Description de bases de données publiques géolocalisées : exemple d utilisation avec R

Transcription

1 Page : 1 géolocalisées : exemple Description de bases de données géolocalisées : exemple Résumé Nous présentons dans ce document les principales sources de données géolocalisées disponibles en libre accès et téléchargeables sur le web. Nous proposons ensuite des exemples d utilisation de ces données sous R dans un cadre d analyse de processus ponctuels spatiaux ou dans le cas d une analyse économétrique. MOTS CLES : contours géographiques, communes, cantons, IRIS, départements, régions, IGN, INSEE, agence de l eau, ministère du développement durable, écologie, INRA, énergie, CORINE Land Cover, SANDRE, logiciel R, packages, centrales nucléaires, durées d ensoleillement annuel moyen, lissage, référentiel géographique 1. Les contours géographiques des unités administratives françaises Normalement, c est l IGN ( qui commercialise les fonds de carte comme les communes, les IRIS, etc. Cependant, on trouve certains sites où il est possible de récupérer ces informations. Par exemple, les contours géographiques des unités administratives françaises et ceux de nombreux autres pays sont accessibles sur Ces contours sont exclusivement réservés pour un usage non commercial. Le référentiel utilisé est le World Geodetic System 84 (WGS 84), les coordonnées y sont exprimées en longitude/latitude. Pour la France, les découpages suivants sont disponibles : La France métropolitaine, Corse incluse (FRA_adm0.shp), Les 22 régions françaises (FRA_adm1.shp), Les 96 départements français (FRA_adm2.shp) dont l identifiant est la variable ID_2, 1

2 Page : 2 géolocalisées : exemple Les 350 arrondissements (FRA_adm3.shp), Les 3733 cantons (FRA_adm4.shp). Pour obtenir le numéro de canton, il faut agréger la variable ID_2 avec ID_4, Les communes (FRA_adm5.shp). Le problème de ce fichier est qu il n y a pas d autres identifiants que le nom des communes et donc l agrégation avec d autres bases peut poser problèmes. Le Tableau 1 présente un exemple d utilisation de codes R pour importer les fichiers géographiques provenant du site On peut également trouver sur ce site les contours géographiques enregistrés dans des fichiers.rdata et donc directement importables sous R avec la commande load(). Le package utilisé est le package maptools. Tableau 1 : codes R pour importer et afficher les contours géographiques des départements français. Il est important de préciser quel est le référentiel des coordonnées importées (Source : > require(maptools) > fr.spdf<readshapepoly("fra_adm0.shp") > proj4string(fr.spdf)=crs("+proj=longlat +ellps=wgs84") > plot(fr.spdf,axes=true) Dans l étude des processus ponctuels, il est usuel de définir une fenêtre d observations qui va contenir les motifs de points étudiés (points patterns). La structure géographique de l objet précédemment créé est très complexe : on compte plus de sommets de points pour définir les polygones de la France métropolitaine et de ses îles. Pour travailler 2

3 Page : 3 géolocalisées : exemple sur ce type d objet, le temps de calcul est parfois très long. Ainsi, on peut simplifier la structure géographique des polygones avec le package rgeos pour définir une fenêtre d étude moins précise mais moins gourmande en mémoire vive. Dans le Tableau 2, on définit une fenêtre graphique «simplifiée» du polygone principal de la France métropolitaine (170 sommets au lieu de ) avec le package spatstat. Tableau 2 : simplification des contours de la France. Création d'une fenêtre d'étude pour étudier ensuite les processus ponctuels. > require(rgeos) > fr.spdf2< gsimplify(fr.spdf,tol=0.1,topologypreserve=true) > require(spatstat) > W < owin(fr.spdf2@bbox[1,],fr.spdf2@bbox[2,], poly=list(x=rev(fr.spdf2@polygons[[1]]@polygons[[355]]@coo rds[ 170,1]), y=rev(fr.spdf2@polygons[[1]]@polygons[[355]]@coords[ 170,2]))) > plot(w) 2. Les coordonnées géographiques des communes de France La fonction coordinates() permet de calculer les centroïdes des polygones. L unité spatiale devient donc le point au lieu du polygone. Cependant, on a vu que les données présentées ci dessus ne contenaient pas les identifiants des communes tels que définis par l INSEE. Il est possible de récupérer les coordonnées des communes sur un forum d utilisateurs des outils SIG : A priori, il s agit des coordonnées des communes de France qui sont calculées par Google maps lorsqu on précise uniquement le nom de la commune. L avantage de cette base est que les identifiants des communes sont calqués sur ceux qu utilise l INSEE. L inconvénient de cette base est qu on ne sait pas exactement à quoi correspondent ces coordonnées géographiques (centroïdes, rue principale?). D autre part, cette base peut comporter quelques erreurs (des villes qui portent le même nom par exemple) et ne peut donc être donc considérée comme 3

