Memoire Online - Estimation du temps de parcours aux soins de santé dans le district d'Ifanadiana.

MEMOIRE DE FIN D'ETUDES POUR L'OBTENTION DU DIPLOME DE MASTER RECHERCHE EN INFORMATIQUE

Estimation du temps de parcours aux soins de santé dans le District d'Ifanadiana

MEMOIRE DE FIN D'ETUDES POUR L'OBTENTION DU DIPLOME DE MASTER EN INFORMATIQUE

PARCOURS : SYSTEME D'INFORMATION, GEOMATIQUE ET DECISIONEstimation du temps de parcours aux soins de santé dans le District d'Ifanadiana

ETUDIANT EN DEUXIEME ANNEE MASTER EN SYSTEME D'INFORMATION GEOMATIQUE ET DECISION

A L'ECOLE DE MANAGEMENT ET D'INNOVATION TECHNOLOGIQUE (EMIT) DE L'UNIVERSITE DE FIANARANTSOA

· 2017 : Obtention du diplôme de licence professionnelle en Développement d'Application et Système d'Information

· 2013 : Obtention du diplôme du baccalauréat Technique TMEL avec Mention : Assez -Bien

· 2017-2018 : 2^ème année de Master en Système d'Information Géomatique et Décision (SIGD) à l'Ecole de Management et d'Innovation Technologique(EMIT) de l'Université de Fianarantsoa (UF).

· 2017 : Formation en conception de jeux vidéo niveau 1, chez talenta center situé à Fianarantsoa, outils de réalisation « Unity 5 ».

· 2015-2016 : 3^ème année de licence en Développement d'Application et Système d'Information (DASI) à l'Ecole de Management et d'Innovation Technologique(EMIT) de l'Université de Fianarantsoa (UF).

· 2019 :Etude d'un projet MAGIE « Estimation du temps de parcours aux soins de santé dans le District d'Ifanadiana à partir de mesures prises sur le terrain »au sein de l'ONG Pivot Médical avec les outils suivantes : OsmAnd (Enregistrement des parcours sur le terrain), QGIS (Pré-traitements), R (Analyse) et PostGIS (Base de données spatiales).

· 2018 :Programmation d'un projet « conception et réalisation d'une application web pour la gestion de scolarité EMIT sur les modules (Inscription, Réinscription, Assiduité)sous langage PHP5 avec Framework PHP (CodeIgniter 3), PostgreSQL (Base de données), JavaScript, JQuery, Framework Bootstrap 3 et déployer par Apache Server.

· 2017 : Programmation d'un projet « Conception et réalisation d'une application desktop pour la gestion de marchandise » au sein de la société GALANA Fianarantsoasous langage Visual Basic .NET et MS Access (Base de données).

· 2016 : Programmation d'un projet « conception et réalisation d'une application web pour la gestion des immobilisations dans une grande société multi-sites » au sein de la société d'AQUALMA sous langage PHP5 avec framework CodeIgniter v3, base de données MySQL et déployer par WampServer 2.5.

· 2015 : Programmation d'un projet « gestion d'état civil » au sein de la commune urbaine de Fianarantsoa sous langage VB.NET et base de données Access.

· 2013 : Installation électrique (Travaux Pratiques) avec certificat de diplôme BEP(EL).

Systèmes de gestion des Base de données : Access, PostgreSQL (PostGIS), MySQL (MyGIS), SQL Server 2008.

Technologies Web : HTML, JavaScript, Java, PHP, HTML5, CSS3, JSP, AngularJS.

Grille d'évaluation : A2 :Intermédiaire ou usuel, B2 :niveau avancé ou indépendant et :Maîtrise.

· Loisir : Lire le Journal, Faire des recherches sur internet, les nouvelles technologies, voyages.

AVANT-PROPOS

Tous les étudiants en passage de cinquième année dans l'Ecole de Management et d'Innovation Technologique (EMIT) devront passer un stage de six (06) mois au sein d'une entreprise d'accueil pour mettre en pratique les connaissances théorique acquis durant les années universitaires.

Ce stage est nécessaire afin d'approfondir la valorisation, en tant qu'étudiant chercheur et d'introduire dans le monde du métier en tant quechercheur.

Ayant déposé ma demande à l'ONG Médicale Pivot.Cette ONG m'a permis d'avoir plus ample connaissance sur le fonctionnement du système de santé à Madagascar et m'a initié à la recherche appliquée à la santéavec mon thème « Estimation du temps de parcours aux soins du santé dans le district d'Ifanadiana ».

REMERCIEMENTS

Premièrement, permettez-moi de remercier Dieu qui m'a accordé quotidiennement sa bénédiction et m'a toujours donné la force et la santé pour arriver au terme de cet ouvrage.

- Professeur RAFAMANTANANTSOA Fontaine, Président de l'Université de Fianarantsoa ;

- Docteur HAJALALAINA Aimé Richard, Directeur de l'École de Management et d'Innovation Technologique (EMIT), qui nous a reconnu comme étudiants dans cette établissement ;

- Docteur RAKOTONIRAINY Hasina, le responsable de la mention en Informatique, qui a déployé tous ses efforts pour nous dispenser toutes les formations nécessaires durant les deux ans dans l'établissement et qui est aussi mon encadreur pédagogique.

- Monsieur RALAIVAO Jean Christian, mon encadreur pédagogique pour ses conseils et son entière disponibilité.

- DocteurAndres GARCHITORENA (Directeur du département recherche et Felana IHANTAMALALA(Ingénieurde recherche), mes maîtres de stage d'avoir voulu m'accueillir et leurs précieux aides.

Je tiens également à exprimer toute magratitude aux membres du jury, à l'ensemble du personnel de l'établissement et particulièrement à tous les enseignants qui nous ont partagé leurs connaissances ;

Jeremercie également le responsable de l'équipe communautaire,du CHRD, de lacommunicationet tous les personnels de Pivot, de m'avoir fourni les informations nécessaires à la réalisation de ce stage, ainsi que pour l'ambiance de travail durant ce stage ;

Et pour finir, j'exprime mes reconnaissances envers tous les membres de mafamille, qui m'a soutenumoralement et financièrement, tout au long de mes études et à tous ceux qui de près ou de loin ont contribué à la réalisation de ce mémoire, qu'ils trouvent ici, l'expression de mes vifs et sincères remerciements.

RESUME

Dans ce mémoire, nous avons réalisé un projet permettant de mieux comprendre l'accès géographique aux soins de santé dans une zone rurale située dans le district d'Ifanadiana, au sud-est de Madagascar, avec l'ONG Médicale Pivot. Le projet consiste à estimer les temps de parcours aux soins de santé pour chaque village dans le District d'Ifanadiana à partir des données de terrain en utilisant une approche en géomatique et statistique.

Pour ce faire, plusieurs étapes ont été effectuées. La première consiste à collecter les données sur le terrain en utilisant une application OSMAnd afin d'enregistrer des temps de parcours en fonction des conditions topographiques et climatiques. Ensuite, l'utilisation des outils de système d'information géographique comme : l'ArcGIS, QGIS, R software et PostGIS pour la gestion de données géographiques en créant une base de données analysable. D'après cela, on a développé des analyses sur R software pour comparer le temps de parcours réel avec des estimations théoriques issues de la littérature scientifique.

Pour les données à traitées, on a utilisé 168 parcours à pieds qui sont collecté sur le terrain et 5048 parcours en véhicules pour les données prévenant de la société TAG-IP, ainsi que des données de prédiction météorologie (POWER NASA) et d'occupation du sol (Image sentinelle 2). Quant à la gestion de données géographiques, nous avons réalisé des pré-traitements et des calculs concernant : le temps, la distance, les pentes, la vitesse, le pourcentage de l'occupation du sol (intersecté par rapport aux parcours) et l'exportation de données (en csv). Enfin, l'analyse s'est faite par l'emploi des modèles GAM (pour l'estimation à pied) /lmer (pour l'estimation en véhicule) pour la prédiction et l'interpolation des prédictions de temps de parcours dans le district avec et sans pluie.

Pour cette étude, les résultats d'analyse d'estimation du temps de parcours à pied sans pluie montrent que 83,22 % des villageois sont à plus d'une heure à pied pour aller au CSB plus proche, 38,85 % sont à plus de deux heures et 4,63% sont à plus de quatre heures. Et pour l'estimation du parcours en véhicule, on a utilisé des variables explicatives très importants comme le pont, la zone résidentielle et les réseaux routiers. Pour ces variables, il existe une forte décélération de la vitesse avec une médiane de 10 km/h pour le pont, 20km/h pour la zone résidentielle, 10 km/h pour sur les réseaux routiers a par la route nationale tandis que sur une route normale, il est de 30 à 40km/h.

La majorité des populations du district d'Ifanadiana sont à risque pour des urgences de santé, à cause de l'éloignement des soins de santé primaires. Il nécessaire de mettre en place des stratégies pour améliorer l'accès aux soins et rendre les services de soins plus proches des villageois. Une possibilité pourrait être de renforcer le système communautaire, ou bien de construire des nouveaux CSB, centrés, entre plusieurs villages en utilisant le système barycentre en physique.

Mots-Clés : Parcours, District, Centre de Santé de Base, Temps de déplacement, Accès aux soins, Barrières Géographiques.

Chapitre 1 ABSTRACT

In this thesis, we carried out a project to better understand geographical access to health care in a rural area located in the Ifanadiana district, in the south-east of Madagascar, with the NGO Medical Pivot. The project involves estimating travel times to health care for each village in Ifanadiana District from field data using a geomatics and statistical approach.

To do this, several steps have been performed. The first is to collect data in the field using an OSMAnd application to record travel times based on topographic and climatic conditions. Then, the use of geographic information system tools like: ArcGIS, QGIS, R software and PostGIS for the management of geographic data by creating an analysable database. Based on this, we have developed analyzes on R software to compare the actual travel time with theoretical estimates from the scientific literature.

For the data processed, 168 footpaths were collected in the field and 5,048 routes in vehicles for the data of TAG-IP, as well as meteorological prediction data (POWER NASA) and data. land use (Sentinel Image 2). As for the management of geographic data, we carried out pre-treatments and calculations concerning: time, distance, slopes, speed, the percentage of the land occupation (intersected with the course) and the data export (in csv). Finally, the analysis was done using GAM models (for foot estimation) / lmer (for vehicle estimation) for prediction and interpolation of travel time predictions in the district. with and without rain.

For this study, the results of the rainless walk time estimation analysis show that 83.22% of the villagers are more than an hour walk to the nearest CSB, 38.85% are to more than two hours and 4.63% are more than four hours. And for the estimation of the route in vehicle, we used very important explanatory variables like the bridge, the residential zone and the road networks. For these variables, there is a strong deceleration of the speed with a median of 10 km / h for the bridge, 20 km / h for the residential zone, 10 km / h for on the road networks has by the national road while on a normal road, it is 30 to 40 km / h.

The majority of people in Ifanadiana district are at risk for health emergencies because of the remoteness of primary health care. There is a need to put in place strategies to improve access to care and make care services closer to villagers. One possibility might be to strengthen the community system, or to build new CSBs, centered between several villages using the barycenter system in physics.

Keywords: Course, District, Basic Health Center, Travel Time, Access to Care, Geographical Barriers.

LISTE DES FIGURES

LISTE DES TABLEAUX

LISTE DES ABREVIATIONS

PCIMEC : Prise en Charge Intégrée de la Maladie de l'Enfants au Niveau Communautaire

GLOSSAIRE

Analyse multivariée est une analyse en tenir compte de l'interaction des critères les uns sur les autres.

L'intersection est lieu de rencontre (de deux lignes, de deux surfaces, ou de deux volumes qui se coupent).

L'itinéraire est un chemin à suivre ou suivi pour aller d'un lieu à un autre.

La procédure stepwise est une méthode pour la régression multiple ; on réexamine simultanément toutes les variables à considérer.

La revue narrative est une revue de littérature de base, souvent appelée d'ailleurs simplement « revue de littérature ».

La revue systématique utilise une méthodologie rigoureuse, qui a été développée depuis plusieurs décennies, pour recueillir et analyser les articles portant sur un sujet particulier.

La statistique inférentielle consiste à induire les caractéristiques inconnues d'une population à partir d'un échantillon issu de cette population. Les caractéristiques de l'échantillon, une fois connues, reflètent avec une certaine marge d'erreur possible celles de la population.

Le Homesteads Act (littéralement « Loi de propriété fermière ») est une loi des Etats-Unis d'Amérique. Elle permet à chaque famille pouvant justifier qu'elle occupe un terrain depuis 5 ans d'en revendiquer la propriété privée, et ce dans la limite de 160 acres (soit 65 hectares).

Le krigeage est une méthode stochastique d'interpolation spatiale qui prévoit la valeur d'un phénomène naturel en des sites non échantillonnés par une combinaison linéaire sans biais et à variance minimale des observations du phénomène en des sites voisins.

Le spatio-temporelle est une observation d'un phénomène météorologique de type déterminé montre que son étendue au sein de l'atmosphère reste incluse à maturité dans une certaine échelle de variation (verticale et surtout horizontale).

Le système de santé correspond à l'ensemble des éléments qui déterminent l'état de santé d'une population. Il se conçoit comme un système organisé d'actions, dont la finalité est d'améliorer la santé de la population.

Les barrières géographiques sont les difficultés, l'obstacles d'accès rencontrer sur le terrain.

Les données empiriques est un terme collectif pour designer la connaissance ou les sources de la connaissance acquise au moyen des sens, en particulier par l'observation et l'expérimentation.

Les données raster sont composé d'une matrice de cellules (ou pixels) organisées en lignes et en colonnes (grille) dans laquelle chaque cellule contient une valeur représentant des informations ; l'altitude (élévation).

Les données secondaires sontemployées pour désigner des données externes à l'entreprise utilisées dans le cadre d'études de marché.

Les données sur le terrain est le fait de se rendre sur lieu de collectes des données.

Les requêtes spatiales est une interrogation portant sur la géométrie et la position des entités d'une ou plusieurs couches et permettant de sélectionner des entités en fonction des entités d'une autre couche.

Les soins de santé relèvent des sciences appliquées et du corps en sciences biomédicales. Ils intéressent santé des humaines et santé animale.

Les soins obstétricaux englobent tous les soins apportés aux femmes pendant la grossesse, l'accouchement et le post-partum, ainsi que les soins aux nouveau-nés. Ils visent à prévenir les problèmes de santé pendant la grossesse, à détecter des états anormaux, à apporter l'assistance médicale en cas de besoin et à mettre en place des mesures d'urgences si celle-ci fait défaut.

Stellaria graminea linné est une vivace à rhizome rampant, d'un vert gai et plus ou moins glauque ; tiges (longueurs 30-60 cm) grêles, étalées-diffuses ; feuilles (longueur 20-30 mm) linéaires, lancéolées ou oblongues, en tout cas plus larges vers la base ; fleurs (diamètre 6-10 mm) ; graines rugueuses.

