Elément: Data Visualisation
Projet : Analyse des Données sur le Changement
Climatique: Température de Surface de la Terre
Réalisé par : DRIEF NISRINE ALAE BOUTGHART
Filière : Génie industriel intelligence artificielle et DATA science
Encadré par: MONSIEUR FASSI FIHRI
Année scolaire: 2024/2025
Le 23 Mai 2025 Année universitaire : 2024/2025
Plan
• Introduction
• Description et Preprocessing du Dataset
• Visualisation et analyse avec Matplotlib
• Visualisation et analyse avec Seaborn
• Visualisation et analyse avec Cartes géographiques
• Conclusion
Introduction
Objectifs : Analyser les tendances climatiques historiques dans les
grandes villes mondiales en se focalisant sur:
• L'évolution temporelle des températures
• Les variations saisonnières
• Les différences géographiques
Source des données Jeu de données:
"[Link]" de Berkeley Earth disponible
sur Kaggle.
Description et Preprocessing du Dataset
Description initiale du dataset
• Le dataset original contient:
• 239,177 enregistrements
• 7 colonnes:
• Variables catégorielles: 'dt' (date), 'City', 'Country', 'Latitude', 'Longitude'
• Variables numériques: 'AverageTemperature', 'AverageTemperatureUncertainty’
Problématiques de données rencontrées
• Valeurs manquantes:
• 11,002 valeurs manquantes dans 'AverageTemperature' et 'AverageTemperatureUncertainty'
• Stratégie de traitement: remplissage par la moyenne mensuelle par ville, puis par la moyenne globale si
nécessaire
• Valeurs aberrantes:
• 4,955 valeurs identifiées comme potentiellement aberrantes
• Décision: conservation car pourraient représenter des événements climatiques réels
• Format des données:
• Conversion des dates en format datetime
• Extraction de l'année et du mois pour faciliter l'analyse temporelle
• Normalisation des noms de villes et pays
Nettoyage et préparation
Les étapes clés de preprocessing ont inclus:
• Création de colonnes 'Year' et 'Month' à partir de la date
• Standardisation des noms de villes et pays
• Traitement des valeurs manquantes par moyenne mensuelle
• Vérification et suppression des doublons
Visualisation et Analyse avec Matplotlib
1. Évolution temporelle des
temperatures
2. Variations saisonnières (barres
empilées)
3. Distribution mensuelle des
températures par hémisphère
(Patch Plot)
4. Histogramme des temperatures
5. empératures moyennes des
principales villes (Bubble Plot)
Conclusion des visualisations Matplotlib :
• La température moyenne mondiale a connu une hausse marquée depuis le début de l’ère
industrielle, avec une accélération nette à partir de la seconde moitié du XXe siècle.
• Malgré cette tendance au réchauffement, on observe des variations interannuelles
naturelles, traduisant l’influence de phénomènes climatiques à court terme (ENSO,
éruptions volcaniques…).
• Les températures mensuelles montrent une forte amplitude saisonnière dans les villes
des zones tempérées, et une faible variation près de l’équateur, soulignant l’impact de la
latitude.
• Les cycles saisonniers sont inversés entre les hémisphères nord et sud : chaud en été
boréal, froid en hiver austral, et vice versa.
• La distribution des températures est asymétrique, avec une concentration entre 5°C et
20°C et la présence de valeurs extrêmes (< 0°C ou > 30°C), reflétant la diversité des
climats observés.
• Sur la carte, les villes proches de l’équateur affichent des températures plus élevées,
tandis que l’incertitude augmente aux latitudes extrêmes, probablement en raison d’un
manque de données anciennes.
Visualisation et analyse avec
Seaborn
1. Évolution Temporelle (lineplot +
bande de confiance)
2. Tendances Climatiques par
Décennie (FacetGrid)
3. Relations Multivariées (Pairplot)
4. Carte thermique (heatmap)
5. Nuage de points
Ville/Température/Année
(Scatter Plot)
Conclusion des visualisations Seaborn :
• Le graphique linéaire temporel confirme une hausse nette des températures globales à
partir du XXe siècle, reflétant l’effet croissant du changement climatique, après une relative
stabilité avant 1900.