4 Page : 4 géolocalisées : exemple une base «officielle». Le Tableau 3 montre comment importer ces données sous R et créer un identifiant unique qui correspond au code INSEE. Tableau 3 : importation des coordonnées des communes de France métropolitaine (Corse inclus), création d une clé unique appelée «Code.INSEE» à partir du numéro de départements et de communes. Représentation cartographique de l objet Spatial créé. > tab< read.csv("communes csv", sep=';', dec='.', nrows=36569) > tab$com< ifelse(tab$com<10, paste("00",tab$com,"",sep=""), ifelse(tab$com>9 & tab$com<100, paste("0",tab$com,"",sep=""), tab$com)) > tab$dep< as.character(tab$dep) > tab$dep< ifelse(tab$dep %in% as.character(1:9),paste("0",tab$dep,sep=""),tab$de P) > tab$code.insee<paste(tab$dep,tab$com,sep="") > coord<coordinates(cbind(tab$longitude,tab$latitude)) > tab.sp< SpatialPoints(coord) > proj4string(tab. sp)=crs("+proj=longlat +ellps=wgs84") > row.names(tab.sp)< tab$code.insee > plot(tab.sp) 3. Les bases de données téléchargeables sur le site de l INSEE 4

5 Page : 5 géolocalisées : exemple Le site de l INSEE contient énormément de données intéressantes mais il n est pas toujours facile de trouver ce qu on y recherche. On y trouve un grand nombre de variables données par commune, iris, etc., mais les coordonnées ou contours géographiques des unités spatiales ne sont pas disponibles. C est pourquoi il faudra faire de l agrégation avec les fichiers présentés dans les deux premières sections. Il semblerait que l accès à l ensemble des données géolocalisées puisse se faire à partir de la page suivante, où les données sont classées par thème (Agriculture, Commerce, Conditions de vie Société, Economie, Enseignement Education, Entreprises, Population, Revenus Salaires, Santé, Services Tourisme Transports, Territoire, Travail Emploi) de donnees/default.asp?page=statistiques locales/donneesdetaillees_tableau.htm. Les données sont disponibles au format Excel à plusieurs niveaux géographiques selon les thèmes. Les unités spatiales peuvent être : L IRIS, avec pour identifiant le numéro IRIS. Pour les «petites» communes qui ne sont pas découpées en IRIS, il faut aller chercher l information au niveau communal. La commune avec pour identifiant le code géographique (CODGEO). On trouve autour de communes (comprenant les communes des départements d Outremer) et le détail au niveau arrondissement pour Marseille, Lyon et Paris. Le département ou la région avec pour identifiant soit le numéro ou le nom du département ou de la région La zone d emploi, l unité urbaine, l aire urbaine Remarque : pour savoir si une donnée est disponible sur le site de l INSE E, il peut être intéressant d utiliser les cartes interactives ( qui permettent la représentation d une grande partie des données géolocalisées disponibles. De plus, cet outil permet si on le souhaite, d exporter directement les données sélectionnées. Le tableau 5 montre un exemple d importation sous R de la variable densité de population, obtenue directement depuis cet outil de carte interactive. 5

6 Page : 6 géolocalisées : exemple Tableau 4 : description succincte des données INSEE géolocalisées Thème Sous Thème/ date des données Exemple de variables Comm Iris D Z unes éparte ment/ Région one emploi/ Unité urb./ Aire urb. AGRICULTURE Exploitations Nb exploitations (sièges, agricoles en et en terres labourables, en herbe, etc) Type d exploitations (grandes cultures, bovins, etc.) COMMERCE Commerces de détail (2010) nb hyper, super, supérette, etc. nb magasins (meubles, vêtements, cha etc.) ussures, CONDITIONS DE VIE SOCIETE Logement (2008) nb logements, résidences principales, etc. Vacances Loisirs (2010) nb bassin de natation, boulodrome, salle de combat, etc. ECONOMIE Economie générale (de emploi total par sphère emploi par secteurs 1990 à 2009) (administration publique, agriculture, etc.) Finances (2007) dépenses de fonctionnement, rémunération des salariés, etc. 6

