44:["$","title",null,{"children":"SAE 303 — Gr 16 | MMI Montbéliard | Observable"}] 4c:T452,## Les cinq questions avant de dessiner 1. **Variables :** températures maximales quotidiennes en °C, dates, nombre de journées à un seuil donné, familles d'espaces LCZ et surfaces en km². 2. **La moyenne masque-t-elle quelque chose ?** Oui : des étés proches en moyenne peuvent avoir des fréquences très différentes de journées à 30 °C. La distribution et les seuils complètent la moyenne. 3. **Quelle distribution ?** L'histogramme V1 regroupe les **températures maximales des journées de juin à août** par tranches de 2 °C. Il révèle les journées rares et la fréquence des grandes chaleurs. 4. **Absolu ou relatif ?** Les valeurs de température sont en °C ; les journées à seuil sont comptées par année complète ; les surfaces LCZ sont exprimées en km² ou en parts du secteur cartographié. 5. **Qui mesure et que manque-t-il ?** Météo-France mesure une station ; Cerema classe les espaces urbains ; Climadiag produit des projections. Nous n'avons pas de températures mesurées rue par rue ni de statistiques sanitaires reliant ces lieux à des effets de la chaleur.4d:T7eb,## Nos sources et quelques définitions **Une journée à 30 °C ou plus** est une journée durant laquelle la température maximale atteint au moins 30 °C. Un tel dépassement ne suffit pas à définir une canicule. **Les températures maximales et minimales mensuelles** correspondent aux moyennes, sur un mois, des températures les plus hautes et les plus basses relevées chaque jour. Dans les fichiers Météo-France, elles sont désignées par les sigles TX et TN. **La température moyenne estimée** est calculée à partir de ces deux séries. C'est une approximation, pas une mesure directe réalisée en continu. **Les zones climatiques locales (LCZ)** décrivent la forme des espaces : bâtiments, surfaces imperméables, végétation ou eau. Elles aident à comprendre les caractéristiques susceptibles d'influencer la surchauffe, sans fournir une température par quartier. **Une nuit chaude**, dans les données Climadiag utilisées ici, est une nuit durant laquelle la température reste au-dessus de 20 °C. ### Sources consultées - [data.gouv.fr — Météo-France, séries quotidiennes de référence (SQR)](https://www.data.gouv.fr/datasets/donnees-changement-climatique-sqr-series-quotidiennes-de-reference) : comptage des journées à 25, 30 et 35 °C ou plus. - [data.gouv.fr — Météo-France, longues séries homogénéisées (LSH)](https://www.data.gouv.fr/datasets/donnees-changement-climatique-lsh-longues-series-homogeneisees) : températures mensuelles, utilisées comme complément et contrôle. - [data.gouv.fr — Cerema, cartographie LCZ SPOT 2022](https://www.data.gouv.fr/fr/datasets/6641c562e5acdb35c0e6051d/) : types d'espaces dans le secteur de Besançon. - [Climadiag Commune — Météo-France, Besançon](https://climadiag.meteofrance.fr/entity/25056) : projections officielles pour 2050. - *Plan Climat Air Énergie Territorial 2024–2029*, Grand Besançon Métropole : contexte local et actions d'adaptation. Les graphiques précisent chacun la source qu'ils utilisent.4e:T447,## Comment les données ont-elles été préparées ? Nous avons d'abord retiré les lignes de commentaires des fichiers Météo-France, puis converti les dates et les températures dans un format utilisable pour les calculs. Seuls les relevés portant l'indicateur de qualité **1** ont été retenus pour la période 1959–2022. Les prolongements 2023–2024, non homogénéisés dans ces fichiers, ont été écartés. Nous avons ensuite vérifié les dates manquantes, les doublons et le nombre de jours disponibles chaque année. Les séries mensuelles de températures maximales et minimales ont été associées mois par mois, en contrôlant les correspondances. Le principal indicateur de notre étude est simple : **pour chaque année complète, nous comptons les journées dont la température maximale atteint au moins 25, 30 ou 35 °C**. Les contrôles et le nombre de lignes conservées sont affichés dans les cellules JavaScript précédentes. **Source :** data.gouv.fr — Météo-France, séries quotidiennes de référence (SQR) et longues séries homogénéisées (LSH).4f:Tb8b, const joursEteV1 = quotidien .filter(d => { const mois = Number(d.date.slice(4, 6)); return mois >= 6 && mois <= 8 && Number.isFinite(d.valeur); }) .map(d => ({ date: d.date, annee: Number(d.date.slice(0, 4)), temperature: d.valeur })); function graphiqueDistribution(donnees) { if (!Array.isArray(donnees) || donnees.length === 0) { throw new Error("V1 : aucune journée d'été à afficher."); } const temperatures = donnees.map(d => d.temperature); if (!temperatures.every(Number.isFinite)) { throw new Error("V1 : température non numérique dans les données."); } const pas = 2; // chaque barre couvre 2 °C const min = Math.floor(d3.min(temperatures) / pas) * pas; const max = Math.floor(d3.max(temperatures) / pas) * pas + pas; const limites = d3.range(min + pas, max, pas); const classes = d3.bin() .value(d => d.temperature) .domain([min, max]) .thresholds(limites)(donnees) .map(bin => ({ debut: bin.x0, fin: bin.x1, jours: bin.length })); const auMoins30 = donnees.filter(d => d.temperature >= 30).length; const anneeDebut = d3.min(donnees, d => d.annee); const anneeFin = d3.max(donnees, d => d.annee); const maxY = d3.max(classes, d => d.jours); return Plot.plot({ width: 850, height: 420, marginLeft: 75, marginBottom: 65, title: `${auMoins30} journées d'été à 30 °C ou plus sur ${donnees.length} étudiées`, subtitle: `Besançon, ${anneeDebut}–${anneeFin} : répartitions des maximales de juin à août`, ariaLabel: `Histogramme de ${donnees.length} journées estivales entre ${anneeDebut} et ${anneeFin}. ` + `La position horizontale indique la température maximale quotidienne en degrés Celsius, ` + `et la hauteur indique le nombre de journées. ` + `${auMoins30} journées ont atteint au moins 30 degrés Celsius. ` + `La ligne pointillée indique le seuil de 30 degrés.`, x: { label: "Température maximale d'une journée d'été (°C)", domain: [min, max], ticks: d3.range(Math.ceil(min / 4) * 4, max + 1, 4) }, y: {label: "Nombre de journées", domain: [0, Math.ceil(maxY * 1.08)], grid: true}, marks: [ Plot.rectY(classes, { x1: "debut", x2: "fin", y: "jours", fill: d => d.debut >= 30 ? "#C04C36" : d.debut >= 24 ? "#E49A62" : "#B9A99F", inset: 1, title: d => `${d.jours} journées, de ${d.debut} à ${d.fin} °C`, tip: true }), Plot.ruleX([30], {stroke: "#7E3026", strokeWidth: 2, strokeDasharray: "5,4"}), Plot.ruleY([0]) ], caption: "Source : data.gouv.fr — Météo-France, SQR des températures maximales, station 25056001. " + "Sont regroupées les journées de juin, juillet et août sur toute la période ; " + "l'histogramme ne montre pas leur ordre chronologique." }); } display(graphiqueDistribution(joursEteV1));50:T45b,### V1 : Distribution des températures estivales 1. **Question :** comment se répartissent les températures maximales observées les journées d'été à Besançon ? 2. **Famille :** histogramme de distribution, sur des tranches de 2 °C. 3. **Encodage :** position horizontale = °C ; hauteur des barres = nombre de journées ; couleurs plus chaudes pour les températures plus élevées ; ligne de seuil à 30 °C. 4. **Dénominateur :** toutes les journées de juin à août des années complètes 1959–2022, sans pondération par la population ; chaque journée est comptée une fois. 5. **Titre et sous-titre :** nombre de journées et seuil calculés ; lieu, saison et dates mentionnés. 6. **Alternative textuelle :** histogramme des maximales quotidiennes des étés 1959–2022 à Besançon ; la fréquence des températures élevées se lit grâce aux barres ; le nombre de journées à 30 °C ou plus et l'effectif total sont affichés par le code. **Limite :** cette représentation montre la distribution globale, mais pas l'année de chaque journée ; V3 étudie les changements chronologiques.51:Tba1,function graphiqueCarteLCZ(donnees, mode = "Tous les espaces") { if (!donnees?.features?.length) throw new Error("V2 : GeoJSON vide."); const categories = [ "Bâti compact", "Bâti ouvert ou diffus", "Bâti et sols imperméables", "Végétation", "Sol nu", "Eau" ]; const couleurs = ["#B44D38", "#D89669", "#826D63", "#468052", "#C9B897", "#6B93A5"]; const familles = mode === "Espaces bâtis et imperméabilisés" ? new Set(categories.slice(0, 3)) : mode === "Végétation et eau" ? new Set(["Végétation", "Eau"]) : new Set(categories); const sélection = { type: "FeatureCollection", features: donnees.features.filter(d => familles.has(d.properties.famille)) }; const aireTotale = d3.sum(donnees.features, d => d.properties.surface_km2); const aireSelection = d3.sum(sélection.features, d => d.properties.surface_km2); const proportion = 100 * aireSelection / aireTotale; const format = n => n.toFixed(1).replace(".", ","); const plot = Plot.plot({ width: 850, height: 650, title: "Où rechercher des solutions pour rafraîchir les espaces de Besançon ?", subtitle: `Cerema, types d'espaces en 2022 — ${mode.toLowerCase()} — secteur central 8 × 8 km`, ariaLabel: `Carte des six familles d'espaces du secteur central de Besançon, d'après le Cerema. ` + `Mode affiché : ${mode}. Les espaces sélectionnés couvrent ${format(aireSelection)} km² ` + `soit ${format(proportion)} pour cent du secteur. ` + `Il s'agit de caractéristiques des espaces, pas de températures mesurées.`, projection: {type: "mercator", domain: donnees}, color: {type: "ordinal", domain: categories, range: couleurs, legend: true, label: "Types d'espaces"}, marks: [ Plot.geo(donnees, {fill: "#ECEBE9", stroke: "white", strokeWidth: 0.2}), Plot.geo(sélection, { fill: d => d.properties.famille, stroke: "white", strokeWidth: 0.2, title: d => `${d.properties.libelle} — ${d.properties.famille}\n` + `Surface : ${format(d.properties.surface_km2)} km²`, tip: true }) ], caption: "Source : data.gouv.fr — Cerema, classification LCZ SPOT 2022. " + "Cette carte aide à cibler les lieux à examiner, mais ne mesure ni la chaleur " + "par quartier, ni les températures de l'air, ni un risque sanitaire." }); return {plot, aireSelection, aireTotale, proportion}; } // Créer la cellule de sélection ci-dessous une seule fois, avant la carte. const resultatV2 = graphiqueCarteLCZ(lczBesancon, choixCarteLCZ); display(resultatV2.plot); display(html`

Ces catégories occupent ${resultatV2.proportion.toFixed(1).replace(".", ",")} % de la zone représentée. La carte peut aider à étudier l'ombre, la végétalisation ou les sols perméables, mais pas à décider seule où réaliser des travaux.

`);52:Tcd7,const etesBesancon = d3.rollups( quotidien.filter(d => { const mois = Number(d.date.slice(4, 6)); return mois >= 6 && mois <= 8; }), lignes => ({ joursValides: lignes.length, maximaleMoyenne: d3.mean(lignes, d => d.valeur) }), d => Number(d.date.slice(0, 4)) ).map(([annee, mesures]) => ({annee, ...mesures})) .filter(d => d.joursValides === 92 && Number.isFinite(d.maximaleMoyenne)) .sort((a, b) => a.annee - b.annee); const etes1 = etesBesancon.filter(d => d.annee >= 1961 && d.annee <= 1990); const etes2 = etesBesancon.filter(d => d.annee >= 1991 && d.annee <= 2020); if (etes1.length !== 30 || etes2.length !== 30) { throw new Error("V3 : impossible de comparer 30 étés complets par période."); } function graphiqueEvolutionEte(donnees) { const serie = [...donnees].sort((a, b) => a.annee - b.annee); if (!serie.length) throw new Error("V3 : aucune donnée estivale."); const p1 = serie.filter(d => d.annee >= 1961 && d.annee <= 1990); const p2 = serie.filter(d => d.annee >= 1991 && d.annee <= 2020); const moyenne1 = p1.length === 30 ? d3.mean(p1, d => d.maximaleMoyenne) : null; const moyenne2 = p2.length === 30 ? d3.mean(p2, d => d.maximaleMoyenne) : null; const ecart = moyenne1 !== null && moyenne2 !== null ? moyenne2 - moyenne1 : null; const record = d3.greatest(serie, d => d.maximaleMoyenne); const fr = n => n.toFixed(2).replace(".", ","); const conclusion = ecart === null ? "Évolution des maximales moyennes des étés observés à Besançon" : `Les maximales moyennes d'été ont augmenté de ${fr(ecart)} °C entre deux périodes de 30 ans`; return Plot.plot({ width: 850, height: 440, marginLeft: 90, marginBottom: 60, title: conclusion, subtitle: `Besançon, ${serie[0].annee}–${serie.at(-1).annee} : moyenne des maxima quotidiens de juin à août`, ariaLabel: `Courbe du niveau moyen des températures maximales des journées d'été, de ` + `${serie[0].annee} à ${serie.at(-1).annee}. ` + (ecart === null ? "" : `La moyenne a augmenté de ${fr(ecart)} degrés entre deux périodes de trente ans. `) + `L'été le plus élevé dans la série est ${record.annee} avec ${fr(record.maximaleMoyenne)} degrés.`, x: {label: "Année", tickFormat: String, ticks: 8}, y: {label: "Moyenne des températures maximales de l'été (°C)", grid: true}, marks: [ Plot.line(serie, {x: "annee", y: "maximaleMoyenne", stroke: "#C66B46", strokeWidth: 2.5}), Plot.dot(serie, { x: "annee", y: "maximaleMoyenne", fill: "#C66B46", r: 3, title: d => `${d.annee} : ${fr(d.maximaleMoyenne)} °C`, tip: true }), Plot.dot([record], {x: "annee", y: "maximaleMoyenne", r: 6, fill: "#983E32"}), Plot.text([record], { x: "annee", y: "maximaleMoyenne", text: d => `${d.annee} : ${fr(d.maximaleMoyenne)} °C`, dy: -12, fontWeight: "bold", fill: "#983E32" }) ], caption: "Source : data.gouv.fr — Météo-France, températures maximales quotidiennes de référence " + "(SQR), station de Besançon. Il s'agit de la moyenne des maximales quotidiennes en été, " + "pas de la température moyenne du jour." }); } display(graphiqueEvolutionEte(etesBesancon));53:T1073, function graphiqueJoursChauds(donnees, seuil) { // Vérification du seuil sélectionné const seuilsValides = [25, 30, 35]; if (!seuilsValides.includes(seuil)) { throw new Error( "Choisissez un seuil de 25, 30 ou 35 °C." ); } const colonne = `jours${seuil}`; // Trier les données par année const serie = [...donnees] .filter(d => Number.isFinite(d.annee) && Number.isFinite(d[colonne]) ) .sort((a, b) => a.annee - b.annee); if (serie.length === 0) { throw new Error("Aucune donnée disponible."); } // Calculer la moyenne des 10 années civiles // précédentes, année courante comprise const valeursParAnnee = new Map( serie.map(d => [d.annee, d[colonne]]) ); const points = serie.map(d => { const dixAnnees = Array.from( { length: 10 }, (_, i) => valeursParAnnee.get(d.annee - 9 + i) ); return { annee: d.annee, jours: d[colonne], moyenne10: dixAnnees.every(Number.isFinite) ? d3.mean(dixAnnees) : null }; }); // Informations calculées const debut = points[0].annee; const fin = points.at(-1).annee; const amplitude = fin - debut; const record = d3.greatest( points, d => d.jours ); const maximum = d3.max( points, d => d.jours ); // Afficher moins de dates pour éviter // que les années se chevauchent const pasGraduation = amplitude > 40 ? 5 : amplitude > 15 ? 2 : 1; const ticksX = points .map(d => d.annee) .filter(annee => annee % pasGraduation === 0 ); // Ajouter les années extrêmes si nécessaire if (!ticksX.includes(debut)) { ticksX.unshift(debut); } if (!ticksX.includes(fin)) { ticksX.push(fin); } // Couleurs des seuils const couleurs = { 25: "#E6A04F", 30: "#D66E43", 35: "#AC403A" }; // Points disposant d'une moyenne sur 10 ans const moyennes = points.filter( d => d.moyenne10 !== null ); // Construire le graphique return Plot.plot({ width: 900, height: 450, marginTop: 55, marginLeft: 75, marginRight: 25, marginBottom: 60, title: `Jusqu'à ${record.jours} journées à ` + `${seuil} °C ou plus en ${record.annee}`, subtitle: `Besançon, ${debut}–${fin}. ` + `Nombre de journées par année.`, ariaLabel: `Graphique présentant le nombre de journées ` + `à ${seuil} degrés Celsius ou plus à Besançon ` + `entre ${debut} et ${fin}. ` + `Le maximum est de ${record.jours} journées ` + `en ${record.annee}.`, x: { label: "Année", domain: points.map(d => d.annee), ticks: ticksX, tickFormat: d => String(d) }, y: { label: `Journées à ${seuil} °C ou plus`, domain: [ 0, Math.ceil(maximum * 1.15) + 2 ], grid: true, nice: true }, marks: [ // Barres annuelles Plot.barY(points, { x: "annee", y: "jours", fill: couleurs[seuil], inset: 0.8, title: d => `${d.annee}\n` + `${d.jours} journée(s) à ` + `${seuil} °C ou plus`, tip: true }), // Moyenne glissante sur 10 ans Plot.line(moyennes, { x: "annee", y: "moyenne10", stroke: "#6B302C", strokeWidth: 3 }), // Point sur l'année record Plot.dot([record], { x: "annee", y: "jours", r: 4, fill: "#62251F" }), // Annotation du record Plot.text([record], { x: "annee", y: "jours", text: d => `${d.annee} : ${d.jours} j`, dy: -13, fontWeight: "bold", fontSize: 13, fill: "#62251F" }), // Ligne de base Plot.ruleY([0]) ], caption: "Source : data.gouv.fr — Météo-France, " + "séries quotidiennes de référence (SQR), " + "station de Besançon. " + "Barres : journées par année. " + "Courbe sombre : moyenne sur 10 années " + "civiles consécutives. " + "Une année manquante interrompt le calcul." }); } 54:T635,// Valeurs officielles Climadiag Commune — Besançon, rapport 19/10/2026, p. 7. const climat2050 = { referenceDebut: 1976, referenceFin: 2005, horizon: 2050, nuits: {reference: 2, mediane: 14, basse: 9, haute: 19}, jours35: {reference: 1, mediane: 4, basse: 2, haute: 7} }; display(html`

Besançon à l'horizon ${climat2050.horizon} : ce qu'indique Météo-France

Nuits chaudes : de ${climat2050.nuits.reference} par an sur ${climat2050.referenceDebut}–${climat2050.referenceFin} à ${climat2050.nuits.mediane} par an en projection centrale. Fourchette officielle : ${climat2050.nuits.basse} à ${climat2050.nuits.haute}.

Journées à 35 °C ou plus : de ${climat2050.jours35.reference} par an sur la référence officielle à ${climat2050.jours35.mediane} par an en projection centrale. Fourchette officielle : ${climat2050.jours35.basse} à ${climat2050.jours35.haute}.

Ces valeurs sont des projections climatiques pour la commune, pas des observations de 2050, ni un prolongement de nos courbes. La référence de Climadiag est 1976–2005, différente de la comparaison historique 1961–1990 / 1991–2020.

Source : Climadiag Commune — Météo-France, Besançon, p. 7.

`);55:T540,## Ce que les données prouvent et ce qu’elles ne prouvent pas **La hausse de la chaleur est observée.** Les températures et les journées chaudes proviennent de la station Météo-France de Besançon (1959–2022). Les données ont été contrôlées et les années incomplètes exclues. **La carte décrit l’espace urbain.** Les données LCZ du Cerema proviennent de 2022 et couvrent un carré de 8 × 8 km. Elles renseignent les formes bâties, la végétation et les sols, **pas la température de chaque quartier**. **Nous mettons ces informations en relation sans calculer de causalité.** Les observations météorologiques établissent l’évolution temporelle à une station ; la carte décrit où certaines caractéristiques urbaines se trouvent. Nous n’avons pas mesuré la température de l’air dans chaque classe LCZ et ne pouvons pas calculer une corrélation locale entre les deux jeux de données. **Les projections 2050 restent des simulations officielles.** Elles viennent de Climadiag Commune, utilisent une référence 1976–2005 différente de nos comparaisons historiques et ne sont pas une extrapolation de nos courbes. **Sources :** data.gouv.fr — Météo-France (SQR/LSH) ; data.gouv.fr — Cerema (LCZ SPOT 2022) ; Climadiag Commune — Météo-France ; PCAET Grand Besançon Métropole 2024–2029.56:Tf11,## Journal d'utilisation de l'IA ## Comment nous avons utilisé l'IA Nous avons utilisé ChatGPT pour nous aider à traiter les données, écrire du code JavaScript et améliorer nos graphiques dans Observable. L'outil nous a aussi aidés à préparer la carte de Besançon, à organiser le notebook et à exporter les données vers Astro. Nous lui avons demandé de proposer des solutions techniques, que nous avons ensuite adaptées au projet. ## Principales utilisations | Nos demandes à ChatGPT | Ce que l'IA nous a apporté | Corrections apportées | |---|---|---| | Nettoyer les fichiers Météo-France | Code pour lire les CSV, filtrer les données et calculer les indicateurs | Vérification des valeurs, des périodes et des données écartées | | Adapter le code à Observable 2.0 | Correction des déclarations JavaScript et des erreurs de syntaxe | Remplacement de l'ancienne syntaxe par `const` et `display()` | | Rendre les graphiques compréhensibles | Propositions de titres, couleurs, axes et infobulles | Simplification du vocabulaire et correction des axes illisibles | | Créer une carte utile pour Besançon | Aide à convertir les données du Cerema en GeoJSON | Remplacement de la carte des stations par une carte des types d'espaces urbains | | Améliorer le récit du projet | Aide à organiser les quatre graphiques autour d'une même problématique | Recentrage du sujet sur la chaleur et l'adaptation de la ville | | Préparer le site Astro | Aide à exporter les données nettoyées en JSON | Séparation des données utiles et des fichiers bruts | ## Exemples de demandes Nous avons notamment demandé à ChatGPT : - D'adapter nos codes à Observable 2.0 après une erreur JavaScript. - De corriger l'affichage des années qui se chevauchaient sous un graphique. - De rendre la carte du Cerema utile pour réfléchir aux futurs aménagements de Besançon. - De simplifier les graphiques pour qu'ils soient compréhensibles sans connaissances en climatologie. Ces échanges ont entraîné plusieurs modifications de nos premières visualisations. ## Vérification des données Nous avons travaillé à partir de sources officielles : - **Météo-France, via data.gouv.fr :** relevés historiques de température à Besançon. - **Cerema, via data.gouv.fr :** cartographie des zones climatiques locales. - **Climadiag Commune :** projections climatiques officielles pour 2050. - **Grand Besançon Métropole :** Plan Climat 2024–2029. Nous avons utilisé les fichiers d'origine pour contrôler les chiffres et les traitements proposés. Nous avons aussi corrigé certaines présentations qui pouvaient induire le lecteur en erreur. Par exemple, la carte du Cerema représente des types d'espaces urbains, pas les températures mesurées dans chaque quartier. Aucune projection climatique n'a été créée par l'IA. Les valeurs concernant 2050 proviennent de Météo-France. ## Ce que nous avons dû corriger Nos premières versions comportaient plusieurs problèmes : des graphiques trop techniques, des titres peu clairs, des années illisibles sur les axes et des visualisations qui se répétaient. Nous avons progressivement simplifié le notebook et recentré les graphiques sur quatre questions : la répartition des températures, les caractéristiques des espaces urbains, l'évolution de la chaleur et la fréquence des journées chaudes. ## Notre rôle dans le projet ChatGPT nous a surtout servi d'aide technique et d'outil de reformulation. Nous avons défini le sujet, fait évoluer la problématique et choisi de nous concentrer sur les fortes chaleurs à Besançon. Les données officielles restent la base du travail. L'interprétation des résultats et les choix de représentation doivent être justifiés à partir de ces données, et non simplement repris des propositions de l'IA.57:[{"id":"84f1c03fc38daa992024a257f950ab09751e10288b6820aac5321fcd4e018541ffa77e2362772053b7ef672b8341c2d08b3c912c3b297027e0582df8a9e9e39d","href":"https://static.observableusercontent.com/files/84f1c03fc38daa992024a257f950ab09751e10288b6820aac5321fcd4e018541ffa77e2362772053b7ef672b8341c2d08b3c912c3b297027e0582df8a9e9e39d","name":"SH_MTN325056001.csv","type":"text/csv","lastModified":1792393891646,"size":11266},{"id":"c100095b51243fe23a5cb0a3601f57cfd21555addf1dd443e76afea5c92fe31a653594f31946c21aaba37f16b4fee5d39e7cf265fde24826f4284b84215be9a3","href":"https://static.observableusercontent.com/files/c100095b51243fe23a5cb0a3601f57cfd21555addf1dd443e76afea5c92fe31a653594f31946c21aaba37f16b4fee5d39e7cf265fde24826f4284b84215be9a3","name":"SH_MTX325056001.csv","type":"text/csv","lastModified":1792393894895,"size":11430},{"id":"8e735ac44db82de02fdc6861c2c7153b4e2deb83cddec205037cfa23fcd25568832e3a8296f67e932412e529f338f41f876ef36fc99fa35cb5459bff7d8a4e55","href":"https://static.observableusercontent.com/files/8e735ac44db82de02fdc6861c2c7153b4e2deb83cddec205037cfa23fcd25568832e3a8296f67e932412e529f338f41f876ef36fc99fa35cb5459bff7d8a4e55","name":"SQR_MTX325056001.csv","type":"text/csv","lastModified":1792393884869,"size":373918},{"id":"bacead76a4f43b5ea48d8b7e30a0efdf68b6314d300b723c070531c65ad04cfd2b96d53951e1bf623107d570bda950b4307f917ad6a5e3588d9334e1c653bf92","href":"https://static.observableusercontent.com/files/bacead76a4f43b5ea48d8b7e30a0efdf68b6314d300b723c070531c65ad04cfd2b96d53951e1bf623107d570bda950b4307f917ad6a5e3588d9334e1c653bf92","name":"besancon_lcz_coeur_8km.geojson","type":"application/octet-stream","lastModified":1792483608184,"size":1041843},{"id":"8176cbbca8e5758c363291b582c91c553cf789fa31484a68fad8a23c57bbee8ded471b3d105e1ca1ef782f4b999174c28ea89977c2884609b609e82245d4f0db","href":"https://static.observableusercontent.com/files/8176cbbca8e5758c363291b582c91c553cf789fa31484a68fad8a23c57bbee8ded471b3d105e1ca1ef782f4b999174c28ea89977c2884609b609e82245d4f0db","name":"image.png","type":"image/png","lastModified":1792486629309,"size":41882}] 48:{"id":"502ef1f4efb8677b","slug":"sae-303-gr-16","title":"SAE 303 — Gr 16","thumbnail":"49e3b8e7b5c25c76853ac31b4ed41e895e2facb91573182f4e68e995d0ccb899","access_level":"public","create_time":"$D2026-10-16T09:47:22.547Z","update_time":"$D2026-10-20T11:54:37.607Z","view_time":null,"first_public_time":"$D2026-10-16T09:47:32.422Z","has_unpublished_edits":null,"fork":true,"stars":0,"starred":false,"owner":{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","bio":"","followed_by_you":false,"follows_you":false},"version":268,"publish_version":268,"role":null,"authored":false,"authors":[{"type":"individual","id":"0e33bb205b1be038","login":"ayyobi","name":"Nargis","avatar_url":"https://avatars-next.observableusercontent.com/b6a64edc6519005c8bb630a26fe63bc7db04ebb6a5bccaf60556a83f3ef9e407","tier":null,"bio":"","followed_by_you":false,"follows_you":false},{"type":"individual","id":"ded90f6c0764f28c","login":"rahma2","name":"Rahma","avatar_url":"https://avatars-next.observableusercontent.com/ebd4886c23cc34dd55e93c720f37338c832b7fe9a266d1e8c59d9166e00521db","tier":null,"bio":"","followed_by_you":false,"follows_you":false}],"members":[{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","role":"editor"}],"comments":[],"custom_thumbnail":false,"trashed":false,"lapsed":null,"subscribed":null,"forks":0,"collection":null,"type":"notebook","body":{"titling":"auto","title":"SAE 303 — Gr 16","cells":[{"id":0,"value":"# SAE 303 — Gr 16","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":1,"value":"# Besançon sous la chaleur\n\n**Comment les fortes chaleurs ont-elles évolué à Besançon, et comment l'analyse des espaces urbains peut-elle aider la ville à s'adapter ?**\n\nEn quatre étapes, nous observons les températures des journées d'été, localisons les types d'espaces urbains, suivons l'évolution des chaleurs estivales et explorons les journées dépassant plusieurs seuils.\n\nLes mesures historiques concernent une station météo ; la carte décrit les espaces d'un secteur central ; les chiffres de 2050 proviennent de projections officielles. Ces trois sources ne mesurent pas la même chose.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":29,"value":"## Fiche d'intention\n\n**Public :** habitants de Besançon, sans connaissance en climatologie.\n\n**Question :** comment la hausse des fortes chaleurs peut-elle éclairer les besoins d'adaptation des espaces urbains ?\n\n**Périmètre :** observations de la station Météo-France de Besançon de 1959 à 2022 ; carte Cerema SPOT 2022 d'un carré central de 8 × 8 km ; projections Climadiag à l'horizon 2050 pour la commune.\n\n**Approche :** passer des mesures météo à une lecture de l'espace urbain, puis aux enjeux d'ombre, de végétalisation et de sols perméables, sans supposer de températures inconnues par quartier.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":30,"value":"$4c","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":31,"value":"$4d","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":32,"value":"const lireMeteo = texte => {\n const propre = texte.split(/\\r?\\n/)\n .filter(ligne => ligne.trim() && !ligne.trimStart().startsWith(\"#\"))\n .join(\"\\n\");\n\n return d3.dsvFormat(\";\").parse(propre, d => ({\n date: String(d.YYYYMM ?? d.AAAAMMJJ ?? \"\"),\n valeur: d.VALEUR === \"\" ? null : Number(d.VALEUR),\n qualite: Number(d.Q_HOM ?? d.Q_SQR)\n }));\n};\n\ndisplay(\"Lecture CSV prête.\");","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":33,"value":"const txBrut = lireMeteo(\n await FileAttachment(\"SH_MTX325056001.csv\").text()\n);\nconst tnBrut = lireMeteo(\n await FileAttachment(\"SH_MTN325056001.csv\").text()\n);\nconst joursBrut = lireMeteo(\n await FileAttachment(\"SQR_MTX325056001.csv\").text()\n);\n\ndisplay(Inputs.table([\n {serie: \"Maximales mensuelles\", lignes: txBrut.length},\n {serie: \"Minimales mensuelles\", lignes: tnBrut.length},\n {serie: \"Maximales quotidiennes\", lignes: joursBrut.length}\n]));","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":34,"value":"const retenir = donnees => donnees.filter(d =>\n d.qualite === 1 &&\n Number.isFinite(d.valeur) &&\n /^\\d{6}(\\d{2})?$/.test(d.date)\n);\n\nconst tx = retenir(txBrut);\nconst tn = retenir(tnBrut);\nconst quotidien = retenir(joursBrut);\n\ndisplay(Inputs.table([\n {serie: \"Maximales mensuelles\", brut: txBrut.length, retenu: tx.length, ecarte: txBrut.length - tx.length},\n {serie: \"Minimales mensuelles\", brut: tnBrut.length, retenu: tn.length, ecarte: tnBrut.length - tn.length},\n {serie: \"Maximales quotidiennes\", brut: joursBrut.length, retenu: quotidien.length, ecarte: joursBrut.length - quotidien.length}\n]));","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":35,"value":"const compterDoublons = donnees =>\n donnees.length - new Set(donnees.map(d => d.date)).size;\n\nconst joursAttendus = annee =>\n (Date.UTC(annee + 1, 0, 1) - Date.UTC(annee, 0, 1)) / 86400000;\n\nconst controlesImport = [\n {serie: \"Maximales mensuelles\", doublons: compterDoublons(tx)},\n {serie: \"Minimales mensuelles\", doublons: compterDoublons(tn)},\n {serie: \"Maximales quotidiennes\", doublons: compterDoublons(quotidien)}\n];\n\ndisplay(Inputs.table(controlesImport));\ndisplay(\"Les relevés retenus correspondent à la série homogénéisée / de référence, jusqu'en 2022.\");","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":36,"value":"const tnParMois = new Map(tn.map(d => [d.date, d.valeur]));\n\nconst mensuel = tx.filter(d => tnParMois.has(d.date)).map(d => ({\n annee: Number(d.date.slice(0, 4)),\n mois: Number(d.date.slice(4, 6)),\n tx: d.valeur,\n tn: tnParMois.get(d.date),\n temperatureEstimee: (d.valeur + tnParMois.get(d.date)) / 2\n}));\n\nconst datesTX = new Set(tx.map(d => d.date));\nconst datesTN = new Set(tn.map(d => d.date));\n\nconst controleJointure = {\n moisMaximales: tx.length,\n moisMinimales: tn.length,\n moisAssocies: mensuel.length,\n absentsDesMinimales: tx.filter(d => !datesTN.has(d.date)).length,\n absentsDesMaximales: tn.filter(d => !datesTX.has(d.date)).length\n};\n\ndisplay(controleJointure);","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":37,"value":"const annuel = d3.rollups(\n mensuel,\n lignes => {\n const dureeMois = d => new Date(Date.UTC(d.annee, d.mois, 0)).getUTCDate();\n const jours = d3.sum(lignes, dureeMois);\n return {\n mois: lignes.length,\n temperatureEstimee: d3.sum(\n lignes,\n d => d.temperatureEstimee * dureeMois(d)\n ) / jours\n };\n },\n d => d.annee\n).map(([annee, calcul]) => ({annee, ...calcul}))\n .sort((a, b) => a.annee - b.annee);\n\nconst referenceTemperature = d3.mean(\n annuel.filter(d => d.annee >= 1991 && d.annee <= 2020),\n d => d.temperatureEstimee\n);\n\nconst anneesMensuellesIncompletes = annuel.filter(d => d.mois !== 12);\n\ndisplay({\n annees: annuel.length,\n anneesMensuellesIncompletes: anneesMensuellesIncompletes.length,\n reference1991_2020_c: Number(referenceTemperature.toFixed(2))\n});","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":38,"value":"const bilanQuotidienBrut = d3.rollups(\n quotidien,\n lignes => ({\n joursValides: lignes.length,\n jours25: lignes.filter(d => d.valeur >= 25).length,\n jours30: lignes.filter(d => d.valeur >= 30).length,\n jours35: lignes.filter(d => d.valeur >= 35).length\n }),\n d => Number(d.date.slice(0, 4))\n).map(([annee, valeurs]) => ({annee, ...valeurs}))\n .sort((a, b) => a.annee - b.annee);\n\nconst anneesIncompletes = bilanQuotidienBrut.filter(\n d => d.joursValides !== joursAttendus(d.annee)\n);\n\n// Exclusion explicite des années incomplètes\nconst bilanJoursChauds = bilanQuotidienBrut.filter(\n d => d.joursValides === joursAttendus(d.annee)\n);\n\ndisplay({\n anneesRetenues: bilanJoursChauds.length,\n anneesExclues: anneesIncompletes.length,\n premiereAnnee: bilanJoursChauds[0]?.annee,\n derniereAnnee: bilanJoursChauds.at(-1)?.annee\n});","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":39,"value":"$4e","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":40,"value":"## 01 — Quelles températures observe-t-on pendant l'été ?\n\nCe premier graphique regroupe toutes les journées de juin, juillet et août de 1959 à 2022. Il montre quelles températures maximales sont fréquentes, et combien de journées atteignent au moins 30 °C.\n\n**Comment lire :** en bas, la température maximale d'une journée d'été (°C) ; à gauche, le nombre de journées. La ligne pointillée indique 30 °C.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":68,"value":"$4f","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":42,"value":"const medianeJoursEte = d3.median(joursEteV1, d => d.temperature);\nconst auMoins30V1 = joursEteV1.filter(d => d.temperature >= 30).length;\nconst totalJoursEteV1 = joursEteV1.length;\nconst frV1 = n => n.toFixed(1).replace(\".\", \",\");\n\ndisplay(html`\n

\n Sur ${totalJoursEteV1} journées d'été observées,\n ${auMoins30V1} ont atteint au moins 30 °C.\n La température maximale médiane des journées d'été est de\n ${frV1(medianeJoursEte)} °C : la moitié des journées étaient\n en dessous ou au niveau de cette valeur.\n

\n`);","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":43,"value":"$50","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":44,"value":"## 02 : Où pourrait-on rechercher plus de fraîcheur ?\n\nLa hausse des températures pose une question d'aménagement : où examiner les espaces bâtis et imperméabilisés, et quels espaces végétalisés faudrait-il préserver ?\n\nLa carte du Cerema décrit les types d'espaces dans un carré de 8 km de côté autour du centre de Besançon. Elle ne mesure pas leur température. Son rôle est d'aider à **cibler des études locales** sur l'ombre, les arbres et la perméabilité des sols, pas à décider immédiatement des travaux.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":45,"value":"const lczBesancon = await FileAttachment(\n \"besancon_lcz_coeur_8km.geojson\"\n).json();\n\nif (lczBesancon.type !== \"FeatureCollection\" ||\n !Array.isArray(lczBesancon.features) ||\n !lczBesancon.features.length) {\n throw new Error(\"V2 : le fichier GeoJSON est invalide ou vide.\");\n}\n\ndisplay({\n classes: lczBesancon.features.length,\n polygonesAvantRegroupement: lczBesancon.metadata.polygones_selection,\n secteur: lczBesancon.metadata.fenetre,\n source: lczBesancon.metadata.source\n});","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":69,"value":"const choixCarteLCZ = view(Inputs.radio(\n [\n \"Tous les espaces\",\n \"Espaces bâtis et imperméabilisés\",\n \"Végétation et eau\"\n ],\n {\n label: \"Que souhaitez-vous examiner pour aménager la ville ?\",\n value: \"Tous les espaces\"\n }\n));","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":67,"value":"$51","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":47,"value":"const famillesSurfaceLCZ = d3.rollups(\n lczBesancon.features,\n lignes => d3.sum(lignes, d => d.properties.surface_km2),\n d => d.properties.famille\n).map(([famille, surface_km2]) => ({famille, surface_km2}))\n .sort((a, b) => b.surface_km2 - a.surface_km2);\n\nconst surfaceTotaleLCZ = d3.sum(famillesSurfaceLCZ, d => d.surface_km2);\nconst tableauSurfacesLCZ = famillesSurfaceLCZ.map(d => ({\n famille: d.famille,\n surface_km2: Number(d.surface_km2.toFixed(2)),\n part_du_secteur_pct: Number((100 * d.surface_km2 / surfaceTotaleLCZ).toFixed(1))\n}));\n\ndisplay(Inputs.table(tableauSurfacesLCZ));","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":48,"value":"### Ce que montre la carte — et ce qu'elle ne montre pas\n\nLes données LCZ du Cerema (SPOT 2022) distinguent le bâti, les surfaces minérales, la végétation et l'eau. Les géométries ont été découpées, simplifiées et regroupées avant leur import dans Observable.\n\nLes catégories peuvent orienter un diagnostic : recherche d'ombre dans certains secteurs construits et préservation des espaces végétalisés. Pour déterminer les interventions réellement prioritaires, il faudrait aussi mesurer la chaleur localement, connaître les usages et les populations exposées.\n\n**Source :** data.gouv.fr — Cerema, LCZ SPOT 2022, aire urbaine de Besançon ; *PCAET Grand Besançon 2024–2029* pour les enjeux d'adaptation.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":49,"value":"### V2 : Carte des espaces urbains\n\n1. **Question :** où sont les types d'espaces à examiner pour l'adaptation à la chaleur ?\n2. **Famille :** carte des lieux (polygones) justifiée par une question de localisation « où ? ».\n3. **Encodage :** position = emplacement réel ; couleurs = six catégories d'espaces (sans échelle de température) ; infobulles = type et surface.\n4. **Dénominateur :** les pourcentages portent sur les 64 km² environ du **secteur cartographié**, pas sur toute la commune.\n5. **Titre et sous-titre :** adaptation visée, année 2022, source Cerema et secteur 8 × 8 km.\n6. **Alternative textuelle :** carte décrivant les espaces bâtis, sols nus, végétation et eau du secteur central ; elle aide à localiser des espaces à étudier ou préserver ; les couleurs ne mesurent pas la chaleur.\n\n**Limite :** la carte ne prouve pas qu'un quartier est plus chaud ni la nécessité de travaux précis.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":50,"value":"## 03 : Les étés de Besançon sont-ils devenus plus chauds ?\n\nCette fois, nous suivons les températures dans le temps. Chaque point correspond à la **moyenne des températures maximales quotidiennes de juin, juillet et août pour une année donnée**.\n\nCela permet de distinguer les années exceptionnelles de l'évolution entre les périodes 1961–1990 et 1991–2020.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":51,"value":"$52","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":52,"value":"const ancienneMoyenneV3 = d3.mean(etes1, d => d.maximaleMoyenne);\nconst recenteMoyenneV3 = d3.mean(etes2, d => d.maximaleMoyenne);\nconst hausseV3 = recenteMoyenneV3 - ancienneMoyenneV3;\nconst affichageV3 = n => n.toFixed(2).replace(\".\", \",\");\n\ndisplay(html`\n

\n 1961–1990 : ${affichageV3(ancienneMoyenneV3)} °C
\n 1991–2020 : ${affichageV3(recenteMoyenneV3)} °C
\n Écart : +${affichageV3(hausseV3)} °C entre ces périodes de trente étés.
\n Indicateur : moyenne des températures maximales quotidiennes des mois de juin,\n juillet et août, et non température moyenne de l'air sur la journée.\n

\n À ${seuilChaleur} °C ou plus, la moyenne passe de\n ${nombreFRV4(pAncienneV4)} jours/an (1961–1990) à\n ${nombreFRV4(pRecenteV4)} jours/an (1991–2020).\n