Skip to contents

Analyse des Distances aux Bordures selon l'Orientation du Champ

Source: vignettes/distances-bordures.Rmd
distances-bordures.Rmd

Introduction

Dans l’analyse des parcelles agricoles, il est souvent important de distinguer les effets de bordure selon leur orientation par rapport à l’axe principal du champ. Par exemple:

  • Les haies brise-vent ont un impact différent selon qu’elles sont placées sur les côtés longs ou courts du champ
  • L’ombrage des arbres affecte principalement les bordures orientées nord-sud
  • Les gradients de rendement peuvent varier selon la direction

Ce package fournit des outils pour calculer et classifier les distances aux bordures en distinguant:

  • Distance sens long: composante de la distance dans le sens de la longueur du champ
  • Distance sens large: composante de la distance dans le sens de la largeur du champ

Installation et chargement

Exemple de base

Créer ou charger un champ 

# Charger un champ depuis un fichier
champ <- st_read("chemin/vers/champ.shp")

# Ou créer un champ d'exemple (rectangle 300m x 100m orienté à 30°)
angle_rad <- 30 * pi / 180
L <- 300  # Longueur
W <- 100  # Largeur
cx <- 500
cy <- 500

corners <- matrix(c(
  -L/2, -W/2,
   L/2, -W/2,
   L/2,  W/2,
  -L/2,  W/2,
  -L/2, -W/2
), ncol = 2, byrow = TRUE)

R <- matrix(c(cos(angle_rad), -sin(angle_rad),
              sin(angle_rad),  cos(angle_rad)), nrow = 2)
corners_rot <- corners %*% t(R)
corners_rot[, 1] <- corners_rot[, 1] + cx
corners_rot[, 2] <- corners_rot[, 2] + cy

poly <- st_polygon(list(corners_rot))
champ <- st_sf(
  id = 1,
  geometry = st_sfc(poly, crs = 32618)  # UTM zone 18N
)

Calculer l’orientation

Avant de calculer les distances, voyons l’orientation détectée:

orientation <- calculer_orientation_champ(champ, methode = "mbr")

cat("Angle principal:", round(orientation$angle, 1), "degrés\n")
cat("Angle perpendiculaire:", round(orientation$angle_perpendiculaire, 1), "degrés\n")
cat("Longueur:", round(orientation$longueur, 1), "m\n")
cat("Largeur:", round(orientation$largeur, 1), "m\n")
cat("Rapport d'aspect:", round(orientation$rapport_aspect, 2), "\n")

# Visualiser l'orientation avec le MBR (Minimum Bounding Rectangle)
visualiser_orientation(champ, orientation)

Calculer les distances aux bordures 

# Calculer les distances avec une résolution de 2m
dist_bordures <- calculer_distance_bordures_orientee(
  champ_poly = champ,
  resolution = 2,  # 2 mètres par pixel
  buffer = 50      # Zone tampon de 50m pour les calculs
)

# Afficher un résumé
cat("Rasters créés:\n")
cat("- distance_long:", terra::ncell(dist_bordures$distance_long), "cellules\n")
cat("- distance_large:", terra::ncell(dist_bordures$distance_large), "cellules\n")
cat("- distance_min:", terra::ncell(dist_bordures$distance_min), "cellules\n")

Visualiser les distances 

# Visualiser les trois distances
plots <- visualiser_distances_bordures(dist_bordures, type = "comparaison")

# Avec patchwork pour arranger les plots
library(patchwork)
plots$long + plots$large + plots$min + 
  plot_layout(ncol = 3) +
  plot_annotation(title = "Distances aux bordures selon l'orientation")

Chaque visualisation montre:

  • Distance sens long: La composante de la distance projetée sur l’axe principal (longueur). Les valeurs faibles (bleu) sont proches des bordures perpendiculaires à l’axe long.

  • Distance sens large: La composante projetée sur l’axe perpendiculaire (largeur). Les valeurs faibles sont proches des côtés longs du champ.

  • Distance minimum: La distance euclidienne classique à la bordure la plus proche.

Classification des distances

Définir des classes

Pour faciliter l’analyse, vous pouvez classifier les distances en catégories:

# Classification avec les seuils par défaut
classes <- classifier_distances_bordures(dist_bordures)

# Afficher la table de correspondance
head(classes$table_classes)

Seuils personnalisés

Adaptez les seuils à votre contexte:

# Pour un petit champ avec haies brise-vent
classes_haie <- classifier_distances_bordures(
  dist_bordures,
  seuils_long = c(5, 15, 30, 60),      # Effet haie ~15m
  seuils_large = c(3, 10, 20, 40),     # Effet ombrage ~10m
  labels_long = c("zone_haie", "influence_haie", "transition", "intermediaire", "centre"),
  labels_large = c("ombre_directe", "ombre_diffuse", "transition", "plein_soleil", "centre")
)

# Visualiser
visualiser_classes_bordures(classes_haie, type = "long")
visualiser_classes_bordures(classes_haie, type = "large")

Interprétation des classes combinées

La classe combinée encode les deux dimensions:

# La classe combinée = (classe_long × 10) + classe_large
# Exemple: code 23 = classe 2 en long, classe 3 en large

# Visualiser
visualiser_classes_bordures(classes, type = "combinee")

# Extraire les statistiques par classe
table(terra::values(classes$classe_combinee))

Cas d’usage: Points spécifiques

Vous pouvez aussi calculer les distances pour des points spécifiques plutôt que pour tout le raster:

# Créer des points d'échantillonnage
points_echantillon <- st_sample(champ, size = 50, type = "regular")
points_echantillon <- st_as_sf(points_echantillon)
points_echantillon$id <- 1:nrow(points_echantillon)

# Calculer les distances
dist_points <- calculer_distance_bordures_orientee(
  points_sf = points_echantillon,
  champ_poly = champ
)

# Les distances sont dans le sf retourné
head(dist_points$points[, c("id", "distance_long", "distance_large", "distance_min")])

Intégration avec d’autres analyses

Avec les données de haies 

# Si vous avez extrait les haies avec extraire_classifier_haies_lidar()
# Vous pouvez combiner les analyses

# 1. Calculer les zones de vent des haies
# zones_vent <- calculer_zones_vent_spline(haies_rectangles, direction_vent = 225)

# 2. Calculer les distances aux bordures
dist_bordures <- calculer_distance_bordures_orientee(champ_poly = champ)

# 3. Combiner les informations
# - Zones près des haies (distance_large faible) ET sous le vent
# - Zones au centre du champ

Export des résultats 

# Sauvegarder les rasters
terra::writeRaster(dist_bordures$distance_long, "output/distance_long.tif", overwrite = TRUE)
terra::writeRaster(dist_bordures$distance_large, "output/distance_large.tif", overwrite = TRUE)
terra::writeRaster(dist_bordures$distance_min, "output/distance_min.tif", overwrite = TRUE)

# Sauvegarder les classes
terra::writeRaster(classes$classe_long, "output/classe_long.tif", overwrite = TRUE)
terra::writeRaster(classes$classe_combinee, "output/classe_combinee.tif", overwrite = TRUE)

# Exporter la table de correspondance
write.csv(classes$table_classes, "output/table_classes.csv", row.names = FALSE)

Considérations techniques

Performance

Le temps de calcul dépend de:

  • La résolution: Une résolution de 1m génère 4× plus de cellules qu’une résolution de 2m
  • La taille du champ: Linéaire avec la superficie
  • Le nombre de points: Si vous utilisez des points plutôt qu’un raster

Pour les grands champs, commencez avec une résolution grossière (5-10m) pour tester, puis affinez.

Choix des seuils de classification

Les seuils par défaut sont:

Direction Seuils (m) Signification
Long 10, 25, 50, 100 Zone de bordure, proche, intermédiaire, éloigné
Large 5, 15, 30, 50 Zone de bordure, influence directe, transition, centre

Adaptez selon:

  • Haies brise-vent: L’effet s’étend typiquement à 10-20× la hauteur de la haie
  • Ombrage: Dépend de la hauteur des arbres et de la latitude
  • Rendement: Souvent 15-30m d’effet de bordure mesuré

Système de coordonnées

Utilisez toujours un CRS projeté (en mètres) pour des calculs de distance précis. Les CRS géographiques (lat/lon) donneront des résultats incorrects.

# Vérifier le CRS
st_crs(champ)

# Transformer si nécessaire (exemple: vers UTM zone 18N)
champ_proj <- st_transform(champ, 32618)

Références

  • Jasiewicz, J., & Stepinski, T. F. (2013). Geomorphons—A pattern recognition approach to classification and mapping of landforms. Geomorphology, 182, 147-156.

Aide

Pour signaler un bug ou demander une fonctionnalité: https://github.com/cedricbouffard/covariablechamps/issues