7 Page : 7 géolocalisées : exemple ENSEIGNEMEN Diplômes population scolarisée T EDUCATION Formation (2008) selon le sexe, l âge et le niveau d études Elèves, établissements et nb école maternelle nb collège enseignants (2010) nb université, école d ingénieur, etc.) ENTREPRISES Caractéristique des entreprises et établissements nb établissements, entreprises par secteurs (agriculture, industrie, (2009) etc.) et taille (de 10 à 19 salariés, de 20 à 49, etc.) Démographie des créations d entreprises entreprises (2006 par type (auto à 2011) entrepreneurs, etc.) et par année POPULATION Evolution et nb population par sexe, structure de la âge population (2008) nb naissance, décès Naissance Fécondité (de nb de naissances par année 2001 à 2010) Décès Mortalité Espérance de vie ( ) nb de décès par année Couples Familles Ménages (2008) nb ménages (avec 1 personne, en couple, homme seul, femme seul, etc.) REVENUS SALAIRES Salaires et revenus salaires horaires par activité et tranche âge 7

8 Page : 8 géolocalisées : exemple d'activités (2009) Revenus Niveaux de vie Patrimoine (2009) nb ménages fiscaux réparti par quartile Pauvreté ( ) 06 taux de pauvreté, intensité de pauvreté, etc. SANTE Personnels et nb personnes âgées, équipements de santé (2010) enfants handicapés nb centre accueil SERVICES TOURISME Services aux particuliers nb polices, trésorerie, pôle emploi, TRANSPORTS (2010) gendarmerie, cour d appel, etc.) Tourisme ( ) 03 nb hôtels, nb cha nb camping, nb mbre résidences secondaires TERRITOIRE Régions, départements et zone d emploi, unité urbaine, tranche unité villes de France urbaine, catégorie de la (2010) ZAU, etc. TRAVAIL EMPLOI Emploi Population active nb actifs selon la CSP, l âge, le sexe, le type de ( ) diplôme, l année Caractéristiques nb temps partiel, de l'emploi emplois aidés, travail (2008) dans autre commune par sexe Chômage (2001 nb demandeurs d emplois par âge, 8

9 Page : 9 géolocalisées : exemple 2011) catégorie (longue durée), etc. Tableau 5 : exemple d utilisation d un fichier extrait des cartes interactives de l INSEE, ici la variable densité de population. Le fichier de données a été ensuite agrégé avec les coordonnées géographiques des communes. Chaque commune est ensuite représentée par une croix avec une couleur différente selon la valeur prise par la densité de population. > pop.area< read.csv2("densite.csv",skip=4,nrows=36682) > row.names(pop.area)< as.character(pop.area$codegeo) > spdf< SpatialPointsDataFrame(tab.sp,data=pop.area[row.names(t ab.sp),]) > require(rcolorbrewer) > plotclr < brewer.pal(9,"blues")[c(2,4,6,8,9)] > interval< c(0,50,100,500,1000,5000,27000) > plot(spdf,col=plotclr[findinterval(spdf@data$valeur, interval, all.inside=true)]) 4. Les bases de l énergie données du Ministère de l écologie, du développement durable et de Les bases de données sous consultables en ligne sur ligne/501.html et réparties selon les secteurs Construction, Transport, Energie et Environnement. Toutes les données ne sont pas géolocalisées. Par exemple, les données Pégase qui portent sur le secteur énergie sont agrégées sur la France entière. Les données géolocalisées sont : Les données CORINE Land Cover (voir ligne/li/1825.html) qui sont données au niveau de la commune (du département ou de la région) pour les années 1990, 2000 et Ces données 9

10 Page : 10 géolocalisées : exemple donnent la répartition d occupation des terres en m² de chaque commune en fonction de critères plus ou moins précis. Par exemple, le niveau 1 qui est le moins fin donne une répartition des sols selon : territoires artificialisés, territoires agricoles, forêts et milieux semis naturels, zones humides et surfaces en eau. Le niveau 2 contient 15 critères et le niveau 3 contient 44 critères. Les données Sit@del ( durable.gouv.fr/donneesligne/r/sitdel2 donnees detaillees logements.html ) donnent par commune le nombre de logement autorisés (individuels, collectifs) et les surfaces correspondantes entre 2010 et Les données Eider ( reprennent des statistiques d autres instituts (INSEE, Agence de l eau, etc.) et présentent les données sous forme de tableau détaillé. Il y a des données de pollution de l air disponible pour les plus grandes communes de France. La plupart des autres données (sur l eau, les déchets, etc.) sont la plupart du temps disponible au niveau département et région. Les données SitraM sur le transport présentent certaines données régionales par année sur les types de voie utilisés (fer, navire, route) et des flux de transport de marchandises. Les données FCA sur le parc automobile en France. Ces données donnent par commune, l évolution du nombre de véhicule par communes et par année (de 2003 à 2007) en fonction de leur niveau de pollution. Ces données n ont pas l air facile à manipuler. L outil de Cartographie interactive ( est très intéressant à utiliser pour se rendre compte de la disponibilité et la qualité des données disponibles mises à disposition par le ministère de l écologie, du développement durable et de l énergie. De plus, cet outil utilise des données provenant de nombreux autres instituts et services de statistique. Parmi ces données, on trouve : le taux d artificialisation au niveau communal (Source : CORINE Land Cover), le tableau 6 montre un exemple d importation sous R de la variable «Taux de forêts» obtenue à partir de cet outil de cartographie interactive, 10

11 Page : 11 géolocalisées : exemple la qualité de l air (part ATMO), disponible au niveau des grandes agglomérations (source : associations agréées pour la surveillance de la qualité de l air), la qualité des eaux superficielles en 2010 observée sur des stations de prélèvements d eau (Source : Agence de l eau), les précipitions et d autres données sur l eau au niveau département ou région (source : Météo France), la part de maîtrise foncière, protection forte, etc. par commune en 2011 (Source : muséum national d histoire naturelle), le ph des sols en 2008 (classé en neutre, basique, etc.), le risque d érosion, la teneur médiane en carbone organique, la teneur en cadmium/plomb par communes (Source : GiS Sol INRA), le nombre de sites pollués et/ou seveso par communes (source : Meddtl), le nombre d arrêtés de catastrophes naturelles, risques d inondations, séisme, feux de forêts par communes (Source : Meddtl), le nombre d éoliennes, la puissance éolienne par commune en 2008 (Source : France énergie éolienne), le nombre de sites seveso par communes (Meedm), la densité touristique (nombre de lits par habitant) par commune. On peut trouver également les bases suivantes sur le site du Ministère : Inventaire historique de sites industriels et activités de service (base de données Basias). Ce site ( permet de récupérer les coordonnées des longitude/latitude des sites industriels classés en site Basol ou site Basias. Registre français des émissions polluantes ( «Le présent registre français des émissions polluantes a pour objet de faciliter l accès au public à l information en matière d environnement en ce qui concerne les émissions dans l eau, dans l air et dans le sol ainsi que la production et le traitement de déchets dangereux et non dangereux des installations industrielles, des stations d'épuration urbaines de plus de équivalents habitants et des élevages». Pour chaque établissement, les coordonnées longitude/latitude sont données. Les établissements sont classés selon des catégories (pétrole/gaz, chimie/parachimie, textile, cuir, 11

12 Page : 12 géolocalisées : exemple industries minérales, énergie, etc.) et il existe également un outil cartographique pour visualiser ou sélectionner certaines régions. Tableau 6 : importation d un extrait du fichier CORINE Land Cover (ici la variable part de forêts), agrégation avec le fichier contenant les coordonnées géographiques des communes, identification des communes qui ne sont pas incluses dans le polygone central de la France (par exemple, les communes de Corse), création d un objet de type processus ponctuel marqué avec pour marque la variable part de forêts, lissage non paramétrique de la variable étudiée et représentation graphique de la variable lissée. > forets< read.csv2("forets.csv",sep=';',dec=',') > forets$code< as.character(forets$code) > tab.forets< merge(tab,forets,by.x="code.insee", by.y="code",sort=true ) > coord.france.corine<cbind(tab.forets$longitude,tab.forets$latitude) > sp.france.corine.0< SpatialPoints(coord.france.corine,CRS("+proj=longlat +ellps=wgs84")) > res.france.corine<point.in.polygon(tab.forets$longitude,tab.forets$latitud e, fr.spdf2@polygons[[1]]@polygons[[355]]@coords[,1], fr.spdf2@polygons[[1]]@polygons[[355]]@coords[,2]) > ind.corine.null< which(res.france.corine==0) > wp.forets < ppp(x=tab.forets$longitude[ ind.corine.null],y=tab.forets$latitude[ ind.corine.null], window=w) > marks(wp.forets)< tab.forets$part.forêts.et.milieux.semi.naturels..2006[ ind.corine.null] > D.forets< smooth.ppp(wp.forets, sigma=0.05) 12

13 Page : 13 géolocalisées : exemple > tc < colourmap(rev(terrain.colors(10)[c(1,3,5,7,9)]), breaks=c(0,20,40,60,80,100)) > plot(d.forets,col=tc,main="proportion de forêts") 5. L Inventaire National du Patrimoine Naturelle (Muséum National d Histoire Naturelle) Le site et information geographique propose en téléchargement un certain nombre de cartes géographiques sur les espaces naturelles. Les données sont déjà au format shapefile ou mapinfo et contiennent par exemple les polygones des : Réserves biologiques Réserves naturelles nationales Parcs naturels régionaux Parc nationaux Etc. Le tableau 7 montre comment importer la zone d étude considérée par le muséum qui est sous forme de pixel de 10 km et dans le référentiel Lambert étendu 93. L avantage de ce référentiel est que les distances sont directement en kilomètres. A signalement également l excellent document mis à disposition par le muséum concernant «l utilisation de fichiers spatiaux dans des applications R» : r/pdf/semin R_carto_RBaudoin_ pdf 13

14 Page : 14 géolocalisées : exemple Tableau 7 : importation du fichier contenant le «quadrillage» de la zone étudiée par le museum, changement de référentiel et représentation de l espace étudié. > protege=readshapepoly("l93_10k.shp") > proj4string(protege)=crs("+proj=lcc +lat_1=49 +lat_2=44 +lat_0=46.5 +lon_0=3 +x_0= y_0= ellps=grs80 +towgs84=0,0,0,0,0,0,0 +units=m +no_defs") > require("rgdal") > protege.bis<sptransform(protege,crs("+proj=longlat +ellps=wgs84")) > plot(protege.bis,axes=true) > plot(fr.spdf,add=true) 6. Outil cartographique de la BDAT GISSOL INRA Il s agit d un outil cartographique ( qui permet d obtenir des statistiques calculées par période ( , et ) sur la physico chimie, les analyses chimiques et la texture des sols, au niveau du canton. Les variables étudiées sont : Physico chimie : ph eau, ph KCl, calcaire total, calcaire actif, etc. Analyse chimiques : azote total, carbone organique, phosphore, potassium, sodium, zinc, etc. Texture : argile, limons fins, limons grossiers, sables fins, sables grossiers, etc. Le Tableau 8 représente un exemple d importation de la variable «médiane du ph» calculée sur la période et obtenu depuis l outil cartographique en ligne. 14

15 Page : 15 géolocalisées : exemple Tableau 8 : importation des contours des cantons, importations de la variable ph dans les sols obtenu sur le site BDAT, agrégation des deux fichiers et représentation des cantons en fonction des valeurs de ph obtenues. > ct.spdf< readshapepoly("fra_adm4.shp") > proj4string(ct.spdf)=crs("+proj=longlat +ellps=wgs84") > ct.spdf@data$id< 1:nrow(ct.spdf) > ct.spdf@data$num_cant<ct.spdf@data$id_2*100+ct.spdf@data$id_4 > ph< read.csv2("ph.csv",skip=10) > ct.spdf@data< merge(ct.spdf@data,ph,all.x=true) > ct.spdf@data< ct.spdf@data[order(ct.spdf@data$id),] > library("rcolorbrewer") > plotclr < brewer.pal(9,"blues")[c(2,3,5,7,9)] > interval< c(0,5,6,7,8,10) > library("classint") > plot(ct.spdf,col=plotclr[findinterval(ct.spdf@data$med, interval, all.inside=true)], border='grey') > decoup<c(paste("<=",interval[2],sep=""),paste("]",interval[2],";",interval[3 ],"]",sep=""),paste("]",interval[3],";",interval[4],"]",sep=""), paste("]",interval[4],";",interval[5],"]",sep=""), paste(">",interval[5],sep="")) > op2 < par(bg="antiquewhite1") > leg< legend("topleft", legend = decoup, title = "ph median de l'eau",fill=plotclr,cex=0.8) 15