SOMMAIRE

INTRODUCTION

Le taux de mortalité élevé dans des zones rurales des pays en voie de développement est devenueune problématique mondiale pour la santé(Salehi and Ahmadian 2017). A Madagascar,ce taux est très élevé, en partie à cause d'unefaible accessibilité aux soins. Les plus vulnérables sont surtout les femmes enceintes et les enfants. En 2013, 83.6% des femmes ont déclaré avoir un obstacle pour recevoir un traitement ou un avis médical(Institut National de la Statistique 2013). Etant un pays en voie de développement, la pauvreté à Madagascar invoque la négligence de santé de la population.

Au Sud Est de Madagascar, le district d'Ifanadiana représente un cas concret sur ces obstacles d'accès aux soins pour des problèmes de santé publique comme le paludisme, la tuberculose et l'accouchement.C'est ainsi que l'ONG médical Pivot a mis en place la gratuité des soins et renforcé le système de santé dans le district d'Ifanadiana afin de permettre à la population d'accéder aux soins et contribuer à réduire la mortalité.

En effet, l'utilisation des soins sanitaires dans une zone rurale est influencée par des nombreuses barrières géographiques. Par conséquent, il est important de connaître réellement le temps de parcours d'un trajet d'un village vers un centre de santé de basse CSB (à pied)ou d'un Centre de Santé de Base (CSB)jusqu'à l'hôpital (véhicule) surtout dans le district d'Ifanadiana vu qu'il existe divers types d'occupation du sol tels que les zones montagneuses, les rivières, les forêts (primaires et secondaires), les rizières, ainsi quedifférents types de routes (goudronnées, pistes, sentiers). Les conditions climatiques jouent aussi un rôle important dans l'accessibilité aux soins dans le district avec la détérioration des réseaux routiers en cas de pluie.

De ce fait, l'ONG Pivot veut mettre en place une base de données analysable issue du terrain pour mieux comprendre les barrières géographiques. Ce qui permet d'avoir une estimation du temps de parcours réel à l'aide de méthodes statistiques de prédiction. Pour ce travail,deux bases de données ont été recueillies sur le terrain : le déplacement à pied et le déplacement en véhiculesmotorisés. Grace à lagéomatique nous y associons à ces données de terrain les informations comme : la vitesse, la distance, la pente, la pluviométrie, l'occupation du sol (rizière, sol nu et zone habitation, forêts, eau de surface) et lestypes de route.

L'objectif de cette analyse est d'estimer la vitesse associée pour chaque type d'occupation du sol en considérant l'influence de pluie afin de prédirele temps réel de trajet pour les parcours entre chaque village du district et le CSB correspondant. Une fois développé, on peut appliquer ces mêmes méthodes pour estimer le temps de trajet entre chaque, village et l'Hôpital de district, ou encore entre chaque village et site communautaire correspondant. Pour atteindre l'objectif, on a collecté des traces GPS sur le terrain pour un ensemble de parcours à pied et en véhicule, etensuite on a utiliséles plateformes QGIS et R software pour la gestion de ces données géographiques. Ceci nous a permis de créer des bases de données analysables, qu'on a ensuite analysées sur R software pour estimer le temps de parcours réel. Enfin, l'ensemble desestimations de temps de trajet ont servi à créer des modèles cartographiques pour l'ensemble du district à traversune interpolation spatiale pour des scenarios sans pluieet avec pluie.

Le manuscrit sera subdivisé en trois (03) partie, dans lapremière partieon parlera du contexte général et la problématique sur la présentation de la zone d'étude et l'Etat de l'art ensuite des matériels et méthodes en composants des présentations des données, les outils utilisés et la manipulation des données. Enfin, nous verrons les résultats obtenus et les discussions pour l'estimation de temps de parcours (piétonet véhicule motorisé).

PARTIE I : CONTEXTE GENERAL

Chapitre I: Présentation de la zone d'étude

Le district d'Ifanadiana est un district rural situé dans la région Vatovavy-Fitovinany au Sud Estde Madagascar.

Cette région a une superficie de 19 605 km²constitué par une altitude moyenne compris entre 0 m et 1200 m. Il compte 1 454 863 habitants en 2014 avec des différentes ethnies : Tanala, Betsimisaraka, Sahafatra, Antaimoro, Antsimatra et Antambahoaka.

1.1. Localisation géographique

Situé entre la latitude 20° 25' et 21° 40' et la longitude Est de 47° 20' et 47° 50', délimitée par le district de Nosy Varikaau Nord, Manakara Atsimo au Sud, Mananjaryà l'Est et la Région Haute Matsiatra à l'Ouest.

Le district a une superficie totale de 3970 km²avec 24,9 millions de la population. Il est constitué par treize communeset 195 Fokontany dont la majorité ne sont accessible qu'à pied (figure 1.1) : Ranomafana, Kelilaina, Ifanadiana, Ambiambe, Antaretra, Tsaratanana, Andrangavola, Ambohimanga Sud, Ambohimiera, Analampasina, Antsindra, Fasintsara, Maroharatra et Marotoko.

Dans le district, la ressource économique de la population est basée sur la fertilité de ses terresen pratiquant du petit élevage et de l'agriculture.Certain pratique la plantation de café, la culture du riz, des fécules, la cuture de banane et de canne à sucre. Cette dernière est destinée à la fabrication d'alcool local (Toaka Gasy). La population pratique aussi l'orpaillage et l'extraction minière (pierres précieuses) dans certaines communes du district.

La figure 1.1 montre la carte du district de la zone d'étude du projet en tenant compte des communes et de leurs délimitations.

1.2. Contexte géographique

Pour cette étude, les caractéristiques géographiques ont des rôles très importants qui pourraient constituer une barrière pour accéder aux soins. Ils sont cités ci-après tels que le relief, les réseaux hydrologiques, l'occupation du sol, le climat, les réseaux routiers et les formations sanitaires.

1.2.1. Le relief

Le district est une zone intermédiaire entre les Hautes Terres centrales et la côte Est, elle est caractérisée par des montagnes, des falaises et des collines. Une zone montagneuseaccidentée située sur les hauts plateaux à une altitude élevée au-delà de 1000 m avec des vallées profondes. Elle est tranchée par des falaises d'escarpement de l'Està environ 100 km de la côte, présentant des dénivellations abruptes de l'ordre de 500 m, marquée par de fortes pentes, des chutes d'eau et des vallées très étroites ;

La zone de moyennes collines est peu accidentée, avec des vallées assez larges, à environ 50 km de la côte suivi d'une basse colline (Figure 1.2).

Figure 4.2 : Un exemple de relief dans le Fokontany d'Ambonihonana situé dans la Commune de Kelilalina

1.2.2. Les réseaux hydrographiques

La zone d'étude est dotée de nombreux cours d'eaux. Au Nord, elle est longée par Sakaivo, Ampasary et Managnano qui se déversent dans l'océan indien dans le district de Manakara.

Le plus important cours d'eau du Sud du district est le fleuve Namorona avec une de longueur de 160 km. Il prend source près d'Ambalakindresy (à l'Est du district) et il longe le Sud district en passant par les communes de : Ranomafana, de Kelilalina et d'Ifanadiana. Et se jette dans l'Océan Indien à 50 km au Sud de Manajary.

En outre de ces rivières, il existe d'autres rivières qui alimentent les zones des cultures des habitants du district. La figure 1.3 ci-dessous montre les réseaux hydrographiques du district d'Ifanadiana.

1.2.3. L'occupation du sol

L'Ouest de la zone est constitué par une forêt tropicale (primaire et secondaire), qui est encore conservée grâce à la création du parc National de Ranomafana.

Dans le district, nous avons considéré cinq catégories principales d'occupation de sol : la forêt dense de plus en plus rétrécie (à cause feux de brousse, charbon, etc..), la savane arborée, la rizière, la zone d'habitation et l'eau de surface (les rivières).

En 2018, sur les 401071 hectares (ha)de superficie de district, la forêt humide dispose 85687 ha, la zone de riziculture 1210 ha, le savane arborée 299632ha, la zone d'habitation 13343 ha, et l'eau de surface 1199,6 ha.

1.2.3.1. La forêt dense

Elle est située dans la partie, Nord-Ouest et Sud -Est du district qui représente une grande majoritaires des forêts du district avec plusieurs centaines de variétés d'arbres et d'arbustes, ainsi que des milliers d'espèces animales précieux.

1.2.3.2. La savane arborée

La savane arborée est le couvert herbacé continu, mélangé avec des arbres. Elle est formée par la dégradation avancée de la forêt après défrichage et brulis répétés, ce qui nous donne lieu à des formations notamment herbeuses.

Principalement, elles sont constituées en majorité de plantes de la famille des graminea dans le Sud-Est et s'étendent dans la zone des moyennes collines.Elle représente également des nombreux types des cultures agricoles mixtes (sauf les rizières qui forment une catégorie appart), comme le canna à sucre, le maïs, les haricots et nombreux d'autres.

1.2.3.3. La rizière

La rizière est une mosaïque de culture dont on applique la riziculture dans laquelle, en générale on inonde avec de l'eau.

Dans le district, la plupart des habitants pratiquent la riziculture. Pour cela, ils y forment des autres endroits libres et loin de leurs villages qu'eux les nommées « Antsaha ».

1.2.3.4. La zone d'habitation

C'est la zone dans laquelle la populationconstruit leurs maisons ou d'autres infrastructures pour y habiter ou pour certaines activités économiques ou administratives. Il représente une ternaire nu qui peut avoir de la boue durant la saison de la pluie ou pas selon la caractéristique et plan de l'endroit.

Les zones d'habitation constituent des villages ou villes. Il se peut qu'il aille s'accroitre dans l'année avenir dû à la croissance de la population fortement jeune.

1.2.3.5. Les eaux de surface

Les eaux de surface sont l'ensemble des eaux qu'on peut observer par image satellite : masses d'eau, comme des étangs ou zones inondées, ainsi que des rivières et ruisseaux. Dans le district, plusieurs d'eaux sont souterraines pour la cultivation des riz ou d'autres cultures dans les villages, vu qu'il est une zone montagneuse qui permet d'avoir une source d'eaux.

La figure 1.4 montre l'ensemble d'occupation du sol dans le district d'Ifanadiana obtenue par des méthodes de classification à partir d'images sentinelle 2.

1.2.4. Le climat

Situé à l'Est de Madagascar, le district est constituépar un climat tropical. La pluie y est très abondante avec une précipitation annuelle variant entre 0 et1 900mm. La saison pluvieuse est chaude et humide avec une période de forte pluie s'étalant entre novembre jusqu'en avril. L'hiver est frais et humide s'étalant entre mai et août. Pour la pluviométrie, elle est influencée par l'humidité venant du vent d'alizée de l'Océan Indien.

1.2.5. Les réseaux routiers

La plupart des villages sont reliés entre eux par des chemins non carrossables qui ne sont accessibles qu'à pied. Il est traversé par une seule route goudronnée, la route nationale (RN25) d'Ouest en Est en passant à travers la forêt t les communes de Ranomafana, Kelilalina, Ifanadiana et Antaretra. Une ancienne route nationale RN 25relie la commune d'Ifanadiana et la partie Nord et une autre RN 7 pour la partie Sud. Mais ces axes Nord et Sud sont des pistes non goudronnées.

1.3. Le système de santé dans le district

Le district d'Ifanadiana possèdedessitescommunautaires (SC),desCSB de niveau I et II et un Centre Hospitalier de Référence du District (CHRD).

Dans le district, l'ONG Pivot soutienne ces trois niveaux du système de soins, à la fois en ressources humaines (personnel de santé), matériels (médicaux, informatiques) et financières (médicaux, construction, rénovation). Il soutienne également des nombreux programmes cliniques comme la malnutrition, les soins d'urgence, et la tuberculose entre autres.

1.3.1. Le site communautaire

Le site communautaire est le centre desoins le plus proche des villages, avec des soins minimums exclusivement pour les programmes suivants : PCIMEC (Prise en Charge Intégrée de la Maladie de l'Enfants au Niveau Communautaire : les enfants entre 0 à 5 ans), CRENAS (Centre de Récupération Nutritionnelle Ambulatoire pour Sévères), Tuberculose, et le Planning Familiale (PF).

Il existe un site communautaire par Fokontany, avec deux ACs chacun. En total dans tout le district, il y a cent quatre-vingt-quinze (195) Fokontany. Les communes couvertes par Pivot disposent de 41 sites communautaires.

Les ACs sont formés par les ACCs (Accompagnateurs des Agents Communautaires) et le chef CSB. Ettous les deux (02) ans, ils sont renouvelés par élection ou nomination direct.

Le site est construit par les gens des villages avec l'aide de l'ONG Pivot en termes de médicaments et de matériels.

1.3.2. Le CSB

Le centre de santé de base exerce un rôle très importantsur le dispositif du système de santé dans une zone rurale. Ils offrent les premiers soins d'une dignité capitale pour les exigences sanitaires de la population.

Le CSB I est gérer par des infirmiers et des aides-soignantes pour la vaccination et les soins de base. Et le CSB II par des Médecins, paramédicaux (infirmiers et/ou sage-femme) et offrent l'ensemble des soins de santé primaire.

Les CSB soutenus par pivot possèdent desinfirmiers, des médecins supplémentaires employés par Pivot pour renforcer l'équipe ministériel et améliorer la qualité de soins.

1.3.3. Le CHRD

Il est situé dans la commune d'Ifanadiana. Le centre hospitalier de référence de district (CHRD) est placé sous l'autorité du Médecin Inspecteur, le Chef de Service de District de la Santé Publique et est dirigé par un Médecin chef.

Le CHRD offre les soins obstétricaux essentiels pour la population.En générale, ils englobent les soins spécialisés et qui requièrent de l'hospitalisation comme les soins d'urgence, la chirurgie, les maladies infectieuses, les soinsintensifs pour la malnutrition aigüe sévère, des problèmes sévère, d'accouchement et le post-partum, ainsi que les soins aux nouveau-nées.

1.4. Le contexte thématique

Il représente les parties essentielles de l'approfondissement qui nous a conduitsà obtenir la problématique du sujet. Il met en valeur la question de recherche et pourvue d'un ensemble de méthodes rigoureuses sur laquelle se base l'étude.

1.4.1. Contexte de l'étude

La majorité des populations dans le district d'Ifanadiana habite dans des zones rurales enclavées, loin des CSB et de l'hôpital. Desétudes sur l'accès aux soins géographiques ont montré que genre de barrières géographiques présentent dans le district peuvent avoir un grand impact sur le temps de trajet des gens de chaque village jusqu'au centre de santé le plus proches, ce qui peut empêcher aux populations d'aller au CSB pour des problèmes de santé.

La figure 1.6 montre le contexte d'étude et les difficultés sur les barrières géographiques durant le déplacement des gens.

En effet, la population des zones enclavés doivent faire face à des nombreuses barrières géographiques pour se rendre au CSB comme traversée des montagnes, des rizières, des eaux de surface, des forêts, etc...) et la pluie.

Dans le cadre de l'étude, il est nécessaire de connaître de manière très précise le temps de déplacement en fonction de ces barrières géographiques citées précédemment. Pour cela, nous allons obtenir de données sur terrain pour une analyse de temps de trajet.

Dans chaque village, les difficultés d'accès aux soins diffèrent selon la condition climatique, l'état de la personne (malade), et les conditions topographiques du parcours. Et il se peut qu'il y ait un écart sur le temps de déplacement par rapport à toutes ces caractéristiques.

À l'arrivée au CSB, les patients sont reçus selon le niveau d'urgence et fonctions des soins dont il a besoin. Concernant ces soins, il existe une hiérarchie qui était conçu par l'ONG Pivot pour pouvoir bénéficier des frais gratuits. Par exemple, un patient qui est maladedoit se faire consulter auCSB. Et après lediagnostic du médecin, desfois une référence auprès de l'hôpital s'avère nécessaire.

1.4.2. La problématique

La problématique du projet estla difficulté d'accès aux soinspar rapport à ces barrières géographique (figure 1.6).Ces barrières ont un grand obstacle pour les gens concernant l'initiative d'aller au centre de santé pour soigner. L'impact c'est que les gens n'allaient pas qu'il y a une urgence à faire et de parcourus ces éloignements avec toutes ces barrières. Cette mauvaise habitude des gens peut avoir un grand impact sur l'augmentation des taux de mortalité dans le district.

1.4.3. L'objectif

L'objectif du projet consiste à comprendre les parcours de soins et le temps requis pour que chaque communauté atteigne l'établissement de santé le plus proche.

Par rapport à cela, on veut estimer d'une manière très précise le temps de trajet afin de permettre à l'ONG Pivot et au ministère de mettre en place des programmes adaptées. Orpour avoir une estimation la plus précise possible, il est nécessaire de faire un grand effort en termes de collecte de données sur le terrain, des données spatiales, d'image satellitaires, etc.

Dans le district, cette estimation de trajets est liée à des barrières géographiquescomme la difficulté par rapport à le relief,la pluviométrie qui cause des boues ou glissement, l'éloignement d'habitation des gens et les caractéristiques des paysages durant le trajet.

Pour la santé, un manque de soin peutaugmenter le taux de mortalité etcela est considéré commeun cas majeurmondialement sur l'organisation de la santé. Dû à cela, l'ONG Médicale Pivot s'intéresse àla recherche d'une solution durablepour aiderla populationà accéder facilement aux soins.

Chapitre 2 : Etat de l'art

Dans ce chapitre, on élaborerales connaissances existantesdu le sujet de recherchepar rapport à laproblématique.En générale, des recherches scientifiques ont utilisé différentes méthodes et approches ainsi que plusieurs sources de données pour trouver une solution par rapport à ce problème précis.

2.1. Théorie sur l'estimation du temps de parcours

Par rapport à notre étude, nombreuses théories ont été déjà élaborées par les scientifiques concernant l'estimation du temps de parcoursaux soins de santéliée aux problématiques d'accès géographiques.

2.1.1. Estimation par rapport aux situations régionales

Des études dans différentes régions ont été élaborées concernant l'accès aux soinscomme l'utilisation des mesures d'accessibilité basé sur le système d'information géographique (SIG) en utilisant des méthodes (de la zone de recrutement flottante et basée sur la gravité) d'analyse de l'accessibilité spatiale aux soins de santé primaires. Cette approche a été utilisée par exemple sur l'ensemble des données du recensement de 2000 et des données du médecin de premier recours dans la région de Chicago (Luo and Wang 2003).Ces méthodes peuvent être utilisées pour aider les départements de santé à améliorer la désignation des zones de pénurie de professionnels de la santé.D'autresrecherches ont évaluél'impact des précipitations et des inondations par rapport à la quantification de l'accès géographique aux soins(Makanga et al. 2017). Une nouvelle approche est identifiée pour modéliser l'accès potentiel spatio-temporel en évaluant les impacts sur l'accès aux soins, les services de santé maternelle utilisant différents modes de transport. Cela en utilisant de données tels que les coordonnées GPS des établissements de santé, les routes, les images satellites à haute résolution, d'autres données sur la répartition géographique, les données quotidiennes sur les précipitations et les inondations pour ces impacts.

2.1.2 Estimation par rapport aux situations rurales

Pour les études rurales,des nombreuses recherches ont été élaboréessur l'estimation du temps de parcours.Certaines comparentle temps de trajet basé sur des données rétrospectives de Medicare (aux Etats Unis) en utilisant le trajet par la route entre les populations et les services de santé(Chan, Hart, and Goodman 2006). D'autres estiment l'accès physique par rapport aux différents soins cliniques en milieu rural, urbain et périurbain en interrogeant 23000 ménages concernant leur usage des cliniqueset leur temps rapporté par rapport à ces cliniques (Tanser, Gijsbertsen, and Herbst 2006).L'estimation précise du temps de trajet est très importante carlorsque le temps de trajet augmente, il a une baisse logistique significative de l'utilisation.Ceci peut avoir des impacts sur la mortalité, notamment pour des communautés pauvres et vulnérables, qui résident souvent dans des zones isolées et rurales avec un accès limité aux services de soins de santé.Plusieurs données ont été collectée par le biais d'entretiens approfondis et discussion de groupes (avec les femmes en âge de procréer et enceinte), des guérisseurs traditionnels, des matrones et les fournisseurs de santé primaires afin de les analyser de manière thématique avec NVivo 10(Munguambe et al. 2016).La faiblesse de cetteétude repose sur le problème des moyens de transport et les contraintes financières.Une autre étude a utilisédes données d'enquête transversale sur les comportements de recherche de soins liée à lasoins obstétricaux d'urgence (SOU) de 39 grappes urbaines pauvres, ce qui a été liée géographiquement à un ensemble de données géo-référencées sur l'emplacement des installations de SOU(Panciera et al. 2016). Cet étude a montré qu'il est nécessaire,soit de renforcer les systèmes de référence et de transport d'urgence, soitde relocaliser les installations de SOU pour qu'elles soient plus proches des lieux de résidence de pauvres.Une autre étude identifie trois retards par rapport à la prise en charge des SOU : décider de recherche des soins, atteindre un centre de santé et recevoir un traitement approprié.L'étude est basée sur l'une de ces dimensions (second retard), et montre que les populations ont un accès médiocre aux SOU (Hussein, McCaw-Binns, and Webber 2012).Cette étude définie plusieurs dimensions, notamment la distribution et la densité des services, la distance et le temps par rapport à l'accès géographique. Les effets et l'efficacité de bon nombre de ces interventions sont mal compris et il faut davantage de preuves pour faciliter la prise de décision, en particulier les pays à faibles ressources.

2.1.3 Estimation par rapport aux situations des pays

Des études ont été élaborées dans plusieurs Pays, surl'approfondissementde l'accessibilité spatiale par rapport à des soins en établissement appropriés à la naissance. Cela nécessite la miseen placed'un ensemble de données spatiales liées et un modèle géospatial calibré en tenant comptes les informations tels que les établissements de santé, les rivières et d'autres caractéristiques du paysagequi influent sur le parcours`'`'(Gething et al. 2012). Cette approche, avec les données collectées à l'aide des voyages réels effectuées par les gens en quête de soins, a permis de mieux comprendre l'accès géographiques aux soins à la naissance au Ghana`'`'(Gething et al. 2012).Cette étude suggère que les références internationales actuelles en matière de prestation de soins de la santé maternelle ne sont pas adaptées car elles ne tiennent pas compte de la localisation et de l'accessibilité des services par rapport aux femmes qu'elles desservent.D'autres études utilisent la même approche avec différents données tels que les données du réseau routier, le modèle numérique d'élévation (DEM), l'emplacement des hôpitaux et des cliniques, ou des données de recensementpour comprendre les inégalités géographiques dans l'accès à des services de soins de santé entre régions selon le groupe d'âge et groupe de revenus divers se sont accrus rapidement(Jin et al. 2015).Cetteétude montre qu'il existe une forte corrélation négative entre le vieillissement de la population et l'accessibilité aux soins de santé.

2.2. Les approches existantes pour l'estimation du temps de parcours

La majorité des approches pour estimer le temps de parcours utilisées sont les modèles géospatiales et l'utilisation des systèmes d'information géographiques (SIG).

2.2.1. Les approches méthodologiques

Une étude aremplacé une mesure de distance traditionnelle (euclidienne) en utilisant des méthodes basées sur le réseauet surla matrice dans un SIG(Delamater et al. 2012). A partir de ladistance estimée à partir de ce réseau (en utilisant la méthodologie d'affectation de la population spécifique utilisée dans le Michigan), une vitesse de trajet moyen est appliquée pour obtenir le temps de trajet nécessaire pour atteindrela structure de santé. Ensuite,l'accessibilité est calculée en identifiant le nombre de personnes résidant à plus de 30 minutes d'un hôpital. Cette méthode a été largement utilisée dans les pays développés où le réseau routier est très complet et la majorité des trajets vers un hôpital se font en voiture -(Ouma et al. 2018). La limitation de ce genre d'étude pour les pays en voie de développement comme Madagascar est qu'une grande partie des déplacements se font à pied et que le réseau des sentiers est incomplet,ce qui rend difficilel'application de ce genre de méthode.

Certains casutilisent la méthode de pondération surfacique (à partir du SIG)afin d'agrégerles données de population. L'analyse du chemin le moins coûteux est appliquée pour calculer le temps de trajet de chaque cellule du bâtiment résidentiel vers une établissement de santé le plus proche(Jin et al. 2015).L'accessibilité aux soins de santé entre la zone urbaine et les zones rurales est examinée en fonction de la couverture des zones et des populations en comparant trois scénarios visant à réduire l'intégralité spatiale :la délocalisation des hôpitaux, la mise à jour des valeurs de pondération et la combinaison des deux.

Une autre méthode est l'utilisation de la zone de recrutement flottante (FCA), basée sur la gravité(Delamater et al. 2012). Elle évalue la variation de l'accessibilité spatiale aux soins de santé primaire et l'analyse de la sensibilité des résultats en expérimentant des plages de temps de parcours seuils par la méthode FCA et des coefficients de modèle de gravité. Les méthodes élaborées peuvent être utilisées pour les services sociaux et les départements de santé pour améliorer la désignation des zones de pénurie de professionnels de la santé.

2.2.2. Les approches SIG

Il existe une autre approche à partir du système d'information géographique concernant l'utilisation de l'information rétrospective. Il compare le temps de trajet, les distances et les différentes spécialités de médecins à partir des registres médicaux des patients. Ceci permet de déterminer la durée du trajet en calculant la distance entre deux centroïde de 1) les codes du quartierdu patient et 2) la position des prestataires de soins de santé privés(Hussein et al. 2012).

D'autres utilisedes enquêtes de23000 ménages concernant l'utilisation des cliniques. Une analyse des coûts pour estimer le temps de déplacement entre la résidence des ménages et le clinique le plus proche à partir d'une enquête avec uneutilisation de modèle statistique est utilisée(Tanser et al. 2006). La méthodologie a utilisé constitue un cadre pour la modélisation de l'accèsphysique aux cliniques dans desnombreux pays en développement.

Un projet mondial concernant l'utilisationdu domaine SIG pour quantifieren 2015 le temps de trajet vers les villes à une résolution spatiale d'environ un kilomètre,en intégrant dix surface globales caractérisant les facteurs affectant les taux de déplacement humain,et 13840 centres urbaines à haute densité dans un environnement géospatial établi et pour le validerà l'aide d'une cartographie (Weiss et al. 2018).La faiblesse de cette approcheest la non considération des zones à faibles ressources.

2.3. Estimation du temps de parcours qui utilise des modèlespour la prédiction

Certainesétudes utilisent de données spatialement pour estimer le temps de parcours pour les femmes en âge de procréer jusqu'au centre de santé le plus proche(Hussein et al. 2012)(Delamater et al. 2012). D'autres prennent en compte la proportion de personnes susceptibles d'utiliser les transports en commun (en fonction du temps estimé pour se rende à la clinique), la qualité et la répartition du réseau routier et des barrières naturelles qui a été calibré en fonction du temps de déplacement rapporté (Tanser et al. 2006).

Une étude sur la variation saisonnière de l'accès géographique a été faite pour déterminer l'accès aux soins maternels. Il propose une nouvelle approche pour modéliser la variationspatio-temporel de l'accès aux soins en évaluant l'impact des précipitations et d'inondation sur l'accès aux services de santé maternelleutilisant plusieurs modèles de transport (Makanga et al. 2017). En estimant le temps de trajet à partir du logiciel ArcGIS sur la méthode de centre le plus proche. Une autre étude visait à évaluer, dans un contexte rural à forte densité d'installations de santé, comment une réorganisation du système de santé comportant moins de sites de prestation de services avec plus de ressources pourrait impacter en termes d'accès de populations(Fogliati et al. 2015).Il utilise l'analyse géospatial et des réseaux pour estimer l'accès aux services obstétricaux (SO)à l'aide d'un modèle spatiale en utilisant les données sur l'emplacement des établissements de santé, la dotation en personnel et le nombre de cas d'accouchements.Cette étude montre que la moitié des établissements de santé de première ligne ne disposaient pas d'un personnel suffisant pour des SO à plein temps.D'autres utilisentséparément endeux niveauxde modèles de soins pour la santé primaires et soins hospitaliers afin de rendre les systèmes d'aiguillage essentiels pour l'accès physique. Ces modèles proposent surmonter les problèmes d'accès physique incluant les interventions en matière de communications, de transport, d'éducation, de finance, d'infrastructure et de technologie(Chan et al. 2006).

Des études utilisantles données géo-référencées sur l'emplacement des installations deSOU et des techniques géospatiales permettentd'examiner l'impact du temps de déplacement dans les établissements du SOU sur l'utilisation des services d'accouchement(Panciera et al. 2016).Ensuite les données sont appliquées pour quantifier l'impact du temps de trajet sur un lieu tout en contrôlant les facteurs socio-culturels, économiques et sociodémographiques.Des analysesont été aussi réalisées à l'aide de plusieurs modèles de régression logistique, de régression linéaire et des tests derapport de vraisemblance(Okwaraji, Webb, and Edmond 2015).

2.4. Synthèse

Pour l'estimation du temps de parcours, plusieurs recherches ont été effectuéesdansdifférents domaines, avec la majoritéd'étudesse focalisant sur l'accès géographique, l'utilisation de système d'information géographique et la mesure de l'accessibilité spatiale.En générale les données utilisées sont des données spatiales, des données archivés, des données d'enquêtes transversaleset des données GPS. Ils sont pratiqués sur l'analyse spatiale, la modélisation spatiale et la thématique de « mapping ».

