Cartographier la population à l’échelle du bâti

La répartition de la population est bien souvent une donnée facile à cartographie, dès lors qu’on travaille à des échelles territoriales assez larges : commune, département… Pour rentrer davantage dans le détail, le découpage infracommunal « IRIS » de l’INSEE, peut s’avérer la meilleure solution, mais ses contours ne correspondent pas toujours au territoire ni au degré de précision géographique recherchés.

Dans ces cas là, que faire pour estimer les densités de population à l’échelle d’un quartier ou même d’une rue, avec des données standards, gratuites ou facilement accessible ? Le CEREMA de l’est propose ici une solution, que nous allons tenter de reprendre dans cet article au travers d’un exemple concret : estimer la population impactée par la proximité de l’autoroute A7 à Lyon.

Étape 1 : les données de base

Nous allons principalement avoir besoin de trois jeux de données :

  • Les contours IRIS de l’INSEE, téléchargeables sur le site de l’IGN ;
  • La population par îlot IRIS, téléchargeable sur le site de l’INSEE (attention à bien sélectionner la même année de référence que pour les contours). Nous ferons ensuite la liaison contours (IGN) – population (INSEE) ;
  • Les polygones des bâtiments du secteur étudié. Attention, il faut absolument avoir la donnée élévation (la hauteur de façade), sans quoi il sera impossible de réaliser l’estimation. La BD TOPO de l’IGN propose cette donnée, mais son accès est restreint… J’ai pour ma part utilisé les données ouvertes de ma collectivité (Métropole de Lyon).

Voilà, c’est tout. Pour mon exemple, j’ai également trouvé le tracé de l’autoroute A7 et l’hydrographie surfacique de Lyon, afin d’avoir quelques repères spatiaux.

Étape 2 : sélectionner l’emprise spatiale souhaitée

On commence généralement avec de gros jeux de données et, comme on va devoir réaliser des calculs assez gourmands en mémoire, je vous recommande vivement de filtrer au préalable les entités qui vous intéressent…

Les bâtiments non filtrés.

Comme notre donnée population de référence est celle des îlots IRIS, nous allons commencer par filtrer les bâtiments situés dans les îlots qui nous intéressent : en l’occurrence, je souhaite disposer de tous les îlots situés au moins à 300m de l’autoroute A7. On utilise pour cela une simple zone tampon, puis une sélection par localisation des îlots IRIS intersectés par celle-ci (je ne m’embarrasse pas de la symbologie) :

Les îlots IRIS intersectés par le buffer. Remarquez qu’un des îlots est situé tout juste en dehors de la zone tampon et n’a donc pas été sélectionné.

On crée une nouvelle couche ne conservant que ces îlots, puis on ajoute la donnée « population » des recensements INSEE via une jointure avec l’identifiant IRIS.

Pour la sélection des bâtiments, il faut se poser deux questions d’ordre urbanistique :

  • Quel est l’usage dominant des bâtiments en question (habitat, commerces, bureaux, éducation, etc.) ?
  • Que peut-on considérer comme de l’« habitat » ?

Cette distinction fonctionnelle est cruciale pour la suite. En effet, nous allons « répartir la population » dans les différents bâtiments sélectionnés à l’aide des chiffres de l’INSEE. Ainsi, le fait d’inscrire une population dans, par exemple, une zone d’activité, où en réalité personne n’habite, diminuerait grandement la précision de l’estimation finale.

Il n’y a pas de méthode miracle pour distinguer les zones d’habitat : certains territoires (comme la Métropole de Lyon) peuvent cependant avoir localisé les fonctions dominantes de chaque quartier et ces données sont sûrement en accès libre. Dans le cas contraire, un petit travail de recherche géographique peut être nécessaire pour identifier les bâtiments à exclure. De manière générale, il faut noter que l’urbanisme moderne a tendance a favoriser la mixité des activités, il serait donc chronophage d’essayer d’estimer la part d’habitat dans chaque bâtiment (même s’il s’agirait certainement d’une donnée intéressante pour qualifier les quartiers). Gardons toutefois à l’esprit qu’il s’agit d’une estimation et non d’un travail de recensement démographique. Enfin, les zones d’activité, les équipements publics ou industriels ont généralement une forme caractéristique (importante surface au sol), facile à repérer sur une carte.

Le bâti considéré comme de l’habitat. Plus on est fins, meilleure sera l’estimation.

Étape 3 : calculer la population par bâtiment

Le nombre d’habitants d’un bâtiment étant lié à la taille de celui-ci, il nous faut maintenant calculer la surface habitable par bâtiment. Celle-ci est liée à deux paramètres : la surface au sol du bâtiment et son nombre d’étages. Pour les calculer, on va donc rajouter trois colonnes à notre couche « bâtiments » :

  • Surface (calculable dans QGIS via la fonction $area) ;
  • Nombre d’étages : si l’on considère qu’un étage fait en moyenne 2,7m de hauteur sous plafond, le nombre d’étage s’obtient en divisant la hauteur (idéalement, de la façade) par 2,7 ;
  • Surface habitable : calculée en multipliant la surface au sol par le nombre de plateaux (d’étages).

Une fois cette surface habitable obtenue, il allons regarder comment elle est utilisée dans ce secteur. En effet, 50m2 en plein centre-ville ne veut pas dire la même chose que 50m2 en campagne profonde : en milieu urbain dense, l’espace tend à être rentabilisé au maximum (on met donc plus de gens par mètre carré). Pour faire état de cette densité, nous allons donc devoir injecter le total de la surface habitable dans chaque îlot IRIS ; cette opération est réalisée au travers d’une jointure spatiale. À titre d’exemple, la mienne ressemble à :

SELECT IRIS_lyon.geometry, CODE_IRIS, NOM_IRIS, _P13_POP, sum(surf_hab) AS s_hab
FROM IRIS_lyon JOIN bati_lyon_2
ON intersects(IRIS_lyon.geometry, centroid(bati_lyon_2.geometry))
GROUP BY IRIS_lyon.geometry, CODE_IRIS, NOM_IRIS, _P13_POP

Cela nous donne une nouvelle couche (qu’on va appeler IRIS2) avec la somme des surfaces habitables sur chaque îlot IRIS. On peut faire une rapide cartographie de celles-ci pour vérifier le succès de la jointure :

Représentation des surfaces habitables par îlot IRIS.

On va ensuite effectuer le chemin inverse et faire une jointure spatiale entre les bâtiments et les îlots IRIS2 afin de récupérer le ratio de population dans la couche bâtiments :

SELECT bati.geometry, surf_hab, ratio
FROM bati_lyon_2 AS bati
JOIN IRIS2 ON contains(IRIS2.geometry, bati.geometry)

On peut alors calculer la population par bâtiment en multipliant la surface habitable par le ratio de population.

Dans mon cas, il reste une dernière étape : isoler les bâtiments situés à moins de 300m de l’autoroute A7. Un rapide buffer et une sélection par localisation des bâtiments concernés donne le résultat suivant : 9613 personnes sont directement affectées par la pollution sonore et aérienne de l’autoroute A7, 6991 si l’on considère que le Rhône est un rempart efficace et 2430 ont « pignon sur l’A7 ». Ce nombre est appelé à augmenter avec la densification du quartier de la Confluence.

Densité de population par immeuble.

 

Leave a Reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *