Package meteo4Vilaine

Introduction

Le package meteo4Vilaine permet d’interroger et d’exploiter les données météorologiques stockées dans une base PostgreSQL/PostGIS.

Deux grandes familles de données sont disponibles :

Les fonctions du package permettent de :

Fonctions de base liées à la base POSTGRESQL / POSTGIS

Connexion à la base de données

library(meteo4Vilaine)

config <- read_db_config(
  "C:/workspace/gwilenalim/yaml/config.yml"
)

con <- connect_postgis(config)

Vérification de la connexion :

db_connection_is_valid(con)
## [1] TRUE

Exploration de la base

Lister les schémas disponibles :

tail(list_schemas(con))
## [1] "rx_022_libresqe_sqe"  "rx_023_libresqe_temp" "rx_view"             
## [4] "vilaine_explorer"     "xx_utils"             "z_asgard"

Lister les tables du schéma météo :

Les tables donnees_horaires et donnees_journalieres contiennent les données de mesure aux stations accessibles en opendata auprès de Météo France. Les tables stations_meteo_france_horaire et stations_meteo_quotidienne listent ces stations.

La table sim2_grille correspond aux grilles des données open data Météo France sim-safran qui modélisent sur une grille de 8 km de côté les différentes données météo.

Les données correspondantes sont dans la table sim2_quotidien.

list_tables(
  con,
  schema = "r400_cours_deau"
)
##  [1] "bd_topage_courseau"                  
##  [2] "bd_topage_noeudhydrographique_fxx"   
##  [3] "bd_topage_tronconhydrographique_2024"
##  [4] "ce_liste1"                           
##  [5] "ce_liste2"                           
##  [6] "classement_piscicole_ce"             
##  [7] "etiquette_ce"                        
##  [8] "ice_vilaine"                         
##  [9] "ice_vilaine_buffer"                  
## [10] "ice_vilaine_mg"                      
## [11] "ice_vilaine_old"                     
## [12] "ice_vilaine_suppression"             
## [13] "ice_vilaine_troncons_strahler"       
## [14] "info_syrah_revision_sage_2022"       
## [15] "noeuds_hydro_topage"                 
## [16] "syrah_usra_v2"

Variables disponibles dans les bases

Contenu de la base des stations météo

meta <- get_table_metadata(
  con,
  "meteo",
  "stations_meteo_france"
)

knitr::kable(meta)
column_name data_type comment
geometry USER-DEFINED NA
id text NA
nom text NA
posteOuvert text NA
typePoste text NA
alt text NA
postePublic text NA
departement text NA
date_heure_premiere_donnee timestamp without time zone NA
date_heure_derniere_donnee timestamp without time zone NA

Contenu de la base des données horaires mesurées aux stations

meta <- get_table_metadata(
  con,
  "meteo",
  "donnees_horaires"
)

knitr::kable(meta)
column_name data_type comment
id_station text NA
date_heure timestamp without time zone NA
DD numeric DIRECTION DU VENT A 10 M HORAIRE (ROSE DE 360)
DD2 numeric DIRECTION DU VENT A 2 METRES HORAIRE (ROSE DE 360)
DG numeric DUREE DE GEL HORAIRE (MINUTES)
DRR1 numeric DUREE DES PRECIPITATIONS HORAIRE (MINUTES)
FF numeric VITESSE DU VENT HORAIRE (M/S ET 1/10)
FF2 numeric VITESSE DU VENT A 2 METRES HORAIRE (M/S ET 1/10)
GLO numeric RAYONNEMENT GLOBAL HORAIRE (JOULES/CM2)
HNEIGEF numeric EPAISSEUR DE NEIGE FRAICHE HORAIRE (CENTIMETRES)
INS numeric DUREE D’INSOLATION HORAIRE (MINUTES)
NEIGETOT numeric EPAISSEUR DE NEIGE TOTALE HORAIRE (CENTIMETRES)
PSTAT numeric PRESSION STATION HORAIRE (HPA ET 1/10)
RR1 numeric HAUTEUR DE PRECIPITATIONS HORAIRE (MILLIMETRES ET 1/10)
T numeric TEMPERATURE SOUS ABRI HORAIRE (DEG C ET 1/10)
U numeric HUMIDITE RELATIVE HORAIRE (%)

