Commit 64841010 authored by Philémon POUX's avatar Philémon POUX

Figures de clustering et début du texte des résultats

parent 8ae3b287
......@@ -8,4 +8,5 @@
\acro{IAU}{Institut d'Aménagement et d'Urbanisme}
\acro{GIEC}{Groupe d'experts intergouvernemental sur l'évolution du climat}
\acro{JUICCE}{JUstice In Climate Change Exposure}
\acro{sPCA}{Analyse par Composante Principale Spatiale}
\end{acronym}
%!TEX root = ../main.tex
% Appendix Template
\chapter{Données complémentaires clustering} % Main appendix title
\label{Appendix_cluster} % Change X to a consecutive letter; for referencing this appendix elsewhere, use \ref{AppendixX}
% \begin{table}[ht]
% \centering
% \begin{tabular}{rrrrrrrrrrrrrrrrrrr}
% \toprule
% & \multicolumn{4}{c}{Cluster 1} & \multicolumn{4}{c}{Cluster 2} & \multicolumn{4}{c}{Cluster 3} & \multicolumn{4}{c}{Cluster 4} & \multicolumn{2}{Global} \\
% \cmidrule(lr){2-5}
% \cmidrule(lr){6-9}
% \cmidrule(lr){10-13}
% \cmidrule(lr){14-17}
% \cmidrule(lr){18-19}
% & V & Mean & Std & V & Mean & Std & V & Mean & Std & V & Mean & Std & Mean & Std \\
% \midrule
% dif\_Women & -2.27 & -3.79 & 0.00 & 0.02 & & & & & & & & & & & & & -0.25 & 1.56 \\
% dif\_Youth & -5.06 & -12.40 & 0.00 & 0.00 & & & & & & & & & & & & & 0.02 & 2.46 \\
% GDP\_mean & & & & & & & & & -2.52 & 14.61 & 5.60 & 0.01 & 3.08 & 26.65 & 12.97 & 0.00 & 19.68 & 11.40 \\
% Old\_mean & -2.35 & 0.10 & 0.00 & 0.02 & & & & & & & & & 2.29 & 0.20 & 0.03 & 0.02 & 0.18 & 0.03 \\
% tmin\_mean & & & & & -4.29 & 16.72 & 9.90 & 0.00 & 3.31 & 44.65 & 3.41 & 0.00 & & & & & 40.08 & 7.81 \\
% Women\_mean & & & & & & & & & 3.13 & 0.50 & 0.01 & 0.00 & -2.29 & 0.49 & 0.01 & 0.02 & 0.50 & 0.01 \\
% X & & & & & -3.26 & -13.37 & 5.22 & 0.00 & 3.50 & 20.89 & 5.00 & 0.00 & -2.62 & 7.41 & 8.35 & 0.01 & 13.57 & 11.86 \\
% Youth\_mean & 3.68 & 0.26 & 0.00 & 0.00 & 2.46 & 0.21 & 0.01 & 0.01 & & & & & & & & & 0.16 & 0.03 \\
% \bottomrule
% \end{tabular}
% \end{table}
% latex table generated in R 3.6.0 by xtable 1.8-4 package
% Thu Aug 01 14:20:13 2019
\begin{table}[ht]
\centering
\resizebox{\textwidth}{!}{
\begin{tabular}{rrrrrrrrrrrrrrrrrrr}
\toprule
& \multicolumn{4}{c}{Turquie} & \multicolumn{4}{c}{Îles} & \multicolumn{4}{c}{Europe de l'Est} & \multicolumn{4}{c}{Europe de l'Ouest} & \multicolumn{2}{c}{Général} \\
\cmidrule(lr){2-5}
\cmidrule(lr){6-9}
\cmidrule(lr){10-13}
\cmidrule(lr){14-17}
\cmidrule(lr){18-19}
& V & Mean & Std & \textit{p}& V & Mean & Std & \textit{p}& V & Mean & Std & \textit{p}& V & Mean & Std & \textit{p}& Mean & Std \\
\hline
$\delta_{\%\female}$ & -2.272 & -3.788 & 0.000 & 0.0231 & & & & & & & & & & & & & -0.250 & 1.558 \\
$\delta_{\% <15\mathrm{ ans}}$ & -5.058 & -12.401 & 0.000 & 0.0000 & & & & & & & & & & & & & 0.024 & 2.457 \\
${\mathrm{GDP/cap}}$ & & & & & & & & & -2.524 & 14.606 & 5.605 & 0.0116 & 3.084 & 26.648 & 12.972 & 0.0020 & 19.684 & 11.402 \\
${\% >65\mathrm{ ans}}$ & -2.353 & 0.105 & 0.000 & 0.0186 & & & & & & & & & 2.290 & 0.199 & 0.027 & 0.0220 & 0.184 & 0.034 \\
${\# hw}$ & & & & & -4.294 & 16.723 & 9.904 & 0.0000 & 3.311 & 44.645 & 3.410 & 0.0009 & & & & & 40.082 & 7.808 \\
${\%\female}$ & & & & & & & & & 3.132 & 0.504 & 0.010 & 0.0017 & -2.289 & 0.493 & 0.008 & 0.0221 & 0.498 & 0.011 \\
\textit{Lon} & & & & & -3.259 & -13.365 & 5.216 & 0.0011 & 3.500 & 20.891 & 4.997 & 0.0005 & -2.619 & 7.414 & 8.355 & 0.0088 & 13.565 & 11.860 \\
${\% <15\mathrm{ ans}}$ & 3.676 & 0.257 & 0.000 & 0.0002 & 2.459 & 0.205 & 0.009 & 0.0139 & & & & & & & & & 0.160 & 0.026 \\ \bottomrule
\end{tabular}
}
\caption{Valeurs des variables par clusters}
\subcaption*{\footnotesize $\delta_{\%\female}$ correspond à la différence d'exposition entre les femmes et le reste de la population, $\delta_{\% <15\mathrm{ ans}}$ à la différence d'exposition pour les moins de 15 ans. Les autres variables correspondent aux valeurs moyennes (par pays). ${\# hw}$ est le nombre de vagues de chaleurs moyens dans le pays. \textit{Lon} est la longitude. Les variables non inscrites ne sont pas significatives dans le clustering.}
\end{table}
\begin{figure}
\centering
\includegraphics[width=\textwidth,frame]{Figures/dendograms.png}
\caption{Dendogramme du clustering hiérarchique}
% \subcaption*{Le gradient de couleur rouge correspond à une sur-exposition des plus vulnérables et celui de bleu à une sous-exposition. Les résultats non significatifs sont en blanc}
\label{fig:dendogram}
\end{figure}
......@@ -16,7 +16,7 @@
\centering
\includegraphics[width=\textwidth]{Figures/dif_exp_student_tmin.png}
\caption{Différence d'exposition entre les 20\% les plus vulnérables et le reste de la population}
\subcaption*{Les valeurs rouges correspondent à une sur-exposition des plus vulnérables et les valeurs bleues à une sous-exposition}
\subcaption*{Le gradient de couleur rouge correspond à une sur-exposition des plus vulnérables et celui de bleu à une sous-exposition. Les résultats non significatifs sont en blanc}
\label{fig:dif_exp_student_tmax}
\end{figure}
......
......@@ -5,6 +5,14 @@
\label{Appendix_resultats} % Change X to a consecutive letter; for referencing this appendix elsewhere, use \ref{AppendixX}
%TODO quand les données Tmax arrivent, faire l'historique en subfigure
\begin{figure}
\centering
\includegraphics[width=\textwidth]{../Figures/historique_hw_tmin.png}
\caption{Vagues de chaleurs et nombre de jours en vagues de chaleur par année}
\label{fig:historique_tmin}
\end{figure}
\begin{figure}
\centering
\includegraphics[width=\textwidth]{../Figures/count_hw_tmin.png}
......@@ -19,7 +27,7 @@
\centering
\includegraphics[width=\textwidth]{Figures/LISA.png}
\caption{Analyse de la concentration de vagues de chaleur et de richesse}
\label{fig:}
\label{fig:LISA}
\end{figure}
\begin{figure}
......
......@@ -3,12 +3,18 @@
%TC:group tabular 1 1
%!TeX spellcheck = en-GB
%TODO maybe end by a more DPU-compatible discussion if possible or rearrange to make it look better so it doesn't end by going private and takes into considerations the comments made in NOTES.
%TODO modifier tous les chiffres et figures avec le bon Tmax
\chapter{Résultats}
\label{ch:resultats}
J'enlèverai les sections après mais là ça permet de structurer
\section{Identification des canicules}
L'analyse des données climatologiques ont permis de détecter 141 vagues de chaleur par $\mathrm{T_ {min}}$ et ??? avec Tmax. La \autoref{fig:historique_tmin} présente l'évolution de ces vagues de chaleurs par année.
Les cartes \autoref{fig:count_hw_tmin} et \ref{fig:count_hw_tmax} permettent d'identifier les zones les plus touchées. Notons que les résultats varient largement selon l'indicateur de température utilisé. Une analyse des zones à forte et faible fréquence de vagues de chaleur selon $\mathrm{T_ {max}}$ montre une concentration de zones faiblement exposées tout autour du bassin méditerranéen. Néanmoins ce sont les régions où les températures moyennes en vagues de chaleurs sont les plus importantes. Ce schéma ne se retrouve pas avec $\mathrm{T_ {min}}$ (voir \autoref{fig:LISA}, \autoref{Appendix_resultats}).
Notre étude portant sur l'exposition des plus vulnérables aux fortes chaleurs, nous présenterons désormais les résultats pour une détection par $\mathrm{T_ {min}}$. Une partie des résultats équivalents est disponible dans les différentes annexes.
\begin{figure}
\centering
\includegraphics[width=\textwidth]{../Figures/count_hw_tmin.png}
......@@ -20,9 +26,8 @@ J'enlèverai les sections après mais là ça permet de structurer
\label{fig:count_hw_tmax}
\end{figure}
pour plus de résultats voir \nameref{Appendix_resultats}
\section{Corrélations}
La \autoref{fig:correlation} permet de visualiser les corrélations de Pearson entre les différentes variables disponibles par pixel : nombre de vagues de chaleur détectées par $\mathrm{T_ {min}}$, nombre de vagues de chaleur détectées par $\mathrm{T_ {max}}$,PIB/habitant, pourcentage de moins de 15 ans($\% < 15$), pourcentage de plus de 65 ans ($\% > 15$) et pourcentage de femmes ($\% \female$) de la population. Il apparaît en particulier une très forte corrélation négative entre le pourcentage de jeunes et de personnes âgées.
\begin{figure}
\centering
......@@ -31,6 +36,8 @@ pour plus de résultats voir \nameref{Appendix_resultats}
\label{fig:correlation}
\end{figure}
La \autoref{fig:bivariate} permet de représenter les zones à haut revenu par habitant et fortement exposées aux vagues de chaleurs. Il semble que l'est de l'Europe est fortement exposé et relativement moins riche tandis que l'ouest est relativement plus riche et moins exposé. L'Italie et la Suède sont à la fois plutôt riches et exposés. Ces premières observations valident la pertinence de notre première hypothèse.
\begin{figure}
\centering
\includegraphics[width=\textwidth]{../Figures/bivariate_hw_GDP.png}
......@@ -38,6 +45,14 @@ pour plus de résultats voir \nameref{Appendix_resultats}
\label{fig:bivariate}
\end{figure}
Nous réalisons donc une \ac{sPCA}\footnote{pour spatial Principal Component Analysis} sur ces données. Nous réalisons cette \ac{sPCA} sur les données suivantes : nombre de jours en vagues de chaleur (\#HW), PIB/habitant (GDP), pourcentage de plus de 65 ans (\% Old) et pourcentage de femmes (\%\female). Nous n'incluons pas le pourcentage de jeunes pour éviter d'avoir un trop fort impact de la corrélation entre ($\% > 15$) et ($\% \female$) sur la\ac{sPCA}\footnote{Nous souhaitons observer la corrélation spatiale entre les autres indicateurs}.
La \autoref{tab:spca} présente la part de la variance et de l'indice de Moran dans les valeurs propres. Notons que toutes les valeurs propres sont positives,avec un indice de Moran élevé, indiquant une forte autocorrélation positive.
La \autoref{fig:sPCA axe tmin} présente l'explication des différentes variables par les deux premiers axes.
\begin{figure}
\centering
......@@ -53,13 +68,13 @@ pour plus de résultats voir \nameref{Appendix_resultats}
& \multicolumn{3}{c}{Détection par $\mathrm{T_{min}}$} & \multicolumn{3}{c}{Détection par $\mathrm{T_{max}}$} \\
\cmidrule(lr){2-4}
\cmidrule(lr){5-7}
Eigenvalue n\degres & Valeur & Variance & I de Moran & Valeur & Variance & I de Moran \\
Valeur Propre & Valeur & Variance & I de Moran & Valeur & Variance & I de Moran \\
\midrule
$lambda_1$ & 1.14 & 1.31 & 0.87 & 1.11 & 1.28 & 0.87 \\
$lambda_2$ & 0.83 & 1.12 & 0.74 & 0.86 & 1.05 & 0.82 \\
$lambda_3$ & 0.53 & 0.74 & 0.71 & 0.64 & 1.00 & 0.65 \\
$lambda_4$ & 0.51 & 0.83 & 0.61 & 0.43 & 0.67 & 0.64 \\
\hline
$\lambda_1$ & 1.14 & 1.31 & 0.87 & 1.11 & 1.28 & 0.87 \\
$\lambda_2$ & 0.83 & 1.12 & 0.74 & 0.86 & 1.05 & 0.82 \\
$\lambda_3$ & 0.53 & 0.74 & 0.71 & 0.64 & 1.00 & 0.65 \\
$\lambda_4$ & 0.51 & 0.83 & 0.61 & 0.43 & 0.67 & 0.64 \\
\bottomrule
\end{tabular}
\caption{Résultats des ACP spatiales}
\label{tab:spca}
......@@ -70,7 +85,24 @@ pour plus de résultats voir \nameref{Appendix_resultats}
\centering
\includegraphics[width=\textwidth]{Figures/pvalue_student_tmin.png}
\caption{Significativité des différences d'exposition entre les 20\% les plus vulnérables et le reste de la population}
\subcaption*{Les valeurs rouges correspondent à une sur-exposition des plus vulnérables et les valeurs bleues à une sous-exposition}
\subcaption*{Le gradient de couleur rouge correspond à une sur-exposition des plus vulnérables et celui de bleu à une sous-exposition. Les résultats non significatifs sont en blanc}
\label{fig:dif_exp_student_tmin}
\end{figure}
Plus de résultats \nameref{Appendix_pays}.
\section{Clustering}
\begin{figure}
\centering
\includegraphics[width=\textwidth]{Figures/clusters_europe.png}
\caption{Clusters issus d'une analyse par composante principale}
% \subcaption*{Le gradient de couleur rouge correspond à une sur-exposition des plus vulnérables et celui de bleu à une sous-exposition. Les résultats non significatifs sont en blanc}
\label{fig:clusters}
\end{figure}
Un clustering hiérarchique nous permet de divisé l'Europe en 4 clusters présentées en \autoref{fig:clusters}
\begin{description}
\item [Turquie :] La Turquie a un plus fort pourcentage de jeunes et un moins fort pourcentage de personnes âgées que dans le reste de la zone d'étude. Les femmes et jeunes y sont relativement moins exposés que le reste de la population.
\item[Îles :] Ce cluster correspond à l'Irlande et l'Islande, deux îles du nord ouest de l'Europe nettement moins exposées aux vagues de chaleurs que le reste de l'Europe. Les deux pays ont un fort pourcentage de jeunes.
\item[Europe de l'Est :] Ces pays, situés à l'est de l'Europe sont plus exposés que les autres aux vagues de chaleurs. Il y a légèrement plus de femmes et les PIB par habitant y est plus bas que dans le reste de la zone d'étude.
\item[Europe de l'Ouest :] Ces pays du nord ouest ont un revenu par habitant supérieur à celui du reste de l'Europe et une population plus âgée avec légèrement plus de femmes.
Le dendogramme et les valeurs des variables pour chaque clusters qui permettent de décrire ces clusters sont présentés en \autoref{Appendix_cluster}
Figures/bivariate_hw_GDP.png

7.29 KB | W: | H:

Figures/bivariate_hw_GDP.png

7.99 KB | W: | H:

Figures/bivariate_hw_GDP.png
Figures/bivariate_hw_GDP.png
Figures/bivariate_hw_GDP.png
Figures/bivariate_hw_GDP.png
  • 2-up
  • Swipe
  • Onion skin
No preview for this file type
No preview for this file type
......@@ -44,6 +44,7 @@ headsepline, % Uncomment to get a line under the header
\usepackage{multirow}
\usepackage{mathpazo} % Use the Palatino font by default
\usepackage{xcolor}
\usepackage[export]{adjustbox}
\definecolor{tablegray}{HTML}{6a6d72}
\usepackage[backend=bibtex,style=authoryear-icomp,natbib=true, block=ragged]{biblatex} % Use the bibtex backend with the authoryear citation style (which resembles APA)
......@@ -73,6 +74,9 @@ headsepline, % Uncomment to get a line under the header
\newcolumntype{P}[1]{>{\centering\arraybackslash}m{#1}}
\usepackage[inline]{enumitem}
\usepackage{titlesec}
\usepackage{graphicx}
\usepackage{wasysym}
\addto\extrafrenchb{ \def\Appendixautorefname{Annexe}}
\definecolor{gray75}{gray}{0.75}
%% Hyphenation
......@@ -363,6 +367,7 @@ Mes petits remerciements...
\include{Appendices/Acronyms}
\include{Appendices/Appendix_resultats}
\include{Appendices/AppendixParPays}
\include{Appendices/AppendixCluster}
......
Markdown is supported
0%
or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment