INTENSITÉ ET DÉLIMITATION DE L'ÎLOT DE CHALEUR URBAIN

SUR LA RÉGION PARISIENNE À PARTIR DE DONNÉES

CROWDSOURCÉES

MADELIN M. (1), DUPUIS V. (2)

(1) UMR 8586 PRODIG, université Paris Diderot, Paris, France, malika.madelin@univ-paris-diderot.fr(2) UMR 8234 PHENIX, université Sorbonne Université, Paris, France.

Résumé : L'îlot de chaleur urbain est une des principales manifestations du climat urbain. Dans cette communication, nous cherchons à quantifier son intensité et à le délimiter sur la région parisienne, à partir d'un jeu de données massives crowdsourcées, que nous avons collectées depuis l'été 2017. Nous détaillerons l’analyse critique de ces données non homogènes, absolument nécessaire avant toute exploitation scientifique des températures de l'air. Nous montrerons alors l'existence d'un îlot de chaleur urbain nocturne, dont l'intensité et l'extension spatiale varient selon les saisons et les conditions atmosphériques. In fine, nous comparerons ces résultats avec l'îlot de surface, produits à partir des températures de surface : globalement, nous retrouvons les mêmes structures, mais les données crowdsourcées présentent une meilleure résolution temporelle, ce qui ouvre de nouvelles perspectives sur la dynamique de l’îlot de chaleur urbain.

Mots clés : climat urbain, îlot de chaleur urbain, données crowdsourcées, agglomération parisienne.

Summary: The urban heat island is one the main characteristics of the urban climate. In this presentation, we aim at quantifying its intensity and its boundaries over the Paris area from a massive crowdsourced dataset collected since summer 2017. We will detail the critical analysis done on this non homogeneous data as it is absolutely necessary prior to any scientific use of the crowdsourced air temperatures. We will then show the existence of an urban heat island whose intensity and area vary with seasons and atmospheric conditions. In the end, we will compare theses new results with results from a study of the urban heat island based on surface temperature: we observe the same general features globally but the crowdsourced data show a much better temporal resolution and this provides new opportunities to study the dynamics of the urban heat island.

Key words: urban climate, urban heat island, crowdsourced data, Paris area

Introduction

L'îlot de chaleur urbain est une des principales manifestations du climat urbain (Oke, 1982 ; Stewart, 2011), surtout perceptible la nuit, lors des conditions radiatives. L’hétérogénéité des propriétés thermiques et des perméabilités des surfaces urbaines et rurales environnantes entraîne des flux radiatifs et convectifs différents, et donc des températures différentes des surfaces et de l’air sus-jacent. Un écart de plusieurs degrés entre les températures de l’air en ville et les températures dans la campagne environnante est alors très souvent observé, surtout lors des nuits de ciel clair et de vent calme (conditions radiatives), ce qui peut provoquer des situations d’inconfort pour la population, voire un risque sanitaire pour les personnes les plus vulnérables, lors des vagues de chaleur (Sakhy, 2016). Traditionnellement, l’îlot de chaleur urbain est estimé à partir des températures de l’air mesurées par des stations de référence dites urbaines et rurales (sur la région parisienne, Cantat, 2014). Cette approche est simple mais reste limitée par le faible nombre de points et leur représentativité des contextes urbains et ruraux (voir le développement sur les stations pour définir le climat urbain de Grenoble dans Bigot et al., 2017). D’autres approches s’appuient sur la modélisation (Kastendeuch et Najjar, 2015) ou encore sur l’utilisation de données satellitaires (Madelin et al., 2017).

Dans cette communication, nous cherchons à quantifier l’intensité de l’îlot de chaleur et à le délimiter sur la région parisienne, à partir d'un jeu de données originales : des données massives crowdsourcées, que nous avons collectées depuis l'été 2017. Ces réseaux sont encore assez peu exploités mais présentent des potentialités riches (Chapman et al., 2016 ; Meier et al., 2017 ; Muller et al., 2015).

Nous commencerons par présenter la zone d’étude ainsi que les jeux de données utilisés. Nous détaillerons l’analyse critique réalisée sur les données crowdsourcées, d’autant plus nécessaire que ces données ne sont pas collectées selon les normes de l’Organisation Mondiale de la Météorologie. Enfin, nous présenterons quelques résultats concernant la mise en évidence de l’îlot de chaleur urbain à partir de ces données, ses principales caractéristiques en les comparant aux résultats plus classiques obtenus à partir d’une analyse des températures de surface. Enfin, nous conclurons en insistant sur les possibilités offertes par la bonne résolution temporelle des données crowdsourcées qui permet d’étudier la dynamique d’installation et de disparition de l’îlot de chaleur.

1. Données utilisées

1.1 Les données du réseau Netatmo sur l’agglomération parisienne

Depuis l’été 2017, nous avons constitué une base de données des stations Netatmo, à partir de l’API (application programming interface), à l’échelle horaire, sur une zone de 50 km autour de Paris. Cette agglomération parisienne représente un espace densément urbanisé au centre, avec une population importante (12 millions d’habitants en Île-de-France) et relativement pauvre en stations météorologiques. Nous avons retenu ici les températures de l’air, mesurées par plus de 10 000 stations, ce qui représente un réseau dense autour de Paris (Figure 1). Ces stations, achetées par des particuliers (~170 €), sont installées dans des contextes très différents : en plein soleil, dans un abri météo, dans un jardin, à l’intérieur d’un appartement, sur un balcon au 18e étage, etc. Nous n’avons aucune métadonnée associée aux stations.

Figure 1. Densité du réseau Netatmo autour de Paris.

1.2 Autres données utilisées

Pour la critique des données, nous avons utilisé les températures de l’air, minimales et maximales journalières, de quatre stations de référence, de Météo France : Paris Montsouris, Trappes (au WSW et à 27km du centre de Paris), Melun-Villaroche (SSE, 37km) et Creil (N, 46km). Enfin, nous avons également utilisé la BDAlti (IGN) donnant l’altitude, la base Corine Land Cover (donnant une occupation et une utilisation des sols, à une échelle assez grossière) et le zonage IMU - Local Climate Zones (Cordeau, 2016 ; Stewart et Oke, 2012), afin de décrire le contexte des stations (non présenté ici).

2. Critique des données

La base de données initiale comprend 10 630 stations Netatmo, situées à moins de 50 km du centre de Paris, ce qui représente un volume conséquent de données (plus de 50 millions de lignes) et peut s’expliquer par l’origine géographique de la startup Netatmo. Avant toute exploitation scientifique des températures de l’air, nous avons réalisé une solide analyse critique des données non homogènes, absolument nécessaire étant donné les premières visualisations et comparaisons avec les données de référence. La méthodologie décrite repose sur la sélection des stations (et non des données directement).

En premier lieu, nous avons appliqué un critère portant sur la localisation des stations : en retenant les stations avec un même identifiant et des coordonnées géographiques proches (à moins de 25m). Puis nous avons sélectionné les stations selon un critère de complétude des données : des séries globalement continues sur au moins 1 mois (95% des données horaires avec un décalage inférieur ou égal à 1h ; 99% avec un décalage inférieur ou égal à 2h).

Les stations pouvant être placées dans des contextes très différents (pas d’information disponible), nous avons enfin cherché à sélectionner les stations avec des données vraisemblables pour une température de l’air extérieur et cohérentes par rapport aux stations de références de Météo France. Pour exemple, la figure 2A illustre une station positionnée au soleil : les températures minimales sont proches de celles de Météo France Paris Montsouris, alors que les températures maximales sont beaucoup plus élevées. Des premiers filtres ont été appliqués : par exemple, élimination des stations avec de faibles écarts thermiques annuels ou encore avec une moyenne des températures minimales en hiver trop basse.