Contenu de la base des données journalières mesurées aux stations

meta <- get_table_metadata(
  con,
  "meteo",
  "donnees_journalieres"
)

knitr::kable(meta)
column_name data_type comment
id_station text NA
date date NA
DG numeric DUREE DE GEL QUOTIDIENNE (MINUTES)
DRR numeric DUREE DES PRECIPITATIONS QUOTIDIENNES (MINUTES)
GLOT numeric RAYONNEMENT GLOBAL QUOTIDIEN (JOULES/CM2)
HNEIGEF numeric HAUTEUR DE NEIGE TOMBEE EN 24H (CENTIMETRES)
INST numeric DUREE D’INSOLATION QUOTIDIENNE (MINUTES)
NEIG numeric OCCURRENCE DE NEIGE QUOTIDIENNE (BOOLEEN)
PMERM numeric PRESSION MER MOYENNE QUOTIDIENNE (HPA ET 1/10)
RR numeric HAUTEUR DE PRECIPITATIONS QUOTIDIENNE (MILLIMETRES ET 1/10)
TM numeric TEMPERATURE MOYENNE SOUS ABRI QUOTIDIENNE (DEG C ET 1/10)
TN numeric TEMPERATURE MINIMALE SOUS ABRI QUOTIDIENNE (DEG C ET 1/10)
TX numeric TEMPERATURE MAXIMALE SOUS ABRI QUOTIDIENNE (DEG C ET 1/10)
UM numeric HUMIDITE RELATIVE MOYENNE (%)

Contenu de la grille sim

meta <- get_table_metadata(
  con,
  "meteo",
  "sim2_grille"
)

knitr::kable(meta)
column_name data_type comment
lambx integer Coordonnée X de la maille SAFRAN (Lambert II étendu) [hm]
lamby integer Coordonnée Y de la maille SAFRAN (Lambert II étendu) [hm]
geom USER-DEFINED Centre de la maille SAFRAN [Lambert93, EPSG:2154]

Contenu de la base SIM

meta <- get_table_metadata(
  con,
  "meteo",
  "sim2_quotidien"
)

knitr::kable(meta)
column_name data_type comment
lambx integer Coordonnée X de la maille SAFRAN (Lambert II étendu) [hm]
lamby integer Coordonnée Y de la maille SAFRAN (Lambert II étendu) [hm]
date date Date de la donnée [AAAA-MM-JJ]
swi_q numeric Soil Wetness Index, indice d’humidité du sol (0 = sol très sec ; 1 = capacité au champ ; peut dépasser 1 localement selon la formulation du modèle) [sans dimension] (variable source : SWI)
preliq numeric Précipitations liquides cumulées sur la journée (06h UTC à 06h UTC) [mm/j] (variable source : PRELIQ)
prenei numeric Précipitations solides (neige) cumulées sur la journée (06h UTC à 06h UTC) [mm/j équivalent eau] (variable source : PRENEI)
t numeric Température moyenne journalière de l’air [°C] (variable source : T)
tinf_h numeric Température minimale journalière [°C] (variable source : TINF_H)
tsup_h numeric Température maximale journalière [°C] (variable source : TSUP_H)
hu numeric Humidité relative moyenne journalière [%] (variable source : HU)
q numeric Humidité spécifique moyenne journalière [g/kg d’air] (variable source : Q)
ff numeric Vitesse moyenne du vent [m/s] (variable source : FF)
ssi numeric Rayonnement solaire incident (courtes longueurs d’onde) cumulé [J/cm²/j] (variable source : SSI)
dli numeric Rayonnement atmosphérique incident (grandes longueurs d’onde, infrarouge) cumulé [J/cm²/j] (variable source : DLI)
evap numeric Évapotranspiration réelle [mm/j] (variable source : EVAP)
etp numeric Évapotranspiration potentielle (Penman-Monteith) [mm/j] (variable source : ETP)
pe numeric Pluie efficace = précipitations - évapotranspiration réelle (eau disponible pour ruissellement, drainage ou recharge) [mm/j] (variable source : PE)
sswi_10j numeric Anomalie standardisée du SWI calculée sur 10 jours [sans dimension] (variable source : SSWI_10J)
wg_racine numeric Teneur en eau de la zone racinaire [m³/m³] (variable source : WG_RACINE)
wgi_racine numeric Fraction gelée de l’eau présente dans la zone racinaire [m³/m³] (variable source : WGI_RACINE)
drainc numeric Drainage profond sous la zone racinaire (proxy de la recharge potentielle des nappes) [mm/j] (variable source : DRAINC)
runc numeric Ruissellement de surface [mm/j] (variable source : RUNC)
ecoulement numeric Écoulement liquide issu de la fonte nivale vers l’aval [mm/j] (variable source : ECOULEMENT)
resr_neige numeric Stock total d’eau contenu dans le manteau neigeux (SWE) [mm équivalent eau] (variable source : RESR_NEIGE)
resr_neige6 numeric Stock d’eau du manteau neigeux à 06h UTC [mm équivalent eau] (variable source : RESR_NEIGE6)
hteurneige numeric Hauteur moyenne de neige [m] (variable source : HTEURNEIGE)
hteurneige6 numeric Hauteur de neige à 06h UTC [m] (variable source : HTEURNEIGE6)
hteurneigex numeric Hauteur maximale de neige observée dans la journée [m] (variable source : HTEURNEIGEX)
snow_frac numeric Fraction de la maille couverte par la neige [0-1] (variable source : SNOW_FRAC)

signification d’une variable

get_variable_description(
    con,
    variable="etp",
    table = "sim2_quotidien",
    schema = "meteo"
) 
## [1] "Évapotranspiration potentielle (Penman-Monteith) [mm/j] (variable source : ETP)"

Utilisation des données stations

Création de la fonction SQL qui calcule la somme des précipitations au niveau d’une station météo entre 2 dates

create_sql_requete_calcule_somme(con)

Calcul des précipitations cumulées entre 2 dates pour toutes les stations

Seules les stations ayant un nombre total de données disponible divisé par le nombre de jours supérieur ou égale au taux de complétude sont prises en compte.

pluvio_sf <- pluviometrie_entre_2_dates(
  date_debut = "2025-01-01",
  date_fin   = "2025-01-31",
  con = con,
  taux_completude = 0.8
)

head(pluvio_sf)
## Simple feature collection with 6 features and 7 fields
## Geometry type: POINT
## Dimension:     XY
## Bounding box:  xmin: 245464.7 ymin: 6806918 xmax: 318927.9 ymax: 6829226
## Projected CRS: RGF93 v1 / Lambert-93
##         id altitude somme_precipitations nb_jours_donnees nb_jours_periode
## 1 22001002      185                173.0               29               31
## 2 22032002       75                198.1               31               31
## 3 22033001      150                234.8               31               31
## 4 22046003      201                218.0               31               31
## 5 22092001      281                218.5               31               31
## 6 22114003      112                200.6               31               31
##   periode_debut periode_fin                 geometry
## 1    2025-01-01  2025-01-31 POINT (262755.3 6816311)
## 2    2025-01-01  2025-01-31 POINT (318927.9 6812191)
## 3    2025-01-01  2025-01-31 POINT (250902.6 6806918)
## 4    2025-01-01  2025-01-31 POINT (292473.6 6813586)
## 5    2025-01-01  2025-01-31 POINT (245464.7 6829226)
## 6    2025-01-01  2025-01-31 POINT (307509.1 6807433)

Krigeage des précipitations

Cette fonction renvoie une estimation par par krigeage de la pluviométrie à ’nimporte quel point à partir des données mesurées aux différentes stations.