• Les courbes saisonnières par décennie montrent une augmentation progressive des
températures estivales tout en conservant un profil saisonnier régulier, preuve que le
réchauffement affecte aussi l’échelle intra-annuelle.
• La matrice de corrélation ou pairplot révèle une faible corrélation entre température et
incertitude, et met en évidence une saisonnalité forte et des distributions asymétriques,
notamment selon les mois.
• La heatmap décennale par mois illustre visuellement la hausse généralisée des
températures dans tous les mois de l’année, avec un passage clair du bleu (froid) au rouge
(chaud), soulignant que même l’hiver se réchauffe.
• Le graphique coloré par région ou pays permet d’identifier des tendances climatiques
différenciées selon les zones géographiques, ainsi que des anomalies régionales, tout en
mettant en lumière l’impact inégal du réchauffement selon la localisation.
Visualisation et analyse avec Cartes géographiques
Folium
Création d’une carte interactive vide avec Folium:
Visualisation et analyse avec Cartes géographiques
• Création d’une carte centrée sur un point géographique précis avec
un zoom adapté:
Ce code est utilisé pour Créer une
carte centrée sur un endroit spécifique
(par exemple Rabat ou un autre lieu),
et de Définir un niveau de zoom initial
ce qui prepare la carte avant d’y ajouter
des éléments comme des marqueurs
Visualisation et analyse avec Cartes géographiques
• Ajout d’un marqueur par pays sur la carte :
Dans cette partie on va afficher une carte
interactive avec un seul marqueur
par pays, basé sur la première
ville trouvée dans les données.
Visualisation et analyse avec Cartes géographiques
• Affichage des villes d’un seul pays :
Le code utilisé permet d’afficher uniquement les villes d’un pays donné (ici "Côte
d’Ivoire") sur la carte centrée automatiquement sur ce pays. Chaque ville a un
marqueur avec un nom en survol et des détails au clic.
Visualisation et analyse avec Cartes géographiques
• Affichage de toutes les villes du dataset :
On affiche toutes les villes contenues dans le dataset
GlobalLandTemperaturesByMajorCity sur la carte. Chaque ville est représentée par
un marqueur avec des informations affichées au survol ou au clic.
Visualisation et analyse avec Cartes géographiques
• Affichage des températures moyennes par ville:
Ici on va crée une carte interactive
affichant un marqueur par ville indiquant :
• Le nom de la ville
• Le pays
• La température moyenne
• (calculée sur toutes les années du dataset)
Visualisation et analyse avec Cartes géographiques
• Carte thermique mondiale des températures moyennes par ville:
L'objectif est de créer une carte thermique interactive montrant les températures
moyennes des grandes villes du monde
Visualisation et analyse avec Cartes géographiques
• Évolution temporelle des températures moyennes par ville
crée une carte thermique dynamique dans le temps
Visualisation et analyse avec Cartes géographiques
• Carte interactive avec graphique d'évolution des températures par
décennie
Visualisation et analyse avec Cartes géographiques
• Carte mondiale interactive avec température moyenne par pays et
icônes personnalisées:
Conclusion
L’analyse visuelle du dataset met en évidence des tendances climatiques
claires et préoccupantes sur près de trois siècles d’enregistrements
météorologiques. Plusieurs éléments ressortent de manière cohérente à
travers les différents graphiques :
1. Une hausse globale des températures
• Les courbes temporelles (lineplots) montrent une augmentation
progressive et marquée des températures moyennes mondiales, en
particulier depuis le début du XXe siècle.
• Cette tendance est visible tant dans les moyennes annuelles que dans les
moyennes saisonnières.
2. Un réchauffement affectant toutes les saisons
• Les profils saisonniers par décennie et la heatmap mensuelle illustrent que
le réchauffement n’est pas limité à l’été : tous les mois de l’année
connaissent une hausse de température, avec une intensité croissante au fil
des décennies.
3. Une disparité géographique visible
• Les comparaisons par hémisphère et les scatter plots montrent que
l’hémisphère Nord se réchauffe plus rapidement, ce qui s’explique en
partie par une industrialisation plus précoce et plus massive.
• On constate également une variabilité intercontinentale, reflétant des
climats différents et des effets régionaux distincts.