Figure 2. Critique des données du réseau Netatmo. A. Exemple de l’effet de la position d’une station au soleil  ; B. Sélection des stations Netatmo avec des indices de validité supérieurs à 0,9 pour les températures maximales et minimales.

Puis nous avons calculé un indice de validité, par station, pour les températures minimales et maximales (représenté sur la Figure 2B) : il représente le pourcentage de données journalières comprises entre la moyenne journalière des 4 stations de référence ± 5 écarts-

types. Nous avons choisi de retenir les stations avec des indices de validité supérieurs à 90% pour les températures minimales et 90% pour les maximales. Au final, la base de données comprend 2591 stations, soit environ 25% du jeu initial, avec toutefois une forte hétérogénéité spatio-temporelle.

3. Résultats

3.1 Mise en évidence et intensité de l’îlot de chaleur

Afin de quantifier l’îlot de chaleur urbain, nous avons sélectionné d’une part des stations représentatives d’un contexte urbain (« tissu urbain dense » de la base Corine Land Cover, c’est-à-dire grosso modo Paris intramuros) et d’autre part des stations dites rurales (« territoires agricoles » et à plus de 30km du centre de Paris). Pour chaque jeu et quasiment toutes les heures, nous avons au moins 16 capteurs.

La Figure 3 montre la différence entre les températures horaires de ces stations urbaines et rurales, en fonction du temps (en abscisse les jours et en ordonnée les heures), sur une période de 8 mois ici. Pour quelques heures, nous n’avions pas assez de données pour calculer une différence robuste (ici en gris). Nous pouvons observer des variations d’un jour à l’autre correspondant aux modifications des conditions atmosphériques. L’écart thermique est quasiment toujours positif, globalement plus important la nuit et intense pour certaines dates en particulier (avec des conditions radiatives ; non montré dans ce résumé étendu). En moyenne, l’îlot de chaleur est estimé à 1,9°C ; à titre de comparaison, l’écart moyen entre les stations Paris Montsouris et Melun est de 1,7°C.

Figure 3. Écart thermique entre des stations « urbaines » et « rurales » (cf. texte pour plus de détails).

3.2 Délimitation de l’îlot de chaleur

Afin de délimiter l’îlot de chaleur urbain, nous avons réalisé une analyse de rupture de pente des gradients thermiques entre le centre de Paris et sa périphérie. Lorsque nous regardons l’ensemble des données thermiques en fonction de la distance à Paris, aucun gradient ni rupture ne se dégagent. Par contre, si nous sélectionnons les données à 2h UTC (choix motivé par la comparaison avec des températures de surface MODIS, Madelin et Dupuis, 2018), la délimitation d’un îlot nocturne peut être faite : la figure 4A montre la distribution statistique des ruptures, à 2h UTC, sur l’ensemble des dates avec rupture (~85% des dates), avec une valeur médiane de 24,1 km (avec une variation saisonnière, non montrée ici), très proche de celle calculée à partir de données MODIS (Madelin et al., 2017).

Figure 4. Délimitations de l’îlot de chaleur urbain de l’agglomération parisienne à partir d’une analyse de rupture. A. Distribution statistiques des ruptures. B. Quantiles (25%, 50%, 75%) des ruptures selon les principales directions.

La carte des quantiles 25%, médiane et 75% selon les 12 principales directions permet de délimiter l’îlot de chaleur nocturne et illustre bien son anisotropie autour de Paris, ainsi qu’une dispersion des ruptures beaucoup plus faible au nord de l’agglomération qu’au sud. L’hétérogénéité de l’occupation du sol pourrait expliquer ce résultat, mais des travaux complémentaires doivent être menés afin de renforcer cette hypothèse.

La comparaison de ces résultats avec l'îlot de surface, produits à partir des températures de surface lors de précédents travaux (Madelin et al., 2017 ; Madelin et Dupuis, 2018), montre globalement que nous retrouvons les mêmes structures. Par contre, les données crowdsourcées présentent une meilleure résolution temporelle, ce qui ouvre de nouvelles perspectives sur la dynamique de l’îlot de chaleur urbain. Par exemple, la Figure 5 illustre, pour une date donnée (avec des conditions radiatives), l’apparition de l’îlot de chaleur pendant la nuit et sa disparition pendant le jour.

Figure 5. Exemple pour une date donnée (conditions radiatives) de la dynamique de l’îlot de chaleur urbain.

Conclusion

Dans cette communication, nous avons cherché à montrer quelles potentialités offraient les données crowdsourcées en nous intéressant en particulier aux données de températures et à l’îlot de chaleur urbain. Ces données massives, disponibles, sont complexes et le manque d’information sur le contexte nous ont conduits à réaliser une analyse critique très sélective (75% du jeu de données initial est écarté). Néanmoins, à partir des données du réseau Netatmo, nous avons pu montrer l'existence d'un îlot de chaleur urbain nocturne autour de l’agglomération parisienne, dont l'intensité et l'extension spatiale varient selon les saisons et les conditions atmosphériques et dont les principales caractéristiques sont tout à fait en accord avec les analyses réalisées sur les températures de surface (MODIS). Ainsi, même si ces données crowdsourcées nécessitent une analyse critique des données (qui peut probablement encore être améliorée) et donc même s’il faut être plutôt prudents, nous aimerions insister sur les potentialités et les opportunités qu’elles offrent, par leur résolution spatio-temporelle.

Remerciements

Les auteurs souhaitent remercier la mise à disposition des environnements serveurs de développement et de publication de R par la TGIR Huma Num (http://www.huma-num.fr).

Bibliographie Cantat O., 2014. L’îlot de chaleur urbain parisien selon les types de temps. Norois [En ligne], 191.

Chapman L., Bell C., Bell S., 2016. Can the crowdsourcing data paradigm take atmospheric science to a new level? A case study of the urban heat island of London quantified using Netatmo weather stations. International Journal of Climatology, doi:10.1002/joc.4940.

Cordeau E., 2016. Les îlots morphologiques urbains (IMU). Rapport de l’IAU îdF, 120 p.

Kastendeuch P., Najjar G., 2015. Une simulation des interactions ville-atmosphère à différentes échelles : application sur Strasbourg. Climatologie, 12, 44-64.

Madelin M., Bigot S., Duché S., Rome S., 2017. Intensité et délimitation de l’îlot de chaleur nocturne de surface sur l’agglomération parisienne. Actes du 30ème Colloque de l'Association Internationale de Climatologie, Sfax, Tunisie, 39-45.

Madelin M., Dupuis V., 2018. Intensity and delimitation of the night urban heat island over the Paris metropolitan area from crowdsourced and remote sensing data. International Conference of Urban Climate ICUC 10, New York, US.

Meier F., Fenner D., Grassmann T., Otto M., Scherer D., 2017. Crowdsourcing air temperature from citizen weather stations for urban climate research. Urban Climate, 19, 170-191.

Muller C.L., Chapman L., Johnston S., Kidd C., Illingworth S., Foody G., Overeem A., Leigh R.R., 2015. Crowdsourcing for climate and atmospheric sciences: current status and future potential. International Journal of Climatology, 35, 11, 3185-3203.

Oke T.R., 1982. The energetic basis of the urban heat island. Quarterly Journal of the Royal Meteorological Society, 108, 455, 1-24.

Sakhy A., 2016. Îlots de chaleur et morphologie urbaine de l'agglomération parisienne : conséquences sur la mortalité durant la canicule de 2003. Thèse de doctorat en Géographie, Université Paris Diderot, 306 p. + annexes.

Stewart I.D., 2011. A systematic review and scientific critique of methodology in modern urban heat island literature. International Journal of Climatology, 31, 200-217.

Stewart I.D., Oke T.R., 2012. Local Climate Zones for Urban Temperature Studies. Bulletin of the American Meteorological Society, 93, 1879-1900.