans {tmap}, issu de Voir Spatial Data Visualization with tmap, Chapter 7

1.2 Les packages utilisés dans ce module

{sf} (4.4) : fonctions sur les objets spatiaux (import, traitement, export…) (documentation)
{tmap} (4.2) : réalisation de cartes (documentation)
{cols4all} (documentation) et {colorspace} (documentation) pour la sélection de couleurs.

library(tidyverse)
library(sf)
library(tmap)
library(cols4all)
library(janitor)
library(ragg)         # remplace grDevices (défaut) <https://ragg.r-lib.org/>
options(OutDec = ".")

Autres possibilités pour la cartographie avec {ggplot2} + {ggspatial}, {mapsf}, {leaflet}, {mapview}…

1.3 Le package `{tmap}`

Depuis 2014.
S’inspire de la grammaire des graphiques ({ggplot2}).
Cartes statiques ou interactives.
Site officiel : https://r-tmap.github.io/tmap/.
Livre : https://r.geocompx.org/.

Changements substantiels d’interface depuis la v4.0, voir Releases.

1.4 Les étapes de la réalisation d’une carte

Import du fond de carte et des données
Choix de la variable à représenter et construction éventuelle des classes
Représentation graphique
Habillage du graphique avec titre, légende, sources, etc.

2 Cas pratique : réalisation pas à pas d’une première carte

2.1 Objectif

TODO Réaliser une carte départementale métropolitaine du nombre et des parts d’exploitations ayant au moins une parcelle conduite en agriculture biologique (source : RA 2020).

2.2 Principaux objets `{tmap}`

Objets de couches

Voir Spatial Data Visualization with tmap, Chapter 6

Function	Element	Geometry
`tm_polygons()`	polygons (borders and fill)	polygons
`tm_symbols()`	symbols	points, polygons, and lines
`tm_lines()`	lines	lines
`tm_text()`	text	points, polygons, and lines
`tm_raster()`	raster	raster
`tm_basemap()`	tile
`tm_tiles()`	tile

Objets de couches dérivés

Function	Element	Geometry
`tm_borders()`	polygons (borders)	polygons
`tm_fill()`	polygons (fill)	polygons
`tm_bubbles()`	bubbles	points, polygons, and lines
`tm_dots()`	dots	points, polygons, and lines
`tm_markers()`	marker symbols	points, polygons, and lines
`tm_square()`	squares	points, polygons, and lines
`tm_labels()`	text labels	points, polygons, and lines
`tm_labels_highlighted()`	text labels with background	points, polygons, and lines
`tm_iso()`	lines with text labels	lines
`tm_rgb()`/`tm_rgba()`	raster (RGB image)	raster

2.3 Import d’un fond de carte

Ouverture du fond de carte

La fonction read_sf() permet d’ouvrir des données cartographiques au format .TAB (MapInfo), .shp (Shapefile), .gpkg (GeoPackage), des bases de données PostGIS ou DuckDB.

gpkg <- "~/CERISE/03-Espace-de-Diffusion/000_Referentiels/0040_Geo/IGN/adminexpress/adminexpress_cog_simpl_000_2023.gpkg"

st_layers(gpkg)
# https://r-spatial.github.io/sf/reference/st_read.html
dep <- read_sf(gpkg, layer = "departement") |> 
  filter(insee_reg > "06") |> 
  st_transform("EPSG:2154")

r$> st_layers(gpkg)
Driver: GPKG 
Available layers:
       layer_name geometry_type features fields crs_name
1        cheflieu         Point    34877      7   WGS 84
2     commune_int                 102173      0   WGS 84
3 departement_int                    238      0   WGS 84
4      region_int                     23      0   WGS 84
5        epci_int                   3526      0   WGS 84
6     departement                    103      4   WGS 84
7         commune                  34877     12   WGS 84
8          region                     19      3   WGS 84
9            epci                   1266      4   WGS 84

L’objet dep combine des géométries (ici les polygones des départements, attribut geom) et des données atrtibutaires (attributs insee_dep, nom, insee_reg…) dans un objet de type data.frame ou tibble.

Ce data.frame se comporte comme n’importe quel autre (même utilisation des fonctions str(), names(), les fonctions de {dplyr}…).

r$> head(dep)
Simple feature collection with 6 features and 4 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 394752.2 ymin: 6686771 xmax: 987205.3 ymax: 7030719
Projected CRS: RGF93 v1 / Lambert-93
# A tibble: 6 x 5
  insee_dep id                       nom         insee_reg                             geom
  <chr>     <chr>                    <chr>       <chr>                   <MULTIPOLYGON [m]> 
1 70        DEPARTEM_FXX_00000000071 Haute-Saône 27        (((972248.1 6762255, 973545.8 6~ 
2 89        DEPARTEM_FXX_00000000090 Yonne       27        (((707373.3 6805723, 707657.4 6~ 
3 60        DEPARTEM_FXX_00000000061 Oise        32        (((699240.6 6902196, 699168.9 6~ 
4 80        DEPARTEM_FXX_00000000081 Somme       32        (((660347.7 7002280, 660606.9 7~ 
5 14        DEPARTEM_FXX_00000000016 Calvados    28        (((507839.1 6886562, 508318.9 6~ 
6 27        DEPARTEM_FXX_00000000028 Eure        28        (((509647.6 6912733, 508374.9 6~

plot() permet d’afficher le fond pour toutes les variables dans la fenêtre graphique (documentation).

plot(dep)

Jointure avec le RA 2020

exp_dep <- read_rds("~/CERISE/03-Espace-de-Diffusion/030_Structures_exploitations/3020_Recensements/RA_2020/01_BASES DIFFUSION RA2020/DEF_240112/RA2020_EXPLOITATIONS_240112.rds") |> 
  as_tibble(.name_repair = make_clean_names) |>
  filter(champ_geo == "1") |> 
  group_by(siege_dep) |> 
  summarise(n_exp = n(),
            n_exp_bio = sum(bio_fil, na.rm = TRUE)) |> 
  mutate(part_exp_bio = n_exp_bio / n_exp * 100)

head(exp_dep)

bio <- dep |> 
  left_join(exp_dep, by = c("insee_dep" = "siege_dep"))

siege_dep	n_exp	n_exp_bio	part_exp_bio
01	3017	301	9.976798
02	4472	221	4.941860
03	4356	328	7.529844
04	2064	520	25.193798
05	1646	367	22.296476
06	1192	235	19.714765

Affichage minimaliste par défaut avec fonction sf::plot(), e.g. plot(bio |> select(geom, part_exp_bio)).

2.4 Carte choroplèthe avec `tm_polygons`

tm_shape(bio) +
    tm_polygons(fill = "part_exp_bio")

2.5 Carte interactive

# "view" = interactif <https://r-tmap.github.io/tmap/reference/tmap_mode.html>
tmap_mode("view")
tm_shape(bio) +
    tm_polygons(
        fill = "part_exp_bio",
        col = "grey60",
        fill.scale = tm_scale_intervals(
            style = "pretty", # default
            n = 5,
            values = "brewer.bu_gn",
            label.format = tm_label_format(
                text.separator = " - "
            )
        ),
        fill.legend = tm_legend(
            title = "part en %",
            lwd = 0.25, # lwd = line width
            reverse = TRUE,
        )
    )

Carte interactive avec symbologie sur mesure.

2.6 Carte à symboles proportionnels

# "plot" = statique <https://r-tmap.github.io/tmap/reference/tmap_mode.html>
tmap_mode("plot")

tm_shape(bio) +
    tm_borders(col = "grey30", lwd = 0.25) +
    tm_symbols(
        size = "n_exp",
        size.scale = tm_scale(values.scale = 1.5),
        fill = "darkolivegreen4",
        size.legend = tm_legend(
            title = "Nombre d'exploitations en AB",
            orientation = "landscape",
            position = tm_pos_in()
        )
    )

2.7 Carte choroplèthe + symboles proportionnels

tm_shape(bio) +
    tm_polygons(
        fill = "part_exp_bio",
        col = "grey60",
        fill.scale = tm_scale_intervals(
            values = "brewer.bu_gn",
        ),
        fill.legend = tm_legend(
            title = "Part d'exploitations en AB (en %)",
            reverse = TRUE,
        )
    ) +
    tm_symbols(
        size = "n_exp",
        size.scale = tm_scale(values.scale = 1.5),
        fill = "darkolivegreen4",
        size.legend = tm_legend(
            title = "Nombre d'exploitations en AB",
            reverse = TRUE,
        )
    )

2.8 Représentations alternatives

Une alternative consiste à faire varier la taille + la couleur du cercle : les couleurs des classes de la variable représentée en aplats sont placées dans les ronds proportionnels.

tm_shape(bio) +
    tm_borders(col = "grey30", lwd = 0.25) +
    tm_symbols(
        fill = "part_exp_bio",
        fill.scale = tm_scale(
            values = "brewer.bu_gn"
        ),
        fill.legend = tm_legend(
            title = "Part d'exploitations en AB (en %)",
            reverse = TRUE,
            position = tm_pos_in("left", "bottom"),
        ),
        size = "n_exp",
        size.scale = tm_scale(
            values.scale = 1.5
        ),
        size.legend = tm_legend(
            title = "Nombre d'exploitations en AB",
            position = tm_pos_in("left", "bottom"),
            frame = FALSE,
            bg.alpha = 0.0
        ),
    )

tmap_mode("view")

2.9 Couleurs et palettes

Les couleurs sont à préciser dans l’argument values de la fonction tm_scale() des arguments .scale comme fill.scale.

Le site https://r-charts.com/colors/ présente les couleurs de base en R.
Le package {cols4all} (par l’auteur de {tmap}) propose une fonction cols4all::c4a_gui() qui permet de visualiser des palettes de couleurs, en simulant les déficiences visuelles.

pal_vir <- c4a("viridis", n = 5)
colorspace::specplot(pal_vir)

pal_div <- c4a("brewer.prgn", n = 7)
colorspace::specplot(pal_div)

c4a_types()

  type                          description
1  cat                          categorical
2  seq                           sequential
3  div                            diverging
4  cyc                               cyclic
5 bivs  bivariate (sequential x sequential)
6 bivc bivariate (sequential x categorical)
7 bivd   bivariate (sequential x diverging)
8 bivg bivariate (sequential x desaturated)

c4a_overview()

       series                                         description cat seq div cyc bivs bivc bivd bivg
1     bivario            Palettes from the Python library bivario   0   0   0   0   25    0    0    0
2      brewer                                ColorBrewer palettes   8  18   9   0    2    2    1    0
3       carto                          Palettes designed by CARTO   6  21   7   0    0    0    0    0
4    cols4all                  cols4all palettes (in development)  14   0   2   0    2    0    2    5
5         gmt                 Palettes from General Mapping Tools   0  19   4   0    0    0    0    0
6         hcl  Palettes from the Hue Chroma Luminance color space   9  23  11   6    0    0    0    0
7      kovesi                   Palettes designed by Peter Kovesi   0  28  14   8    0    0    0    0
8  matplotlib         Palettes from the Python library matplotlib   0  51  12   3    0    0    0    0
9         met Palettes inspired by The Metropolitan Museum of Art  33   8  14   0    0    1    0    0
10      meteo           Palettes by Oliver Fuhrer from MeteoSwiss   2  14   7   0    0    0    0    0
11       misc                              Miscellaneous palettes   5   0   0   0    0    3    0    0
12      ocean          Colormaps for Oceanography by Thyng et al.   0  15   3   0    0    0    0    0
13      parks                 Palettes inspired by National Parks  22   5   3   0    0    0    0    0
14       poly               Qualitative palettes with many colors   9   0   0   0    0    0    0    0
15    powerbi                    Palettes from Microsoft Power BI  19   1   4   0    0    0    0    0
16      scico             Scientific colour maps by Fabio Crameri  21  21  10   5    0    2    0    1
17    seaborn            Palettes from the Python library Seaborn   6   4   2   0    0    0    0    0
18    stevens                Bivariate palettes by Joshua Stevens   0   5   0   0    5    0    0    0
19    tableau                        Palettes designed by Tableau  29  23  28   0    0    3    0    0
20        tol                       Palettes designed by Paul Tol   8   8   4   0    0    0    0    0
21        wes                   Palettes from Wes Anderson movies  23   0   1   0    0    0    0    0

c4a_scores(series = "brewer", type = "div") |> as_tibble()

# A tibble: 9 x 37
  name   series fullname type      n min_dist nameability min_step max_step inter_wing_dist tri_ineq  Cmax     H    HL    HR  Lmid Hwidth HwidthL HwidthR Lrange Crange fairness CRmin
  <chr>  <chr>  <chr>    <chr> <dbl>    <dbl>       <dbl>    <dbl>    <dbl>           <dbl>    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>  <dbl>   <dbl>   <dbl>  <dbl>  <dbl>    <dbl> <dbl>
1 br_bg  brewer brewer.~ div       9       NA          NA     3.23       NA            7.52    -0.82    72   110    54   180    97    145      33       6     58     72       64  1.06 
2 pi_yg  brewer brewer.~ div       9       NA          NA     3.84       NA           13.6      2.91    97    44   336   112    97    151      16      16     53     97       23  1.07 
3 prgn   brewer brewer.~ div       9       NA          NA     8.25       NA           12.9      6.33    62   360   300   127    97    187      14      15     65     62       78  1.13 
4 pu_or  brewer brewer.~ div       9       NA          NA     7.21       NA           15.5      5.27    98   340    44   270    97    158      29      19     70     98       22  1.09 
5 rd_bu  brewer brewer.~ div       9       NA          NA     7.22       NA           12.1      5.32   111   313    26   238    97    177      32      27     59    111       10  1    
6 rd_gy  brewer brewer.~ div       9       NA          NA     6.5        NA            6.34    -2.35   111    26    26   180   100     32      32       0     67    111       10  1.01 
7 rd_yl~ brewer brewer.~ div       9       NA          NA     7.56       NA           22.1      3.21   132   360    40   230    99    237      55      41     51    120        6  1.03 
8 rd_yl~ brewer brewer.~ div       9       NA          NA     6          NA            0.52    -7.69   132    75    40   118    99    125      56      40     51     87       38  1.03 
9 spect~ brewer brewer.~ div       9       NA          NA     3.84       NA            0.53    -6.25   115   360    38   167    99    233      61     147     49     72       64  1.1  
# i 14 more variables: CRwt <dbl>, CRbk <dbl>, Blues <dbl>, cbfriendly <dbl>, chroma <chr>, Hspread <dbl>, fair <chr>, hues <chr>, HwidthLR <dbl>, equiluminance <lgl>,
#   contrastWT <lgl>, contrastBK <lgl>, float <lgl>, nameable <lgl>

3 Discrétisation des données en classes

3.1 Construction automatique des classes

L’argument style de la fonction tm_scale_intervals() utilisée dans les arguments .scale des objets cartographiques créés avec tm_polygons() permet de définir la méthode (automatique) de création des classes, l’argument n reçoit le nombre de classes à construire.

Les arguments passés à classInt::classIntervals() qui fait le calcul.

Les méthodes disponibles sont "cat", "fixed", "sd", "equal", "pretty", "quantile", "kmeans", "hclust", "bclust", "fisher", "jenks", "dpih", "headtails" et "log10_pretty". Les principales sont :

"sd" : classes construites à partir de la moyenne et dont les amplitudes valent un écart-type (standard deviation),
"equal" : classes d’amplitudes égales,
"quantile" : classes de même effectif,
"fisher" ou "jenks" : classes construites avec une méthode qui minimise les variances intra-classes et maximise les variances inter-classes,
"headtails" : classes pour les distributions avec de nombreuses valeurs hautes,
…

Voir fichier 12_demo_classes.R pour la génération des illustrations après. Toutes ne sont pas adaptées au cas.

3.2 Construction manuelle des classes

Il est possible de renseigner manuellement ses propres classes dans l’argument breaks de la fonction tm_scale_intervals(style = "fixed"). Pour renseigner un découpage en n classes, l’argument breaks doit contenir un vecteur de taille n+1 : c(min, borne₁, borne₂, … , borneₙ₋₁, max).

Exemple sur le % d’exploitation en AB : la méthode "quantile" à 5 classes donne les ruptures comme suit, qu’on peut arrondir et passer à breaks.

cesures <- classIntervals(bio$part_exp_bio, style = "quantile", n = 5)
cesures
# style: quantile
#   one of 3,183,545 possible partitions of this variable into 5 classes
# [4.02,7.52) [7.52,9.97) [9.97,13.38)  [13.38,17.18)  [17.18,33.33]
#         19          19           19             19             20 

tm_shape(bio) +
    tm_polygons(
        ...
        fill.scale = tm_scale_intervals(
            style = "fixed",
            breaks = round(cesures$brks, 1),
            values = c4a("viridis", n = 5),
        ),
        ...
    )

classIntervals(bio$part_exp_bio, style = "jenks", n = 5)
# style: jenks
#   one of 3,183,545 possible partitions of this variable into 5 classes
# [4.02,7.17] (7.17,10.10] (10.10,14.94] (14.94,20.55] (20.55,33.33]
#         18            24           26            15            13

4 Autres fonctionnalités

4.1 Habillage de la carte

tmap_mode("plot")

m_base <- tm_shape(bio) +
    tm_polygons(
        fill = "part_exp_bio",
        col = "grey60",
        fill.scale = tm_scale_intervals(
            values = "brewer.bu_gn",
        ),
        fill.legend = tm_legend(
            title = "Part en %",
            reverse = TRUE,
            position = tm_pos_in("left", "center"),
            frame = FALSE,
            bg.alpha = 0.0
        )
    )

m <- m_base +
    tm_layout(
        text.fontfamily = "Marianne"
    ) +
    tm_text(
        text = "insee_dep",
        size = 0.5,
        options = opt_tm_text(remove_overlap = TRUE)
    ) +
    tm_title_out(
        text = "Exploitations (ayant au moins une parcelle)\nen Agriculture Biologique (AB)"
    ) +
    tm_credits(
        text = "Recensement Agricole 2020 - Agreste.\nFond carto. IGN Admin Express 2025.",
        position = tm_pos_in("left", "bottom")
    ) +
    tm_scalebar(
        color.dark = "grey40",
        width = 24,
        position = tm_pos_in("center", "bottom")
    ) +
    tm_compass(
        type = "4star",
        size = 5,
        position = tm_pos_in("right", "top")
    ) +
    tm_logo(
        file = "./img/logos/png/logoMASAF.png",
        position = tm_pos_in("left", "top"),
        height = 5
    )

tmap_save(
    m,
    "images/4-1-habillage_carte.png",
    width = 20,
    units = "cm",
    asp = 1.618,
    dpi = 300,
    device = agg_png
)

# Pour une carte interactive :
# tmap_mode("view")
# tmap_save(m, "pcent_bio_fr.html")

4.2 Facettes

m_facet <- tm_shape(bio) +
    tm_polygons(
        fill = "part_exp_bio",
        col = "grey60",
        fill.scale = tm_scale_intervals(
            values = "brewer.bu_gn",
        ),
        fill.legend = tm_legend(
            title = "Part en %",
            reverse = TRUE,
            position = tm_pos_out(),
        )
    ) +
    tm_facets(by = "insee_reg") +
    tm_title(text = "Exploitations en AB par région")

4.3 Cartogramme


library(cartogram)

bio |>
    # Construct a cartogram which represents each geographic
    # region as non-overlapping circles 
    cartogram_dorling("n_exp") |>
    tm_shape() +
    tm_polygons(
        fill = "n_exp",
        fill.scale = tm_scale_intervals(
            values = "brewer.bu_gn",
            style = "quantile",
            n = 5
        ),
        fill.legend = tm_legend(
            title = "Nombre d'exploitations",
            reverse = TRUE,
        )
    ) +
    tm_text(
        text = "insee_dep",
        size = 0.8,
        options = opt_tm_text(remove_overlap = TRUE)
    )

4.4 Grilles

library(tilemaps)

bio_metropole <- bio |>
    filter(insee_reg != "94") |>
    mutate(
        tile_map = generate_map(geom, square = FALSE, flat_topped = TRUE)
    )
bio_metropole |>
    st_set_geometry("tile_map") |>
    tm_shape() +
    tm_polygons(
        fill = "part_exp_bio",
        fill.legend = tm_legend(
            title = "Part d'expl. en AB",
            reverse = TRUE
        )
    ) +
    tm_text("insee_dep")

5 Bibliographie

5.1 Liens utiles

Pour aller plus loin

Guide de sémiologie cartographique - INSEE
GUR : Cartographie avec R
La formation MTES Analyses spatiales avec R

5.2 Références

Crameri, Fabio, Grace E. Shephard, et Philip J. Heron. 2020. « The Misuse of Colour in Science Communication ». Nature Communications 11 (1): 5444. https://doi.org/10.1038/s41467-020-19160-7.
Engelaere-Lefebvre, Juliette, Maël Theulière, et Jean-Daniel Lomenède. 2023. « Analyses spatiales avec R ». Formations R aux MTES & MCTRCT. https://mtes-mct.github.io/parcours_r_module_analyse_spatiale/
Harrower, Mark, et Cynthia A. Brewer. 2003. « ColorBrewer. Org: An Online Tool for Selecting Colour Schemes for Maps ». The Cartographic Journal 40 (1): 27‑37. https://doi.org/10.1179/000870403235002042.
Loonis, Vincent, et Marie-Pierre de Bellefon. 2018. Manuel d’analyse spatiale. Théorie et mise en œuvre pratique avec R. Insee Méthodes 131. Montrouge: INSEE - Eurostat. https://www.insee.fr/fr/information/3635442.
Lovelace, Robin, Jakub Nowosad, et Jannes Muenchow. 2023. Geocomputation with R. https://r.geocompx.org/.
Pebesma, Edzer, et Roger Bivand. 2023. Spatial Data Science: With Applications in R. New York: Chapman and Hall/CRC. https://doi.org/10.1201/9780429459016.
Rowe, Francisco, et Dani Arribas-Bel. 2022. Spatial Modelling for Data Scientists. University of Liverpool. https://gdsl-ul.github.io/san/.

Theulière, Maël. 2019. « Les données spatiales avec R ». https://maeltheuliere.github.io/rspatial/index.html.
Wimberly, Michael C. 2023. Geographic Data Science with R: Visualizing and Analyzing Environmental Change. https://bookdown.org/mcwimberly/gdswr-book/.
Zeileis, Achim, Kurt Hornik, et Paul Murrell. 2009. « Escaping RGBland: Selecting Colors for Statistical Graphics ». Research {{Report Series}} 61. Vienna: Department of Statistics and Mathematics, WU Vienna University of Economics and Business. http://www.sciencedirect.com/science/article/pii/S0167947308005549.
Zeileis, Achim, et Paul Murrell. 2023. « Coloring in R’s Blind Spot ». The R Journal 15 (3): 240‑56. https://doi.org/10.32614/RJ-2023-071.