Définition d’un point à Rennes :

rennes <- data.frame(
  lon = -1.6794,
  lat = 48.1147
)

rennes_sf <- sf::st_as_sf(
  rennes,
  coords = c("lon","lat"),
  crs = 4326
)

rennes_l93 <- sf::st_transform(
  rennes_sf,
  2154
)

Interpolation :

krige_pluie_journaliere(
  rennes_l93,
  date = "2026-01-20",
  con = con
)

Accès aux données SIM2

Les données SIM2 sont stockées dans :

Le modèle est calculé sur une maille d’environ 8 km.

Recherche de la maille la plus proche

Création d’un point :

# Coordonnées approximatives du centre de Redon
# Lambert 93 (EPSG:2154)

pt <- prepare_point(
  x = 304000,
  y = 6748000
)

Recherche de la maille :

maille <- find_nearest_sim2_cell(
  con,
  pt
)

maille
##   lambx lamby                                               geom
## 1  2520 23130 01010000206A080000333333335D781241000000001EBF5941

Extraction d’une chronique SIM2

sim2 <- get_sim2_from_point(
  con,
  x = 351800,
  y = 6787300
)

head(sim2)
##   lambx lamby       date swi_q preliq prenei    t tinf_h tsup_h   hu      q  ff
## 1  3000 23530 1958-08-01 0.175    2.0      0 16.2   13.3   20.7 87.8 10.006 3.4
## 2  3000 23530 1958-08-02 0.172    0.0      0 15.6   11.0   21.0 74.3  7.916 1.7
## 3  3000 23530 1958-08-03 0.167    0.2      0 16.1    9.0   20.0 69.8  7.727 1.8
## 4  3000 23530 1958-08-04 0.166    0.0      0 17.8   13.9   22.3 85.7 10.857 1.3
## 5  3000 23530 1958-08-05 0.163    0.0      0 19.8   15.6   25.4 76.3 10.660 1.9
## 6  3000 23530 1958-08-06 0.160    0.6      0 16.6   14.4   18.7 70.9  8.214 1.8
##      ssi    dli evap etp   pe sswi_10j wg_racine wgi_racine drainc runc
## 1  656.0 2681.8  0.6 1.6  1.4       NA     0.208          0      0    0
## 2 2288.6 2638.8  1.0 3.7 -1.0       NA     0.209          0      0    0
## 3 1380.0 2947.7  0.6 2.7 -0.4       NA     0.208          0      0    0
## 4  583.2 3513.4  0.2 1.5 -0.2       NA     0.208          0      0    0
## 5 1915.0 3146.3  0.7 3.8 -0.7       NA     0.208          0      0    0
## 6 1116.1 3225.7  0.9 2.5 -0.3       NA     0.207          0      0    0
##   ecoulement resr_neige resr_neige6 hteurneige hteurneige6 hteurneigex
## 1          0          0           0          0           0           0
## 2          0          0           0          0           0           0
## 3          0          0           0          0           0           0
## 4          0          0           0          0           0           0
## 5          0          0           0          0           0           0
## 6          0          0           0          0           0           0
##   snow_frac
## 1         0
## 2         0
## 3         0
## 4         0
## 5         0
## 6         0

Extraction sur une commune

rennes_sim2 <- get_sim2_from_commune(
  con,
  commune_name = "Rennes"
)

head(rennes_sim2, 3)

Extraction sur une masse d’eau

me_sim2 <- get_sim2_from_masse_eau(
  con,
  code_me = "FRGR2260"
)

head(me_sim2, 3)

Hydroclimatologie appliquée au bassin de la Vilaine

Le package fournit également plusieurs fonctions permettant de caractériser le contexte hydroclimatique associé aux prélèvements de qualité de l’eau.

Ces fonctions s’appuient sur les données SIM2 précédemment extraites.

extraction de la chronique SIM2 à Redon

sim2_redon <- get_sim2_from_point(
  con,
  x = 331000,
  y = 6749000
)

head(sim2_redon)
##   lambx lamby       date swi_q preliq prenei    t tinf_h tsup_h   hu      q  ff
## 1  2840 23130 1958-08-01 0.086    0.0      0 16.0   12.6   20.3 87.1  9.845 3.2
## 2  2840 23130 1958-08-02 0.083    0.1      0 15.4   10.7   20.7 74.4  7.880 1.8
## 3  2840 23130 1958-08-03 0.081    0.0      0 15.7    9.0   19.2 72.2  7.847 1.9
## 4  2840 23130 1958-08-04 0.080    0.0      0 17.6   14.3   21.5 84.7 10.549 1.8
## 5  2840 23130 1958-08-05 0.077    0.0      0 19.1   14.6   24.6 77.9 10.469 2.2
## 6  2840 23130 1958-08-06 0.075    0.0      0 16.6   14.6   18.7 72.4  8.389 2.0
##      ssi    dli evap etp   pe sswi_10j wg_racine wgi_racine drainc runc
## 1  568.2 2642.4  0.1 1.6 -0.1       NA     0.173          0      0    0
## 2 2202.3 2714.2  0.7 3.6 -0.6       NA     0.173          0      0    0
## 3 1323.3 3040.7  0.5 2.6 -0.5       NA     0.173          0      0    0
## 4  865.7 3464.8  0.3 1.9 -0.3       NA     0.172          0      0    0
## 5 2031.3 3144.1  0.6 3.8 -0.6       NA     0.172          0      0    0
## 6 1171.9 3234.5  0.4 2.5 -0.4       NA     0.172          0      0    0
##   ecoulement resr_neige resr_neige6 hteurneige hteurneige6 hteurneigex
## 1          0          0           0          0           0           0
## 2          0          0           0          0           0           0
## 3          0          0           0          0           0           0
## 4          0          0           0          0           0           0
## 5          0          0           0          0           0           0
## 6          0          0           0          0           0           0
##   snow_frac
## 1         0
## 2         0
## 3         0
## 4         0
## 5         0
## 6         0

Extraction des données d’humidité des sols

swi_redon <- get_swi_series(
  con,
  point = c(
    331000,
    6749000
  )
)

head(swi_redon)
##         DATE   SWI
## 1 1958-08-01 0.086
## 2 1958-08-02 0.083
## 3 1958-08-03 0.081
## 4 1958-08-04 0.080
## 5 1958-08-05 0.077
## 6 1958-08-06 0.075

Construction de la climatologie SWI de référence

clim_swi <- compute_swi_climatology(
  con,
  point = c(
    331000,
    6749000
  )
)

head(clim_swi)
## # A tibble: 6 × 8
##   pseudo_date    q0   q10   q20   q50   q80   q90  q100
##   <date>      <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2000-01-01  0.414 0.558 0.673 0.841 0.976  1.01  1.18
## 2 2000-01-02  0.414 0.588 0.675 0.843 0.974  1.01  1.18
## 3 2000-01-03  0.414 0.59  0.677 0.846 0.973  1.01  1.18
## 4 2000-01-04  0.414 0.593 0.680 0.854 0.968  1.01  1.18
## 5 2000-01-05  0.414 0.595 0.684 0.858 0.967  1.01  1.18
## 6 2000-01-06  0.414 0.596 0.690 0.862 0.964  1.01  1.18

Graph de l’humidité des sols

plot_swi(
  con,
  point = c(
    331000,
    6749000
  ),
  annees_surlignees = c(1976, 2022, 2026),
  titre_point = "Redon"
)

Bilan pluviométrique annuel

Le graphique ci-dessous représente le rapport à la normale des précipitations observées sur la maille SIM2 la plus proche de Redon pour chaque année hydrologique depuis le début des données disponibles.

Les barres vertes correspondent à des années plus humides que la normale. Les barres brunes correspondent à des années plus sèches que la normale.

plot_precipitation_anomaly_by_hydrological_year(
  con,
  point = c(
    331000,
    6749000
  ),
  variable = "preliq",
  hydro_year_start_month = 9,
  reference_period = c(
    1991,
    2020
  )
)

La carte suivante représente le rapport à la normale des précipitations sur l’année hydrologique 2025-2026.

Le calcul est effectué sur les mailles SIM2 intersectant le bassin de la Vilaine.

Les cours d’eau de l’inventaire ICE Vilaine sont affichés à partir de l’ordre de Strahler 4.

bassin_vilaine <- read_sf(
  con,
  schema = "r300_territoire_sage",
  table = "bassin_vilaine"
)

plot_current_hydrological_year_precipitation_map(
  con,
  territoire = bassin_vilaine,
  date_debut_hydro_year =
    as.Date("2025-09-01"),
  strahler_min = 4
)

Bilan pluviométrique saisonnier

Pour faire une carte d’écart à la normale des précipitations sur un nombre de mois restreint.

plot_current_hydrological_year_precipitation_map(
  con = con,
  territoire = bassin_vilaine,
  date_debut_hydro_year = as.Date("2025-09-01"),
  variable = "preliq",
  reference_period = c(1991, 2020),
  mois = c(7, 8, 9),
  strahler_min = 4
)

vérifié jusqu’ici

Extraction sur une masse d’eau

On utilise ici la masse d’eau :

cantache <- get_swi_from_masse_eau(
  con,
  code_me = "FRGR2260"
)

head(cantache)
##   lambx lamby       date swi_q preliq prenei    t tinf_h tsup_h   hu      q  ff
## 1  3480 23690 1958-08-01 0.100    2.6      0 15.3   12.4   18.8 88.3  9.641 3.2
## 2  3480 23690 1958-08-02 0.094    0.0      0 14.7   10.4   20.0 75.0  7.639 2.8
## 3  3480 23690 1958-08-03 0.089    0.0      0 15.2    9.3   19.0 74.0  7.844 2.3
## 4  3480 23690 1958-08-04 0.086    0.0      0 16.2   12.9   20.3 87.1 10.128 2.0
## 5  3480 23690 1958-08-05 0.083    0.0      0 18.5   13.1   23.8 80.1 10.646 2.4
## 6  3480 23690 1958-08-06 0.081    1.5      0 16.1   14.4   18.6 74.3  8.435 2.8
##      ssi    dli evap etp   pe sswi_10j wg_racine wgi_racine drainc runc
## 1 1115.3 2566.1  1.8 1.6  0.8       NA     0.196          0      0    0
## 2 2152.1 2682.5  2.0 3.7 -2.0       NA     0.197          0      0    0
## 3 1974.9 2735.3  1.0 3.3 -1.0       NA     0.195          0      0    0
## 4 1191.7 3251.6  0.4 2.2 -0.4       NA     0.195          0      0    0
## 5 2061.0 3005.3  0.8 3.6 -0.8       NA     0.194          0      0    0
## 6 1732.8 2946.4  0.7 3.1  0.8       NA     0.194          0      0    0
##   ecoulement resr_neige resr_neige6 hteurneige hteurneige6 hteurneigex
## 1          0          0           0          0           0           0
## 2          0          0           0          0           0           0
## 3          0          0           0          0           0           0
## 4          0          0           0          0           0           0
## 5          0          0           0          0           0           0
## 6          0          0           0          0           0           0
##   snow_frac
## 1         0
## 2         0
## 3         0
## 4         0
## 5         0
## 6         0

