2C'est un fait que le COVID-19 a atteint le Brésil et le monde d'une manière écrasante, caractérisée par sa grande transmissibilité. Sa propagation rapide sur le territoire brésilien a exigé des réponses aussi rapides que la transmissibilité du virus. La Géographie a donc dû réagir rapidement, ce qui l'a placée dans une position privilégiée pour sa capacité à réagir à la propagation du COVID-19 au Brésil. (Guimarães et. al. 2020a).

3Cependant, à partir d'un certain moment, alors que le virus circulait déjà librement dans les villes, d'autres questions ont commencé à se poser: « Où se concentrent les cas de COVID-19 et les décès dans les villes? Existe-t-il une différence de population pour les décès ou les infections? Comment identifier les populations les plus touchées par la maladie? Ces questions, parmi d'autres, sont devenues le centre des discussions visant à comprendre l'impact du COVID-19 au Brésil. Cependant, de nombreuses études sur l'échelle intra-urbaine se sont concentrées sur l'analyse des métropoles et des capitales d'État, montrant qu'il y a encore un grand besoin de comprendre comment le COVID-19 s'installe dans les villes de taille moyenne, loin des grands centres métropolitains.

4L'article est donc divisé en cinq sections en termes d'approche méthodologique. La première section traite du mode de déploiement ponctuel avec des cartes de nuages de points et des symboles proportionnels. Viennent ensuite les cartes de déploiement zonal - cartes coroplastiques et cartes coroplastiques bivariées. La troisième section explore les cartes de surface à l'aide de l'estimateur à noyau. La quatrième section traite des cartes de statistiques spatiales, en mettant l'accent sur Getis-Ord-G*, et la dernière section aborde les cartes de combinaison et de synthèse. Nous tenons à souligner que cet article ne couvre pas les analyses approfondies de ce phénomène, mais celles-ci peuvent être trouvées dans Lima (2022).

Références internationales et nationales

5Plusieurs articles passant en revue la littérature et les méthodologies appliquées pour soutenir la lutte contre COVID-19 ont été publiés sur la production cartographique de COVID-19 dans différents pays du monde. Nous pouvons trouver des références qui travaillent sur le COVID-19 sur différents fronts publiées en anglais (Smith e Mennis, 2020; Franch-Pardo et al., 2020; 2021; Fatima et al., 2021; Ahasan et al., 2022; Aboalyem e Ismail, 2023), en français (Darques e Trottier, 2020; Dubost et al., 2020; Levratto, Amdaoud e Arcuri, 2020; Haisoufi et al., 2021; Lambert, 2021) et en espagnol (Moreno, 2020; Sánchez, 2020; Comíns e Olcina, 2021; Colmenero-Ruiz, Paletta e Gonzales-Aguilar, 2023).

6Au Brésil, les numéros spéciaux des revues Hygeia et Confins méritent d'être soulignés. Dans Hygeia, il est possible de trouver un numéro avec 45 articles scientifiques qui traitent de l'échelle nationale (04) et des discussions régionales et locales (20) et d'autres travaillent sur la distribution de la maladie dans les principales régions brésiliennes, en particulier dans 16 unités fédératives (Guimarães, Catão et Nossa, 2020). D'autres productions scientifiques sur le COVID-19 se trouvent dans d'autres numéros de la revue, avec 77 articles sur le sujet. Dans la revue Confins, le dossier thématique 45/2020 inaugure la production scientifique sur COVID-19 dans la revue. Avec 4 articles sélectionnés, le débat tourne autour de la mobilité et des structures urbaines régionales dans le Sud et dans les états d'Amazonas, Ceará et un article éditorial sur le panorama du Brésil. En analysant le mot-clé « COVID-19 », nous avons trouvé un ensemble de 167 articles couvrant divers thèmes spécifiques en géographie.

7Tous ces articles n'abordent pas l'utilisation de la cartographie pour analyser la distribution spatiale du COVID-19 dans les villes situées dans des zones non métropolitaines, en particulier dans le centre-sud du Brésil. Cet article se concentre sur l'analyse de cette réalité.

8Ainsi, Presidente Prudente est devenue la ville cible de cette analyse, étant donné l'implication des auteurs dans le groupe de recherche en géographie de la santé de la Faculté des sciences et de la technologie de l'Universidade Estadual Paulista (FCT/UNESP), située dans cette ville, une capitale régionale qui densifie les flux de main-d'œuvre, de services, de culture, de santé, entre autres (IBGE, 2020).

