Cartes climatiques

Ce pipeline cartographie les indicateurs climatiques annuels sur les secteurs du Rwanda. Il nettoie les valeurs climatiques ERA5-Land indexées par établissement de santé, aligne leurs noms sur les limites admin3, joint les deux et produit une carte choroplèthe par classes. La source complète est analysis/spatial-analysis/Climate_maps.ipynb.

Le résultat final est une carte choroplèthe à deux panneaux de la température moyenne annuelle et des précipitations totales :

Les données

Le classeur climatique (Climate data.xls) contient les variables ERA5-Land par établissement de santé, la localisation de l’établissement étant décrite par la hiérarchie des unités organisationnelles DHIS2. Seules cinq variables sont conservées :

Les niveaux d’unités organisationnelles correspondent à la hiérarchie administrative — orgunitlevel3 est le district et orgunitlevel5 le secteur, qui sert de clé de jointure pour admin3.

Pipeline

import pandas as pd
 
cl_df = pd.read_excel("Climate data.xls", engine="xlrd", skiprows=1)

cl_df["District"] = cl_df["orgunitlevel3"].str.split(" ").str[0]
cl_df["Sector"] = cl_df["orgunitlevel5"].str.split(r"[ _-]").str[0].str.capitalize()

cl_df["humidity"] = cl_df["RF001 Relative humidity (ERA5-Land)"]
cl_df["Average_temperature"] = cl_df["TMP001 Air temperature (ERA5-Land)"]
cl_df["Max_temperature"] = cl_df["TMP002 Max air temperature (ERA5-Land)"]
cl_df["Min_temperature"] = cl_df["TMP005 Min temperature (ERA5-Land)"]
cl_df["Rainfall"] = cl_df["RF003 Precipitation (ERA5-Land)"]
 
climate_data = cl_df[["periodname", "Sector", "District", "Average_temperature",
                      "Max_temperature", "Min_temperature", "Rainfall", "humidity"]]
climate_data["periodname"] = pd.to_datetime(climate_data["periodname"], format="%B %Y")

merged = pd.merge(admin3, climate_data, on="Sector", how="inner")

import geopandas as gpd
 
agg = merged[merged["periodname"].dt.year == year_to_plot]
g = (agg.groupby("adm_name", as_index=False)
        .agg({"geometry": "first",
              "Average_temperature": "mean",
              "Rainfall": "sum"}))
gdf = gpd.GeoDataFrame(g, geometry="geometry", crs=merged.crs)

Standardisation des noms

L’étape de loin la plus sujette aux erreurs est la mise en correspondance des noms de secteurs des données climatiques avec le shapefile. L’orthographe varie d’un système à l’autre, et une clé sans correspondance fait silencieusement disparaître un secteur de la jointure interne. Les corrections connues sont appliquées explicitement :

# Shapefile side
admin3["ADM3_EN"].replace("Mageregere", "Mageragere", inplace=True)
admin3["ADM3_EN"].replace("Shyrongi", "Shyorongi", inplace=True)
admin3["Sector"] = admin3["ADM2_EN"] + " " + admin3["ADM3_EN"]
 
# Climate side
climate_data["Sector"].replace("Ririma", "Rilima", inplace=True)

Classes et rendu

La carte choroplèthe utilise des seuils de classes fixes et significatifs plutôt qu’un dégradé continu, afin que la carte se lise d’un coup d’œil. La température et les précipitations ont chacune leurs propres classes et leur propre palette (YlOrRd pour la température, Blues pour les précipitations) :

temp_bins = [0, 15, 17, 19, 22, gdf["Average_temperature"].max()]
temp_labels = ["0-15", "15-17", "17-19", "19-22", "> 22"]
 
precip_bins = [0, 200, 300, 500, 800, gdf["Rainfall"].max()]
precip_labels = ["0-200", "200-300", "300-500", "500-800", "> 800"]

Chaque panneau trace la colonne de valeurs avec sa palette, superpose les limites admin1–admin3 pour le contexte et construit une légende à partir des couleurs des classes. Voir la dernière cellule du notebook pour la figure complète à deux panneaux.