Calcul des précipitations cumulées

Calcul du cumul glissant sur 30 jours.

cumuls <- get_precipitations_cumulees(
  sim2,
  jours = 30
)

tail(
  cumuls[
    ,
    c(
      "date",
      "cumul"
    )
  ]
)
##             date cumul
## 24939 2026-11-10  46.5
## 24940 2026-11-11  46.9
## 24941 2026-11-12  46.0
## 24942 2026-11-13  45.9
## 24943 2026-11-14  45.7
## 24944 2026-11-15  50.0

Construction des indicateurs hydroclimatiques

metrics <- compute_hydro_climate_metrics(
  sim2
)

head(
  metrics[
    ,
    c(
      "date",
      "preliq_3j",
      "preliq_7j",
      "preliq_30j"
    )
  ]
)
##         date preliq_3j preliq_7j preliq_30j
## 1 1958-08-01        NA        NA         NA
## 2 1958-08-02        NA        NA         NA
## 3 1958-08-03       2.2        NA         NA
## 4 1958-08-04       0.2        NA         NA
## 5 1958-08-05       0.2        NA         NA
## 6 1958-08-06       0.6        NA         NA

Croisement avec des données qualité

Les données qualité sont généralement associées à une date de prélèvement.

Exemple simplifié :

qualite <- data.frame(
  date = as.Date(
    c(
      "2024-05-10",
      "2024-06-12",
      "2024-09-03"
    )
  ),
  MES = c(
    18,
    42,
    75
  )
)

qualite_meteo <- join_water_quality_with_sim2(
  qualite,
  metrics
)

head(qualite_meteo)
##         date MES lambx lamby swi_q preliq prenei    t tinf_h tsup_h   hu      q
## 1 2024-05-10  18  3000 23530 0.649    0.0      0 18.6   13.1   23.6 66.5  8.546
## 2 2024-06-12  42  3000 23530 0.489    0.1      0 13.1    8.6   17.9 71.8  6.472
## 3 2024-09-03  75  3000 23530 0.332    0.1      0 17.2   15.8   20.9 84.9 10.265
##    ff    ssi    dli evap etp   pe sswi_10j wg_racine wgi_racine drainc runc
## 1 2.7 3011.8 2835.5  3.7 5.2 -3.7    0.547     0.284          0    0.5    0
## 2 2.2 2031.6 2747.7  1.9 3.5 -1.8    0.314     0.259          0    0.4    0
## 3 1.4 1615.4 3157.4  2.2 2.6 -2.1    0.710     0.235          0    0.3    0
##   ecoulement resr_neige resr_neige6 hteurneige hteurneige6 hteurneigex
## 1          0          0           0          0           0           0
## 2          0          0           0          0           0           0
## 3          0          0           0          0           0           0
##   snow_frac preliq_3j preliq_7j preliq_30j
## 1         0       0.1       9.8       48.8
## 2         0       1.2       1.3       60.2
## 3         0       3.4      13.2       39.6

Diagnostic du contexte hydroclimatique

diagnose_sampling_conditions(
  pluie_30j = 95,
  swi = 0.72
)
## [1] "Humide"

Par exemple, un prélèvement réalisé après plusieurs épisodes pluvieux et sur des sols déjà humides pourra être qualifié de contexte humide ou très humide.

Génération automatique d’un commentaire

generate_hydroclimatic_comment(
  pluie_30j = 95,
  swi = 0.72
)
## [1] "Le prélèvement a été réalisé dans un contexte hydroclimatique : Humide."

Cette fonction permet d’automatiser la rédaction des bilans annuels et des diagnostics de masses d’eau.

Visualisation du contexte hydroclimatique annuel

plot_annual_hydroclimatic_context(
  metrics
)
## Warning: Removed 29 rows containing missing values or values outside the scale range
## (`geom_line()`).