9Bien que les différentes techniques disponibles dans les logiciels de Systèmes d'Information Géographique (SIG) nous aident à trouver des solutions et à susciter de nouvelles questions, nous devons faire preuve de sens critique lorsque nous les utilisons, car si nous constatons des erreurs de représentation, cela mettra certainement en péril le premier principe de la cartographie, à savoir une communication efficace. Ainsi, tout acte de cartographie implique avant tout l'utilisation de bases cartographiques, qui doivent être justifiées dans les travaux scientifiques qui utilisent la cartographie et les cartes.

Fonds de cartes numériques

10Les données COVID-19 utilisées ont été fournies par la surveillance épidémiologique de Presidente Prudente, couvrant la période du 17 mars 2020 - premier enregistrement de l'infection par COVID-19 - au 31 juillet 2021 (501 jours). Le nombre total de cas confirmés analysés est de 31 182, et le nombre total de décès est de 838. Les données sur la population proviennent du recensement démographique de 2010 de l'Institut brésilien de géographie et de statistique, ainsi que de la base cartographique des secteurs de recensement. Les données sur les réseaux routiers et urbains ont été collectées sur la plateforme OpenStreetMaps pour l'année 2021. Enfin, pour réaliser les différentes fonctions d'analyse spatiale, il est nécessaire que les données soient en coordonnées projetées, et pour cela nous avons utilisé les bases cartographiques de SIRGAS 2000, UTM 22 S.

11Le centre spatial est la municipalité de Presidente Prudente, plus précisément son centre urbain principal. Presidente Prudente est située dans la région du Pontal do Paranapanema, à l'ouest de l'État de São Paulo, à environ 560 kilomètres de la capitale. Lors du dernier recensement démographique de l'Institut brésilien de géographie et de statistiques (IBGE), sa population était de 225 668 habitants, avec une densité démographique de 402,52 habitants au kilomètre carré.

12Une modification importante de la base territoriale concerne la taille des polygones des secteurs de recensement urbain de Presidente Prudente, qui ont été modifiés. Afin de se rapprocher de la réalité, les polygones des secteurs urbains de recensement ont été adaptés en fonction des rues de la ville, c'est-à-dire que de grandes zones ont été supprimées sur la base du réseau urbain de la municipalité, en se concentrant sur les zones urbaines et en réduisant les extrapolations possibles qui affecteraient le calcul de la densité démographique.

Cartes d’implantations ponctuelles

13La cartographie n'est pas un domaine scientifique récent, ni dépendant de l'utilisation de logiciels de cartographie numérique. Les cartes qui utilisent des points pour représenter des phénomènes dans l'espace ne font pas partie d'une nouveauté technique et peuvent être trouvées dans plusieurs études classiques, telles que John Snow et le choléra (Barcellos, Buzai et Hanschumacher, 2018) - et, ce n'est pas un hasard, elles sont courantes dans le domaine de la santé. Ces cartes sont faciles à interpréter et à dresser, car elles représentent des phénomènes discontinus dans l'espace, c'est-à-dire que chaque phénomène est représenté par sa distribution la plus proche de la réalité, sa localisation - qu'elle soit agrégée dans les sièges municipaux, étatiques ou fédéraux, ou, dans notre cas, agrégée dans les secteurs urbains de recensement. Cependant, l'élaboration de ce type de cartes nécessite une certaine prudence quant à la taille des points, aux couleurs utilisées et au type d'informations que l'on souhaite cartographier.

14Il est essentiel de garder à l'esprit la « règle d'or » de la cartographie : pour les données absolues (nombre de cas d'une maladie, population absolue, entre autres), il convient d'utiliser des cartes d'implantation de points, à l'exception des cartes de densité de points (qui ne seront pas abordées ici).

15Dans la carte ci-dessous (02), nous pouvons voir la première visualisation cartographique que nous trouverons lorsque nous travaillerons avec des données COVID-19 désagrégées à l'échelle intra-urbaine - des cartes de nuages de points. Ici, nous essayons de représenter chaque point comme un événement dans le phénomène sur lequel nous travaillons, c'est-à-dire que chaque point sur la carte représente un cas confirmé/une personne infectée par COVID-19 à Presidente Prudente. L'important, lorsque l'on utilise ce type de carte, est de représenter le lieu où l'événement s'est produit. Il convient de noter qu'il est possible d'utiliser plus d'un attribut pour la comparaison, par exemple, une carte de nuage de points avec les cas confirmés et les décès dus au COVID-19. Cependant, cette comparaison n'est pas incluse dans ce travail, car elle générerait beaucoup de bruit visuel en raison de l'énorme quantité de données.

