Méthodologie de la cartographie

Méthodologie de la cartographie

Méthodologie

Dans cette partie, nous expliquerons toute la méthodologie employée, de la collecte des données à leur traitement puis l’analyse des résultats en expliquant point par point les étapes. Il s’agit d’une nouvelle approche qui a été testée ici. Elle reste donc encore imparfaite. C’est pour cela que nous ferons également une critique des faiblesses et proposerons des modifications afin de l’améliorer.
L’organigramme de la méthode est disponible en Annexe 8 : Organigramme de la méthode

Collecte des données

La collecte des données nécessaires pour ce travail s’est effectuée en deux temps. Une première phase de travail a consisté en une préparation au bon déroulement du terrain, avec la réalisation d’un questionnaire rédigé en français et en malgache (disponibles en Annexe 1 : Questionnaire en Français et Annexe 2 : Questionnaire en Malgache ; une carte (disponible en Annexe 5) et un tableau (cf : Tableau 1 : Tableau pour travail sur le terrain, exemple du quartier Andamasina Tanambao pour chaque quartier de la zone étudiée ; une liste des étudiants participants à l’enquête (disponible en Annexe 3) ; une notice explicative de la méthode de terrain pour les étudiants participants, (disponible en Annexe 4) ; une autorisation du maire pour la zone étudiée (disponible en Annexe 7 : Autorisation du Maire.
Pour la deuxième phase nous sommes partis sur le terrain afin de récolter les données grâce au
questionnaire établi.

Traitement des données

Avant d’entrer dans le vif du sujet, il nous paraît indispensable pour une bonne compréhension de la méthode de définir certains termes que nous allons utiliser de manière récurrente. Tout d’abord, notre base de données a été construite à partir des résultats de l’enquête. Pour chaque facteur que nous voulons étudier, existe une question. Une variable correspond aux réponses obtenues à une question.
Dans le logiciel sphinx sous lequel nous avons travaillé chacune des réponses à une question est affecté d’un code exprimé par un chiffre. Lorsqu’il s’agit de réponses à une question fermé, le logiciel attribue un chiffre à chaque réponse allant de 1 au nombre de réponses possibles (à la question vous considérez-vous comme une personne : en bonne santé, malade, handicapée, âgée  quatre réponses sont possibles, donc elles seront notées dans l’ordre de 1 à 4).
Pour ce qui est des réponses aux questions ouvertes, il faut tout d’abord regrouper les réponses de
même type, même si les termes employés sont différents (à la question quels types de dégâts avez-vous subit, nous avons obtenus une multitude de réponses que nous avons regroupées pour obtenir 5 classes). Cela permet de réduire le nombre de type de réponse, auquel est affecté de la même manière un code. Dans les deux cas, on parlera alors de classe.

Recodage des classes

Chaque classe, qu’elle corresponde à une question fermée ou au regroupement de réponses à une
question ouverte, ont été recodées de manière à ce que celles qui expriment une faible vulnérabilité soient codées avec des valeurs faibles (commençant à 1) et celles exprimant une forte vulnérabilité, avec des valeurs fortes (selon le nombre de classes).
Nous avons également combiné des variables ensembles afin d’en générer de nouvelles. Pour ce faire, nous utilisons dans le menu de Sphinx « dépouiller », l’outil « appliquer un barème ». Avec cet outil, nous attribuons une valeur pour chaque groupe de variables que nous avons sélectionnées pour en créer une nouvelle. Le principe d’affectation des faibles et fortes valeurs est le même que précédemment. La valeur attribuée à cette nouvelle variable correspondra à la somme des valeurs attribuées à chacune des variables utilisées pour la créer. Par exemple, si je veux obtenir une variable « catégorie sociale », et que j’utilise pour cela les variables « profession » et « occupation du chef de foyer », je devrais appliquer des faibles valeurs pour les professions correspondant à une catégorie sociale faible, et des fortes valeurs pour les professions correspondant à une catégorie sociale élevée.
On obtient donc in fine, pour chaque maison interrogée, la somme des valeurs qui résultent des variables utilisées. Nous obtenons alors un résultat pour chaque maison interrogée, qui nous donne notre nouvelle variable.

Calculs des indices

Le deuxième traitement des données qui à été effectué est le calcul d’indices. Pour créer un indice,
nous combinons plusieurs variables. La démarche est similaire à celle employée juste au dessus qui consiste à créer une nouvelle variable à partir de la combinaison d’autres variables.Avant de calculer un indice, il est nécessaire de pondérer les variables utilisées. En effet chaque variable n’a pas le même poids sur l’indice ; elles ne doivent donc pas toutes être attribuées avec la même importance. La pondération sert à rééquilibrer chacune des variables, en déterminant dans un premier temps le poids de chacune.Afin de mesurer le poids que va prendre chacune des variables, nous utilisons comme critère l’impact que celles ci peuvent avoir sur l’endommagement des éléments exposés. Nous mesurons ces préjudices et endommagements grâce à la variable « dégâts subits au dernier évènement ». Nous avons donc corrélé les variables de notre indice avec la variable « dégâts ». Cette corrélation est réalisée grâce à la fonction
« coefficient de corrélation » sous Sphinx. Le résultat d’un coefficient de corrélation va de « 1 » à « -1 ». Un résultat de coefficient de corrélation à 1 signifie une forte corrélation entre la variable « dégâts » et l’autre variable utilisée. Pour réaliser le coefficient de corrélation, nous devons tout d’abord attribuer une note « temporaire » à chaque classe des variables. Pour simplifier la démarche, nous attribuons un barème allant de1 à « nombre de classe de la variable » avec un pas de 1. A ce stade là, le barème n’a pas d’importance. Ce qu’il est en revanche important de respecter c’est que l’on doit attribuer aux classes dites « plus vulnérables » les valeurs les plus faibles, et aux classes dites les « moins vulnérables » les valeurs les plus hautes. Donnons l’exemple de notre variable de comparaison, la variable « dégâts » qui comprend 5 classes : « Pas d’incident » se verra attribuer la valeur 1, « Incident » prendra la valeur 2 et ainsi de suite jusqu’à « Accident majeur » qui se verra attribuer la valeur 5. Nous procédons de même pour chacune des variables de notre indice. Comme dit précédemment, le logiciel sphinx, grâce à l’outil « appliquer un barème », permet d’attribuer ces valeurs facilement et rapidement, et nous pouvons obtenir un tableau de toutes les variables en colonnes, avec la valeur attribuée pour chaque maison interrogée en ligne.
Dans la catégorie « Traitement et Analyse » du logiciel sphinx, nous réalisons un tableau croisé de la variable « dégâts » (qui est la variable de comparaison) avec chacune des variables de notre indice. Il est important de notifier au logiciel que nous souhaitons obtenir les résultats de chaque couple de classes en pourcentage du total de chaque classe de la variable analysée. De cette manière, les classes de nos variables seront mises sur un pied d’égalité, leur comparaison sera alors possible.
Nous voulons à présent, transformer nos tableaux à double entrée par des tableaux simples de deux colonnes. Une colonne dégât et une colonne correspondant à la variable étudiée. Nous générons une série de valeur pour chaque colonne, correspondant aux résultats de notre tableau à double entrée. Le logiciel de statistique R permet de générer ces séries rapidement et facilement.
A partir des tableaux obtenus, nous réalisons nos coefficients de corrélation, pour chaque variable
comparée à la variable « dégâts ». Le résultat obtenu représente l’importance de la variable sur la vulnérabilité.
Un coefficient à 1 signifie une très grande différence entre les classes. Cela signifie que la réponse donnée aura une grande influence sur le degré de vulnérabilité. Un coefficient à 0 signifie qu’il n’y à aucune différence entre les classes, elles peuvent toutes être très vulnérables, moyennement vulnérables ou peu vulnérables. Un coefficient à -1 signifie qu’il y à une très grande différence entre les classes de la variable mais attention, cela signifie que les classes que nous avions déterminées comme étant les moins vulnérables pour cette variable sont en fait les plus vulnérable. De même pour les classes que nous avions déterminées comme étant les plus vulnérables, elles sont en fait les moins vulnérables.
Le résultat du coefficient de corrélation, entre la variable de comparaison « Dégâts subits» et une
variable de l’indice, correspondra au coefficient de la variable de l’indice utilisé. Pour la suite du calcul, il est important de mettre toutes les variables de notre indice sous le même barème (par exemple tous /100). En effet, les variables n’ont pas toutes le même nombre de classes, lors de l’application du barème pour le calcul du coefficient de corrélation, la note de chaque variable de trouve sur le nombre de classes de la variable (par exemple, une variable avec 4 classes aura un barème de notation sur 4). Il est donc important de toutes les rapporter au même barème. Pour finir ce calcul, il suffit de multiplier, pour chaque variable le coefficient (obtenu à partir du coefficient de corrélation) par le résultat obtenu pour chaque maison interrogée.

Traitement des variables

Variable hauteur d’eau et récurrence de l’évènement.

Nous avons un résultat de « hauteur d’eau » et « Nombre de dates inondées » pour chaque maison
interrogée. Nous ne prenons pas en compte les polygones des maisons sans résultats. Grâce au logiciel Quantum Gis, nous extrayons le centroïde de chacun des polygones. Nous obtenons alors un fichier de points dont la table attributaire comporte une colonne contenant les informations de « hauteur d’eau » (les résultats sont ceux obtenus après recodage) et une colonne « Nombre de dates inondées ». Nous réalisons alors une interpolation avec la méthode de pondération par distance inverse (IDW). Une première fois avec l’attribut d’interpolation « hauteur d’eau » puis avec l’attribut d’interpolation « Nombre de dates inondées ». Nous obtenons un fichier raster des hauteurs d’eau de la zone et un des zones par récurrence d’inondation. A ce stade, il faut ouvrir le shapefile contenant tout les habitats de la zone étudié. Nous calculons la moyenne des hauteurs d’eau des pixels du raster interpolation, contenus dans chaque polygone de maison. Pour cela nous utilisons l’outil statistique de zone. L’étape est renouvelée avec le raster de nombre de dates inondées. Nous obtenons alors un fichier shapefile de toutes les maisons de la zone ayant pour chacune une valeur « hauteu rd’eau » attribué ainsi qu’une valeur pour « nombre de dates inondées ».

Variable Typologie des constructions.

Lors de la digitalisation des habitations de la zone nous avons attribué pour chacune des maisons un type d’habitat. La typologie reprend celle utilisée par M. Rakotoarisoa Mamy c’est-à-dire quatre niveaux d’habitations : maisons en roseau, maisons en bois ou tôle, maisons en dur (parpaing ou brique) et maisons à étage.

Carte en tachèles de la vulnérabilité

Après avoir obtenu le résultat de chaque variable pour toutes les maisons de la zone étudiée, il nous faut réaliser le même calcul que celui utilisé pour obtenir l’indice physique. A partir de là, il nous faut réaliser une grille comme support pour les tachèles. Grâce à l’outil « grille vecteur » dans « outils de recherche » nous réalisons une grille de polygones dont les limites sont la zone étudié. La taille des tachèles dois être ni trop grande ni trop petite, il faut trouver le juste milieu. Chaque tachèle doit contenir quelques maisons, environs 5 à 10.
La grille doit être découpée en fonction de la zone étudiée. Pour cela nous utilisons l’outil de recherche « sélection par localisation », nous obtenons une sélection des polygones « grilles » qui intersectent les polygones de maisons. Dans la table attributaire, inverser la sélection, puis supprimer les entités sélectionnées.
Nous voulons ensuite obtenir pour chaque tachèle, la moyenne de l’indice physique des maisons qu’il contient. Pour cela nous utilisons l’outil joindre les attributs par localisation dans « outils de gestion des données ». Il faut choisir « prendre un résumé des entités intersectées » et cocher la case moyenne. De plus sélectionner « conserver tout les enregistrements ». Finalement dans les propriétés de la couche, nous attribuons une symbologie catégorisé en fonction du champ « moyenne de l’indice physique ».

Limites de la méthode

Nous avons constaté que les travaux concernant le traitement des données n’étaient que peu adapté à ce que nous voulions faire ressortir. De plus, dans ces travaux, la méthodologie suivie n’est que très rarement expliquée en détail. La méthode que nous avons mis en place peut donc avoir quelques points négatifs et à revoir.Lorsque nous attribuons des chiffres pour coder nos classes, nous attribuons ces chiffres selon notre propre évaluation du niveau de vulnérabilité que ces classes pourraient entraîner. Par exemple, concernant les types d’habitats, nous avons attribué « 1 » à maison en roseau, « 2 » à maison en bois, « 3 » à maison en dur et « 4 » à maison à étage. Nous les avons donc rangés ainsi du plus au moins vulnérable. Or peut être qu’une maison en bois pourrait se révéler plus résistante à une inondation qu’une maison en dur. Pour valider chacun de nos classements, il faudrait éventuellement réaliser le coefficient de corrélation en modifiant l’ordre, tester avec toutes les combinaisons possibles et observer les résultats.Les facteurs que nous utilisons comme variable sont pour certains très lier entre eux, nous pourrions imaginer un calcul qui lie les variables ente elles d’après le rapport qu’elles entretiennent.

Table des matières

Sommaire
INTRODUCTION
ANALYSE DE LA VULNERABILITE, UNE APPROCHE QUI VEUT COMPRENDRE LES COMPORTEMENTS
1. Méthodologie
1.1. Collecte des données
1.1.1. Travail préparatoire aux travaux de terrains
a) Le questionnaire
b) Cartes et tableaux
1.1.2. Méthodologie de terrain
1.1.3. Limites de la méthode
1.2. Traitement des données
1.2.1. Recodage des classes
1.2.2. Calculs des indices
1.2.3. Méthodologie de la cartographie
a) Traitement des variables
b) Carte en tachèles de la vulnérabilité
1.2.4. Limites de la méthode
2. Résultats
2.1. Résultats de l’enquête
2.2. Indice « Biophysique» sur la vulnérabilité matérielle
2.2.1. Collecte des données
a) Données utilisables brut
b) Données recodées
2.2.2. Calcul de l’indice physique pour les dégâts matériels
a) Pondération des variables de l’indice
b) Résultats du calcul
c) Utilisation de la cartographie pour améliorer l’indice
2.3. Indice « Capacité d’action » sur la vulnérabilité matérielle
2.3.1. Collecte des données
a) Utilisation de données bruts
b) Utilisation de données recodées
2.3.2. Traitement des données
a) Pondération des Variables
b) Résultats du calcul
2.4. Indice « Résilience » sur la vulnérabilité matérielle
2.4.1. Collecte des données
a) Utilisation de données recodées
b) Utilisation de donnée recodée par groupement de variable
2.4.2. Traitement des données
a) Pondération des variables de l’indice
b) Résultats du calcul
2.5. Critique des résultats
3. Analyse
3.1. Résultats d’analyse
3.1.1. Analyse géographique
3.1.2. Analyse sociologique
a) Prévention
b) Pendant l’évènement
c) Résilience
3.2. Critique des résultats
CONCLUSION
BIBLIOGRAPHIE

Télécharger le rapport complet