16 Page : 16 géolocalisées : exemple > par(op2) 7. Les usines présentant un risque nucléaire en France Le site met à disposition les coordonnées longitude/latitude des usines présentant un risque nucléaire. Ces usines sont classées en plusieurs catégories (centrales électronucléaires, résidus de l exploitation minière, stockages et entreposages de déchets radioactifs, etc.). Le tableau 9 montre comment importer ces coordonnées et représenter une image à la place de ces coordonnées. Tableau 9 : importation du fichier contenant les coordonnées des usines présentant un risque nucléaire et représentation de ces sites par un logo importé sur R à l aide du package pixmap. > nucleaire< read.csv2("centrale.csv") > nucleaire.sp< SpatialPoints(cbind(nucleaire$Longitude,nucleaire$Latitu de), CRS("+proj=longlat +ellps=wgs84")) > require("pixmap") > log.nucl< read.pnm("radioactivite.pnm") > plot(fr.spdf) > for (i in 1:102) addlogo(log.nucl, px=c(nucleaire$longitude[i], nucleaire$longitude[i]+1), py=c(nucleaire$latitude[i], nucleaire$latitude[i]+1), asp=0.5) 8. Les durées d ensoleillement annuelles moyennes A priori, ces données sont commercialisées par Météo France. Sur on trouve les durées d ensoleillement annuelles moyennes calculées sur une période d étude assez lointaine 16

17 Page : 17 géolocalisées : exemple ( ). Ces mesures sont données au niveau du pixel de taille d environ 1 km sur l ensemble de l Europe. Le tableau 10 montre comment importer et représenter ces données. Tableau 10 : importation des données et représentation graphique des durées d ensoleillement annuelles moyennes >gr< readasciigrid("pvgis_g13year00.asc") >proj4string(gr)=crs("+proj=longlat +ellps=wgs84") > spplot(gr) 9. Le réseau hydrographique La carte interactive du service d administration des données et référentiels sur l eau (SANDRE) permet de visualiser quels sont les contours géographiques téléchargeables On peut télécharger : Les secteurs, sous secteurs, régions, zones hydrographiques Les cours d eau Les coordonnées des stations pluviométriques Les coordonnées des stations de mesure de la qualité des eaux superficielles continentales Etc. Des relevés sont effectués dans des stations de mesure. L information est accessible sur mais difficilement récupérable. 17

18 Documentation ANR ModULAnd géolocalisées : exemple Crée le 06/06/2012: Page : 18 Le Tableau 11 représente les concentrations moyennes en nitrates obtenues sur durable.gouv.fr/indicateursindices/f/1831/1346/nitrates cours deau.html et représentées au niveau du secteur hydrographique. > secteur< readogr("secteur.mif",layer="secteur") > qualite.eau< read.csv2("iddt_concentrationnitrates.csv") >secteur@data=merge(secteur@data,qualite.eau[,c(1,3,4)],al l.x=true,by.x="code_secteur",by.y="secteurs.hydrographiqu es",sort=false) > secteur< secteur[ c(31,116,140),] > plotclr < brewer.pal(9,"blues")[c(1,3,5,7,9)] >breaks<classintervals(secteur@data$concentrations.moyennes.en.nit rates.dans.les.cours.d.eau, n=5, style="kmeans")$brks > interval< round(breaks, digits=0) >plot(secteur,col=plotclr[findinterval(secteur@data$concentr ations.moyennes.en.nitrates.dans.les.cours.d.eau, interval, all.inside=true)], border='grey ) >decoup<c(paste("<=",interval[2],sep=""),paste("]",interval[2],";",interv al[3],"]",sep=""),paste("]",interval[3],";",interval[4],"]",sep=""),paste("]",interval[4],";",interval[5],"]",sep=""), paste(">",interval[5],sep="")) > op2 < par(bg="antiquewhite1") > leg< legend("topleft", legend = decoup, title = "Nitrates",fill=plotclr,cex=0.8) > par(op2) 18