Commit afee3367 authored by Philémon POUX's avatar Philémon POUX

Fin des figures, du texte des résultats et avancée de la lit review

parent eb903634
......@@ -43,8 +43,8 @@
\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 \\
$\Delta_{\%\female}$ & -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 \\
......@@ -54,7 +54,7 @@
\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.}
\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}
......
......@@ -3,6 +3,59 @@
\chapter{Comparaisons par pays} % Main appendix title
\label{Appendix_pays} % Change X to a consecutive letter; for referencing this appendix elsewhere, use \ref{AppendixX}
\begin{table}[ht]
\centering
\resizebox{\textwidth}{!}{
\begin{tabular}{rrrrrrrrr}
\toprule
Pays & \multicolumn{2}{c}{PIB/habitant} &\multicolumn{2}{c}{> 65 ans} & \multicolumn{2}{c}{< 15 ans} & \multicolumn{2}{c}{\% \female}\\
\cmidrule(lr){2-3}
\cmidrule(lr){4-5}
\cmidrule(lr){6-7}
\cmidrule(lr){8-9}
& \textit{p-value} & \Delta(\# HW)& \textit{p-value} & \Delta(\# HW)& \textit{p-value} & \Delta(\# HW)& \textit{p-value} & \Delta(\# HW) \\
\midrule
AT & 0.637 & -0.507 & 0.128 & -1.74 & 0.633 & -0.46 & 0.528 & 0.535 \\
BE & \textbf{2.1e-02*} & \textbf{-1.2} & 0.184 & -0.475 & 0.966 & 0.0158 & 0.369 & 0.319 \\
BG & \textbf{1.3e-02*} & \textbf{2.9} & 0.11 & 2.39 & 0.793 & -0.355 & 0.627 & -0.469 \\
CH & 0.562 & -0.477 & 0.447 & -0.279 & 0.132 & 0.875 & 0.812 & -0.175 \\
CY & - & & 0.341 & 1.67 & - & & 0.473 & -1.11 \\
CZ & \textbf{3.3e-04***} & \textbf{-1.5} & \textbf{1.4e-02*} & \textbf{-1.2} & 0.216 & 0.82 & \textbf{8.4e-02*} & \textbf{-0.86} \\
DE & 0.202 & 0.768 & \textbf{2.3e-02*} & \textbf{0.98} & \textbf{3.4e-02*} & \textbf{-1.1} & \textbf{1.1e-02*} & \textbf{-1.4} \\
DK & 0.4 & 0.886 & 0.298 & 1.37 & 0.767 & 0.24 & \textbf{8.6e-02*} & \textbf{2} \\
EE & \textbf{1.7e-02*} & \textbf{-2} & \textbf{1.9e-02*} & \textbf{-1.6} & \textbf{5.7e-02*} & \textbf{1.5} & 0.833 & -0.184 \\
EL & 0.843 & -0.291 & \textbf{2.9e-02*} & \textbf{3.2} & 0.42 & 1.04 & \textbf{1.9e-04***} & \textbf{-4.46} \\
ES & 0.145 & -1.22 & 0.741 & -0.234 & 0.405 & -0.504 & \textbf{1.6e-03**} & \textbf{-1.74} \\
FI & 0.953 & -0.0254 & 0.492 & 0.274 & \textbf{7.6e-06***} & \textbf{2} & \textbf{2.8e-15***} & \textbf{3.17} \\
FR & \textbf{1.5e-02*} & \textbf{-1.4} & 0.704 & 0.202 & 0.102 & -0.67 & \textbf{2.5e-05***} & \textbf{-2.19} \\
HR & \textbf{4.4e-03**} & \textbf{2.89} & 0.458 & 0.508 & 0.266 & 1.07 & 0.539 & 0.438 \\
HU & \textbf{9.3e-02*} & \textbf{0.92} & 0.431 & 0.487 & 0.779 & 0.162 & 0.271 & -0.496 \\
IE & 0.46 & -0.435 & 0.956 & 0.0268 & 0.303 & -0.86 & \textbf{7.9e-02*} & \textbf{-1.7} \\
IS & - & & 0.566 & -0.437 & - & & - & \\
IT & \textbf{7.3e-02*} & \textbf{-2.1} & \textbf{6.3e-02*} & \textbf{-1.7} & \textbf{4.1e-02*} & \textbf{1.3} & \textbf{7e-02*} & \textbf{1.6} \\
LI & - & & - & & - & & - & \\
LT & 0.1 & 0.625 & \textbf{4.7e-04***} & \textbf{-2.02} & \textbf{3.1e-03**} & \textbf{1.27} & 0.941 & -0.0379 \\