6 Exercices

6.1 Préparation des données

Objectifs Réaliser la carte de densité de population communale du département de l’Aisne.

Données disponibles sur https://github.com/SSM-Agriculture/site-formations-R/wiki dans le fichier donnees_exercices.zip

Le fichier de données est le fichier popD02_2013.rds.
Le fond de carte est le fichier ComD02.TAB.

TODO Calculer la jointure com_pop des deux jeux de données sur l’attribut codgeo, en calculant la densité de population et l’évolution de 2008 à 2013 en %.

com_pop
Simple feature collection with 816 features and 24 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 696994 ymin: 6859808 xmax: 790281 ymax: 6997000
Projected CRS: RGF93 / Lambert-93
# A tibble: 816 x 25
   codgeo chef_lieu tncc  dct   dar   dau99 dau10 typo_au2010 deu99 duu99 duu10 z90   z10   epc      bv    int_reg reg   dep                    geometry libgeo
 * <chr>  <chr>     <chr> <chr> <chr> <chr> <chr> <chr>       <chr> <chr> <chr> <chr> <chr> <chr>    <chr> <chr>   <chr> <chr>        <MULTIPOLYGON [m]> <chr> 
 1 02001  0         1     0203  022   248   998   300         1A    ""    ""    2232  2202  2402006~ 02173 NE      22    02    (((712717 6942795, 71199~ Abbéc~ 
 2 02002  0         1     0218  022   999   998   300         1A    ""    ""    2232  2205  2402004~ 02738 NE      22    02    (((728639 6953410, 72807~ Achery 
 3 02003  0         1     0217  024   117   127   112         1A    ""    ""    2207  2206  2402004~ 02722 NE      22    02    (((731200.1 6913598, 730~ Acy    
 4 02004  0         1     0211  022   000   000   400         9Z    ""    ""    2242  2204  2402004~ 02468 NE      22    02    (((768060 6955198, 76720~ Agnic~ 
 5 02005  0         1     0206  022   029   029   112         1A    ""    ""    2242  2204  2402005~ 51454 NE      22    02    (((769828 6920184, 76786~ Aguil~ 
 6 02006  0         1     0207  025   000   998   300         9Z    ""    ""    2241  2205  2402004~ 02095 NE      22    02    (((736934 6979095, 73622~ Aison~ 
 7 02007  0         1     0206  022   999   997   120         1A    ""    ""    2242  2204  2402005~ 51454 NE      22    02    (((760905 6931148, 75915~ Aizel~ 
 8 02008  0         1     0205  024   999   997   120         1A    ""    ""    2207  2206  2402005~ 02722 NE      22    02    (((736093 6924183, 73584~ Aizy-~ 
 9 02009  0         1     0212  023   074   074   112         1A    ""    ""    2231  2205  2000404~ 02691 NE      22    02    (((726606 6961580, 72541~ Alain~ 
10 02010  0         1     0205  024   999   127   112         1A    ""    ""    2207  2206  2402005~ 02018 NE      22    02    (((733662 6928092, 73222~ Allem~ 
# i 806 more rows
# i 5 more variables: pop13 <dbl>, pop08 <dbl>, surf <dbl>, dpop_habkm2 <dbl>, evol_pop_pcent <dbl>
# i Use `print(n = ...)` to see more rows

6.2 Densité de population

TODO Représenter la densité de population en aplat (carte choroplète).

TODO Habiller la carte avec titre, rose des vents, légende, échelle et crédits.

6.3 Évolution de population

TODO Réaliser la carte d’évolution de la population communale du département de l’Aisne. On différenciera les évolutions positives et les évolutions négatives avec une palette adaptée (on pourra se passer de l’habillage).

6.4 Classes

TODO Reprendre la carte précédente en construisant cinq classes manuelles entre -20 et +20 avec des points de rupture à -/+10, -/+5 et 0.

6.5 Exporter en PDF

TODO Habiller la carte précédente et l’exporter au format PDF au format 20 cm x 28.7 cm.