diff --git a/DESCRIPTION b/DESCRIPTION index 365aeef9e36fb666928d5325e866db5d20fc8535..f298ecf415c70b40814d67d719c857480744e28b 100644 --- a/DESCRIPTION +++ b/DESCRIPTION @@ -3,6 +3,7 @@ Title: Publication template on land use Version: 0.0.0.9000 Authors@R: c( person("Daniel", "Kalioudjoglou", , "daniel.kalioudjoglou@developpement-durable.gouv.fr", role = "aut"), + person("Franck", "Gaspard", , "franck.gaspard@developpement-durable.gouv.fr", role = "aut"), person("Gwenaelle", "Le Bourhis", , "gwenaelle.lebourhis@developpement-durable.gouv.fr", role = "aut"), person("Mael", "Theuliere", , "mael.theuliere@gmail.com", role = c("aut", "cre")) ) diff --git a/NAMESPACE b/NAMESPACE index 9b85588f9e75579d1682611ee6d1a898cae2c968..59323c69282ef33551ed544dd41a514422731bec 100644 --- a/NAMESPACE +++ b/NAMESPACE @@ -75,6 +75,8 @@ importFrom(ggplot2,geom_point) importFrom(ggplot2,geom_sf) importFrom(ggplot2,geom_text) importFrom(ggplot2,ggplot) +importFrom(ggplot2,guide_colourbar) +importFrom(ggplot2,guides) importFrom(ggplot2,labs) importFrom(ggplot2,position_dodge) importFrom(ggplot2,scale_color_manual) diff --git a/R/creer_carte_2_2.R b/R/creer_carte_2_2.R index ae8ff458579344eb0a1e1211522c79fd239fba94..5876088ef2ac2af4c30d348e2abd135ca9dc5bd7 100644 --- a/R/creer_carte_2_2.R +++ b/R/creer_carte_2_2.R @@ -6,7 +6,7 @@ #' @return Une carte #' #' @importFrom dplyr filter select mutate arrange group_by summarise left_join -#' @importFrom ggplot2 ggplot geom_sf stat_sf_coordinates aes coord_sf theme element_rect scale_size_area labs +#' @importFrom ggplot2 ggplot geom_sf stat_sf_coordinates aes coord_sf theme element_rect scale_size_area labs guide_colourbar guides #' @importFrom gouvdown scale_fill_gouv_continuous #' @importFrom lubridate year #' @importFrom glue glue @@ -53,9 +53,6 @@ creer_carte_2_2 <- function(millesime_obs_artif) { carte_2_2 <- ggplot2::ggplot(data) + ggplot2::geom_sf(data = monde, fill = "light grey") + - # carte modifiee - # ggplot2::geom_sf(ggplot2::aes(fill= .data$`total en hectares`), - # color = "black")+ ggplot2::geom_sf(ggplot2::aes(fill= .data$`total en hectares`))+ ggplot2::coord_sf( xlim = c(x_min, x_max), @@ -64,29 +61,11 @@ creer_carte_2_2 <- function(millesime_obs_artif) { crs = sf::st_crs(data), datum = NA ) + - - - # ggplot2::geom_sf(fill = "white") + - # ggplot2::stat_sf_coordinates(ggplot2::aes( - # size = .data$`total en hectares`, - # fill = .data$`total en hectares` - # ), - # color = "black", - # shape = 21, - # alpha = 0.8 - # ) + - # ggplot2::coord_sf( - # xlim = c(x_min, x_max), - # ylim = c(y_min, y_max), - # expand = FALSE, - # crs = sf::st_crs(data), - # datum = NA - # ) + ggplot2::theme( panel.background = ggplot2::element_rect(fill = "light blue") ) + + ggplot2::guides(fill = ggplot2::guide_colourbar("total en hectares"))+ gouvdown::scale_fill_gouv_continuous(palette = "pal_gouv_h", reverse = TRUE, name = "", labels = function(x) mapfactory::format_fr(x, dec = 0)) + - # ggplot2::scale_size_area(name="")+ ggplot2::scale_size_continuous(range = c(0, 20), labels = function(x) mapfactory::format_fr(x, dec = 0)) + ggplot2::labs( title = glue::glue("Nouvelles surfaces consomm\u00e9es entre le 1/1/{millesime_debut} et le 1/1/{millesime_obs_artif}"), @@ -97,6 +76,5 @@ creer_carte_2_2 <- function(millesime_obs_artif) { ) - return(carte_2_2) } diff --git a/R/creer_graphe_5_2.R b/R/creer_graphe_5_2.R index 73d3f2dc7298aae1b3d40faf5023c3ea124d0a2b..a6f084645b62b6172935e9f1e9dcd0e56b21bb7e 100644 --- a/R/creer_graphe_5_2.R +++ b/R/creer_graphe_5_2.R @@ -34,6 +34,9 @@ creer_graphe_5_2 <- function(millesime_obs_artif,code_reg) { datemax <- lubridate::ymd(paste0(millesime_obs_artif,'0101')) datemin <- min(data$date) + datefin <- datemax + lubridate::years(10) + # datefin <- as.Date("2031-01-01") + millesime_fin <- millesime_obs_artif + 9 pas <- millesime_obs_artif - lubridate::year(datemin) simul <- data %>% @@ -43,7 +46,7 @@ creer_graphe_5_2 <- function(millesime_obs_artif,code_reg) { flux_naf_artificialisation_total_objectif = mean(.5 * .data$flux_naf_artificialisation_total)) %>% dplyr::mutate(simul=TRUE) - seq_prochaines_annees <- seq(datemax + lubridate::years(1),datemax + lubridate::years(11), by = '1 year') + seq_prochaines_annees <- seq(datemax + lubridate::years(1),datefin, by = '1 year') data_prochaines_annees <- tibble::tibble(date = seq_prochaines_annees) %>% @@ -117,7 +120,7 @@ creer_graphe_5_2 <- function(millesime_obs_artif,code_reg) { ggplot2::aes(x = .data$date,y=.data$position,label = .data$label,fill = .data$Zone),color = "white",hjust = 0,vjust = .5) + ggplot2::labs( title = "Impact de l\u2019objectif de r\u00e9duction par 2 du rythme de consommation", - subtitle = "entre 2020 et 2030", + subtitle = glue::glue("entre {millesime_obs_artif} et {millesime_fin}"), x = "", y = "surfaces artificialis\u00e9s (en ha)", fill = "", caption = glue::glue(' @@ -150,7 +153,7 @@ creer_graphe_5_2 <- function(millesime_obs_artif,code_reg) { ggplot2::aes(x = .data$date,y=.data$position,label = .data$label,fill = .data$Zone),color = "white",hjust = 0,vjust = .5) + ggplot2::labs( title = "Impact de l\u2019objectif de r\u00e9duction par 2 du rythme de consommation", - subtitle = "entre 2020 et 2030", + subtitle = glue::glue("entre {millesime_obs_artif} et {millesime_fin}"), x = "", y = "surfaces cadastr\u00e9es consomm\u00e9s (en ha)", fill = "", caption = glue::glue(' diff --git a/inst/rmarkdown/templates/publication/skeleton/skeleton.Rmd b/inst/rmarkdown/templates/publication/skeleton/skeleton.Rmd index 5c77a81a7af3b46859de78896d3d1da66476a6f0..6a67850a9a8fcde408b22d8d9ac1c0f979b0058b 100644 --- a/inst/rmarkdown/templates/publication/skeleton/skeleton.Rmd +++ b/inst/rmarkdown/templates/publication/skeleton/skeleton.Rmd @@ -229,6 +229,68 @@ creer_tableau_6_1(millesime_stock_artif = params$millesime_stock_artif, code_reg = params$code_reg) ``` -## 7 - Méthodologie +## 7 - Sources de données + +Plusieurs sources ont été utilisées pour cette publication : les fichiers fonciers, l'occupation des sols à grande échelle (OCSGE), Teruti-Lucas et le recensement de la population. + +#### **Les fichiers fonciers** + + + +Les fichiers fonciers sont un retraitement par le Cerema des mises à jour des informations cadastrales (dites Majic) par la direction générale des finances publiques (DGFip). + + + +Les fichiers fonciers ne disposent pas, en propre, d’une donnée sur la consommation d'espace. Un traitement spécifique de la donnée brute est donc nécessaire pour produire les données de consommation d'espace. + + + + +Le rapport détaille la méthode employée en quatre étapesest disponible sur le [site de l'observatoire national](https://artificialisation.biodiversitetousvivants.fr/bibliographie/mesure-artificialisation-fichiers-fonciers). + +Les fichiers fonciers ne portent que sur les parcelles cadastrées. Ainsi, ils ne permettent pas, sinon par différentiel, d’estimer l’état et les évolutions des surfaces non cadastrées (les étangs, les rivières, les espaces publics et les routes notamment). + +#### Des données de flux de consommation d'espace disponibles sur le site de l'observatoire national de l'artificialisation + +L’action 7 du plan biodiversité du 4 juillet 2018 prévoit la mise en place d’un [observatoire national de la consommation d’espace](https://artificialisation.developpement-durable.gouv.fr/) qui fournit régulièrement les chiffres de consommation d'espace enregistrés depuis 2009. + + +#### Des données de stock de surfaces consommées. + +Dans les fichiers fonciers, chaque parcelle est composée d’une ou plusieurs subdivisions fiscales (Suf). Pour chaque subdivision fiscale, les fichiers fiscaux précisent un « groupe de nature de culture ». Il existe 13 groupes de nature de culture : + +> * quatre sont de nature agricole (terres, prés, vergers, vignes). +> * deux ont plutôt les caractéristiques des espaces naturels et forestiers (bois, landes). +> * un correspond à de l’eau (uniquement l’eau cadastrée). +> * les six autres sont considérés comme des espaces artificialisés (carrières, jardins, etc.) + +La somme de ces six dernières subdivisions fournit un stock annuel de consommation des espaces, utilisé pour le calcul de certains indicateurs de cette publication. + + + +#### **L'occupation du sol à grande échelle (OCSGE)** + +L'occupation du sol à grande échelle (OCSGE) est issue de l'analyse de photos aériennes. Elle constitue une source détaillée et facilement appropriable par le public grâce aux photos vues du ciel. Sa nomenclature peut être détaillée selon les spécificités locales. Elle est cependant longue à produire compte tenue de la phase de photo-interprétation, le millésime 2016 n'a pu être produit qu'en 2019. Jusqu’à maintenant, cette source étant commanditée par des organismes locaux, elle dispose d'un faible historique, en Pays de la Loire uniquement celui de 2013. +Pour effectuer des calculs, une nomenclature, établie au préalable, est indispensable pour croiser deux couches d’information, l’une sur la couverture, l’autre sur les usages. + + + + +#### **Teruti-Lucas** + +Teruti-Lucas (UTIlisation du TERitoire) est une enquête annuelle réalisée par les services statistiques du [ministère en charge de l’agriculture](draaf.pays-de-la-loire.agriculture.gouv.fr/IMG/pdf/Agreste_2018_03_Teruti_cle0c462f.pdf) ayant pour objectif de suivre l’évolution de l’occupation et de l’usage des sols sur tout le territoire national. Elle consiste à observer un ensemble de points représentatifs, puis extrapoler statistiquement les résultats à l’échelle départementale, régionale et nationale. Cette source utilise cependant une méthode par échantillon qui a tendance à majorer le phénomène d’artificialisation. Sa méthodologie a été récemment revue pour suivre l'artificialisation avec davantage de précisions. Elle dispose d'un historique intéressant puisqu'elle est disponible depuis 1982. Trois séries historiques sont ainsi disponibles : 1982-1990, 1992-2003 et 2006-2015. L’autre intérêt de ces données est sa couverture nationale, qui nous permet de replacer la place de la région par rapport aux autres en 2018 et de voir pour chaque département la part consacrée à la voirie ou non. + +#### **Le recensement de la population** + +Les chiffres démographiques utilisés sont issus du recensement de la population. +La population prise en compte correspond à celle qui vit en permanence sur la commune c'est à dire à la population dite municipale. Ce choix a une incidence pour les communes, notamment littorales, dont une part non négligeable des surfaces artificialisées est, dans les faits, dédiée à une population y résidant temporairement. +Elle ne comprend pas la population comptée à part qui correspond aux personnes dont la résidence habituelle est dans une autre commune mais qui ont conservé une résidence sur le territoire de la commune (étudiants, personnes en maisons de retraite, en casernes…). + +#### **L'indicateur d'étalement urbain** + +Selon l’Agence européenne pour l’environnement (EEA), il y a étalement urbain quand la surface urbanisée croît plus vite que la population. +Depuis 2013, la Dreal des Pays de la Loire fournit un indicateur d’étalement urbain à partir d’une source de données fiscales très détaillées qui permet, à la parcelle, de calculer la croissance des surfaces artificialisées cadastrées. + +Afin de tenir compte du délai de latence des fichiers fonciers, une année de décalage a été appliquée : les fichiers fonciers au 01.01.N sont ainsi comparés au recensement de la population N-1.