Démographie des régions européennes entre 1992 et 2022 en 9 familles
Qgis
6 déc 2023
Performance démographique relative des régions selon le classement de l'APR
Groupe
Rang
Delta
++++
1 à 7
7
+++
8 à 27
20
++
28 à 47
20
+
48 à 67
20
=
68 à 76
9
-
77 à 96
20
--
97 à 116
20
---
117 à 136
20
----
136 à 143
7
Evolution démographique des régions éuropéennes (NUTS2) par tranches de cinq années avec répartition en neuf groupes selon la performance relative sur la période. Le rouge foncé correspond aux régions en plus forte croissance sur la période, le vert foncé à celles avec la plus faible augmentation. Le jaune correspond aux régions dans la moyenne. Les données et le regroupement sont issus d'une note de l'APR.
Selon la notice :
La classification proposée est construite d’après le rang des régions, par symétrie par rapport à la médiane. Ainsi le
symbole ++++ correspond-il aux 7 régions les plus dynamiques (approximativement 5%), le suivant aux 20 régions
suivantes, etc. La zone médiane correspond aux 7 régions centrales.
Convertir une série d'image en vidéo (ici pour une série d'image en img001.jpg, img002.jpg, ... avec le %03d pour définir le nombre de chiffre dans le numérotage)
Télécharger un flux HLS. La première commande affiche la liste des programmes disponibles, la seconde télécharge un programme spécifique avec le paramètre p:1 (ici le second programme).
Les textures de tomettes en action (V-Ray Next 2 et Rhino)
Textures de tomettes provençales continue (seamless) avec trois couches : diffuse, bump et specular. La couche specular est à placer dans "Reflection color". Les textures sont prévues pour un pavage de 150 x 150 cm.
Sortie en PDF A4 résolution 150 ppp avec des marges blanches (80%). La résolution des images elles-mêmes est donc inférieure. Accepte tout type d'image.
Créer un dossier à la date du jour dans le menu contextuel
Windows
14 avr 2022
Pour ajouter une fonctionnalité "Créer un dossier à la date du jour" intégrée au menu contextuel (clic droit) de Windows.
Script à nommer makeDirToday.bat et placer dans le dossier C:\Program Files\ContextualScripts – ou ailleurs si l'on modifie également le chemin dans le fichier registre plus bas. Il est calibré pour les versions française ou allemande de Windows de format de date par défaut DD/MM/YYYY. Il faudra donc l'adapter sur un Windows anglais, par exemple.
@echo off
mkdir %date:~-4,4%"-"%date:~-7,2%"-"%date:~0,2%
Fichier registre .reg pour installer le script dans le menu contextuel. Double-clic dessous pour l'installer. À bien enregistrer encodage ANSII pour gérer les accents.
Windows Registry Editor Version 5.00
[HKEY_CLASSES_ROOT\Directory\Background\shell\makeDirToday]
@="&Créer un dossier à date"
"Icon"="%SystemRoot%\\System32\\shell32.dll,71"
[HKEY_CLASSES_ROOT\Directory\Background\shell\makeDirToday\command]
@="C:\\Program Files\\ContextualScripts\\makeDirToday.bat \"%V\""
import os
import pathlib
extensions = {}
for root, dirs, files in os.walk("./"):
for file in files:
extension = pathlib.Path(file).suffix
if extension not in extensions:
extensions[extension] = 1
else:
extensions[extension] += 1
sortedExtensions = dict(sorted(extensions.items(), key=lambda x: x[1], reverse=True))
print(sortedExtensions)
# End
input("Press Enter to close")
Script Python pour aspirer les documents numérisés de la Zentral- und Landesbibliothek de Berlin. Extrait les pages en JPG et assemble un PDF. Les URL soumis doivent être du type : https://digital.zlb.de/viewer/image/16054086_1911/12/, c'est à dire l'adresse quand vous lisez une page depuis la visionneuse.
import os
import re
from PIL import Image # "pip install Pillow" to install package
import requests # "pip install requests" to install package
import shutil
import mimetypes
from bs4 import BeautifulSoup # "pip install beautifulsoup4" to install package
headers = {'User-Agent': 'Mozilla/5.0'}
# functions
def downloadFile(url, fileName):
url = url.replace("\\","")
response = requests.get(url, stream=True)
content_type = response.headers['content-type']
extension = mimetypes.guess_extension(content_type)
fileName += extension
with open(fileName, 'wb') as out_file:
shutil.copyfileobj(response.raw, out_file)
del response
def getRecordName(url):
reg = re.match(r"https?:\/\/digital.zlb.de\/viewer\/image\/([A-Za-z0-9_]*)\/", url)
if reg:
return reg.group(1)
else:
print("Erreur : format d'URL incorrect. Exemple correct https://digital.zlb.de/viewer/image/16054086_1911/9/LOG_0006/")
return None
def getMaxPagesFromRecord(record):
url = "https://digital.zlb.de/viewer/image/"+record+"/"
response = requests.get(url, headers=headers)
if response:
reg = re.search(r"rft\.tpages=(\d+)&", str(response.text))
if reg:
return int(reg.group(1))
else:
print("Impossible de trouver le nombre maximal de page automatiquement.")
return int(input("Nombre de pages à extraire :"))
else:
print("Erreur : la page ZLB n'est pas chargeable.")
return None
def findImageFromUrl(url,resolution):
response = requests.get(url, headers=headers)
if response:
soup = BeautifulSoup(response.text,"html.parser")
metaImage = soup.findAll("meta", {"property" : "og:image"})
img = metaImage[0].get("content")
img = img.replace("/300,/","/"+str(resolution)+",/")
return img
else:
print("Erreur : la page ZLB n'est pas chargeable.")
#input
inputUrl = input("Adresse de la page ZLB à aspirer :")
resolution = int(input("Résolution (1300 recommandé) :"))
#get record infos
record = getRecordName(inputUrl)
if record:
maxPages = getMaxPagesFromRecord(record)
#download pages as JPG
if record and maxPages:
i = 1
while i < (maxPages+1):
print("Page",i,"sur",maxPages)
url = "https://digital.zlb.de/viewer/image/"+record+"/"+str(i)+"/"
img = findImageFromUrl(url,resolution)
downloadFile(img, record+"_"+str(i).zfill(8))
i += 1
#assemble PDF
filesInFolder = os.listdir()
imagesInFolder = []
imagesRGBInFolder = []
for file in filesInFolder:
ext = os.path.splitext(file)[1]
imageExtensions = [".jpg",".png",".gif",".jpeg",".svg"]
if ext in imageExtensions:
imagesInFolder.append(file)
img = Image.open(file)
if img.mode == "RGBA":
img = img.convert(RGB)
imagesRGBInFolder.append(img)
if imagesRGBInFolder:
imagesRGBInFolder[0].save(record+".pdf", save_all=True, quality=85, append_images=imagesRGBInFolder[1:])
#delete JPG
for file in imagesInFolder:
os.remove(file)
Pour éviter des erreurs de mémoire avec les documents de beaucoup de pages, il faut utiliser une installation 64bits de Python.
En urbanisme, la densité d'un territoire doit être le reflet de la quantité d'humain qui y vivent par unité de surface. En particulier, elle doit permettre de mettre en lumière l'intensité d'usage du bâti et des services et réseaux qui y sont attachés. Dans un quartier dense, on aura plus d'habitants et donc besoin de plus d'écoles, d'une plus grande fréquence de ramassage des ordures et de plus larges canalisations. C'est un indicateur des politiques urbaines pour justifier la construction de nouveaux logements ou l'implantation de services.
Son calcul se fait généralement à partir de la surface d'une zone administrative (ville, arrondissement, quartier, IRIS) et de la population qui y réside. Le nombre de résidant provient des recensements qui s'intéressent uniquement au lieu de résidence et non au lieu de travail des individus, ce qui introduit immédiatement une imprécision importante pour étudier l'intensité d'usage car elle ommet les travailleurs. Un quartier d'affaire peut être considéré comme dense (en semaine) mais aura une faible population résidente. Ce n'est cependant pas ce problème qui m'intéresse aujourd'hui.
18ème arrondissement. En blanc les grandes infrastructures, cimetières et terrains de sport
Ce qui me semble plus gênant est l'usage de la surface de la zone administrative totale, dans le cas de Paris généralement celle de l'arrondissement. En effet, une part non-négligeable de la surface des arrondissements est occupée par des zones non-construites et non-habitées : périphérique, rails, terrains de sport, cimetières, ... Surtout, cette part est très inégalement repartie entre les arrondissements de Paris. Les arrondissements périphériques en possèdent généralement plus que ceux du centre.
Densité selon la surface totale de l'arrondissement, population 2015
Dans la comparaison de la densité des arrondissements, celle-ci se retrouve donc sur-évaluée dans les arrondissements avec peu d'espace non-construits (3ème, 11ème) et sous-évaluée dans ceux accueillant de grandes infrastructures (18ème, 15ème). Voir ci-dessus une carte de la densité des arrondissements de Paris, telle qu'on la voit généralement, basée sur la surface totale. La population est celle du recensement de de 2015, compilées par l'APUR.
Pour obtenir une cartographie plus réaliste, je propose de calculer la densité à partir de l'emprise bâtie totale de l'arrondissement, c'est à dire de la somme des surfaces de tous les bâtiments qui la compose. Cela permet de masquer le biais généré par la répartition inégale des espaces vides dans la ville. Cela génère un indicateur intéressant pour l'architecte et l'urbaniste car représentant précisément « l'intensité d'usage humain du bâti » et inversement sur le taux de vacances des constructions. Dans une ville si homogène en terme de gabarit de construction, cet indicateur renseigne précisément sur les zones où les immeubles sont habités ou partiellement vides.
Densité selon l'emprise bâtie totale, population 2015
Le tableau ci-dessous reprend les données des deux cartes et permet de faire varier le classement des arrondissements selon la surface ou l'emprise bâtie.
Le 11ème arrondissement est assez largement le premier selon la surface mais ne se retrouve qu'en 4ème position selon l'emprise bâtie. Ce sont les arrondissements périphériques des 20ème, 19ème et 18ème qui occupent le podium dans ce calcul, confirmant l'intuition de départ.
Le 3ème arrondissement, 5ème au classement selon la surface, descend à la 13ème place selon l'emprise. En effet, c'est un arrondissement très construit (la densité de surface est proche de la densité d'emprise bâtie) mais avec beaucoup d'équipements, de musées et de locations saisonnières. Inversement, un arrondissement comme le 13ème, pénalisés par ses grands équipements remonte dans le classement.
Arrondissement
Population (2015)
Surface totale
Emprise bâtie totale
Densité surface
Densité emprise bâtie
75001
16696
1824612
633985
0.009
0.026
75002
20968
991153
591653
0.021
0.035
75003
35750
1170882
644382
0.031
0.055
75004
27501
1600585
612771
0.017
0.045
75005
60202
2539374
949065
0.024
0.063
75006
43368
2153095
919452
0.020
0.047
75007
55140
4090057
1338078
0.013
0.041
75008
37325
3880036
1650073
0.010
0.023
75009
60105
2178303
1227988
0.028
0.049
75010
92573
2891739
1414306
0.032
0.065
75011
151253
3665441
1842440
0.041
0.082
75012
143557
6388139
2005954
0.022
0.072
75013
184851
7149311
2266280
0.026
0.082
75014
141175
5614877
1774677
0.025
0.080
75015
237088
8494994
2989550
0.028
0.079
75016
167797
7873838
2657580
0.021
0.063
75017
170200
5668834
2104679
0.030
0.081
75018
198820
5996051
2184799
0.033
0.091
75019
187081
6792651
2002307
0.028
0.093
75020
196959
5983446
1972398
0.033
0.100
Avec l'exemples de Paris, ces écarts avec doivent inviter à repenser le discours sur le rapport entre construction et densité. Une zone avec de grands espaces non-bâtis n'est pas forcément moins dense qu'une zone très construite – à Paris, on constate plutôt l'inverse. Le levier de la densité se situe dans l'usage des emprises bâties : bureaux, résidences secondaires et locations saisonnières contre logements réellements occupés par des familles.