Tableau 5.1: Récapitulatif des études portant sur le calcul du temps de parcours aux soins

Publication		Localisation	Thème	Approches utilisée
(Makanga et al. 2017)	Région	Mozambique	Accès géographique aux soins	Modélisation d'accès spatio-temporel
(Hanson et al. 2017)	Rurale	Tanzanie	Amélioration d'accès aux soins	Modélisation d'accès spatiale
(Makanga et al. 2016)	Pays à revenus faibles		Exploratoire des SIG en santé	Modélisation d'accès spatiale
(Munguambe et al. 2016)	Pays	Afrique /Ghana	Accès géographique aux soins	Modélisation d'accès géospatial
(Okwaraji et al. 2015)	Rurale	Ethiopie	Obstacles à l'accès physique aux services de santé	Modélisation d'accès spatiale
(Tanser 2006)	Rurale	Kwa-Zulu-Natal	Optimisation sur l'emplacement des nouveaux établissements de soins	Thématique « mapping »
(Panciera et al. 2016)	Zones urbaines	Banglasesh	L'influence du temps de déplacement sur le comportement en matière de recherche de soins	Thématique « mapping »
(Weiss et al. 2018)	Nations Unies		Carte du temps de trajet des villes pour évaluer les inégalités d'accessibilité en 2015	Thématique « mapping »
(Salehi and Ahmadian 2017)	Echelle mondiale		L'application des SIG à l'identification des domaines prioritaires pour les soins.	Thématique « mapping »

PARTIE II :MATERIELS ET METHODES

Chapitre 3 : Présentation des données

Pour cette étude, nous avons créé un système d'information géographique composé des éléments suivants : 1) des données de temps de parcours à pied, collectés sur le terrain (altitude, vitesse, distance), 2) des données de temps de parcours en véhicule, collectés à travers la société TAG-IP (véhicule/moto), 3) des données climatiqueset environnementales, obtenus par des données satellitaireset4) d'autres données spatiales téléchargées sur OpenStreetMap.

3.1. Les données de parcours à pied

Il existe plusieurs outils permettant de collecter des données de parcours comme : OSMAnd, OSMTracker, Sygic, Waze, etc.... Pour cette étude, OSMAnd a été choisi vu qu'elle possède un fond de cartesd'OpenStreetMap, libre et ne nécessite pas de connexion.

3.1.1. Description

Afin d'obtenir différentes données de vitesse de trajet selon le type d'occupation du sol et d'altitude, des collectes de données dans cinq communes ont été effectuées. Les communes concernées étaient : Ranomafana, Kelilalina, Ifanadiana, Ambianbe et Antaretra.

La collecte des données est effectuée pardifférents individus (ACCs, villageois et moi-même) ceci dans le but de voir la variation individuelle de la vitesse.

3.1.2. Structure des données

Durant chaque parcours, l'OSMAnd enregistretoutes les 10s la position géographique par GPS, l'heure et l'altitude ce qui permet d'estimer les vitesses de parcours, le temps de parcours effectué ainsi que la distance parcourue.

3.2. Temps de parcours à moto et voiture : TAG-IP

Le TAG-IP est une entreprise travaillant dans le domaine de la géolocalisation des véhicules motorisés à Madagascar.Elle a été créée en 2008, en partenariat avec Telma afin de donner aux entreprises la possibilité de géolocaliser à tout moment et en tout lieu leur flotte de véhicules (voitures, moto, et d'autres).L'ONG Pivot utilise sesservices pour suivre les déplacements de sleurs voitures etmotos.

3.2.1. Description

Chaque voiture et moto est dotée d'un GPS. A chaque déplacement, il enregistre la position de chaque véhicule par intervalle de temps de 10s (figure 4.2).

Ces données sont enregistrées en temps réel dans le serveur de la société TAG-IP.

3.2.2. Structure des données

On dispose de11 variables dont l'identification de véhicule (idTrackable), le numéro matricule (immatriculation), l'identification parcours (track), la date et heure du déplacement, les coordonnées géographiques (lon et lat), la vitesse d'accélération (vitesse), l'altitude (alt), le numéro satellite (sat), la capture (cap). Ces informations sontarchivées dans le serveur du TAG-IP pour une durée limité maximumde trois mois.

3.3. Données climatiques

Les données de précipitation ont été utilisés afin de connaitre la variation de la vitesse de parcours de chaque individu avant, pendant et après le passage de la pluie.

3.3.1. Description

Dans le district, les précipitions sont différents pour chaque commune.De ce fait, pendant un parcours on peut avoir deux valeurs différentes de précipitation pour deux communes.

Ces donnéessont disponiblesà partir d'un lien (POWER API) accessible gratuitementsur le site de NASA « Power Project Data Set^1(*) ».Le POWER signifie : Prediction Of Wordwide Energy Resource.

3.3.2. Structure des données

Les données sont constituées parcinq variables importantestelles que :le code Fokontany (cle_jointure), les coordonnées géographiques (lng/lat), la date (jour/mois/annee), les valeurs des précipitations (valeur) et numéro de semaine.

3.4. Les données d'occupation du sol

Une classification supervisée d'image a été effectuéeafin d'obtenir une carte d'occupation du sol. L'image utilisée provient du Sentinel 2 datant du 18 août 2018 avec une résolution de 10m avec un niveau de traitement 2B.

Le traitement a été effectué sur QGIS à l'aide du plugin « Dzetsaka ». Un plugin qui effectue un traitement d'image semi-automatique. On crée des zones d'échantillonnages et après on choisit le pourcentage d'une partie de ces zones pour la validation (40% pour l'étude).

3.4.1. Description

Pour la création des paysages, la classification d'image satellitaire semi-automatique. La classification est classée par cinq (05) catégorie ROI (Region Of Interest) qu'on a cité précédemment.L'image sentinelle 2 est disponible sur le site officiel de la sentinelle.

3.4.2. Structure des données

Après la classification, on obtient un résultat d'image rasterclassé par catégorie des paysages disponibles dans le district.Ces paysages sont les suivantes : les rizières, les forêts, les savanes arborées, l'eaux de surface et les zones résidentielles.

3.5. L'altitude

Les données d'altitude proviennent de SRTM (Shuttle Radar Topography Mission). Elles sont utilisées pour obtenir les valeurs d'élévation du terrain sous la forme d'image en 2D avec une résolution de 30m. Les données sont disponibles sur le site de NASA.

Chapitre 4 : Les outils utilisés

Ce chapitre, représenteles outils utiliséspour l'acquisition, les pré-traitements et les traitements des données.Les trois premiers outils sont pour l'acquisition des données et le reste pour le traitement.

4.1. OSMAnd

OSMAnd est une application cartographique et de navigation qui exploite les données libres d'OpenStreetMap. Complet, il dispose les principales fonctionnalités nécessaires pour la collecte des données sur le terrain telle que le mode hors ligne, enregistrement de la trace en GPX, localisation de la position par GPS et suivre un parcours pré-enregistré (figure 4.1).

Il est disponible sur deux plateformes : la version Android et iOS. On a utilisé la version Android et collecté les informations à l'aide des tablettes (Samsung Galaxy Tab A6).

Figure 7.1: Un exemple de parcours à pied enregistré à l'aide d'OSMAnd dans la commune de Kelilalina

4.2. TAG-IP

Pour la réalisation de la collecte, on a utilisé les outils suivants : l'API du TAG-IP, un SCRIPT développé sur Python et les matériels GPS (installés sur les véhicules).

La figure 4.2 montre un exemple de données récupérée par le script sous format Excel (.csv).

4.3. Power Api

Pour obtenir les données des précipitations nous avons utilisé le service « POWER API » et un SCRIPT développé enPython.

La figure 4.3 affiche un exemple des données journalières venant du POWER pour le district d'Ifanadiana par Fokontany.

4.4. GPS track editor

La trace GPS est une séquence ordonnée de points avec latitude, longitude, date, heure.

Comme les coordonnées obtenues d'un récepteur ne sont pas toujours très précises, différentes erreurs pourraient survenir lors de l'acquisition. Par exemple, le récepteur peut montrer un mouvement en restant immobile.

GPS Track Editor sert à nettoyer les traces. Certaines déviations sont traitées automatiquement mais on peut contrôler le résultat et éditer une partie de la piste manuellement.

On a utilisé cet outil pour le filtrage des points par rapport à la données GPX, l'étude en profondeur et d'autres fonctionnalités qui sont représentés dans la figure 4.4.

4.5. QGIS

L'outil QGIS est un logiciel « open source », élaboré par une communauté de développeurs et destiné au traitement des données géographiques.

Il est utilisé pour la manipulation des données géographiques, l'importation des données géographiques sur PostGIS, des requêtes spatiales et la classification d'image satellitaire à l'aide d'un plugin dzetsaka.

4.6. ArcGIS

L'ArcGIS permet d'analyser des données et publier des connaissances géographiques pour examiner des relations, tester des prévisions et prendre des décisions plus avisées.

On a utilisé ArcGIS pour obtenir l'intersection des données géographiques avec les données de parcours sur le terrain pourla création des cartes et pour l'interpolation des résultats spatiales.

4.7. PostGIS

Le PostGIS est un système de gestion de base de données (SGBD) spatial. Il est utilisé pour stocker les données collectéescites précédemment avec les limites administrativesdu district d'Ifanadiana afin deles manipulerà partir de différentes requêtes.La figure 4.5 suivantes représente les parties des données.

4.8. R

Le logiciel R est un logiciel de statistique. Il sert à manipuler des données, à afficher des graphiques et à faire des analyses statistiques.

Pour cette étude, il est utilisé pour structurerles données, pour effectuer les calculs statistiques,faire l'exportation des données,faire d'analyse d'exploratoire pourcréer des modèles et effectuer la prédiction.

Chapitre 5 : Manipulation des données

Dans ce chapitre, on explique les différentes procédures effectuées pour le traitement de des données collectées. Dans un premier temps, on parlera des étapes de prétraitements, après le traitement et à la fin de la comparaison entre les résultats théoriques et résultats sur terrain.

5.1. Prétraitements

Cette phase de prétraitement est nécessaire pour nettoyer les données collectées afin de faciliter le traitement. Pour cette étude, on a utilisé différents outils selon chaque type de données.

5.1.1. Nettoyage des données prise sur le terrain

LeGPS Track Editor a été utilisé pour enlever les points erronés prises au début et à la fin d'un parcours mais aussi pour enlever les points lors des attentes de transbordement par pirogue. Enfin, ce logiciel nous a aussi servi à séparer une trace en deux.

5.1.2. Transformation des données .gpx en .shp sur Qgis

Après le nettoyage, les données ont été importées sur Qgis pour être transformés en fichier .shp à l'aide d'un plugin « GPX Segment Importer ».Après la transformation, on a ajouté deux variables comme : track pour la spécification des parcours et l'individu pour la différenciation des vitesses pour chaque parcours. Et pour finir, on l'importe dans une base de données sur PostGIS.

5.1.3. Intersection des traces avec l'occupation du sol

L'outil d'intersection d'ArcGIS^2(*) a été utilisé afin d'obtenir une table de toutes les traces avec les différents types d'occupation du sol qui se coïncide avec. Il est à noter qu'une trace peut se coïncide avec un ou plusieurs types d'occupation du sol.

5.1.4. Utilisation des données géographiques sur PostGIS

Toutes les données sont importées dans la base sur PostGIS. Il représente les informations dans la base de données nommée « pivot » sur plusieurs tables avec différents types degéométries.Des requêtes spatiales avec différentes fonctions ont été utilisées (st_intersects, st_dump, st_setsrid, st_addmeasure,...) pour obtenir les caractéristiques du terrain et climatiques pour chaque segment d'environ 168 parcours. Pour faciliter le traitement, les requêtes sont structurées sur plusieursvues^3(*), c'est-à-dire nous avons rassemblées sur un vue plusieurs requêtes.

5.1.5. Finalisation de la base de données

La plus grande étape de la finalisation du prétraitement a été effectué sous R, après la récupération des donnés sous PostGIS en utilisant le plugin « rpostgis ». Tous les paramètres à étudier étaient fusionnés dans une seule table (gps track, occupation du sol, ...). Pour chaque segment d'un parcours (distance entre deux points GPS pris), les variables explicatives associées tels que la pente (en pourcentage), la vitesse (en km/h), la distance (en km), le temps (en heure) ont été calculés. On a aussi effectué des catégorisations pour des variables telles que la précipitation (0 à 10, 10 à 25 et 25 et plus), la distance (0 à 13 et 13 et plus), lapente (0 à 30, 30 à 70, 70 à 100 et 100et plus) et l'occupation du sol (0 à 0.1, 0.1 à 50 et 50 à 100). Les valeurs aberrantes ont été éliminés dans ce traitements et les données ont été restructurées. Enfin, les données étaient exportées en fichier .csv.

5.2. Traitements

Les traitements permettent d'explorer l'ensemble des données pour savoir des informations sur les donnéeset de l'analyserafin d'avoir des connaissances pour la création des modèles.Tous ces traitements sont effectués sur R, à part l'interpolation postérieur des prédictions des modèles qui était fait sur ArcGis.

5.2.1. Modélisation statistique

Il permet d'établir les modèles statistiques appropriés en fonction de la distributiondes variables explicatives et réponse ainsi que leur relation, ce qu'on observe durant l'explorationdes différentes variables. Avec le développent des modèles, on a effectué deux étapes : 1) l'analyse exploratoires des données 2) la création des données statistiques.

5.2.2. Analyses exploratoires

Cette étape consiste à l'analyse deseffets de chaque variable explicative par rapport au variable réponse. Les variables explicatives sont les suivantes :la pente, la distance, la pluie,l'occupation du sol et la vitesse comme la variable réponse.

Pour chaque variable explicative, on a observéle lien par rapport à la variable réponse et de les catégoriser en fonction de l'analyse visuelle pour avoir les comparaisons possibles et d'interprétations fiables.

Les sous-sectionssuivantesmontrent l'analyse exploratoirede chaque variable explicative :

La vitesse est la variable à explique ou réponse. Il est important de connaitre la distribution de cette variable pour le choix du modèle (gaussien ou généralisé) etelle va être comparéeavec toutes les variables explicatives citées précédemment afin de voir les liaisons entre eux.

La variable pente représente le niveau d'inclinaison du terrain par rapport aux reliefs, montagnes, ou collines.

Pour le calcul, il existe deux méthodes, tels que le calcul en dégrée et le calcul du pourcentage (%) d'une pente. On a opté pour la dernière, celle du pourcentage suivant la formule^4(*) :

Ensuite, les valeurs sont catégorisées pour avoir des valeurs qualitatives afin de comparer l'exploration des données obtenues. Ces explorations sont montrées dans la figure 7.2avec les deux valeurs (quantitative / qualitative).

La variable distance est utilisée pour identifier l'effet de la distance depuis le début du parcours sur la vitesse, sous l'hypothèse que la vitesse réduit après une longue marche.Elle est représentée sous forme de points en calculantla distance des deux à l'aide d'une fonction nommée « spDist », disponible sur R.On a utilisé la formule suivante pour le calcul :

Après le calcul, ces distances partielles sont regroupéesen une distance de parcourset catégoriséespour l'analyse d'exploration en qualitative.La valeur de la variable est catégorisée entre [0 ;13[ et [13 ; 22,9[, selon l'analyse de la figure 7.3.

La variable pluie (précipitation)est une variable explicative qui représentel'influence de la pluiejournalière où le parcours a été effectuéspour tenir en compte ladétérioration du sol (boue,etc..).L'unité de mesure est en millimètres (mm).

Durant l'exploration, on a utilisé la catégorisation des valeurs entre [0,10[, [10, 25] et]25,50]pour l'analyse qualitative par rapport à la mesurefaite par(Visser and Jones III 2010) et la valeur originale pour l'analyse quantitative.

Il est utilisé pour l'analyse exploratoire des véhicules uniquement. La variable explicative pontpermet de voir la vitesse des véhicules lorsqu'ils passent sur une passerelle. Elle est catégoriséeendeux valeurs telles que : oui et non.

Cette variableexplicative est utilisée pour la détection d'effet sur la vitesse ; lorsque les véhicules passentparune zone d'habitation. Il est catégorisé en deux valeurs telles que : oui et non.

On a utilisé la variable explicative route pour voir les relations entre les vitesses etles types des routes pour l'analyse exploratoires des véhicules.Il est catégorisé en quatre valeurs qui sont les suivantes : la route nationale, la route non goudronnées, la route non classifiée et le chemin.

Cette variable représente la variation de la vitesse pour chaque collecte de données durant les parcours effectués. Il permet de voir la différence des vitesses des individus.

La valeur de la variable est catégorisée telles que l'ACC (la vitesse des accompagnements des agentscommunautaires), la vitesse de référence (la vitesse dans mes parcours à moi) et lesvillageois (la vitesse des villageoisqui ont participé à l'étude).

Pour la variable d'occupation du sol,on a utilisé différents types d'approchespour l'analyse des valeurs tels que : l'utilisation des valeurs quantitatifs en proportions (séparément par chaque type), l'utilisation des valeurs en catégorieentre ]0 ;0,1], [0,1 ;50[ et [50,100[pourcent, et l'utilisation du type de paysage majoritaire sur un parcours.Ces analysespermettent d'observer les effets d'occupation du solsur la vitesse des individus.

5.2.3. Prédiction de la vitesse de trajet à pied

Afin d'analyser la variation de la vitesse selon chaquevariable explicative, des modèles univariés ont été construits pour identifier les variables qui influencent le plus la vitesse. Ensuite, un modèle multivarié a été développé pour inclure toutes les variables qui ont été significatives lors de l'analyse univarié, afin de prendre en compte l'effet de tous ces facteurs ensemble.

Suite à l'exploration de données précédentes, les variables explicatives utilisées dans le modèle sont les suivantes : la pente (à valeur quantitative), la pluviométrie (à valeur quantitative), la distance (à valeur qualitative), l'occupation du sol (à valeur qualitative) et l'individu (à valeur qualitative pour les différents types d'individus).

Le modèle univariépermet d'obtenir les informations sur les coefficientsassociés à chaque variable.Le modèle est appliqué à l'aide d'une fonction disponible sur R nommée « lm » avec la formule :

où á est l'intercept (valeur de la variable réponse quand l'explicative vaut zéro) ; â est le coefficient de régression (changement dans la variable réponse pour chaque incrément d'une unité de la variable explicative), et est l'erreur de prédiction (différence entre valeurs observés et prédits).

Pour le modèle multivarié, les variables les plus significatives du modèle précèdent ont été utilisés. L'AIC (Akaike information creterion) est calculé pour chaque modèle pour estimer la qualité du modèle obtenue. Pour le modèle de parcours à pied, on a utilisé unmodèle additive(GAM) pour prendre en compte la relation non-linéaire entre la vitesse et la pente (figure 7.3). Pour le modèlede parcours en véhiculemotorisés nous avons utilisé un modèle gaussien (figure 8.3). Pour les deux modèles, on a utilisé des modèles mixte, où les variables explicatives sont les effets fixes et un effet aléatoire a été rajouté pour chaque parcours individuel (Muller 2018).Les modèlessont disponibles sur R avec les plugins « mgcv / lmer » et les fonctions nommée « gam / lmer ».

Après la création des modèles, on a utilisé des données de parcours entre chaque village et CSB.Ces parcours représentent les distances minimums de chaque village par rapport au CSB le plus proche. Pour le structurer, on a effectué les mêmes étapesque précédemmentpour avoir toutes les variables explicatives nécessaire à partla pluviométrie.Ensuite, on fait la prédiction de ces données à partir du modèle multivarié final pour avoir la valeurde la vitesse.

5.2.4. Temps de trajet pour rejoindre les CSB

Pour avoir le temps de trajet de chaque village pour rejoindre le CSB le plus proche pour tout le district d'Ifanadiana sous forme de carte, une interpolation est effectuée sur ArcGIS en utilisant la méthode de « Krigeage »(Sophie 2005).Cette méthodepermet de générer une surface estimée à partir d'un ensemble dispersé de points avec des valeurs Z.

Pour cette étudela valeur Z est le temps(en mn)estimée par la prédictionet présentée sur les figures 7.9et7.10.

PARTIE III :RESULTAT ET DISCUSSION

Chapitre 6 : Mise en oeuvre

Dans ce chapitre on élaborela mise en oeuvre du projet concernant la manipulation des données avec les outils ettous les traitements pour obtenir les différents résultats. Il est réalisé selon deux étapes : 1) les prétraitements qui utilisent les données brutes et les structures afin d'exporter toutes les variables importantes pour l'étude, et2) les traitements des données qui permettentleurexploration, la création des modèles statistiques, la prédiction du temps de parcours et enfin l'interpolation.

6.1. Prétraitements

Pour les prétraitements, on a utilisé desdivers outils géomatiques pour manipuler les informationset les structurées afin d'avoir une base de données analysable.Plusieurs étapes,ont été utiliséesà commencer par le nettoyage des données jusqu'à l'importation des données.

6.1.1 Utilisation des données avec les outils

Les données collectées sur le terrain dans la figure 4.1 sont enregistrées sous format .gpx. Après l'enregistrement, on l'importedans GPS Track Editor pour lesnettoyeret les séparer en cas des plusieurs enregistrements detrace commereprésentédans la figure 6.1.

Ensuite, on a faituneconversion du fichier GPS sous fichier shapefile à l'aide du plugin GPX Segment Importer qui est disponible dans le dépôt de QGIS. Ce plugin a permisde manipuler les informations géographiques collectés surQGIS et représenté par la figure 6.2.

Après cette conversion, on modifie les données pour ajouter deux champs : le « track » et l'individu. Le « track » permet d'identifier chaque parcours effectué et l'individupermet de reconnaître le type de gens qui l'a collecté. Le processus est représentépar la figure 6.3.

Pour chaque enregistrement, on utilise le même processus et aprèson les rassembleà l'aide d'un outil de gestion de données nommé « Fusion des couches vecteurs » sous QGIS.

Les données fusionnées sontimportées dans la base de données PostgreSQL/PostGIS nommée « pivot » etdansla table « gps_track_pied ».La figure 6.4 montre l'importation des données dans la base de données.

Enfin, La figure 6.5 représente les données après l'importation concernant les parcours effectués. Celui-ci est très important afin qu'on puisseutiliser les fonctions spatiales disponibles sur PostGIS pour les requêtes spatiales.

Pour les donnéesde pluviométrie, on a téléchargé les informations climatiques par Fokontany à partir d'un outil de téléchargement utilisable sur QGIS quiest présenté sur la figure 6.6. On a utiliséles centroïdes des limites administratives, le code de Fokontany pour la clé de jointure etla durée entre deux dates comme paramètres.

Après le téléchargement, les informations sont retournéesavec la valeur de la pluviométrie par Fokontanyreprésenté par la figure 6.7. Pour avoir la date, on a ajouté un champ « datejours » qui est concaténé à partir des champs tels que : l'année, mois et jour.

Pour terminer, on importe dans la base de données précédentedans la table « précipitation ».La figure 6.8 montre cette importation à partir de la gestion de base de données sur QGIS.

Pour les données d'occupation du sol, on a effectué uneintersectiondes parcours collectés sur le terrain par rapport au paysage. L'objectif est derécupérer les informations d'occupation du sol sur une ligne de parcours.On a utilisé ArcGIS,en utilisant l'outil intersection sur Arctoolbox « intersection ».

Après cette intersection, on revient sur QGis et on yajoute un autre champ « length_km » pour la distance de chaque ligne ($area) commesur la figure 6.10.L'abréviation (abrv) estle type d'occupation du solcodifié et le commentaire représente l'étiquette de l'occupation du sol).

Pour finir, on l'importe dans la base de données dans une table nommée « landcover_arcgis_pied ». La figure 6.11 montre cette importation à partir de la gestion de la base de données sur QGIS.

6.1.2. Exportation de la base de données

On a utilisé l'outil R software pour les jointures et les calculs tels que : la distance, la vitesse, la pente et la proportion des paysages sur des scripts. Enfin, on l'exporte sous format (.csv).La figure 6.12 affiche les informations de base de données analysable pour l'estimation du temps de parcours à pied.

Figure 9.12 : Le base de données analysable pour l'estimation du temps de parcours à pied

Et la figure 6.13 représente les informations de base de données analysable pour l'estimation du temps de parcours en véhicule motorisé.

Figure 9.13 : Le base de données analysable pour l'estimation du temps de parcours en véhicule motorisé

6.2. Traitements

Pour obtenir les résultats, on a élaboré plusieurs scripts sous R pour les traitementsavec des méthodesstatistiques afin de résoudre le problème complexe sur le cas d'étude.Ces scripts sont présentésà partir du l'extrait des codes dans chaque sous-section.

6.2.1. Exploration des données

Pour l'exploration, on a utilisé deux modes exploratoires comme : l'analyse de variables quantitatives et l'analyse de variables qualitatives.L'analyse de variables qualitatives, pour connaitre le lien entre la vitesse et des variables catégorielles, se fait à partirde la boîte à moustache (boxplot) et l'autre à partir de la fonction plot.

L'extrait du code suivant montre l'analyse exploratoire des données collectées sur le terrain pour l'estimation du temps de parcours à pied.Dans ce code, on a crééune variable « distance originale » (distance cumulée) à partir de la distance pour avoir l'effet des vitesses par rapport à l'éloignement depuis le début du parcours afin de le catégoriser. Ensuite, on catégorise par rapport à leur type les valeurs de proportion d'occupation du sol en gardant l'une qui a la valeur la plus élevée. Enfin, on représente graphiquementles données pour toutes les variables.

# Sélectionner chaque track séparément et obtenir les positions dans la base de données où il se trouve

for (my.track in levels(track.database.model$track)){

position=which(track.database.model$track==my.track)

# Pour chaque track on va calculer la distance depuis le début du parcours

for (i in 1:length(position)){

if(i==1){track.database.model$distance.origine[position][i]=track.database.model$distance[position][i]}

else{track.database.model$distance.origine[position][i]=track.database.model$distance[position][i]+track.database.model$distance.origine[position][i-1]}

}

# Catégorisation de la distance originale des parcours effectuée durant les trajets

track.database.model$categorydistance <- cut(track.database.model$distance.origine, c(0, 13 , max(track.database.model$distance.origine)), include.lowest = TRUE)

# Catégorisation des valeurs proportion d'occupation du sol

sum.cat=apply(track.database.model[,c('Savane_Arboree','Foret_dense','Zone_Habitation','Riziere','Eau_de_surface')],1,sum)

hist(sum.cat) ; sum.cat.total=ifelse(sum.cat==100,1,0)

# On utilise cèle qui ont la valeur plus grande pour l'occupation du sol

main.cat=apply(track.database.model[,c('Savane_Arboree','Foret_dense','Zone_Habitation','Riziere','Eau_de_surface')], 1, function(x){which(x>50)})

ii=which(lapply(main.cat,length)==0) ; main.cat[ii]='Mixte'

track.database.model$occupation=factor(labels(unlist(main.cat))) ; levels(track.database.model$occupation)[1]='Mixte'

# Catégorisation des valeurs proportion d'occupation du sol

track.database.model$paysages.c <- cut(as.numeric(track.database.model$paysages), c(0,0.1, 50, 100), include.lowest = TRUE)

#Diviser par 15 les valeurs des pentes

track.database.model$slope <- abs(track.database.model$slope)/15

# Frequence du variable reponse

par(mfrow = c(1,3))

hist(track.database.pied$speed, col='grey', main=NULL,xlab='Vitesse des individus', ylab = "Frequence")

table(track.database.pied$speed)

boxplot(track.database.pied$speed, ylab="Vitesse", main="Médian des vitesses")

plot(ecdf(track.database.pied$speed), main="Répartition cumulée")

# variables pente par rapport à la vitesse

par(mfrow = c(1,3))

hist(track.database.pied$slope, col='grey', main=NULL,xlab='Valeurs des pentes', ylab = "Frequence")

table(track.database.pied$typeslope)

track.database.pied$typeslope=factor(track.database.pied$typeslope, levels(track.database.pied$typeslope)[c(1,2,4,3)])

boxplot(track.database.pied$speed~track.database.pied$typeslope, ylab="Vitesse des individus par type des pentes")

plot(track.database.pied$slope,track.database.pied$speed, ylab='Vitesse des individus / pente de terrain', pch=16, cex=0.5)

abline(lm(speed~slope, data=track.database.pied), col='lightblue', lwd=2)

lines(smooth.spline(track.database.pied$slope,track.database.pied$speed),col='red',lwd=2)

legend('topright',lty=1, cex = 0.8 ,col=c('lightblue','red'),c('Modèle linéaire','Modèle Non Linéaire'))

cor(track.database.pied$slope, track.database.pied$speed, use = "complete.obs")

table(track.database.pied$lpaysages.c)

boxplot(track.database.pied$speed ~ track.database.pied$paysages.c, ylab='Vitesse des individus', xlab="Paysages")

L'extrait de code suivant montre l'analyse exploratoire des données des véhicules collectées à l'aide des outils GPS pour l'estimation du temps de parcours en véhicule motorisé.

# variable distance

par(mfrow = c(1,3))

hist(track.database.model.v1$distance.origine, col='grey', main=NULL,xlab='Distance des parcours effectués', ylab = "Frequence")

track.database.model.v1$categorydistance <- cut(track.database.model.v1$distance.origine, c(0,2, max(track.database.model.v1$distance.origine)), include.lowest = TRUE)

table(track.database.model.v1$categorydistance)

boxplot(track.database.model.v1$speed~track.database.model.v1$categorydistance, ylab='Vitesse des véhicules ', xlab="Distance (km)")

plot(track.database.model.v1$distance.origine,track.database.model.v1$speed, ylab='Vitesse des véhicules / distance', pch=16, cex=0.5)

abline(lm(speed~distance.origine, data=track.database.model.v1), col='lightblue', lwd=2)

lines(smooth.spline(track.database.model.v1$distance.origine,track.database.model.v1$speed),col='red',lwd=2)

legend('topright',lty=1, cex = 0.8 ,col=c('lightblue','red'),c('Modèle linéaire','Modèle Non Linéaire'))

cor(track.database.model.v1$distance.origine, track.database.model.v1$speed, use = "complete.obs")

table(track.database.model.v1$bridge)

boxplot(track.database.model.v1$speed~track.database.model.v1$bridge, xlab="No - Pas de pond | Yes - Traversant un pond", ylab='Vitesse des véhicules en traversant un rivière')

# variable résidentielle

#par(mfrow = c(1,2))

table(track.database.model.v1$landuse)

boxplot(track.database.model.v1$speed~track.database.model.v1$landuse, ylab='Vitesse des véhicules par catégorie')

# variable pont

#par(mfrow = c(1,2))

table(track.database.model.v1$bridge)

boxplot(track.database.model.v1$speed~track.database.model.v1$bridge, ylab='Vitesse des véhicules par catégorie')

# variable réseaux routiers

#par(mfrow = c(1,2))

table(track.database.model.v1$highway)

track.database.model.v1$highway=factor(track.database.model.v1$highway, levels(track.database.model.v1$highway)[c(4,3,2,1)])

boxplot(track.database.model.v1$speed~track.database.model.v1$highway, ylab='Vitesse des véhicules par catégorie')

# variable individu

table(track.database.model.v1$individual)

track.database.model.v1$individual=factor(track.database.model.v1$individual, levels(track.database.model.v1$individual)[c(2,1)])

boxplot(track.database.model.v1$speed~track.database.model.v1$individual, ylab='Vitesse des véhicules par catégorie')

6.2.2. Mise en place du modèle statistique

Après les explorations, on élabore un modèle statistique linéaireunivarié pour toutes les variables explicatives par rapport à la variable réponse sur l'interprétation des données. L'extrait du code suivant permet d'avoir les informations sur les modèles linéaires.

#créationtablenulle pour le résultat des modèles

model.resultat <- data.frame(NULL)

var.name = names(model.test)

for (i in 3:length(var.name)){

variables <- var.name[i]

var.temp <- model.test[, var.name[i]]

rst.model <- lm(model.test$speed ~ var.temp)

modelSummary <- summary(rst.model) # capturer les informations surles modèles

modelCoeffs <- modelSummary$coefficients # coefficients des modèles

resultat.categ <- data.frame(NULL)

var.coeffs = names(modelCoeffs[,1])

speed.estimate = modelCoeffs[,1][1]

for (i in 2:length(var.coeffs)){

variable.coeffs <- paste(var.coeffs[i], variables, sep = " | ", collapse = NULL)

beta.estimate <- modelCoeffs[var.coeffs[i], "Estimate"] # recup. beta estimate pour var.temp

std.error <- modelCoeffs[var.coeffs[i], "Std. Error"] # recup. std.error pour var.temp

t_value <- beta.estimate/std.error # calcul t statistique

p_value <- 2*pt(-abs(t_value), df=nrow(cars)-ncol(cars)) # calcul p Value

#enlever le préfixe nommé (var.temps)

variable.coeffs <- substring(variable.coeffs, 9)

var.test <- substr(variable.coeffs, 1, 2)

if(var.test == " |"){

variable.coeffs <- substring(variable.coeffs, 3)

}

temp.categ <- data.frame(variable.coeffs, speed.estimate, beta.estimate, std.error, t_value, p_value, AIC(rst.model))

if(is.data.frame(resultat.categ) && nrow(resultat.categ)==0){

resultat.categ <- temp.categ

}else{

resultat.categ <- rbind(resultat.categ, temp.categ)

}

#ajouter à la ligne model.resultat

if(is.data.frame(model.resultat) && nrow(model.resultat)==0){

model.resultat <- resultat.categ

}else{

model.resultat <- rbind(model.resultat, resultat.categ)

}

# effacer les variables temporaires

rm("var.temp","rst.model","modelSummary","modelCoeffs","var.coeffs",

"beta.estimate","speed.estimate","std.error","t_value","p_value","var.coeffs","variables","temp.categ")

}

Ci-après le modèle multivarié utilisé pour l'estimation du temps de parcours à pied avec les variables explicatives telles que : la pente, la pluie, la distance, l'occupation du sol et l'individu. Au contraire que pour les modèles précédents, on utilise un modèle additif (gam) pour prendre en compte le lien non-linéaire entre la pente et la vitesse.

Et ci-dessous le modèle multivarié pour l'estimation du temps de parcours en véhicule motorisé avec les variables explicatives tels que : la pente, la pluie, la distance, le pont, la zone résidentielle, les réseaux routières, l'individu et l'identification des parcours.

6 .2.3 Prédiction du temps de parcours

Pour la prédiction du temps de parcours, on a utilisé deux valeurs différentes pour la variable pluie tels que : la valeur sansqui vaut 0 et avec pluie (la valeur maximum de la pluie par rapport à la base de données analysable). L'extrait du code suivant permet de faire les prédictions.

Après l'exécution du code, on obtient le résultat montréparla figure 6.14. Il représente les deux valeursde l'estimation du temps de parcours sans pluie (time.rain.min) et avec pluie (time.rain.max). Afin de passer à l'étape suivante, il est nécessaire d'agréger les données par rapport au champ track pour avoir le temps de trajet de chaque parcours.

6.2.4. Interpolation des données sur ArcGIS

Pour faire l'interpolation des données, on a utilisé deux données tels que : les données sur le temps de parcours dans la figure 6.14 et les données venant d'osrm avec les informations suivantes : l'Identification (ID), la longitude (X), latitude (Y), le nom de village (name), la distance minimum entre le village et le CSB le plus proche (distance_min) et le CSB plus proche (csb_proche). La figure 6.15 montre les informations des données d'OSRM.

Ensuite, on a fusionné les deux données à partir du track et de l'ID afin d'avoir des données vecteur (points).La figure 6.16 représente les informationscomplètes pour l'interpolation de données.

Pour l'interpolation, on a utilisé l'outil ArcGIS avec l'utilisation de la fonction Krigeage et la couche vecteur précédent. La figure 6.17montre l'interpolation des données pour l'estimation du temps de parcours sans pluie.

Et la figure 6.18montre l'interpolation des données pour l'estimation du temps de parcours avec pluie.

Chapitre 7 : Estimation du temps de parcours à pied

Dans ce chapitre, on présente les résultats d'étude concernant l'estimation du temps de parcours à pied selon les données utilisées, l'exploration des données, les modèlesutilisés et la prédiction du temps de parcours.

7.1. Les données recueillies

On a collecté 168 parcours dans tout le district d'Ifanadiana.La majorité des données sontsituées dans la Commune de Kelilalina et d'Ifanadiana.

La figure 7.1 montre une carte des données collectée sur le terrain qui sont utilisées durant cette étude dans le district d'Ifanadiana.

7.2. Résultats de la phase d'exploration des données

Les données exploratoires représentent les résultats d'analyse exploratoire des différentes variables explicatives et la variableréponse. Il montretrois types des résultats pour les variables quantitativestels que :la pente, la distance, la pluviométrieet un résultatpour les variables qualitatives.

7.2.1. La vitesse

La figure 7.2 représente l'analyse de la variable réponse avec trois observations différentes : l'histogramme pour voir la distribution de la vitesse, la boîte à moustache et la répartition cumuléede la variable vitesse.

Par rapport à cette figure, l'histogramme montre une distribution normale de la variable avec une valeur plus courante entre 4 à 5,5 km/h. Et il se disperse exponentiellement pour les deux côtés. On observe une vitesse médiane de 4,6 km/h avec une moyenne de variabilité entre 3,8 à 5,5 km/h. La répartition cumulée de la vitessemontre une grande augmentation entre 2 à 6 km/h.

7.2.2. La pente

La figure 7.3 montre l'analyse des variables de la pente par rapport à la vitesse des gens sur l'analyse quantitative et qualitative. Pour la catégorisation, 94,31% des valeurs ont une pente horizontale, 4,79% pour une pente moyenne, 0,54% pour une pente forte et 0,36% pourune pente extrême.

D'après la figure de gauche, l'histogramme montre que la plupart des valeurs se situe entre 0 à 0,5 et la dispersion des données s'étend de 0,5 à 10.

Pour la boîte à moustache, sur une pente horizontale, les individus peuvent avoir une vitesse plus rapide pour la pente modérée,la vitesse est réduite mais avec une grande variabilité et les deux autres catégories depentes ont une vitesse encore plus lente avec des pentes très étroite.

La figure de droite représente la relation entre la variablepente et la variable vitesse par rapport au modèle linéaire (ligne bleue) et non linéaire (ligne rouge). Selon l'observation, la variable pente a une relation non linéaire avec la variable vitesse.

7.2.3. La distance

La figure 7.4montre le résultat des données collectées sur terrain. Pour la valeur qualitative, 93,84% de données de distance sont àmoins de 13 km et de 6,18% pour le plus de 13 km.

L'histogrammemontre que la majorité des données de distance se situent entre 0 à 3km. Et se disperse entre 4 à 19 km, avec une grande diminution pour la valeur de 20 à 23 km.

Pour cette analyse qualitative, la boîte à moustache montre que la vitesse diminue pour une longue marche deplus de 13 km qui pourrait être relié à la fatigue.Inversement, lavitesse estplus rapide pour une distance moins de 13 km.

La dernière analyse permet de voir le lien entre la donnée terrain et la vitesse. On peut voir que les données suivent une tendance linéaire entre 0 à 13 km. Par contre, la tendance diminue rapidement pour la distance plus de 13 km.On distingue doncune relation non linéaire entreces deux variables, ce qui nous a permis de faire la catégorisation.

7.2.4. La pluviométrie

La figure 7.5représente le résultat de l'analyse exploratoire pour la variable pluie.Pour les données qualitatives, 83,66% des observations étaient de la pluie légère, 14,28% de pluie modérée et 2,05% de forte pluie.

L'histogrammede gauche nous montre la fréquence de la pluie. La fréquence la plus élevée se situeentre 0 à 4mm avec une valeur de lafréquence nulle entre 12 à 16mm, 22mm à 24mm et 28 à 46mm. La distribution est dite positivement asymétrique.

La catégorisation de la pluiemontre le lien entre la vitesse et l'intensité de pluie. Pour une pluie légère, les individus marchent à une vitesse entre 3,8 à 5,2 km/h tandis quepour une pluie modérée on a observé une diminution de la vitesse de parcourspar rapport à l'influence de la pluie qui détériore les solset varie entre 3,2 à 4,8 km/h.Et pour la forte pluie, la vitesse diminue encore plus entre 3,5 à 4,5km/h.

La figure de droite représente, la relation entre la vitesse et la pluie. On distingue une légère tendance linéaire négative, mais le modèle non-linéaire suggère que cette tendance n'est pas très consistante pour l'étendue des valeurs de pluie.

7.2.5. L'individu

La figure 7.6montre les différentes variations des vitesses selon la catégorie d'individu.Pour la catégorisation des données, 83,40% représentent la vitesse des villageois,14,28% mavitesse et 2,32% pour les ACC.

La figure ci-dessus montre une grande différence entre les vitesses des trois catégories d'individu choisi. L'ACCreprésente l'individu le moins lent parmi les trois catégories avec une médiane de 3,5km/h. Un individu normal marche à peu près avec la même vitesse qu'un villageois avec une médiane auxalentours de 4km/h.

7.2.6. L'occupation du sol

La figure 7.7montre la vitesse des gens pendant le passage sur chaque type d'occupation du sol.Le pourcentage de chaque classe d'occupation de sol est comme suit :0,23% d'eau de surface, 5,76 de rizière, 0,08% depaysage mixte, 9,26% de zone d'habitation, 3,9 % de forêt dense et 80,77% de savane arborée.

Figure 10.7 : Exploration de données à pied pour la variable occupation du sol

La vitesse la plus faible est identifiée lors du passage sur une zoned'eau de surface avec une vitesse de 3km/h en moyenne. Tandis que la plus élevée est pour la forêt dense et la savane arborée puisque qu'il existe des chemins non carrossables à travers ces deux classes avec une vitesse moyenne de 5km/h. Pour la classe rizière, mixte et zone d'habitation la valeur moyenne de la vitesse et de 4km/k.

7.3. Les modèles univariés et multivariés

Les résultats des modèles contiennent les éléments suivants : les variables (la nomination des variables explicatives), l'estimation (la vitesse estimée ou á), le beta (l'effet de la variable par rapport à l'estimation), le std. Erreur (l'erreur d'ajustement), le tvalue (coefficient de probabilité), le pvalue (vérification de la signification statistique) et l'AIC (les mesures de la qualité de l'ajustement).

7.3.1. Le modèle univarié

Le tableau 6.1montre les valeurs de coefficient pour chaque variable explicative par rapportà lavariable réponse.Un exemple de la formule suivante a utilisépour le calcul de la pente :

Tableau 10.1: La résultat d'analyse des variables explicatives avec le modèle univariés

8.1. Variables		á	â	Std Erreur	T. Value	P. Value	AIC
Pente		4,85	-0,74	0,01	-137,70	<0,001	177719
Rivière		4,34	-0,23	0,10	-2,21	0,032	194111
Pluie		4,41	-0,01	0,00	-18,87	<0,001	193761
Pluie (ctg)	Forte pluie (Réf)	4,10					193888
	Légère pluie		0,28	0,04	7,29	<0,001
	Modérée pluie		0,07	0,04	1,63	0,109
Distance		4,35	0,00	0,00	-2,54	0,014	194109
Distance (ctg)	(0,13] (Réf)	4,37					193560
Distance (ctg)	(13,22.9]		-0,53	0,02	-23,63	<0,001
Savane Arborée		4,03	0,00	0,00	26,99	<0,001	193392
Savane Arborée (ctg)	0 (Réf)	4,04					193422
	(0.1,50]		0,11	0,04	2,85	<0,001
	(50,100]		0,37	0,01	25,91	<0,001
Savane Arborée (bool)		4,04	0,36	0,01	25,49	<0,001	193470
Forêt dense		4,33	0,00	0,00	6,70	<0,001	194071
Occupation du sol	Mixte (Réf)	4,04					192985
	Eau de surface		-0,96	0,22	-4,35	<0,001
	Forêt dense		0,47	0,19	2,43	0,019
	Rizière		0,00	0,19	0,02	0,985
	Savane Arborée		0,36	0,19	1,92	0,06
	Zone Habitation		-0,16	0,19	-0,85	0,397
Forêt dense (ctg)	0 (Réf)	4,33					194075
Forêt dense (ctg)	(0.1,50]		0,15	0,09	1,71	0,092
	(50,100]		0,18	0,03	6,35	<0,001
Forêt dense (bool)		4,33	0,17	0,03	6,54	<0,001	194073
Zone Habitation		4,39	-0,01	0,00	-27,58	<0,001	193360
Zone Habitation (ctg)	0 (Réf)	4,39					193373
	(0.1,50]		-0,19	0,06	-3,06	>0,001
	(50,100]		-0,51	0,02	-27,29	<0,001
Rizière		4,36	0,00	0,00	-14,18	<0,001	193915
Rizière (ctg)	0 (Réf)	4,36					193882
	(0.1,50]		-0,29	0,04	-7,57	<0,001
	(50,100]		-0,32	0,02	-13,63	<0,001
Eau de surface		4,34	-0,01	0,00	-11,84	<0,001	193976
Eau de surface (ctg)	0 (Réf)	4,34					193965
	(0.1,50]		-0,97	0,18	-5,26	<0,001
	(50,100]		-1,26	0,11	-11,19	<0,001
Eau de surface (bool)		4,34	-1,18	0,10	-12,28	<0,001	193965
Individuel (ctg)	Acc (Réf)	3,04					192659
	Normal		1,22	0,04	32,21	<0,001
	Paysan		1,35	0,04	37,93	<0,001

L'observation des résultats de chaque variable permet de distinguer les variables à considérer. Pour les variables qui ont deux valeurs, on distingue lesquelles des deux sont les meilleurs par rapport auxrésultats depvalue et l'AIC le plus petit. Par exemple pour la variable pluie, il est préférable d'utiliser la valeur quantitative que la catégorie.

D'après le résultat du tableau6.1, par exemple pour une pente de 0,3la vitesse est donc :

7.3.2. Le modèle multivarié

Les résultats ci-après montrent les valeursobtenues après l'utilisation du modèle multivariépar rapport aux variables explicatives.La formule suivante permet d'effectuer l'analyse :

Pour ce modèle, toutes les variables sont statistiquement significatives (p < 0,05)avec un R²= 0,314 et un écart type de 31,4%. Et les autres résultats sont présentés ci-après.

Variables		Estimation	Std. Erreur	T. Value	Pr(>\|t\|)
Intercept		1,95	0,10	20,06	< 2e-16 ***
Pluie		-0,06	0,01	-11,02	< 2e-16 ***
Distance (ctg)	(0,13] (Réf)
Distance (ctg)	(13,22.9]	-0,38	0,02	-20,08	< 2e-16 ***
Occupation	Eau de surface (Réf)
	Forêt dense	1,33	0,10	13,92	< 2e-16 ***
	Mixte	1,32	0,18	7,16	8,36e-13 ***
	Rizière	0,87	0,09	9,21	< 2e-16 ***
	Savane Arborée	1,27	0,09	13,61	< 2e-16 ***
	Zone Habitation	0,80	0,09	8,44	< 2e-16 ***
Individuel	Acc (Réf)
	Normal	1,20	0,03	37,16	< 2e-16 ***
	Paysan	1,29	0,03	43,09	< 2e-16 ***

Les résultats montrent que par rapport à ces valeurs de référence la vitesse est de 1,95 km/h. Les références sont les valeurs par défaut d'estimation, il diminue ou augmente selon l'effet des variables explicatives.

Pour la validation du modèle, on arécupéré les informations du modèle pour les valeurs des résidus et les valeurs ajustéesou « fitted values ».Ensuite, on a fait une comparaison entre les deux valeurs et les résidus du modèle par rapport aux valeurs des pentes pour voirla concordance entre les deux.La figure 6.8montre ces deux comparaisons, ainsi quel'effet de la variable pente.

Les deux figures ci-dessus montrent deux valeurs : la première à gauche est la valeur résiduelle par rapport à l'estimation et la deuxième à droite est par rapport à la valeur de la pente.La ligne droite est un modèle linéaire pour vérifier si les résidus montrent une tendance, car le modèle a une moyenne de zéro et une pente de zéro également.

La dernière figure ci-dessusmontre la relation non-linéaire que le modèle a estimé entre la variable pente et la vitesse.Etant donné que ce n'est pas une ligne droite et on ne peut pas estimer une seule valeur de coefficient, la représentation graphique est la meilleure façon de montrer l'effet de la pente.

7.4. Les prédictions du temps de parcours

Avec les coefficients du modèle multivarié, deux estimations ont été effectués pour le temps de parcours à pied sur l'ensemble des 471 parcours entre chaque village et le CSB le plus proche en fonction dela base de données analysable. On a fait des estimations pour deux scénarios : avec de la pluie (0mm minimum, 47,5mm valeur maximum observée). Les figures suivantesmontrent le résultat de l'interpolation du temps de trajet à partir des prédictions sur les 689 villages.

D'après ces deux figures, on constate que la majorité des villageois(60 %)vivent à plus d'une heure à piedpar rapport au CSB le plus prochepours un scénario sans pluie. Plus de 23,14% des villageois sont à plus de deux heures à piedet 2,76% sont à plus de quatre heures à pied. Pour le scénario avec pluie, 63,3 % des villageois sont à plus d'une heure à pied par rapport au CSB le plus proche. Plus de 26,75% des villageois sont à plus deux heures à pied et 3,82% sont à plus de quatre heures à pied.

Chapitre 8 : Estimation du temps de parcours envéhicule motorisé

Pour ce chapitre, on présente les résultats d'étude concernant l'estimation du temps de parcours en véhicule motorisé, le résultat de l'analyse exploratoire ainsi que les modèles utilisés.

8.1. Les données recueillies

Les données de TAG-IPreprésententau totale 5048 parcours dont 3327 pour14 voitures et 1721 pour les 10 motos de l'ONG PIVOT.

La figure 8.1 montre la cartographie des données collectées auprès de TAG-IP pendant une période de 2mois (17 mars -17 mai 2019).

8.2. Exploration des données utilisées

Comme pour l'analyse du temps de trajet à pied, les variables utilisées sont la vitesse, la pente, la distance, la pluviométrie, l'individu (type de véhicules dans ce cas-ci) mais on y a ajouté d'autres variables tels que la zone résidentielle et l'existence de pont ou pas.

8.2.1. La vitesse

La figure 8.2 représente l'analyse de la variable vitesse :l'histogramme pour voir la distribution de la vitesse, la boîte à moustaches pour voir la médiane de la vitesse ainsi que le rang interquartile, et la répartition cumulée de la variable pour distinguer le seuil de la vitesse.

Figure 11.2 : Exploration de données des véhicules motorisés pour la variable vitesse

L'histogramme ci-dessus nous montre la fréquence de la vitesse. La majorité des vitesses s'étalent entre 0 à 60km/h. Mais des véhicules dépassent quand même les 60km/h jusqu'à 100 km/h mais ne sont pas très nombreux.

La boîte à moustache montre le résultat de l'analyse quantitative.On observe une vitesse médiane de 30 km/h dont 50% des vitesses sont comprises entre12et48 km/h.

Et la répartition cumulée de la vitesse nous montre le seuil de la vitesse maximale qui est de70 km/h.

8.2.2. La pente

La pente a été catégorisée en 3 classes,90,88% de la zone d'étude ont une pente horizontale, 6,33% une pente moyenne (entre 30 et 70), 1,82% une forte pente (entre 70, 100)et 0,96% une pente extrême (entre 100, 150).

Pour chaque catégorie de pente, lavitesse la plus élevée est pour la pente horizontale avec une médiane de 35km/h. Après la médiane est de 15km/h pour une pente modérée et pour une forte pente et une pente abrute la médiane de la vitesse est à peu près la même avec une valeur de 10km/h.

La figure de droite nous montre la relation entre la pente et la vitesse pour les véhicules motorisés. Le résultat indique qu'il y a une corrélation entre les deux variables car la vitesse diminue en fonction du degré de la pente avec une relation qui semble être linéaire.

8.2.3. La distance

Pour la distance depuis l'origine du parcours, 68,21% des données sont à moins 2 km et 31,79% à plus de 2 km.

L'histogramme montre que la majorité des données de distance se situe entre 0 à 5km et la dispersion des données s'étend de 10 à 107 km.

Pour l'analyse qualitative dont le résultat est représenté par la boîte à moustache révèle que la vitesse est moins lente pour une distance à moins de 2km, c'est-à-dire, au début duparcours qui a pour médiane 18km/h tandis que pour les plus de 2km elle est de 45km/h.

Pour la relation entre la distance et la vitesse, la figure de droite montre qu'elle n'est pas linéaire car la vitesse n'augmente pas en fonction de la distance.

8.2.4. La pluviométrie

La figure 8.5 représente le résultat d'analyse exploratoire de la variable pluie.La valeur de la précipitationest comprise entre 0 à 133mm pour une durée deux mois allant du 17 mars au 17 mai 2019.

La figure de droite représente l'histogramme de la variable pluies'étalant entre0 à 135mm. La fréquence la plus élevé est entre 85 à 90mm et la plus faible entre 120 à 125mm.

L'analyse de la relation avec la vitesse est représentée par la figure de droite et montre que la vitesse et la pluie ne sont pas fortement liées.

8.2.5. Le pont

Le passage sur un pont a été considéré car on suppose que la vitesse change à chaque fois qu'on traverse un pont.Le pourcentage de passage sur un pont pour les voitures et moto est de4,44%.

Le résultat de l'analyse est représenté par les boîtes à moustaches ci-dessus. Il indique qu'il y a une forte décélération des véhicules à chaque fois qu'ils passent sur un pont avec une médiane de 10km/h tandis que sur une route normale il est de 30km/h.

8.2.6. Les réseaux routiers

Les réseaux routiers sont classifiés selon 4 catégories. 74,25% des véhicules passent sur la route nationale, 10,05% sur une route secondaire, 4,58% sur une piste et 9,11% sur un chemin.

D'après cette figure, la médiane de la vitesse est la plus élevée sur la route nationale avec une valeur de 40km/h. Pour les trois autres catégories la vitesse est à peu près les mêmes avec une valeur de 10km/h.

8.2.7. La zone résidentielle

Cette analyse consiste à étudier la variation de la vitesse lors de son passage dans une zone résidentielle. Les données ont montré que seulement 0,04% des véhicules ont passé dansune zone résidentielle.

Figure 11.8 : Exploration de données en véhicule pour la variable zone résidentielle

Le passage dans une zone résidentielle indique une diminution de la vitesse d'après la figure ci-dessus. Sa médiane est de 20km/h tandis que pour une zone où il n'y a pas d'habitation la vitesseest de 30km/h.

8.2.8. Variation de la vitesse selon le type de véhicule motorisé

Les deux types de véhicules motorisés sont la voiture et la moto. Les données collectées montrent que 74,60% sont des données de voiture et 25,40% des données de moto.

D'après la figure ci-dessous, la vitesse des voitures est plus élevée que celle des motos. Elle a une médiane de 35km/h dont la majorité varie entre 15 à 45km/h. Pour les motos, la majorité des vitesses varie entre 10 à 40km/h avec une médiane de 20km/h.

8.3. Les modèles univariés et multivariés

Les résultats des modèles contiennent les éléments suivants : les variables explicatives, l'estimationde la vitesse estimée,l'effet de la variable par rapport à l'estimation, l'erreur d'ajustement, le coefficient de probabilité, la significativité statistique et l'AIC qui est la mesure de la qualité de l'ajustement.

8.3.1. Le modèle univarié

Les résultats suivants représentent les valeurs des coefficients pour chaque résultat des variables explicatives par rapport au variable expliquée. Comme pour le déplacement à pied, prenons la variable pente comme exemple où la relation entre la pente et la vitesse est calculé à partir de la formule ci-après :

Tableau 11.1 : La résultat d'analyse des variables explicatives avec le modèle univariées

Variables		á	â	Std erreur	T. Value	P. Value	AIC
Pente		34,32	-3,73	0,02	-171,43	<0,001	4064837
Pente (ctg)	Légère pente (Ref)	33,20					4068862
	Pente modérée		-13,19	0,12	-113,96	<0,001
	Forte pente		-19,63	0,29	-68,21	<0,001
	Extrême pente		-19,77	0,21	-93,96	<0,001
Distance		27,32	0,49	0,00	171,85	<0,001	4064702
Distance (ctg)	(0,2] (Ref)	19,58					4005513
Distance (ctg)	(2,107]		17,86	0,06	310,95	<0,001
Pluie		30,90	0,01	0,00	17,63	<0,001	4093020
Pont (ctg)	Non (Ref)	32,55					4077503
Pont (ctg)	Oui		-17,80	0,14	-126,89	<0,001
Zone résidentielle (ctg)	Non résidentielle (Ref)	31,76					4093260
Zone résidentielle (ctg)	Résidentielle		-12,28	1,46	-8,41	<0,001
Type de route	Route nationale (Ref)	37,86					3948423
	Terrain		-22,81	0,08	-292,09	<0,001
	Non classifier		-22,95	0,12	-189,52	<0,001
	Chemin		-25,21	0,09	-285,68	<0,001
Individuel	Véhicule (Ref)	33,10					3123897
	Moto		-4,79	0,07	-67,91	<0,001

L'observation des résultats de chaque variable permet de distinguer les variables à considérer. Pour les variables qui ont deux valeurs, on distingue lesquelles des deux sont les meilleurs par rapport aux résultats de pvalue et l'AIC le plus petit. Par exemple pour la variable distance, il est préférable d'utiliser la valeur qualitative que la quantitative.

D'après le résultat du tableau ci-dessus, par exemple pour une pente de 0,6 la vitesse est donc :

8.3.2. Le modèle multivarié

Les résultats ci-après montrent les valeurs obtenues après l'utilisation du modèle multivarié par rapport aux variables explicatives. Comme on doit tenir en compte toutes les variables, la formule ci-après permet d'effectuer l'analyse :

Pour ce modèle, on a utiliséla méthode Residual Maximum Likelihood (REML)avec 463.512 observations. Le R²= 0,522avec une valeur d'AIC de 3.747.613. Et les autres résultats sont présentées ci-après.

Variables		Estimation	Std. Erreur	T. value
Intercept		29,74	0,22	134,76
Pente		-1,75	0,02	-110,82
Pluie		-0,13	0,03	-5,18
Distance (ctg)	(0,2] (Réf)
Distance (ctg)	(2,107]	9,17	0,06	149,08
Pont	Non (Réf)
Pont	Oui	-17,53	0,10	-173,63
Zone résidentielle	Non (Réf)
Zone résidentielle	Oui	2,35	1,35	1,75
Route	Route nationale (Réf)
	Terrain	-20,67	0,11	-191,38
	Non classifier	-22,62	0,20	-113,58
	Chemin	-20,61	0,10	-216,54
Individuel	Voiture (Réf)
	Moto	4,27	0,25	16,96

Les résultats montrent que par rapport à ces valeurs références la vitesse est de 29,74km/h. Les références sont les valeurs par défaut d'estimation, il diminue ou augmente selon l'effet des variables explicatives.

La variable track est utilisée pour la valeur aléatoire avec 5048 parcours. Il est spécifié à l'aide d'unidentifiant pour chaque itinéraire effectué.

Chapitre 9 : Discussion

Dans ce chapitre, on discuterades résultats de l'estimation du temps de parcours à pied et en véhicule motorisé. Ensuite, on comparera ces résultats par rapportà la littérature scientifique existante.

9.1. Estimation du temps de parcours à pied

L'estimation du temps reflète la réalité sur le terrain.Pour la variable pente, si on monte un pente extrême la vitesse pourrait diminuer jusqu'à 0,5km/h et elle est de 5,5 km/h lorsqu' on descend.Pour la variable distance, à partir de 13km de parcours, la vitesse desindividus diminue entre3,5 à 4,5 km/h cequi pourrait être liée à la difficulté du terrain et à la fatigue d'une longue marche. Pour la distance inferieur de 13 km ; la vitesse augmente entre 3,8 à 5,5 km/h.