LU & - & & - & & - & & - & \\
LV & 0.359 & -0.41 & 0.156 & -0.666 & \textbf{2.3e-02*} & \textbf{0.64} & 0.246 & -0.394 \\
ME & \textbf{2.9e-02*} & \textbf{-1.9} & 0.754 & 0.294 & 0.287 & -1.48 & 0.96 & 0.124 \\
MK & \textbf{5e-02*} & \textbf{3.7} & 0.605 & -2.68 & \textbf{9.4e-02*} & \textbf{2.4} & 0.63 & -1.81 \\
MT & - & & - & & - & & - & \\
NL & 0.108 & -1.13 & 0.296 & -0.521 & 0.911 & -0.117 & 0.441 & -0.406 \\
NO & \textbf{6.6e-07***} & \textbf{3.79} & \textbf{1.1e-04***} & \textbf{3.53} & \textbf{1.8e-08***} & \textbf{-3.43} & 0.608 & 0.398 \\
PL & \textbf{4.9e-02*} & \textbf{0.87} & 0.161 & 0.677 & 0.913 & 0.0448 & 0.317 & -0.413 \\
PT & 0.602 & -0.621 & 0.69 & -0.476 & 0.141 & 1.41 & 0.222 & 1.03 \\
RO & 0.809 & 0.453 & 0.228 & -1.97 & \textbf{5.9e-02*} & \textbf{3.2} & 0.195 & 2.47 \\
SE & \textbf{3.5e-04***} & \textbf{-2.43} & 0.752 & -0.19 & 0.774 & 0.172 & \textbf{9.9e-05***} & \textbf{2.32} \\
SI & 0.998 & 0.0044 & \textbf{7.5e-02*} & \textbf{-3.9} & 0.451 & 1.08 & 0.429 & 1.38 \\
SK & 0.806 & -0.259 & 0.876 & 0.115 & \textbf{3.6e-03**} & \textbf{2.73} & \textbf{4.4e-02*} & \textbf{-1.5} \\
TR & \textbf{7.1e-02*} & \textbf{1.7} & \textbf{4.7e-02*} & \textbf{1.5} & \textbf{7.4e-03**} & \textbf{-12.4} & \textbf{1.4e-03**} & \textbf{-3.79} \\
UK & \textbf{3e-11***} & \textbf{-4.04} & 0.152 & -1.05 & 0.851 & 0.143 & 0.597 & -0.391 \\
\bottomrule
\end{tabular}
}
\caption{Résultat des tests de Student par pays pour les variables}
\label{tab:student_test}
\end{table}
\begin{figure}
\centering
......@@ -17,7 +70,7 @@
\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*{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}
\label{fig:dif_exp_student_tmin}
\end{figure}
......
......@@ -3,14 +3,27 @@
\chapter{Résultats annexes} % Main appendix title
\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
\label{Appendix_resultats}
\begin{figure}
\centering
\includegraphics[width=\textwidth]{Figures/LISA.png}
\caption{Analyse de la concentration de vagues de chaleur et de richesse}
\label{fig:LISA}
\end{figure}
\begin{figure}[H]
\centering
\begin{subfigure}[h]{0.45\textwidth}
\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{subfigure}
\begin{subfigure}[h]{0.45\textwidth}
\centering
\includegraphics[width=\textwidth]{../Figures/historique_hw_tmax.png}
\label{fig:historique_tmax}
\end{subfigure}
\caption{Historique des vagues et jours de chaleur}
\label{fig:historique}
\end{figure}
\begin{figure}
......@@ -23,12 +36,12 @@
\label{fig:count_days_hw_tmax}
\end{figure}
\begin{figure}
\centering
\includegraphics[width=\textwidth]{Figures/LISA.png}
\caption{Analyse de la concentration de vagues de chaleur et de richesse}
\label{fig:LISA}
\end{figure}
% \begin{figure}
% \centering
% \includegraphics[width=\textwidth]{Figures/LISA.png}
% \caption{Analyse de la concentration de vagues de chaleur et de richesse}
% \label{fig:LISA}
% \end{figure}
\begin{figure}
\centering
......
......@@ -12,21 +12,40 @@ Notre étude étant largement pluri-disciplinaire, elle repose sur un corpus de
Il existe différents travaux traitant des inégalités d'exposition en fonction d'indicateurs socio-économiques, notamment de revenu. À l'échelle globale, on sait désormais que les populatiosn les plus pauvres sont plus vulnérables aux catastrophes naturelles \parencite{carter_poverty_2007}. Il y a de nombreux facteurs qui contribuent à cette inégalité de vulnérabilité; tout d'abord, les populations pauvres ont une plus grande partie de leurs biens directement touchés par les catastrophes naturelles (inondations, sécheresses, vagues de chaleurs...). Ensuite, ils ont moins de capabilités \parencite{sen_commodities_1999} pour se prémunir et faire face à ces évènements.
On sait de plus que les pays du Sud, plus pauvres, sont plus exposés au dérèglement climatique et à des évènements extrêmes \parencite{???}. Des travaux ont caractérisé les inégalités d'exposition ou de vulnérabilité à différentes échelles.
On sait de plus que les pays du Sud, plus pauvres, sont plus exposés au dérèglement climatique et à des évènements extrêmes \parencite{???} et leur population y est plus vulnérable \parencite{formetta_empirical_2019}. Des travaux ont caractérisé les inégalités d'exposition ou de vulnérabilité à différentes échelles. Nous en présentons ici certains dont les problématiques sont proches de notre projet de recherche en montrant comment le présent rapport peut les compléter. \cite{sherbinin_climate_2019} montrent que s'il existe une littérature de plus en plus conséquente spatialisant les vulnérabilités au changement climatique, peu s'intéressent aux vagues de chaleurs de façon spatialisée.
Une étude de la banque mondiale \parencite{hallegatte_shock_2016} étudie l'impact du changement climatique sur les dynamiques de pauvreté dans le monde. Le rapport montre que le changement climatique est un obstacle à l'éradication de la pauvreté pour les populations vulnérables. Les auteurs soulignent par exemple que les conséquences de la chaleur sur le développement infantile pourraient conduire à une reproduction inter-générationnelle des inégalités si les pauvres sont plus exposés \parencite[p.115]{hallegatte_shock_2016}.
\cite{winsemius_disaster_2018} ont conduit une étude transversale sur les inondations et les sécheresses dans 52 pays et concluent que les pauvres sont disproportionnément touchés dans 34 des 52 pays. Tout en s'appuyant sur une littérature relativement fournie traitant des inégalités mondiales \parencite{jongman_comparatives_2012} les auteurs soulignent notamment l'absence de travaux sur la distribution spatiale intra-pays des inégalités et cherchent donc à combler ce manque pour les inondations et les sécheresses. Ces travaux se concentrent sur l'Afrique, l'Asie du sud-est et l'Amérique Latine et ne présente pas de résultats spatialisés.
Une étude de la banque mondiale \parencite{hallegatte_shock_2016} étudie l'impact du changement climatique sur les dynamiques de pauvreté dans le monde. Le rapport montre que le changement climatique est un obstacle à l'éradication de la pauvreté pour les populations vulnérables.
\cite{park_households_2018}, proposent une étude sur les mêmes pays en proposant un \enquote{Poverty Exposure Bias} traduisant une sur-exposition ou une sous-exposition des foyers du premier quintile de revenu. Ils trouvent que dans 37 des pays étudiés, les plus pauvres sont sur-exposés à la chaleur. Ils montrent également que dans les pays plus froids, la dynamique s'inverse. Ces conclusions sont intéressantes et cohérentes avec nos hypothèses néanmoins la méthodologie employée n'utilise pas de données spatiales. De plus il ne s'agit pas de l'exposition à des vagues de chaleurs mais à un indicateur de température \textit{ad hoc}.
En Europe, on peut citer les travaux de l'\ac{IAU} de la région Île-de-France qui identifie les \blockquote{points noirs} environnementaux dans une analyse sur les inégalités environnementales dans la région à une résolution de 500m \parencite{iau_egalites_2016} pour 5 indicateurs (pollution de l'air, bruit, pollution des sols, pollution de l'eau et pollutions chimiques). Si les inégalités environnementales étudiées ne sont pas les mêmes, la méthodologie, spatialement explicite à une résolution (très) fine, est en revanche particulièrement intéressante et proche de la notre. Néanmoins ces travaux restent circonscrits à une région et non à toute l'Europe.
Il résulte de la lecture de ces articles qu'étudier la distribution de l'exposition aux vagues de chaleur en Europe de façon spatialisée en définissant de façon rigoureuse la notion de vagues et chaleurs en caractérisant les tendances spatiales permettrait de compléter la littérature existante de façon pertinente.
