← Tous les projets

Au-delà de la carte thermique

Le quartier le plus chaud n’est qu’une partie de l’histoire.

RÔLE

Etudiant chercheur

CONTEXTE

Universitaires pionniers · Juin-septembre 2026

OUTILS & METHODES

Landsat 8/9 · Occupation du sol NLCD · ACS du recensement américain · Partitionnement k-means · Statistiques spatiales

Île modélisée à la main pour « Au-delà de la carte thermique »
L’ÎLE, EXPLIQUÉE

Une ville du désert, vue depuis l’orbite et depuis la rue.

Une illustration créée pour ce site dans Blender. Elle explique l’idée ; ce ne sont pas des données du projet.

Les images, schémas et vidéos d’origine conservent leur langue originale.

LA QUESTION

Une carte de température de surface nous indique où une ville est chaude. Elle ne dit pas, à elle seule, quels quartiers sont les plus vulnérables. Ma recherche a réuni des données satellitaires, d’occupation du sol et de recensement pour 369 secteurs de recensement de Phoenix afin d’examiner cet écart, et de mesurer à quel point les priorités d’un programme de rafraîchissement changent quand la définition de la « priorité » change.

369Secteurs de recensement de Phoenix analysés
17 / 37secteurs du décile supérieur communs aux deux classements
0.749corrélation de rang entre les deux classements
3profils de vulnérabilité
01

Une manière différente de poser la question

J’ai étudié 369 secteurs de recensement de Phoenix. Plutôt que de traiter la température comme l’ensemble du problème, j’ai comparé deux façons de choisir où agir en premier : un classement selon la seule température de surface, et un classement selon un score qui tient aussi compte du degré d’urbanisation d’un secteur, du nombre de ses habitants et de leur sensibilité à la chaleur.

02

Une image à partir de onze

La température de surface provient de scènes Landsat 8 et 9 Collection 2 de niveau 2. Onze scènes de juin à août 2024 ont passé le contrôle de qualité ; les pixels de nuages, d’ombre et saturés ont été masqués, et la médiane par pixel des valeurs restantes a donné un composite estival de la température et de la végétation. La National Land Cover Database 2024 a fourni les surfaces imperméabilisées et le couvert arboré, et l’American Community Survey les données d’âge, de pauvreté et de logement, avec leurs marges d’erreur.

03

Un score dont les composantes restent visibles

Le score de priorité est la simple moyenne de quatre rangs centiles : chaleur, charge du bâti (surfaces imperméabilisées et manque de végétation), exposition (densité de population) et sensibilité (personnes de plus de 65 ans, enfants de moins de cinq ans et pauvreté). Les poids égaux sont un choix de valeurs, et non un modèle ajusté, et l’article le dit. Garder les quatre composantes séparées permet à chacun de voir pourquoi un secteur est classé là où il l’est.

04

Quand les classements divergent

Sur l’ensemble des secteurs, les deux classements concordent assez bien, avec une corrélation de rang de 0,749. En tête, là où se prennent les décisions, ce n’est plus le cas : seuls 17 des 37 secteurs les plus chauds figurent aussi parmi les 37 secteurs les plus prioritaires. Passer d’un classement à l’autre déplace le secteur médian de 42 places, et les plus grands déplacements atteignent environ 250 places dans chaque sens.

05

Trois types de quartiers

Le partitionnement des secteurs selon sept variables standardisées a donné trois profils lisibles : 206 secteurs cumulant chaleur et charge socio-économique ; 45 secteurs peu denses, éloignés des centres de rafraîchissement ; et 118 secteurs plus verts, un peu plus frais, aux habitants les plus âgés. Le regroupement est resté stable lorsque les données du recensement ont été perturbées 50 fois dans leurs marges d’erreur, et c’est cette vérification qui permet seulement de discuter de ces profils.

LES CHOIX TECHNIQUES

Une ville. Trois façons de le lire.

  1. 01

    De la luminance au secteur

    Les valeurs thermiques Landsat sont converties en kelvins à l’aide du facteur d’échelle et du décalage publiés pour le produit, masquées grâce à ses bandes de qualité des pixels, puis combinées en une médiane par pixel sur l’été. Chaque raster est ensuite agrégé à l’intérieur des limites des secteurs, dans une projection cartographique commune. Sur les 373 secteurs rassemblés, 369 ont passé les contrôles de couverture et de qualité.

  2. 02

    Un changement dans la règle de décision

    Un classement fondé sur la seule température et le classement de priorité en quatre composantes sont comparés sur le décile et le quintile supérieurs. Le recouvrement est donné en effectifs et sous forme d’indice de Jaccard (0,298 pour le décile supérieur) : le résultat porte donc sur les lieux qu’un programme visiterait en premier, et non sur une différence moyenne.

  3. 03

    Des profils qui résistent aux perturbations

    Le k-means à trois clusters a été retenu après comparaison de trois à six clusters avec la classification de Ward. La stabilité a été mesurée en refaisant le partitionnement après avoir perturbé les variables du recensement dans leurs marges d’erreur : l’indice de Rand ajusté médian valait 0,797 pour le k-means contre 0,580 pour Ward. Les deux scores présentent une forte structure spatiale (I de Moran d’environ 0,5) : les secteurs voisins ne sont donc pas des échantillons indépendants.

La température de surface, la vulnérabilité démographique et la priorité d’intervention répondent à des questions liées mais différentes. L’étude compare ces points de vue ; elle ne mesure pas les effets d’un programme de rafraîchissement mené à terme.

CE QUE CELA NE MONTRE PAS

Les limites, en toute honnêteté.

  • La température de surface mesurée par satellite n’est ni la température de l’air, ni la chaleur nocturne, ni la chaleur intérieure.
  • Les poids égaux du score de priorité sont un choix de valeurs assumé. D’autres poids déplaceraient des secteurs.
  • L’étude ne relie aucun classement à des résultats de santé, et la distance à un centre de rafraîchissement est mesurée à vol d’oiseau, et non en temps de trajet.
ÎLES VOISINES

Ce qui relie ce projet aux autres.

CONTEXTE ET LECTURES COMPLÉMENTAIRES

Article : « Télédétection et apprentissage automatique interprétable pour la vulnérabilité à la chaleur urbaine au niveau des quartiers à Phoenix, Arizona » (titre original : « Remote Sensing and Interpretable Machine Learning for Neighborhood-Level Urban Heat Vulnerability in Phoenix, Arizona »). Soumis à mon professeur encadrant et accepté par lui ; non publié. « Interprétable » renvoie aux profils de clusters lisibles et au score transparent.