16Câmara et. al. (2004) attire notre attention sur l'objectif des analyses spatiales de données ponctuelles, qui visent à comprendre « les phénomènes exprimés par des occurrences identifiées comme des points situés dans l'espace » (p. 03). Cependant, la carte ci-dessus montre deux choses : i) il y a de nombreux cas confirmés de COVID-19 dans toute la ville de Presidente Prudente ; ii) il n'est pas possible de discerner les zones où la concentration de cas confirmés est la plus élevée, ce qui rend impossible l'étude d'un modèle spatial. Après tout, il est important de se rappeler que travailler avec l'analyse spatiale signifie rechercher des modèles spatiaux qui nous aident à comprendre le phénomène étudié.

17Compte tenu de ce qui précède, l'ajout de plusieurs éléments d'information sur une seule carte ne nous aiderait guère dans ce cas, étant donné que de nombreux cas de COVID-19 sont disséminés dans le réseau urbain de Presidente Prudente. Nous recommandons donc d'évaluer la lisibilité de la carte sur la base des informations disponibles.

Symboles proportionnels

18Compte tenu de ce qui précède, lorsqu'il y a une grande quantité de données, leur analyse à l'aide de nuages de points devient complexe - parfois, cette représentation nous gêne plus qu'elle ne nous aide.

19Dans ce sens, les cartes qui utilisent des symboles proportionnels sont d'une grande valeur pour l'analyse des données absolues, car en agrégeant le nombre de points dans une géométrie spécifique (ici nous utilisons les secteurs de recensement), une concentration apparente et une communication cartographique plus efficace sont rendues évidentes.

20La représentation des symboles proportionnels va de pair avec la « règle d'or » mentionnée ci-dessus, qui consiste à utiliser le décompte (somme des phénomènes dans une section donnée) des événements du phénomène cartographié. Différents symboles peuvent être utilisés pour représenter les symboles proportionnels, mais le plus répandu, et des études corroborent l'efficacité de sa capacité de communication, est le cercle proportionnel (Dent, Torguson et Hodler, 2009). Cependant, il est courant de trouver des représentations de symboles proportionnels sous forme de carrés, de triangles et d'autres formes géométriques - généralement utilisés ensemble lorsqu'il y a plus d'une variable à superposer et à mettre en évidence sur la carte.

21Comme dans l'exemple de la carte (03) ci-dessous, en ce qui concerne le chevauchement et la taille des cercles proportionnels, l'idéal est que lorsqu'il y a un grand volume de données, ou que l'échelle de la carte est très grande avec une richesse de détails, il est préférable de chevaucher les cercles avec un certain degré de transparence afin qu'ils puissent être vus dans leur intégralité, et que les tailles ne soient pas si grandes que la lecture et l'interprétation de la carte n'en soient pas compromises.

22Il ne faut surtout pas oublier que, lorsqu'on travaille avec la cartographie thématique, l'objectif premier de la carte est de communiquer clairement et rapidement des informations afin de pouvoir agir sur un problème donné - dans le cas de COVID-19, d'autres études que nous avons déjà réalisées en partenariat avec la Surveillance Epidémiologique Presidente Prudente, pourraient aider à l'allocation de ressources, à la mise en œuvre de mesures sanitaires, à l'allocation de ressources, entre autres (Guimarães et. al. 2020b ; 2020c). La carte doit être simple, communicative et facile à mémoriser (Dent, Torguson et Hodler, 2009).

23Cette carte de symboles proportionnels nous permet déjà d'identifier les valeurs extrêmes qui s'écartent de la normalité de l'ensemble des données, comme dans le secteur de recensement situé dans la partie nord de la ville (Residencial Marangoni). Il est également possible de voir d'autres modèles dans les zones centrales et à la périphérie de la ville.

24Ce type de mise en œuvre dans les symboles proportionnels nous permet de déduire certaines affirmations sur les schémas spatiaux de l'infection par COVID-19 et nous incite à poser d'autres questions. Dans cette carte (03), les mêmes quantités sont exprimées que dans la carte du nuage de points (02), mais avec une plus grande efficacité en termes de communication. Toutefois, il convient de rappeler que le processus d'agrégation de points individuels en quantités (nuage de points pour les symboles proportionnels) est un choix qui doit être fait consciemment par la personne qui cartographie, car plus le niveau d'agrégation des données est élevé, plus la perte de richesse des détails et de l'information est importante.

25Outre les cartes de nuages de points et les symboles proportionnels, il existe d'autres méthodes de représentation spatiale des données ponctuelles, telles que les cartes de densité de points et les symboles gradués. Ces méthodes ne seront pas abordées dans cet article, mais nous avons toujours l'intention de faire avancer ce débat et les différentes représentations cartographiques de COVID-19 dans des travaux futurs.

Cartes d’implantation zonale

26L'objectif de cet article étant de présenter différentes techniques d'analyse spatiale - qu'elles soient appliquées ou non aux phénomènes de santé - les cartes d'implantation zonale sont largement utilisées en cartographie et dans le domaine de la santé, au même titre que les cartes d'implantation ponctuelle.

27Les cartes d'implantation zonale sont « associées aux enquêtes de population, telles que les recensements et les statistiques de santé, et se réfèrent à l'origine à des individus situés en des points spécifiques de l'espace » (Câmara et. al, 2004, p. 03). Dans le secteur de la santé, ces cartes sont très courantes car, en raison des problèmes de confidentialité des données médicales et sanitaires, il est contraire à l'éthique de divulguer des informations au niveau de l'individu, et c'est au système de santé de les agréger, généralement par municipalité, région sanitaire, État, macro-région, entre autres.

28L'un des « fardeaux cartographiques » de l'éthique des données au niveau de l'individu est la généralisation intrinsèque à la réduction de l'échelle de travail. De nombreuses cartes publiées dans des articles scientifiques, des livres, des réseaux sociaux et des journaux utilisent ces données agrégées - parce qu'il est très difficile d'y accéder sous leur forme désagrégée, ce qui complique le processus d'investigation d'un phénomène particulier. Par exemple: les données officielles sont agrégées par municipalité et il est possible de voir le nombre et l'intensité des infections et des décès dus au COVID-19 dans tout l'État de São Paulo, mais il n'est pas possible de voir comment ces infections et ces décès se produisent dans les villes - sauf pour les agences de santé qui utilisent les données pour la planification de la santé.

Cartes choroplèthes

29Les cartes coroplastiques sont régies par la « règle d'or », tout comme les cartes ponctuelles. Alors que pour les données ponctuelles, on utilise des données absolues, pour les cartes choroplèthes, on utilise des données relatives (moyennes, proportions, taux d'intensité, entre autres) et/ou des données catégorisées (absence/présence). C'est pourquoi les résultats de ces implantations dans les zones sont souvent en couleur et présentent des données continues.

30Dans le domaine de la santé, on relativise souvent ces cartes en taux basés sur la population. Cette relativisation basée sur les données de population est très courante en épidémiologie afin de comparer différents lieux, car elle permet « aux services de santé de mieux comprendre les conditions de santé et de maladie dans les populations, et donc d'obtenir de meilleures performances » (OPAS, 2010). Nous examinerons ici trois taux classiques dans ces études: i) la prévalence ; ii) la mortalité ; iii) la létalité.

Taux de prévalence

31La prévalence est un taux qui estime l'intensité de l'occurrence d'un phénomène donné dans des segments de la population et/ou dans la population dans son ensemble au cours d'une période donnée - pour COVID-19, il s'agit d'estimer l'intensité de l'infection dans les populations. Pour la calculer, il suffit de diviser le nombre total de cas confirmés par un dénominateur d'occurrence dans la population (100 000, 10 000, 1 000). Ce dénominateur d'occurrence peut varier en fonction de la taille de la population du lieu étudié. Le plus courant est de diviser le nombre de cas confirmés par cent mille habitants, mais pour Presidente Prudente, qui compte environ 230 000 habitants, nous utilisons le nombre de mille (1000) habitants. Cette division est ensuite multipliée par la population totale de la période - pour les secteurs de recensement, nous ne disposons que des données du recensement démographique de 2010, c'est ce que nous avons utilisé. Le résultat de ce calcul permet d'obtenir des chiffres individuels pour chaque secteur de recensement en termes d'occurrence de la maladie.

32Contrairement aux autres cartes présentées, celle-ci révèle l'intensité de l'infection par COVID-19 dans la partie ouest de la ville. Bien qu'il y ait des secteurs de recensement avec un nombre absolu de cas plus élevé, il est important d'évaluer ce taux et les taux ultérieurs afin de faire des comparaisons en termes de population. Par exemple:

33Par conséquent, il est possible d'observer qu'en se basant uniquement sur le nombre de cas confirmés, on pourrait supposer que le secteur de recensement A, parce qu'il compte un plus grand nombre de cas, nécessite plus d'attention que le secteur de recensement B. Cependant, lorsque nous analysons le taux de prévalence par millier d'habitants, nous nous rendons compte que le secteur de recensement B nécessite plus d'attention, étant donné que la moitié de sa population a contracté le COVID-19. Nous insistons sur le fait que les deux données (absolues et relatives) doivent être analysées ensemble, par paires, et non de manière isolée, si l'on veut pouvoir les comparer.

