---
title: "Données spatiales K4GGWA pour la prise de décision en matière de restauration dans la GMV"
subtitle: "Mini-projet : télécharger et analyser vos propres données"
author: "Plateforme K4GGWA"
format:
  html:
    toc: false
    code-fold: true
    theme: cosmo
execute:
  warning: false
  message: false
---

# Mini-projet

Dans ce mini-projet, vous utiliserez l'[**outil d'échantillonnage des tableaux de bord GMV**](https://dashboards.cifor-icraf.org/app/k4ggwa) pour télécharger et analyser des données sur un paysage que vous connaissez.

Vous allez :

1.  Choisir une zone d'intérêt dans les tableaux de bord GMV et échantillonner 100 à 500 points.
2.  Télécharger les données d'indicateurs échantillonnées au format CSV.
3.  Explorer la distribution des indicateurs environnementaux.
4.  Créer un graphique de densité comme principal résultat visuel.
5.  Si vous le souhaitez, étudier la relation entre deux indicateurs.
6.  Rédiger un court rapport expliquant ce que vous avez trouvé et en quoi cela pourrait éclairer la prise de décision dans la GMV.

::: callout-note
**Durée :** \~60 à 90 minutes\
**Livrable :** 1 PNG et un court rapport de synthèse
:::

# Partie 1 - Obtenir vos données depuis le tableau de bord

## 1. Choisir votre zone d'échantillonnage

Ouvrez les [**tableaux de bord GMV**](https://dashboards.cifor-icraf.org/app/k4ggwa) et allez dans **Sample data**.

![](../../../../state_of_land/tutorials/images/ggwdash.png)

Vous pouvez définir votre zone d'échantillonnage de deux façons :

-   **Pays et district :** sélectionnez un pays, éventuellement un district, puis choisissez le nombre de points aléatoires.
-   **Polygone personnalisé :** utilisez l'outil polygone sur la carte pour dessiner votre propre zone, puis choisissez le nombre de points.

Pour le mini-projet, utilisez au moins 100 points. Si possible, essayez 200 à 500 points afin que la distribution soit plus facile à interpréter.

Choisissez une zone qui a du sens pour votre travail, par exemple un paysage de restauration, la zone d'un projet, un district ou une zone que vous connaissez bien.

## 2. Choisir vos indicateurs

Sélectionnez les indicateurs que vous souhaitez échantillonner.

Pour le mini-projet, **choisissez un indicateur** que vous aimeriez mieux comprendre. Vous pouvez aussi en sélectionner un second si vous voulez essayer plus tard le défi facultatif sur les relations.

Voici quelques exemples d'indicateurs :

| Indicateur                  | Exemple de question                                                        |
|-----------------------------|----------------------------------------------------------------------------|
| Couvert arboré              | Dans quelle mesure le couvert arboré varie-t-il dans ma zone ?             |
| COS                         | Le carbone du sol est-il assez uniforme dans ma zone d'intérêt ?           |
| Tendance de l'EVI           | La plupart des pixels échantillonnés verdissent-ils ou perdent-ils en verdure ? |
| Érosion sévère              | Dans quelle mesure les valeurs d'érosion élevées sont-elles répandues ?    |
| Précipitations              | Dans quelle mesure les précipitations annuelles varient-elles dans la zone ? |
| Fréquence des feux          | La plupart des endroits brûlent-ils rarement ou fréquemment ?              |
| Terres cultivées            | Quelle part du paysage échantillonné est constituée de terres cultivées ?  |

## 3. Générer et télécharger le CSV

Cliquez sur **Generate CSV** et enregistrez le fichier à un endroit facile à retrouver (nous vous suggérons de l'enregistrer dans le dossier de données que nous avons créé au jour 2).

Le jeu de données échantillonné contient des variables telles que :

-   `lon`, `lat` : coordonnées des points d'échantillonnage
-   `evi_trend` : tendance de la verdure
-   `tree_cover_pct` : couvert arboré (%)
-   `erosion_pct` : érosion sévère (%)
-   `rainfall_mm` : précipitations annuelles moyennes (mm)
-   `temperature_c` : température annuelle moyenne (°C)
-   `soc_g_c_per_kg` : carbone organique du sol (g/kg)
-   `tn_g_per_kg` : azote total (g/kg)
-   `cropland_pct` : terres cultivées (%)
-   `fire_freq_pct_years` : fréquence des feux (% d'années brûlées)
-   variables de texture et de pH du sol
-   variables de tendance de la température et des précipitations

::: callout-note
Les noms de colonnes de votre fichier CSV peuvent différer de ceux ci-dessus, selon les indicateurs que vous avez sélectionnés.
:::

# Partie 2 - Importer les données dans R

## 4. Charger le CSV

Exécutez le code ci-dessous et sélectionnez le fichier CSV que vous avez téléchargé depuis le tableau de bord.

```{r}
# Installer et charger les bibliothèques
```

```{r}
# Lire les données. Vous souvenez-vous de la fonction que nous utilisons pour lire un jeu de données ? Veillez à stocker votre jeu de données dans un objet.
# Veillez à ce que le nom de votre objet soit pertinent. Par exemple, 'Afar_LDSF_data_points' ou 'Djibouti_LDSF_data_points'.
```

```{r}
# Vérifications rapides : vous souvenez-vous de nos fonctions dim(), head(), names() et summary() ?
```

Chaque ligne devrait représenter un point spatial échantillonné.

# Partie 3 - Décrire votre paysage

Choisissez un indicateur et créez un graphique simple qui vous aide à comprendre à quoi ressemble la variable à travers votre paysage échantillonné. Par exemple :

-   Le couvert arboré est-il concentré autour d'une plage de valeurs ?
-   Le COS est-il très variable ?
-   Les tendances de l'EVI sont-elles majoritairement positives ou négatives ?
-   L'érosion présente-t-elle une longue queue de valeurs anormalement élevées ?

### Étape 1. Choisir votre indicateur

Sélectionnez l'un des indicateurs que vous avez échantillonnés. Nos vérifications des données ci-dessus devraient vous montrer le nom de chaque indicateur sous forme de noms de colonnes.

### Étape 2. Explorer la distribution

Commencez par un **histogramme.** Il montre combien de points échantillonnés tombent dans différentes plages de valeurs.

```{r}
# Vous souvenez-vous comment construire des graphiques avec ggplot2 ? 
# Nous avons déjà utilisé geom_boxplot(), geom_point() et geom_sf(), entre autres. Pour créer un histogramme, nous utiliserons geom_histogram(). 
# Essayez de créer un histogramme ci-dessous. Enregistrez votre histogramme dans un objet afin de pouvoir facilement le rappeler et le sauvegarder plus tard. 
# Indice : assurez-vous que votre indicateur est placé sur l'axe des x. 
```

Avez-vous donné un titre à votre graphique et des étiquettes à ses axes ? **Si ce n'est pas le cas, essayez d'ajouter des étiquettes, et de modifier la couleur et le nombre de classes de l'histogramme.** Les arguments permettant de modifier le nombre de classes et la couleur sont `bins =` et `fill =`, dans la fonction geom_histogram.

Que remarquez-vous dans vos données ? Y a-t-il des motifs ou des formes évidents ? Voici ce qu'il faut rechercher :

-   le centre de la distribution ;
-   l'étendue des variations des valeurs ;
-   l'asymétrie ou les longues queues ;
-   les observations anormalement élevées ou faibles ;
-   d'éventuels groupes ou regroupements.

### Étape 3. Réaliser un graphique de densité

Transformez maintenant la même distribution en un **graphique de densité** plus lisse. Voyez-le comme une description lissée de l'endroit où se concentrent les observations.

```{r}
# Indice : la fonction ggplot pour créer des graphiques de densité est geom_density().
# Essayez d'ajuster la couleur de remplissage et la transparence (alpha) comme vous l'avez fait avec votre histogramme.
```

Un graphique de densité est utile pour voir où et comment les observations se concentrent, et si une distribution est étroite, large, asymétrique ou potentiellement multimodale.

::: callout-tip
## Améliorer la figure

Avant d'enregistrer, assurez-vous que votre figure contient toutes les informations nécessaires pour qu'une personne qui ne connaît pas les données puisse comprendre ce qui est représenté.

-   Y a-t-il un titre ? Décrit-il correctement la figure ?
-   Les unités sont-elles claires ? C'est-à-dire, dans quelle unité de mesure l'indicateur est-il exprimé ?
-   Y a-t-il une légende de figure ? Indique-t-elle la source des données, la date et l'auteur ?
:::

### Étape 4. Enregistrer votre figure

```{r}
# Nous utiliserons notre fonction ggsave pour enregistrer nos figures. Vous pouvez utiliser le modèle de code ci-dessous. 
ggsave(
  filename = # Nom de la figure que vous voulez enregistrer dans un fichier,
  plot = # Nom de l'objet dans lequel vous avez stocké votre graphique de densité ou votre histogramme,
  width = 8, 
  height = 5.5, 
  dpi = 300)
```

::: callout-tip
Vous avez maintenant votre livrable principal : un **PNG de 300 dpi** utilisable dans un rapport, une présentation, un point d'étape de projet ou une publication sur les réseaux sociaux !
:::

# Partie 4 - Réaliser votre visuel final

Maintenant que vous avez exploré l'aspect de vos données échantillonnées à travers le paysage, vous allez générer un visuel cartographique final, en utilisant l'une des méthodes de cartographie que nous avons apprises lors des séances pratiques d'hier. Nous avons vu notamment :

-   Une carte statique (`ggplot2`) où les données ponctuelles sont colorées selon leur valeur (par exemple, la carte montre des points à travers votre étendue géographique avec différentes couleurs pour différentes valeurs)

-   Une carte interactive (`leaflet`) avec des marqueurs codés par couleur

-   Une carte interactive (`leaflet`) avec des marqueurs codés par couleur et des fenêtres contextuelles

-   Une carte interactive (`leaflet`) représentant deux variables différentes, l'une codée par la taille des marqueurs et l'autre par la couleur

**À l'aide de la cellule de code vide ci-dessous, créez votre visuel final.**

```{r}
# Mini-projet : créez ici votre visuel final

```

# Partie 5 - Rédiger votre rapport de synthèse

Rédigez une courte synthèse de votre exploration de données et de votre visualisation à l'aide des questions ci-dessous.

::: callout-warning
1.  **Qu'avez-vous étudié ?** Quelle variable avez-vous explorée, et dans quelle région/quel pays ?

    J'ai échantillonné \_\_\_\_\_\_ en \_\_\_\_\_\_ et examiné la distribution de \_\_\_\_\_\_.

2.  **Qu'avez-vous observé ?** Décrivez le centre, l'étendue, la forme ou tout élément intéressant de la distribution.

    La plupart des points échantillonnés étaient \_\_\_\_\_\_, tandis que \_\_\_\_\_\_. La distribution semble \_\_\_\_\_\_.

3.  **Qu'est-ce qui pourrait expliquer ce motif ?** Pensez au climat, aux sols, à la végétation, à l'utilisation des terres, à la gestion ou à d'autres processus susceptibles d'expliquer ce que vous voyez.

    Une explication possible est \_\_\_\_\_\_.

4.  **En quoi cela peut-il être utile dans votre travail ?** Reliez le motif observé à une question ou à un problème concret de restauration, de suivi ou de gestion des terres.

    Cela pourrait être utile pour \_\_\_\_\_\_ parce que \_\_\_\_\_\_.

5.  **Limites ?** Cette analyse comporte-t-elle des contraintes ou des limites ? Quelles autres données ou données probantes pourraient appuyer ce travail ?

    Cette analyse ne montre pas \_\_\_\_\_\_ parce que \_\_\_\_\_\_.
:::

# Partie 6 - En tirer quelque chose d'utile

**Terminé ? Votre analyse n'a pas à rester dans R ! Exportez votre visualisation sous forme de fichier png ou html autonome.**

```{r}
# Exportez votre visuel sur votre ordinateur sous forme de fichier autonome afin de pouvoir l'utiliser plus tard dans des rapports, des notes d'information, des présentations ou d'autres communications de votre organisation
```

Vous pouvez maintenant combiner votre carte ou votre graphique avec la synthèse que vous avez rédigée ci-dessus, et l'utiliser dans des **rapports, des notes d'information, comme figure de présentation, voire dans une publication LinkedIn !**

Si vous le partagez publiquement, **indiquez clairement la source des données** (échantillon de pixels spatiaux issus des cartes prédictives LDSF) et **ajoutez un lien vers les tableaux de bord GMV**, et **n'oubliez pas de mentionner Landscape Alliance, K4GGWA et vos collègues !**

# Liste de vérification finale

-   [ ] J'ai sélectionné une zone d'échantillonnage pertinente dans le tableau de bord

-   [ ] J'ai téléchargé les points d'échantillonnage

-   [ ] J'ai chargé le CSV dans R

-   [ ] J'ai exploré les données avec `summary()`

-   [ ] J'ai réalisé un histogramme et/ou un graphique de densité

-   [ ] J'ai interprété la distribution

-   [ ] J'ai enregistré un PNG à 300 dpi

-   [ ] J'ai rédigé un court rapport de synthèse

-   [ ] J'ai relié le résultat à une question concrète de restauration ou de gestion des terres

-   [ ] J'ai utilisé le visuel exporté dans mon travail actuel (rapports, présentations, communications)