Nombreux sont les études d'estimation de temps de parcours`'`'(Gething et al. 2012; Makanga et al. 2017) mais elles diffèrent surl'ensemble des données spatiales et les approchesutilisées.Le point fort de cette étudeest l'utilisationdes parcours réels, avec des données de vitesse spécifiques au contexte géographique et populations du district d'Ifanadiana qui ont été collectées sur le terrain.Nous considérons également plusieurs variables qui peuvent avoir une influence sur la vitesse telles que la pente, la distance parcourue(osrm), la pluviométrie et d'autres.En autre, la plupart d'études dans les pays en voie de développement utilisent des méthodes de calcul de distance par surface de cout car les réseaux de sentiers à pied sont rarement disponibles. Dans le cadre du projet d'Ifanadiana, plus de 20 000 km de réseaux de sentiers ont été cartographiés, ce qui nous a permis d'obtenir des itinéraires fiables et d'extrapoler le temps de parcours avec une précision sans précédents pour ce genre d'étude.

Les résultats des prédictions du temps de parcours à pied ont montré que la majorité des villagesont une faible accessibilité géographique aux soins, comme ça a été montre dans des études précédentes (Arsyad and Sodiq 2014). Seulement 36,7 % sont à moins d'une heure de marche pour atteindre le CSB le plus proche. D'après les normes internationales de la santé, un soin primaire doit être effectuer à moins d'une heure au maximumen cas d'urgence(Qazi 2011). Cela implique quela plupart des villages du district d'Ifanadiana ne suit pas encore les normes en matière d'accès physique aux soins surtout en cas d'urgence.

Il est donc nécessaire de mettre en place des nouvelles structures de soins plus proche des villages afin d'améliorer les conditions de santé de la population.

Tableau 12.1 : Le comparatif des résultats à pied par rapport aux littératures existantes

9.2. Estimation du temps de parcours en véhicule motorisé

Durant les différentes étapes de l'estimation du temps de parcours en véhicule motorisé, on a constaté que l'analyse d'exploratoire des variables explicatives reflète la réalité du déplacement sur la route.Par exemple, lorsque les véhicules motorisés traversent un pont, la vitesse varie entre 5 à 15km/h à cause de la prudence et un véhicule à la fois.Etlorsque les véhicules motorisés passent surdes zones résidentielles, la vitesse est réduite entre 18 à 25 km/h pour éviter l'accident, assurer la protection de la population qui habite sur la route et à cause de la limite de la vitesse sur des zones résidentielles ;au lieu de15 à 50 km/h sur une route goudronnée sans obstacles. Quant à la route, les véhicules motorisésaccélèrent jusqu'à 55 km/h sur la route nationale et de 20 km/h pour les autres routes (pas goudronnée).

Des études sur l'estimation du temps de parcours en véhiculeont été réalisées sur les soinsd'urgence `'`'(Gething et al. 2012; Panciera et al. 2016), sur les transports en commun(Tanser 2006),et sur les références (Munguambe et al. 2016)mais elles diffèrent sur l'ensemble des données spatiales et les approches utilisées. L'avantage de cette étude, encore une fois, est l'utilisation des données réelles de voiture et moto avec la considération de diverses barrières locales à Ifanadiana tels que le pont, la zone résidentielle, les réseaux routières, la pluviométrie et d'autres qui pourraient influencer la vitesse. Prendre en compte ces facteurs est très importantpour estimer l'accès vers une établissement de santé deréférence.

Avec la réalisation du modèle multivarié à partir de ces impacts nous avons obtenu un résultat de R²= 0,522 ce qui suggère qu'on arrive à expliquer la vitesse des véhicules avec une précision assez bonne. Les résultats dans le tableau 7.2serviront dans l'avenir à fairela prédiction du temps de parcours et l'interpolation pour les véhicules motorisés.

Tableau 12.2 : Le comparatif des résultats en véhicule motorisé par rapport aux littératures existantes

9.3. La plateforme d'affichagedes résultatsdu projet

Il est possible d'afficher les résultats et prédictions de nos modèlessurune plateforme de géolocalisation pour permettre aux équipes programmatiques de Pivot et du Ministère de la Santé de prendre desdécisionsen prenant compte de la distanceet le temps de trajet entre les villages et les CSB le plus proche.

9.3.1. Description du projet

Le projet consiste à mettre en place une plateforme de géolocalisation pour une estimation du temps de parcours à pied puis en véhicule motoriséentre un village et un établissement de santé le plus proche (CSB) en tenant compte de l'effet topologique du terrain dans le district d'Ifanadiana.

Pour cela, on a besoin des fonctionnalités basiques (la position actuelle, le point de départ, le point d'arrivé, etc...) d'une plateforme de géolocalisation et le mode édition du trajet, la multiple destination, le fond de cartes,l'outil de changement delangue, l'exportation d'information sous format .gpx, le mapillary et la fusion des données concernant le temps de parcours réel.

Les outils technologies à utiliser pour la réalisation sont les suivantes : l'OSRM (pour avoir la distance minimum),l'API Leaflet (Framework), l'API OpenStreetMap (pour les données géographiques),Le JavaScript (Les scripts) et le CSS.

9.3.2. Exemple de la maquette complètedu projet

Il existe déjà une interface complètepour la réalisation qui est disponible ici^5(*) et open source. La figure 9.1 présente l'exemple de cette interface concernant les outils citez précédemment avec les fonctionnalités à part la fusion du temps de parcours réel.

Chapitre 10 CONCLUSION ET PERSPECTIVES

L'élaboration de ce projet nous a permis d'avoir plus ample connaissance sur l'effet des différentes barrières géographiques à l'accessibilité aux soins dans le district d'Ifanadiana. Il nous a permis aussid'approfondir sue la mise en place d'une base de données analysable en santé, et à réaliser desmodèles spatio-temporels.

Dû à cela, on a obtenu les résultats tels que les résultats exploratoires des variables explicatives (la pente, la distance, la pluie, l'individu et l'occupation du sol), les modèles univariés, le modèle multivarié, la prédiction du temps de parcours et l'interpolation ; par contre, en ce qui concerne le véhicule motorisé on s'est arrêté sur la réalisation du modèle multivarié avec plus des variables explicatives tels que le pont, les réseaux routiers et la zone résidentiel. Ces résultats ont permis d'obtenir l'estimation du temps de parcours à pied avec et sans pluie entre les villages et le CSB plus proche dans le district d'Ifanadiana et une modèle multivarié prête pour l'estimation du temps de parcours en véhicule motorisé.

La faiblesse de cette étude est la non considérationdu poids des patients, le niveau d'état d'urgencedu patient, le moyen de transport, la maladie des patients, les traitements médicamenteuxet d'achever jusqu'à l'interpolation pour l'estimation du temps de parcours en véhicule motorisé.Une considération pareille, même si elle serait très pertinente, n'a jamais été appliquée a des études d'accès aux soins en raison des considérations éthiques liées à engager des sujets malades dans des recherches qui ne vont pas les apporter un bénéfice direct.

Cette étude pourrait s'étendre sur la continuité du projet et d'approfondir encore plus sur les détails citésprécédemment en essayant d'ajouter,d'analyser, de vérifier si c'est possible d'améliorer encore plus les résultats des modèles.

Ce stage a été ma première expérience, plus relative au monde des chercheursscientifiques pour mettre en pratique toutes les connaissances théoriques. Il m'a permis aussi d'augmenter les acquis en matière de compétences techniques et théoriques mais surtout de me familiariser avec le monde de l'action humanitaire des ONG Médicales ainsi que de me soutenir à avoir un aperçu de ce qu'est vraiment le métier des chercheurs dans le milieu scientifique. Cela nous a inspiré aussi d'acquérir une expérience presque complète au sein de l'ONG Médicale Pivot qui a sa grande responsabilité envers la population d'Ifanadiana.

BIBLIOGRAPHIE

Arsyad, Lincolin and Amirus Sodiq. 2014. OMS | Statistiques Sanitaires Mondiales 2012 [Internet]. WHO. [Cité 15 Déc 2017]. Vol. 3.

Chan, Leighton, L. Gary Hart, and David C. Goodman. 2006. «Geographic Access to Health Care for Rural Medicare Beneficiaries.» Journal of Rural Health 22(2):140-46.

Delamater, Paul L., Joseph P. Messina, Ashton M. Shortridge, and Sue C. Grady. 2012. «Measuring Geographic Access to Health Care: Raster and Network-Based Methods.» International Journal of Health Geographics 11.

Fogliati, Piera, Manuela Straneo, Cosimo Brogi, Pier Lorenzo Fantozzi, Robert Mahimbo Salim, Hamis Mwendo Msengi, Gaetano Azzimonti, Giovanni Putoto, and Julie Gutman. 2015. «How Can Childbirth Care for the Rural Poor Be Improved? A Contribution from Spatial Modelling in Rural Tanzania.» PLoS ONE 10(9).

Gething, Peter W., Fiifi Amoako Johnson, Faustina Frempong-Ainguah, Philomena Nyarko, Angela Baschieri, Patrick Aboagye, Jane Falkingham, Zoe Matthews, and Peter M. Atkinson. 2012. «Geographical Access to Care at Birth in Ghana: A Barrier to Safe Motherhood.» BMC Public Health 12(1).

Hanson, Claudia, Sabine Gabrysch, Godfrey Mbaruku, Jonathan Cox, Elibariki Mkumbo, Fatuma Manzi, Joanna Schellenberg, and Carine Ronsmans. 2017. «Access to Maternal Health Services: Geographical Inequalities, United Republic of Tanzania.» Bulletin of the World Health Organization 95(12):810-20.

Hussein, J., A. McCaw-Binns, and R. Webber. 2012. «Geographical Access, Transport and Referral Systems.» Pp. 139-54 in Maternal and perinatal health in developing countries. CABI.

Institut National de la Statistique. 2013. «Objectif 05: Améliorer La Santé Maternelle.» Enquête Nationale Sur Le Suivi Des Objectifs Du Millénaire Pour Le Développement à Madagascar 63.

Jin, Cheng, Jianquan Cheng, Yuqi Lu, Zhenfang Huang, and Fangdong Cao. 2015. «Spatial Inequity in Access to Healthcare Facilities at a County Level in a Developing Country: A Case Study of Deqing County, Zhejiang, China.» International Journal for Equity in Health 14(1).

Luo, Wei and Fahui Wang. 2003. «Measures of Spatial Accessibility to Health Care in a GIS Environment: Synthesis and a Case Study in the Chicago Region.» Environment and Planning B: Planning and Design 30(6):865-84.

Makanga, Prestige T., Nadine Schuurman, Peter Von Dadelszen, and Tabassum Firoz. 2016. «A Scoping Review of Geographic Information Systems in Maternal Health.» International Journal of Gynecology and Obstetrics 134(1):13-17.

Makanga, Prestige Tatenda, Nadine Schuurman, Charfudin Sacoor, Helena Edith Boene, Faustino Vilanculo, Marianne Vidler, Laura Magee, Peter von Dadelszen, Esperança Sevene, Khátia Munguambe, and Tabassum Firoz. 2017. «Seasonal Variation in Geographical Access to Maternal Health Services in Regions of Southern Mozambique.» International Journal of Health Geographics 16(1):1.

Munguambe, Khátia, Helena Boene, Marianne Vidler, Cassimo Bique, Diane Sawchuck, Tabassum Firoz, Prestige Tatenda Makanga, Rahat Qureshi, Eusébio Macete, Clara Menéndez, Peter Von Dadelszen, and Esperança Sevene. 2016. «Barriers and Facilitators to Health Care Seeking Behaviours in Pregnancy in Rural Communities of Southern Mozambique.» Reproductive Health 13(1).

Okwaraji, Yemisrach B., Emily L. Webb, and Karen M. Edmond. 2015. «Barriers in Physical Access to Maternal Health Services in Rural Ethiopia.» BMC Health Services Research 15(1):1-8.

Ouma, Paul O., Joseph Maina, Pamela N. Thuranira, Peter M. Macharia, Victor A. Alegana, Mike English, Emelda A. Okiro, and Robert W. Snow. 2018. «Access to Emergency Hospital Care Provided by the Public Sector in Sub-Saharan Africa in 2015: A Geocoded Inventory and Spatial Analysis.» The Lancet Global Health 6(3):e342-50.

Panciera, Rocco, Akib Khan, Syed Jafar Raza Rizvi, Shakil Ahmed, Tanvir Ahmed, Rubana Islam, and Alayne M. Adam. 2016. «The Influence of Travel Time on Emergency Obstetric Care Seeking Behavior in the Urban Poor of Bangladesh: A GIS Study.» BMC Pregnancy and Childbirth 16(1).

Qazi, Zaitoon. 2011. «Neonatal Care ( EmONC ) Needs Assessment in Selected Health Facilities in NEZ , Puntland - September 2011.»

Salehi, Fatemeh and Leila Ahmadian. 2017. «The Application of Geographic Information Systems (GIS) in Identifying the Priority Areas for Maternal Care and Services.» BMC Health Services Research 17(1).

Sophie, B. 2005. «Le Krigeage?: Revue de La Théorie et Application à l'interpolation Spatiale de Données de Précipitations.» Facultés Des Sciences et de Génie M.Sc.:137.

Tanser, Frank. 2006. «Methodology for Optimising Location of New Primary Health Care Facilities in Rural Communities: A Case Study in KwaZulu-Natal, South Africa.» Journal of Epidemiology and Community Health 60(10):846-50.

Tanser, Frank, Brice Gijsbertsen, and Kobus Herbst. 2006. «Modelling and Understanding Primary Health Care Accessibility and Utilization in Rural South Africa: An Exploration Using a Geographical Information System.» Social Science and Medicine 63(3):691-705.

Visser, Sent and John Paul Jones III. 2010. «Measurement and Interpretation.» Pp. 41-59 in Research Methods in Geography.

Weiss, D. J., A. Nelson, H. S. Gibson, W. Temperley, S. Peedell, A. Lieber, M. Hancher, E. Poyart, S. Belchior, N. Fullman, B. Mappin, U. Dalrymple, J. Rozier, T. C. D. Lucas, R. E. Howes, L. S. Tusting, S. Y. Kang, E. Cameron, D. Bisanzio, K. E. Battle, S. Bhatt, and P. W. Gething. 2018. «A Global Map of Travel Time to Cities to Assess Inequalities in Accessibility in 2015.» Nature 553(7688):333-36.

ANNEXES

Après la prédiction du modèle multivarié (sous-section 7.3.2) et le calcul du temps de parcours (sous-section 6.2.3) ; on a obtenu le résultat suivant pour la représentation graphique de données par rapport à la prédiction du temps avec et sans pluie. La figure suivante affiche l'écart entre les deux valeurs (0- sans pluie et 1- avec pluie).

Par rapport à cette figure, on observe un grand écart de temps entre 0 à 100 mn. Cela implique qu'il y a certain temps augment à cause de l'impact de la pluie par rapport à la situation géographique. Et ces valeurs sont dispersés entre 100 à 360 mn.

TABLE DES MATIERES

* ²http://desktop.arcgis.com/fr/arcmap/10.3/tools/analysis-toolbox/how-intersect-analysis-works.htm

* ⁴http://www.toujourspret.com/techniques/orientation/topographie/calcul_du_pourcentage_d%27une_pente.php