Exemple complet

Le workflow complet peut être résumé ainsi :

sim2 <- get_sim2_from_point(
  con,
  x = 304000,
  y = 6748000
)

metrics <- compute_hydro_climate_metrics(
  sim2
)

qualite_meteo <- join_water_quality_with_sim2(
  qualite,
  metrics
)

commentaire <- generate_hydroclimatic_comment(
  pluie_30j = qualite_meteo$preliq_30j[1],
  swi = qualite_meteo$hu2[1]
)

Ce type d’approche est particulièrement pertinent pour :

Exemple sur Rennes :

swi <- get_swi_from_point(
  con,
  x = 304000,
  y = 6748000,
  variable = "swi_q"
)

head(swi)

Précipitations cumulées mobiles

Calcul d’un cumul glissant 30 jours :

sim2_rolling <- compute_rolling_precipitation(
  sim2,
  variable = "preliq",
  window = 30
)

Visualisation :

plot_rolling_precipitation(
  sim2_rolling
)
## Warning: Removed 29 rows containing missing values or values outside the scale range
## (`geom_line()`).

Climatologie de référence

Calcul de la normale 1991-2020 :

climato <- get_sim2_climatology(
  sim2,
  variable = "preliq",
  ref_start  = 1991,
  ref_end  = 2020
)

Graphique :

plot_sim2_climatology(
  climato
)

Indice SPI

L’indice SPI (Standardized Precipitation Index, ou indice de précipitations normalisé) mesure le déficit ou l’excédent de pluie par rapport à la normale climatique sur une période donnée. Recommandé par l’Organisation météorologique mondiale (OMM), il permet de comparer facilement des régions et des climats différents.

Le SPI se calcule à partir de séries de précipitations (généralement sur au moins 30 ans) agrégées sur plusieurs pas de temps glissants, comme 1, 3, 6, 12, 24 ou 48 mois : • 1 à 2 mois : suivi des sécheresses météorologiques et de l’humidité de surface. • 1 à 6 mois : impacts saisonniers et sécheresses agricoles. • 6 à 24 mois et plus : sécheresses hydrologiques (débits des cours d’eau, réservoirs, nappes souterraines). Les cumuls de pluie sont transformés selon une distribution statistique normalisée (moyenne égale à 0 et écart-type égal à 1), ce qui permet d’interpréter la valeur en nombre d’écarts-types et d’en déduire la rareté de l’événement.

Interprétation des valeurs

• SPI ≥ +2,0 : extrêmement humide • De +1,0 à +1,99 : modérément à très humide • De -0,99 à +0,99 : proche de la normale • De -1,0 à -1,49 : sécheresse modérée • De -1,5 à -1,99 : sécheresse sévère • SPI ≤ -2,0 : sécheresse extrême

Limites

Le SPI repose uniquement sur les précipitations. Il ne prend pas directement en compte la température ni l’évapotranspiration ; pour intégrer la demande évaporative liée au réchauffement climatique, les climatologues utilisent souvent des indices complémentaires comme le SPEI.

Calcul du SPI sur 12 mois :

spi <- compute_spi(
  sim2,
  variable = "preliq",
  scale = 12
)

Visualisation :

plot_spi(spi)
## Warning: Removed 11 rows containing missing values or values outside the scale range
## (`geom_col()`).

Exemple d’utilisation pour une analyse qualité de l’eau

Les données SIM2 peuvent être croisées avec les données de qualité de l’eau afin d’étudier :

plot_sim2_vs_water_quality(
  data = donnees_qualite,
  meteo_variable = "preliq_30j",
  quality_variable = "MES"
)

Déconnexion

disconnect_postgis(con)

Conclusion

Le package meteo4Vilaine permet maintenant de combiner :

Il constitue ainsi une boîte à outils cohérente pour l’analyse climatique, hydrologique et qualité de l’eau à l’échelle du bassin versant.