30:T100e,## Ressources & bibliographie [ARSET - Satellite Remote Sensing for Urban Heat Islands](https://appliedsciences.nasa.gov/join-mission/training/english/arset-satellite-remote-sensing-urban-heat-islands) Excellente série de vidéos de la *NASA* sur les ilots de chaleur urbain > *This training will address the use of remote sensing in determining where "hot spots" of land surface temperature are located in urban areas, why these areas are experiencing increased temperature, which populations are most vulnerable, and ways to mitigate the effects through adaptive land use planning* [Racism is magnifying the deadly impact of rising city heat](https://www.nature.com/articles/d41586-021-01881-4) *Nature* sur les corrélations entre race, revenus et chaleur dans les villes > *In the past few years, a growing body of research has revealed the environmental injustices that have left some residents baking in vast expanses of asphalt while other urban neighbourhoods benefit from green parks, spacious lawns and sprawling trees* [How L.A.'s urban tree canopy reveals hidden inequities](https://www.nationalgeographic.com/magazine/graphics/how-los-angeles-tree-canopy-reveals-hidden-inequities-feature) Un article très visuel du *National Geographic* sur le même sujet avec une carte interactive extrêmement parlante. > *As Los Angeles experiences more extremely hot days because of climate change, the urban canopy’s capacity to lower temperatures can save lives. Today, however, L.A.’s tree canopy is mostly developed in areas where residents are more likely to be white and rich.* [Heat Islands and Equity](https://www.epa.gov/heatislands/heat-islands-and-equity) Par l‘*Environmental Protection Agency* des É.-U. > *Heat islands impact some people more than others. As cities face higher temperatures, longer and more intense heat waves, and a stronger heat island effect, many local governments are increasingly focused on protecting the people who are most vulnerable to extreme heat. To accomplish this, many local governments are applying environmental justice principles in their efforts to mitigate heat islands and prepare for extreme heat events.* > *These tabs explain the link between urban heat and equity, describe general approaches local governments have used to address heat equity, and provide examples of specific actions three communities have taken to manage heat in an equitable manner.* [Study Maps Urban Heat Islands With Focus on Environmental Justice](https://news.climate.columbia.edu/2021/08/26/study-maps-urban-heat-islands-with-focus-on-environmental-justice/) Revue de la *Columbia Climate School* > *In cities across the U.S., racially and socioeconomically marginalized neighborhoods disproportionately bear the burdens of environmental degradation and the health problems associated with them.* [Mapping Urban Heat Islands](https://www.ted.com/talks/tom_diliberto_mapping_urban_heat_islands) TEDx Talk de Tom Di Liberto, climatologue au *NOAA*. Une présentation passionnée du sujet, et le lancement d’un mouvement citoyen pour mesurer plus finement ces inégalités que ne peut le faire la télédetection. [A New Approach for Understanding Urban Microclimate by Integrating Complementary Predictors at Different Scales in Regression and Machine Learning Models](https://www.mdpi.com/2072-4292/12/15/2434) Par Lucile Alonso et Florent Renard. *Remote Sensing* 2020, 12, 2434. L’état de l'art sur la modélisation fine des températures en milieu urbain, et une analyse des variables qui les influencent. > *The results of this study confirmed the cooling roles played by green areas and water surfaces and the problems linked to building density without vegetation in the urban overheating issue. In addition, low vegetation displayed low cooling power, mainly because of an absence of shade compared to the high vegetation and the low-density vegetation providing little evapotranspiration. This highlights the real need to use green and blue spaces solutions in order to limit the UHI and improve the thermal comfort.* 31:[{"id":"68e7cc06471a08364bfd96fd777d39300c5e9ef669a7af30599117becdb8b6b544c8d32303f95b30fdf9b3219b53e36682348df4e8da415d15de0fd6b15a08d9","href":"https://static.observableusercontent.com/files/68e7cc06471a08364bfd96fd777d39300c5e9ef669a7af30599117becdb8b6b544c8d32303f95b30fdf9b3219b53e36682348df4e8da415d15de0fd6b15a08d9","name":"contours-toulouse.geojson.zip","type":"application/zip","lastModified":1643747919065.066,"size":34495},{"id":"df8950edc9c2ad191ce4e6eee067aca93b56a22e07e18848aa38e6eabed400acbc6250de68b77dc1018801d4ab52ead0ff85fc6262d7a3ff3d51705e6bb28e80","href":"https://static.observableusercontent.com/files/df8950edc9c2ad191ce4e6eee067aca93b56a22e07e18848aa38e6eabed400acbc6250de68b77dc1018801d4ab52ead0ff85fc6262d7a3ff3d51705e6bb28e80","name":"contours-paris.geojson.zip","type":"application/zip","lastModified":1643747918889.404,"size":84385},{"id":"cde5d3d011744fac65bdfd8843b839b55860fd0002645217bf108740a9cabd025ca01bb520d24235e820d8d17c1bb9bd304534db63063e22ee79cb1de18dcb48","href":"https://static.observableusercontent.com/files/cde5d3d011744fac65bdfd8843b839b55860fd0002645217bf108740a9cabd025ca01bb520d24235e820d8d17c1bb9bd304534db63063e22ee79cb1de18dcb48","name":"contours-marseille.geojson.zip","type":"application/zip","lastModified":1643747919197.574,"size":168612},{"id":"405957ca4e5aec189aeb5ae9d4c57073425b54f086d1ae1015d6be2736fc2125dca7d49d1282d1e451da98b792025fd0a17ddca9126c341b8bc49b5476736152","href":"https://static.observableusercontent.com/files/405957ca4e5aec189aeb5ae9d4c57073425b54f086d1ae1015d6be2736fc2125dca7d49d1282d1e451da98b792025fd0a17ddca9126c341b8bc49b5476736152","name":"lyon-60.geojson.zip","type":"application/zip","lastModified":1642256804489.321,"size":807757},{"id":"c21b70aeea50b82bb367714c563a349fb7b7a09447015cdbbc4cdc3e04befc69c022736a0ea6ac268929948768c0f98587d6e2149792e29a481815e67dd90e7b","href":"https://static.observableusercontent.com/files/c21b70aeea50b82bb367714c563a349fb7b7a09447015cdbbc4cdc3e04befc69c022736a0ea6ac268929948768c0f98587d6e2149792e29a481815e67dd90e7b","name":"marseille-48-filtered.geojson.zip","type":"application/zip","lastModified":1642256837301.029,"size":1014519},{"id":"8922ad8b0d1310fec16d9c2bbe8793bc681c530d55c98f3320c70cbbced7dc377408ba44b77ec30deec33cd3948c96b03e5b0830f31b0ea38504990153d972b1","href":"https://static.observableusercontent.com/files/8922ad8b0d1310fec16d9c2bbe8793bc681c530d55c98f3320c70cbbced7dc377408ba44b77ec30deec33cd3948c96b03e5b0830f31b0ea38504990153d972b1","name":"contours-lyon.geojson.zip","type":"application/zip","lastModified":1643747919066.579,"size":43587},{"id":"8e0920b7f35e06ca1cfc4d724dff45b40e4474e76a70af58a96a33e6bfdd256f5e2657bcf81ffbc651c4d80efea0e2b3859902a25ccc45d7e5080bb9952c0b7a","href":"https://static.observableusercontent.com/files/8e0920b7f35e06ca1cfc4d724dff45b40e4474e76a70af58a96a33e6bfdd256f5e2657bcf81ffbc651c4d80efea0e2b3859902a25ccc45d7e5080bb9952c0b7a","name":"paris-180.geojson.zip","type":"application/zip","lastModified":1642256789884.953,"size":1699426},{"id":"9cf2c6d39a26931b43e35f79edd7daff5751f86beb1343346f165b14f422e1140d74c7490cb83d9171cb33df0f1dce7d3eff758194a4950efad120caa9e3c20b","href":"https://static.observableusercontent.com/files/9cf2c6d39a26931b43e35f79edd7daff5751f86beb1343346f165b14f422e1140d74c7490cb83d9171cb33df0f1dce7d3eff758194a4950efad120caa9e3c20b","name":"toulouse-40.geojson.zip","type":"application/zip","lastModified":1642256819142.567,"size":855510}] 2e:{"title":"Ilots de chaleur, la marque d’une injustice climatique","cells":[{"id":0,"value":"# Ilots de chaleur, la marque d’une injustice climatique","pinned":false,"hidden":false,"mode":"md"},{"id":976,"value":"Aux États-Unis, une littérature abondante a démontré le lien entre inégalités sociales et inégalités climatiques : les quartiers les plus pauvres des grandes métropoles américaines sont aussi les quartiers où l’effet d’ilot de chaleur est le plus important. Qu’en est-il en France ?","pinned":false,"hidden":false,"mode":"md"},{"id":988,"value":"*Ce notebook est également publié sur le site [visionscarto](https://visionscarto.net/ilots-de-chaleur).*","pinned":false,"hidden":false,"mode":"md"},{"id":538,"value":"En croisant les données de température de surface provenant de l’imagerie [Landsat 8](https://en.wikipedia.org/wiki/Landsat_8) et les [données FiLoSoFi](https://www.insee.fr/fr/statistiques/4176290) de l’INSEE sur les revenus des ménages, nous avons essayé de caractériser ce lien dans plusieurs grandes métropoles françaises. Les données traitées sont téléchargeables en annexe de ce notebook.","pinned":false,"hidden":false,"mode":"md"},{"id":726,"value":"## Comparaison directe des paramètres","pinned":false,"hidden":false,"mode":"md"},{"id":773,"value":"**Température**: médiane de la température de surface du carreau, en degrés Celsius \n**Végétation**: médiane de l’indice de végétation différentiel normalisé (NDVI) sur le carreau \n**Eau**: maximum de l’indice d’eau différentiel normalisé (NDWI) sur le carreau (avec une borne inférieure à 0) \n**Revenus**: ratio de la somme des niveaux de vie [winsorisés](https://fr.wikipedia.org/wiki/Winsorisation) des individus par le nombre d’individus sur le carreau, soit une valeur proche du revenu moyen par habitant \n ","pinned":false,"hidden":false,"mode":"md"},{"id":626,"value":"viewof params = Inputs.form(\n [\n Inputs.select(fields, {\n label: \"\",\n value: \"Température\"\n }),\n Inputs.select(fields, {\n label: \"\",\n value: \"Revenus\"\n }),\n Inputs.select(fields, {\n label: \"\",\n value: \"Végétation\"\n })\n ],\n {\n template: (inputs) => html` \n

Paramètres

${inputs[0]}

${inputs[1]}

${inputs[2]}

`\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":651,"value":"viewof colors = Inputs.form(\n [\n Inputs.select([\"buylrd\", \"blues\", \"greens\", \"reds\"], {\n label: \"\",\n value: \"buylrd\"\n }),\n Inputs.select([\"buylrd\", \"blues\", \"greens\", \"reds\"], {\n label: \"\",\n value: \"blues\"\n }),\n Inputs.select([\"buylrd\", \"blues\", \"greens\", \"reds\"], {\n label: \"\",\n value: \"greens\"\n })\n ],\n {\n template: (inputs) => html`\n

Palette

${inputs[0]}

${inputs[1]}

${inputs[2]}

`\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":879,"value":"collection = html`${cities.map(\n (city) => html`\n

${city}

${chart(city, params[0], colors[0])}

${chart(city, params[1], colors[1])}

${chart(city, params[2], colors[2])}

`\n)}`","pinned":false,"hidden":false,"mode":"ojs"},{"id":731,"value":"## Comparaison par seuils","pinned":false,"hidden":false,"mode":"md"},{"id":808,"value":"Ces deux rangées de cartes permettent, pour chacune, de choisir une\nvariable et un seuil qui va distinguer deux facettes : à gauche, les lieux qui\nsont dans la partie basse de cette variable, et à droite les lieux qui sont dans\nla partie haute de cette variable.\n\nEn jouant sur les seuils, on arrive à obtenir des formes très similaires en haut\net en bas pour les deux facettes, ce qui met en évidence une corrélation spatiale qui\ndevrait attirer l'intérêt des chercheur·es.","pinned":false,"hidden":false,"mode":"md"},{"id":19,"value":"viewof city = Inputs.select(cities, {\n label: html`

Métropole

`\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":265,"value":"viewof split_value = Inputs.range(\n d3\n .extent(cleanData[city].data.features, (d) => d.properties[seuil.facette])\n .map((v) => Math.round(v)),\n {\n label: `Seuil ${seuil.facette}`,\n value: this?.value || 24000,\n step: 1\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":286,"value":"carte1 = chart(city, seuil.couleur, seuil.palette, (d) =>\n d.properties[seuil.facette] > split_value\n ? `1) ${seuil.facette} +`\n : `2) ${seuil.facette} -`\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":338,"value":"viewof split_value2 = Inputs.range(\n d3\n .extent(cleanData[city].data.features, (d) => d.properties[seuil2.facette])\n .map((v) => Math.round(v)),\n { label: `Seuil ${seuil2.facette}`, value: this?.value || 44.2, step: 0.1 }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":342,"value":"carte2 = chart(city, seuil2.couleur, seuil2.palette, (d) =>\n d.properties[seuil2.facette] > split_value2\n ? `2) ${seuil2.facette} +`\n : `1) ${seuil2.facette} -`\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":947,"value":"Pour en savoir plus sur la méthodologie, explorer les données de manière plus complète, reproduire les calculs et accéder à la bibliographie, vous pouvez charger le notebook directement sur la page Observable.","pinned":false,"hidden":false,"mode":"md"},{"id":397,"value":"***","pinned":false,"hidden":false,"mode":"md"},{"id":399,"value":"## Méthodologie\n \n### Préparation des rasters\nPour chaque ville, nous avons cherché sur https://earthexplorer.usgs.gov une acquisition Landsat 8 par une journée d'été avec couverture nuageuse minimale. Les données sélectionnées au final sont :\n\n- Paris: données Landsat 8 du 7 aout 2020 12h40\n- Lyon: données Landsat 8 du 9 aout 2020 12h29\n- Marseille: données Landsat 8 du 2 aout 2020 12h23\n- Toulouse: données Landsat 8 du 31 juillet 2020 12h36\n\nDans chacun des cas, on génère le raster des températures de surface en utilisant la bande ST_B10 des données [Landsat 8 Collection 2 Level 2 Science Product](https://www.usgs.gov/media/files/landsat-8-collection-2-level-2-science-product-guide), convertie en degrés Celsius.","pinned":false,"hidden":false,"mode":"md"},{"id":422,"value":"LST = B10 * 0.00341802 + 149 - 273.15","pinned":false,"hidden":false,"mode":"tex"},{"id":430,"value":"Pour le NDVI, et NDWI, on utilise les bandes 3 à 6 des données [Landsat 8 Collection 2 Level 1](https://www.usgs.gov/media/files/landsat-8-9-olitirs-collection-2-level-1-data-format-control-book)","pinned":false,"hidden":false,"mode":"md"},{"id":405,"value":"NDVI = \\frac{(band5 - band4)}{(band5 + band4)}","pinned":false,"hidden":false,"mode":"tex"},{"id":417,"value":"NDWI = \\frac{(band3 - band6)}{(band3 + band6)}","pinned":false,"hidden":false,"mode":"tex"},{"id":444,"value":" \n### Enrichissement des données FiLoSoFi\nOn récupère ensuite les [Données carroyées à 200m](https://www.insee.fr/fr/statistiques/4176290) provenant du [Dispositif sur les revenus localisés sociaux et fiscaux](https://www.insee.fr/fr/metadonnees/source/operation/s1452/presentation) millésime 2015 de l'INSEE\n\nPour chacune des commune des métropoles concernées, on calcule le nombre de ménages moyen (variable `Men`), et on ne conserve que les carreaux des communes dont la densité est supérieur à une valeur arbitraire, qui correspond visuellement au coeur dense de la métropole\n- Paris: nombre de ménages moyen par carreau supérieur à 180\n- Lyon: nombre de ménages moyen par carreau supérieur à 60\n- Marseille: nombre de ménages moyen par carreau supérieur à 48, et élimination manuelle des communes les plus distantes des Marseille\n- Toulouse: nombre de ménages moyen par carreau supérieur à 40","pinned":false,"hidden":false,"mode":"md"},{"id":449,"value":"Pour chacun des rasters précédents (LST, NDVI, NDWI), on aggrège enfin moyenne, médiane, maximum et minimum du raster sur chaque carreau grâce à l'algorithme \"Zonal Statistics\" de QGIS.\n\nOn exporte enfin ces carreaux enrichis pour les présenter ici-même. \nAu chargement, on calcule le champ `Revenus` :","pinned":false,"hidden":false,"mode":"md"},{"id":460,"value":"Revenus = \\frac{Ind\\_snv}{Ind}","pinned":false,"hidden":false,"mode":"tex"},{"id":465,"value":"`Ind_snv` étant la « [Somme des niveaux de vie winsorisés des individus](https://www.insee.fr/fr/statistiques/fichier/4176290/documentation_DonneesCarroyees.pdf) » et \n`Ind` le « Nombre d’individus » des carreaux","pinned":false,"hidden":false,"mode":"md"},{"id":482,"value":"***","pinned":false,"hidden":false,"mode":"md"},{"id":485,"value":"$30","pinned":false,"hidden":false,"mode":"md"},{"id":505,"value":"***\n## Remerciements\n\nMerci à [Hadrien Malier](https://twitter.com/HadrienMalier) qui a fourni une bonne partie des références !\n","pinned":false,"hidden":false,"mode":"md"},{"id":171,"value":"---\n## Code","pinned":false,"hidden":false,"mode":"md"},{"id":160,"value":"chart = (city, param, scheme, x) => {\n const collection = cleanData[city].data;\n const { features } = collection;\n const values = Plot.valueof(features, (d) => d.properties[param]);\n\n return Plot.plot({\n facet: { data: features, x },\n width,\n height: (width * 0.7) / (x ? 2 : 1),\n projection: { type: \"reflect-y\", domain: collection },\n marks: [\n Plot.geo(features, { fill: values }),\n Plot.geo(cleanData[city].contour, {\n stroke: \"#cdcdcd\",\n strokeOpacity: 1,\n strokeWidth: 1\n })\n ],\n color: { scheme, type: \"linear\", legend: true, label: param }\n });\n}","pinned":false,"hidden":false,"mode":"ojs"},{"id":554,"value":"prepareData = function (data) {\n return {\n ...data,\n features: data.features.map((f) => {\n const p = f.properties;\n let newProps;\n if (!useAllParameters) {\n newProps = {\n Température: p.lst_median,\n Végétation: p.ndvi_median,\n Eau: Math.max(0, p.ndwi_max)\n };\n } else {\n newProps = { ...p };\n }\n newProps[\"Revenus\"] = p.Ind_snv / p.Ind;\n return { ...f, properties: newProps };\n })\n };\n}","pinned":false,"hidden":false,"mode":"ojs"},{"id":951,"value":"----\n","pinned":false,"hidden":false,"mode":"md"},{"id":320,"value":"viewof seuil = Inputs.form(\n {\n couleur: Inputs.select(fields, {\n label: \"Couleur\",\n value: \"Revenus\"\n }),\n palette: Inputs.select([\"buylrd\", \"blues\", \"greens\", \"reds\"], {\n label: \"Palette\",\n value: \"blues\"\n }),\n facette: Inputs.select(fields, {\n label: \"Facette par…\",\n value: \"Revenus\"\n })\n },\n {\n template: (inputs) => html`\n

Paramètres carte 1

${inputs.couleur}

${inputs.palette}

${inputs.facette}

`\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":336,"value":"viewof seuil2 = Inputs.form(\n {\n couleur: Inputs.select(fields, {\n label: \"Couleur\",\n value: \"Température\"\n }),\n palette: Inputs.select([\"buylrd\", \"blues\", \"greens\", \"reds\"], {\n label: \"Palette\",\n value: \"buylrd\"\n }),\n facette: Inputs.select(fields, {\n label: \"Facette par…\",\n value: \"Température\"\n })\n },\n {\n template: (inputs) => html`\n

Paramètres carte 2

${inputs.couleur}

${inputs.palette}

${inputs.facette}

`\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":238,"value":"---\n## Data\n","pinned":false,"hidden":false,"mode":"md"},{"id":1016,"value":"rawData = ({\n paris: await FileAttachment(\"paris-180.geojson.zip\")\n .zip()\n .then((d) => d.file(\"paris-180.geojson\").json()),\n lyon: await FileAttachment(\"lyon-60.geojson.zip\")\n .zip()\n .then((d) => d.file(\"lyon-60.geojson\").json()),\n marseille: await FileAttachment(\"marseille-48-filtered.geojson.zip\")\n .zip()\n .then((d) => d.file(\"marseille-48-filtered.geojson\").json()),\n toulouse: await FileAttachment(\"toulouse-40.geojson.zip\")\n .zip()\n .then((d) => d.file(\"toulouse-40.geojson\").json())\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":996,"value":"contours = ({\n paris: await FileAttachment(\"contours-paris.geojson.zip\")\n .zip()\n .then((d) => d.file(\"cparis.geojson\").json()),\n lyon: await FileAttachment(\"contours-lyon.geojson.zip\")\n .zip()\n .then((d) => d.file(\"clyon.geojson\").json()),\n marseille: await FileAttachment(\"contours-marseille.geojson.zip\")\n .zip()\n .then((d) => d.file(\"cmarseille.geojson\").json()),\n toulouse: await FileAttachment(\"contours-toulouse.geojson.zip\")\n .zip()\n .then((d) => d.file(\"ctoulouse.geojson\").json())\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":1027,"value":"cleanData = ({\n Paris: {\n data: prepareData(rawData.paris),\n contour: contours.paris\n },\n Lyon: {\n data: prepareData(rawData.lyon),\n contour: contours.lyon\n },\n Marseille: {\n data: prepareData(rawData.marseille),\n contour: contours.marseille\n },\n Toulouse: {\n data: prepareData(rawData.toulouse),\n contour: contours.toulouse\n }\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":1042,"value":"fields = [...Object.keys(cleanData.Paris.data.features[0].properties)]","pinned":false,"hidden":false,"mode":"ojs"},{"id":28,"value":"cities = Object.keys(cleanData)","pinned":false,"hidden":false,"mode":"ojs"},{"id":542,"value":"viewof useAllParameters = Inputs.toggle({\n label: html`Explorer l’ensemble des données`,\n value: false\n})","pinned":false,"hidden":false,"mode":"ojs"}],"files":"$W31","stdlib":"1","titling":"auto"}