\section{Détection des vagues de chaleur}
\label{sec:Détection des vagues de chaleur}
Il existe différentes méthodes pour détecter et caractériser des vagues de chaleurs. Il existe une composante temporelle importante dans la définition d'une vague de chaleur qui est souvent caractérisée par une température dépassant un seuil pendant un certain nombre de jours. Ces seuils peuvent être variables et les plus fréquents sont \parencite{raei_ghwr_2018} :
\begin{description}
\item [Seuil absolu :] il s'agit ici d'une définition absolue des vagues de chaleurs ne dépendant ni du lieu ni de la date.
\item[Température moyenne + \degres C :] Ce seuil repose sur la température habituelle localement. Cette caractérisation des vagues de chaleurs est donc spatiale et requiert l'historique des températures. En revanche la moyenne est faite sur l'année
\item[Seuil relatif à la distribution de températures :] Il s'agit de définir un percentile de la distribution habituelle de température dans une fenêtre temporelle centrée autour de cette date (la fenêtre peutre être de 15 ou 21 jours). Ces seuils, souvent le 90\ieme{} ou 95\ieme{} percentile varient donc spatialement et temporellement.
\item[Seuils relatif à la distribution estivale :] Ce seuil est équivalent au précédent mais la distribution est considérée sur tout l'été et non sur une fenêtre temporelle autour de la date étudiée. Cela ne permet de détecter que les canicules en été. Ces seuils varient donc spatialement.
\end{description}
Il convient de noter que ces différentes méthodes peuvent être appliquées au la température maximale, à la température minimale ou à la température moyenne journalière. Le nombre de jours varie souvent entre 2 et 10 \parencite{raei_ghwr_2018}.
De nombreuses études étudiant les distributions de vagues de chaleur en Europe et les caractérisant utilisent un seuil relatif à la distribution de températures. Parmi celles-ci, nous pouvons citer \cite{stefanon_heatwave_2012,russo_top_2015}, \citename{stefanon_heatwave_2012} ajoute à la définition présentée ci-dessus une composante spatiale. Pour qu'un épisode soit considéré vague de chaleur, il faut les conditions de température soient vérifiées dans 60\% d'une zone centrée sur le lieu étudiée et que, d'un jour au suivant il y ait 40\% de surface affectée en commun.
\section{Vulnérabilité des populations}
\label{sec:Vulnérabilité}
L'impact des vagues de chaleurs
Afin de cibler les populations vulnérbles aux vagues de
\section{Détection des vagues de chaleur}
\label{sec:Détection des vagues de chaleur}
\section{Indice de Sévérité}
\label{sec:Indice de sévérité}
\section{Analyse Spatiale}
......
......@@ -9,7 +9,7 @@
\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 (pour un total de 843 jours, durée moyenne d'une vague de $5,98$ jours) par $\mathrm{T_ {min}}$ et 228 avec $\mathrm{T_ {max}}$ (pour un total de 1385 jours, durée moyenne d'une vague de $6.07$ jours). La \autoref{fig:historique_tmin} présente l'évolution de ces vagues de chaleurs par année.
L'analyse des données climatologiques ont permis de détecter 141 vagues de chaleur (pour un total de 843 jours, durée moyenne d'une vague de $5,98$ jours) par $\mathrm{T_ {min}}$ et 228 avec $\mathrm{T_ {max}}$ (pour un total de 1385 jours, durée moyenne d'une vague de $6.07$ jours). La \autoref{fig:historique} 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}).
......@@ -45,7 +45,7 @@ La \autoref{fig:bivariate} permet de représenter les zones à haut revenu par h
\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}.
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 prioritairement observer les liens entre le nombre de vagues de chaleur et les autres variables. Garder deux variables très corrélées aurait fait d'abord apparaître cette corrélation dans la \ac{sPCA}}.
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.
......@@ -81,24 +81,41 @@ La \autoref{fig:sPCA axe tmin} présente l'explication des différentes variable
\end{table}
\section{Comparaison par pays}
Afin de tester notre hypothèse sur les différences entre pays, nous conduisons ici une étude comparative transversale entre les pays. Pour chacun des pays, nous testons l'hypothèse suivante : \textit{l'exposition à des vagues de chaleurs est significativement différente pour les 20\% les plus exposés que pour le reste de la population}.
Nous réalisons donc un test de Student dans chacun des pays les variables suivantes :
\begin{itemize}
\item L'exposition moyenne des 20\% de pixels avec le PIB par habitant le plus bas est différente de celle des autres 80\%
\item L'exposition moyenne des 20\% de pixels avec le plus de jeunes de moins de 15 ans le plus bas est différente de celle des autres 80\%
\item L'exposition moyenne des 20\% de pixels avec le plus de personnes de plus de 65 ans est différente de celle des autres 80\%
\item L'exposition moyenne des 20\% de pixels avec le plus de femmes est différente de celle des autres 80\%
\end{itemize}
La \autoref{fig:pvalue_student_tmin} représente les pays où les plus vulnérables sont sur-exposés et sous-exposés pour chacune de ces variables. L'ensemble des données est disponible \autoref{tab:student_test}.
Ces test révèlent notamment que, pour le PIB par habitant, il semble y avoir une séparation entre les pays de l'ouest et de l'est de l'Europe avec une sur-exposition dans le second groupe.
\begin{figure}
\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*{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}
\label{fig:pvalue_student_tmin}
\end{figure}
Plus de résultats \nameref{Appendix_pays}.
\section{Clustering}
Nous avons donc effectué un algorithme de clustering hiérarchique sur les données par pays, incluant en variables les valeurs moyennes des paramètres socio-économiques, le nombre moyen de vagues de chaleur, la latitude, la longitude et les différences d'exposition pour chacun des paramètres socio-économiques.
\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}
Le résultat nous permet de diviser 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.
......
No preview for this file type
<?xml version="1.0" standalone="yes"?>
<!-- logreq request file -->
<!-- logreq version 1.0 / dtd version 1.0 -->
<!-- Do not edit this file! -->
<!DOCTYPE requests [
<!ELEMENT requests (internal | external)*>
<!ELEMENT internal (generic, (provides | requires)*)>
<!ELEMENT external (generic, cmdline?, input?, output?, (provides | requires)*)>
<!ELEMENT cmdline (binary, (option | infile | outfile)*)>
<!ELEMENT input (file)+>
<!ELEMENT output (file)+>
<!ELEMENT provides (file)+>
<!ELEMENT requires (file)+>
<!ELEMENT generic (#PCDATA)>
<!ELEMENT binary (#PCDATA)>
<!ELEMENT option (#PCDATA)>
<!ELEMENT infile (#PCDATA)>
<!ELEMENT outfile (#PCDATA)>
<!ELEMENT file (#PCDATA)>
<!ATTLIST requests
version CDATA #REQUIRED
>
<!ATTLIST internal
package CDATA #REQUIRED
priority (9) #REQUIRED
active (0 | 1) #REQUIRED
>
<!ATTLIST external
package CDATA #REQUIRED
priority (1 | 2 | 3 | 4 | 5 | 6 | 7 | 8) #REQUIRED
active (0 | 1) #REQUIRED
>
<!ATTLIST provides
type (static | dynamic | editable) #REQUIRED
>
<!ATTLIST requires
type (static | dynamic | editable) #REQUIRED
>
<!ATTLIST file
type CDATA #IMPLIED
>
]>
<requests version="1.0">
<internal package="biblatex" priority="9" active="1">
<generic>latex</generic>
<provides type="dynamic">
<file>main.aux</file>
<file>main-blx.bib</file>
</provides>
<requires type="dynamic">
<file>main.bbl</file>
</requires>
<requires type="static">
<file>blx-dm.def</file>
<file>blx-compat.def</file>
<file>blx-bibtex.def</file>
<file>biblatex.def</file>
<file>blx-natbib.def</file>
<file>standard.bbx</file>
<file>authoryear.bbx</file>
<file>authoryear-icomp.bbx</file>
<file>authoryear-icomp.cbx</file>
<file>biblatex.cfg</file>
<file>english.lbx</file>
<file>french.lbx</file>
</requires>
</internal>
<external package="biblatex" priority="5" active="1">
<generic>bibtex</generic>
<cmdline>
<binary>bibtex</binary>
<option>-min-crossrefs 2</option>
<infile>main</infile>
</cmdline>
<input>
<file>main.aux</file>
</input>
<output>
<file>main.bbl</file>
</output>
<provides type="dynamic">
<file>main.bbl</file>
</provides>
<requires type="dynamic">
<file>main.aux</file>
<file>main-blx.bib</file>
</requires>
<requires type="editable">
<file>biblio.bib</file>
</requires>
<requires type="static">
<file>biblatex.bst</file>
</requires>
</external>
</requests>
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