Taux de mortalité

34Pour évaluer les données sur les décès dus à COVID-19, nous pouvons utiliser le taux de mortalité. Ce taux est extrêmement important pour le système de santé, car il permet d'estimer l'intensité de la mortalité due à la maladie et sert à subventionner les actions de planification et de contrôle du COVID-19, car il « reflète également l'efficacité des mesures de prévention et de contrôle, ainsi que les conditions de diagnostic et les soins médicaux fournis » (BRASIL, 2022). Son calcul est similaire à celui de la prévalence, seuls les cas confirmés sont remplacés par les décès au numérateur.

35Alors que la prévalence présentait autrefois des schémas plus définis dans la partie ouest de la ville, la mortalité est aujourd'hui fragmentée dans toutes les parties de la ville, avec une concentration plus importante dans les zones centrales - où se trouve une plus grande concentration de la population âgée de la ville (LIMA, 2022).

36Un autre aspect important de l'utilisation de ces taux comparatifs pour évaluer le COVID-19 est le fait que le COVID-19 est une maladie causée par un virus qui se transmet d'une personne à l'autre. Par conséquent, les zones où l'incidence de la maladie est la plus élevée doivent bénéficier de subventions pour éviter la surpopulation et de mesures sanitaires efficaces. Quoi qu'il en soit, le taux de mortalité montre l'urgence et met en évidence un problème - après tout, ce sont des vies qui ont été interrompues.

Taux de létalité

37Enfin, en analysant conjointement les infections et les décès de COVID-19, on obtient le taux de létalité. C'est le taux qui requiert le plus d'attention de la part du système de santé, car il « donne une idée de la gravité de la maladie, puisqu'il indique le pourcentage de personnes décédées parmi les cas confirmés de la maladie » (BRASIL, 2022). En tant que tel, il déplace l'attention de la population générale vers les seules personnes qui ont été infectées par le COVID-19 et celles qui sont décédées. Il est également facile à calculer: il suffit de diviser le nombre total de décès par le nombre de cas confirmés et de le multiplier par 100.

38Lorsque l'on combine le nombre de cas de COVID-19 et le nombre de décès, on observe une répartition spatiale similaire à celle de la prévalence et de la mortalité. Toutefois, la létalité est préoccupante dans la partie centrale de la ville, tout comme la mortalité. Les cartes exprimant le taux de létalité montrent les zones prioritaires pour l'action sanitaire. Nous cherchons à savoir « combien de cas confirmés sont devenus des décès » dans un lieu donné, à un moment donné.

Cartes choroplèthes bivariées

39Puisque la létalité est largement concentrée dans la partie centrale de la ville et que nous savons que c'est là que vit la majorité de la population âgée, comment évaluer la relation entre la population âgée et la létalité de COVID-19? Ce type de représentation bivariée permet de répondre à cette question et à bien d'autres.

40Il est clair que les taux expliqués ci-dessus (prévalence, mortalité et létalité) sont d'une grande valeur pour le système de santé, mais il est encore possible d'aller plus loin dans l'analyse spatiale pour essayer de les combiner avec d'autres variables et/ou entre elles. Les cartes choroplèthes bivariées sont l'une des représentations qui permettent de croiser ces variables.

41Les cartes choroplèthes bivariées permettent de combiner deux variables, de mettre en relation les zones de forte et de faible intensité des variables et entre ces variables (Brewer, Pickle, 2002). Ce type de représentation a une communication cartographique plus complexe, montrant des combinaisons de taux élevés, élevés-faibles, faibles-élevés et faibles-faibles, ce qui exige des lecteurs un niveau plus élevé de connaissances cartographiques.

42Par conséquent, pour ceux qui vont établir ces cartes, il faut faire très attention à ne pas présenter trop d'informations qui rendent la carte difficile à comprendre. Les techniques sont là pour nous aider à effectuer différentes analyses spatiales, corrélations, déductions et explorations, mais nous ne pouvons pas passer outre la communication en utilisant simplement la technique. En général, les cartes les plus « simples » sont celles qui communiquent le mieux et sont les plus efficaces. Il convient donc d'être très prudent lorsque l'on travaille avec ces cartes.

43Pour clarifier, une investigation triviale lors de l'analyse de la prévalence de COVID-19 est de l'associer à la population, pour comprendre s'il y a un biais de population (là où il y a plus de personnes, il y a plus de cas confirmés - hypothèse). La carte ci-dessous (07) compare les taux de prévalence et la densité de population, car bien qu'elle croise deux variables, il s'agit d'une carte choroplèthe et les données doivent être relativisées, d'où l'utilisation de la variable densité de population au lieu de la population totale.

44Les cartes ci-dessus montrent que, pour Presidente Prudente, la population - ou sa densité démographique - n'explique pas nécessairement à elle seule la prévalence de COVID-19. Nous pouvons analyser que les zones présentant les taux de prévalence les plus élevés se trouvent dans les zones où la densité de population est la plus faible - à l'ouest et à l'extrême est. Cette constatation est importante car elle nous amène à nous demander quelles autres variables pourraient influencer ce taux de prévalence plus élevé, comme le revenu et l'âge (Lima, 2022). Toutefois, certains centres présentent à la fois des taux de prévalence élevés et des taux de densité de population élevés.

45Par conséquent, sachant que les taux de prévalence, de mortalité et/ou de létalité sont à eux seuls de puissants outils de compréhension, de planification et d'action dans le domaine de la santé, le fait de les combiner avec d'autres variables (démographiques, éducatives, sociales, entre autres), ou entre elles, avec efficacité et clarté, permet une plus grande capacité d'explication et d'action pour le système de santé.

Mode d’implantation en surface

46Les cartes de surface constituent un autre type de carte largement utilisé pour travailler sur les données de santé, en particulier lorsque nous disposons d'événements précisément localisés dans l'espace. Celles-ci peuvent exprimer, pour COVID-19, les concentrations de cas confirmés ou de décès, par exemple. Il existe également d'autres façons de travailler avec des cartes de surface pour évaluer les surfaces de tendance, le risque relatif, la diffusion spatiale, entre autres.

47Pour estimer une surface de concentration, de densité, de risque, de tendance, etc., les données disponibles doivent être organisées en points sur la carte. Ceux-ci doivent être en coordonnées projetées et non en coordonnées géographiques - un simple outil de reprojection fera l'affaire. En effet, les outils qui calculent les représentations surfaciques doivent effectuer des calculs mathématiques, contrairement aux autres représentations mentionnées ci-dessus, qui se contentent de classer les données et de leur attribuer des couleurs, des tailles et une orientation.

48La forme la plus courante de représentation de surface est l'estimateur de Kernel, en raison de sa facilité de manipulation et d'interprétation. L'estimateur de Kernel n'effectue pas de calculs dont la complexité est un obstacle pour les profanes dans les domaines des mathématiques et des statistiques, et c'est pourquoi il devient le plus courant - et le plus efficace pour l'analyse spatiale.

49En termes simples, l'estimateur de Kernel nous permet d'identifier visuellement les « points chauds » en interpolant entre les points d'une région donnée - il s'agit de points provenant du nombre de cas, de décès, entre autres. Ainsi, en comptant ces points dans un intervalle de largeur défini (rayon), on obtient une estimation de l'intensité du phénomène.

50Le rayon d'interpolation des points est un paramètre auquel il convient de prêter plus d'attention et de faire attention, car « un rayon trop petit génère une surface très discontinue; s'il est trop grand, la surface peut devenir très lisse ». (Câmara; Carvalho, 2004, p. 5). On constate que pour le rayon « x » choisi dans la figure ci-dessus, un ensemble spécifique de points sera interpolé et renverra une certaine intensité du phénomène. Les points en gris qui se trouvent au-delà de ce rayon prédéfini ont subi une autre interpolation. En résumé, chaque point de comptage est la base d'une interpolation avec ses voisins, générant des continuités sur la surface euclidienne. Un exemple des différentes utilisations des rayons se trouve dans la figure ci-dessous.

51Il existe plusieurs méthodes pour choisir le rayon d'interpolation des points, mais elles nécessitent des connaissances plus approfondies en matière de statistiques spatiales. Nous retiendrons la fonction K de Ripley et l'outil d'autocorrélation spatiale incrémentale, qui permettent de définir le rayon, mais nous ne les aborderons pas dans cet article, mais dans un prochain, qui traitera des outils de statistiques spatiales pour l'analyse de COVID-19 ou d'événements sanitaires probables.

52Cela dit, une méthode simple et très efficace pour définir un « bon » rayon d'interpolation - car il s'agit d'un choix arbitraire de l'utilisateur qui dépendra de l'histoire qu'il veut raconter à travers la carte - consiste à effectuer des tests avec différentes valeurs de rayon. Comme nous travaillons avec la zone urbaine d'une municipalité, ces rayons ont tendance à être plus petits que ceux que nous utiliserions si nous travaillions à l'échelle régionale, nationale ou fédérale, par exemple.

53Par conséquent, dans nos analyses, nous avons défini un rayon de 600 mètres qui, selon notre interprétation, a le plus grand pouvoir explicatif du phénomène, mettant en évidence les noyaux de concentration et les zones plus clairsemées. Cela peut aussi dépendre de la quantité de données que l'on souhaite travailler et de leur distribution spatiale, mais notre choix a tenu compte de la grande quantité de données et de leur distribution bien définie, a priori, dans la ville (carte 02).

54À première vue, nous pouvons constater que, par rapport à la carte du nuage de points, qui montrait une distribution apparemment égale, les concentrations de cas confirmés sont bien définies dans certaines parties de la ville. Les zones à forte prévalence de la maladie forment des grappes à l'ouest de la ville, ainsi qu'à l'est, de l'autre côté de la voie ferrée. Il y a également une forte concentration dans le centre de la ville, où vivent les personnes âgées et où le COVID-19 est hautement mortel.

55Il est intéressant d'utiliser ces cartes, si possible, en combinaison avec les cas confirmés et les décès dus à COVID-19 (carte 12), pour voir s'il existe des zones de forte concentration des deux variables.

56Les concentrations de décès COVID-19 sont quelque peu similaires à celles des cas confirmés, mais elles réaffirment les zones d'intérêt. On constate que les concentrations se sont densifiées à l'est - au-delà de la voie ferrée - dans la partie centrale de la ville et des clusters isolés à l'extrême sud-ouest et à l'ouest de la ville. Ces résultats étaient prévisibles, étant donné que l'analyse des indicateurs épidémiologiques sur les cartes 04, 05 et 06 a montré que ces zones étaient déjà mises en évidence pour un ou deux de ces indicateurs. Ainsi, l'utilisation des cartes à noyau sont des outils utiles pour l'analyse exploratoire des données spatiales.

Cartes de statistiques spatiales

57La feuille de route méthodologique est jusqu'à présent ancrée dans la discussion sur la communication cartographique et le débat sur les cartes à voir ou les cartes à lire (Monmonier, 1991), subventionnée par les références de Bertin (1983). A partir de là, nous commençons donc à tracer un chemin soutenu par les techniques de statistiques spatiales.

58Le principe des outils qui utilisent la statistique spatiale est que toutes les choses sont d'autant plus semblables qu'elles sont proches, alors que les choses éloignées ont tendance à être différentes les unes des autres (Tobler, 1970). Cela signifie que l'espace euclidien est considéré comme un plan strictement quantifiable. Les principales techniques utilisées sur ce plan sont l'autocorrélation spatiale, à l'aide de l'indice I de Moran (global) et les indicateurs d'association spatiale LISA (locaux). Tous deux cherchent, en fonction de l'échelle d'analyse, à évaluer l'existence d'arrangements spatiaux et de groupements statistiquement pertinents. L'hypothèse rejette l'hypothèse nulle selon laquelle le phénomène se produit de manière aléatoire (Anselin, 1995 ; Bailey et Gatrell, 1995 ; Gatrell et Bailey, 1996).

59Toutes ces techniques sont importantes dans le processus de maturation méthodologique nécessaire aux travaux géographiques utilisant des méthodologies quantitatives (Libault, 1971). L'une d'entre elles se distingue par son potentiel analytique : la statistique de Getis-Ord (G*) pour l'analyse des points chauds. Alors que le Kernel est une technique qui renvoie des surfaces d'intensité, c'est-à-dire des zones « chaudes et froides » pour un phénomène donné, la statistique G* effectue une série de permutations statistiques entre tous les événements, renvoyant ainsi un indicateur d'association spatiale à trois niveaux et deux directions : 99, 95 et 90 pour cent de confiance (niveaux) pour les points froids et les points chauds (directions). En pratique, cela signifie que tous les groupes de points froids sont entourés d'autres points froids et vice versa. Le niveau de confiance dans le gradient de pourcentage signifie la fiabilité de l'opération statistique (Getis et Ord, 1992). Voir ci-dessous:

60Les zones marquées comme points chauds, en rouge, sont similaires à celles trouvées par le Kernel, mais les points froids révèlent que la partie centrale de la ville de Presidente Prudente n'était pas celle qui présentait la plus grande agglomération spatiale de cas confirmés de COVID-19. Des cartes comme celle-ci ont donc un grand potentiel analytique pour identifier les zones prioritaires d'intervention dans la propagation de COVID-19.

Cartes combinées et cartes d'ensemble

61Bien que les cartes présentées ici soient capables d'évoquer diverses questions et de répondre à d'autres, il est possible de les manipuler et de les combiner en différentes couches. Il s'agit de cartes combinées ou à double représentation.

62La combinaison d'informations dans deux types de représentation - par exemple, choroplèthes et symboles proportionnels - est une pratique courante et intéressante, mais qui demande beaucoup de soin, car les couleurs présentées doivent être choisies avec beaucoup d'attention, de même que la taille des cercles proportionnels et les transparences entre les couches, afin que la lisibilité contribue à la communication cartographique. L'efficacité est souvent obtenue en présentant les cartes séparément, en raison de la difficulté d'une bonne représentation avec ce type de cartes. A titre d'exemple, nous présentons la combinaison de deux variables déjà connues : le nombre de cas confirmés et la prévalence de COVID-19.

63Il est possible de voir dans cette carte ce qui a été dit dans le passage sur les cartes d'implantation zonale et dans le tableau 1, en comparant les données relativisées en taux (prévalence) et les données absolues. Une autre façon d'avancer analytiquement est de combiner les cartes de surface pour une éventuelle synthèse cartographique ou une approximation basée sur une combinaison de variables. Les cartes de synthèse sont difficiles à produire car elles nécessitent un ensemble de cartes a priori afin de réaliser l'effort de synthèse. Il n'existe pas de formule qui définisse si une carte est une synthèse ou non, l'important étant de penser que l'idée de l'ensemble de cartes est synthétisée sur une carte qui peut communiquer clairement l'information souhaitée. Une forme intéressante que nous avons l'intention d'aborder dans un autre article est celle des Coremas, des synthèses spatiales qui traduisent diverses informations sur une seule planche, en synthétisant les structures spatiales pertinentes, mais qui nécessitent un important travail de synthèse et de représentation de la part de la personne qui les réalise.

64Pour cet article, nous avons établi une synthèse à partir des cartes Kernel présentées ci-dessus, en cherchant à mettre en évidence les zones de plus grande attention pour les cas confirmés et les décès de COVID-19. Cette présentation d'une carte de synthèse vise à montrer au lecteur qu'il est possible de synthétiser une idée avec peu de difficulté, mais avec une grande efficacité.

65Si elles sont examinées séparément, les cartes de Kernel pour les cas confirmés et les décès sont déjà très pertinentes en elles-mêmes, mais si nous ne mettons en évidence que les zones présentant des concentrations élevées de chaque variable, nous pouvons montrer quelque chose qui n'était pas clair auparavant, à savoir les intersections de ces concentrations élevées. Nous pouvons alors agir plus rapidement et plus efficacement, en définissant des zones prioritaires pour la planification de la santé urbaine lorsque les ressources sont insuffisantes, ou même lorsque le capital humain n'est pas suffisant pour effectuer le dépistage des cas, surveiller les mesures de quarantaine, etc.

Considérations finales

66L'objectif de cet article est de mettre en évidence différentes formes de représentation et de cartographie pour l'analyse spatiale du COVID-19 à l'échelle intra-urbaine de municipalités non métropolitaines dans une réalité brésilienne du Centre-Sud, en prenant la municipalité de Presidente Prudente comme étude de cas. Cette première partie traite des types élémentaires de représentation, qui constituent les premières étapes du large éventail de possibilités et de méthodologies d'analyse spatiale. Nous pensons qu'appliquées avec rigueur, ces représentations sont des outils puissants pour collaborer à la surveillance de la santé et communiquer avec la société civile et les mouvements sociaux. Dans ce processus, nous nous référons à Monmonier (1991), qui nous a déjà fait prendre conscience de la capacité discursive des cartes à créer des mensonges. Par conséquent, en tenant compte des particularités de chaque cartographe et de leurs domaines techniques, nous ne voulons pas que cet article soit canonique, mais plutôt qu'il serve de base à ceux qui débutent ou qui cherchent à approfondir la littérature brésilienne afin de stimuler le travail local en mouvement.

67Nous souhaitons donc que les lecteurs utilisent la cartographie pour analyser la santé et d'autres domaines d'intérêt, mais qu'ils le fassent avec prudence et en connaissance de cause. De nombreux produits cartographiques qui circulent dans les médias (conventionnels ou non) contiennent diverses erreurs techniques, comme celles mentionnées plus haut à propos de la « règle d'or ». Il s'agit d'erreurs élémentaires, mais elles compromettent à la fois l'information que vous voulez communiquer, mais aussi un manque de lecture et d'étude de la cartographie elle-même - ce qui compromet la faisabilité de ces cartes. En effet, si l'on constate une mauvaise technique de représentation, qu'est-ce qui garantit que le traitement des données n'est pas lui aussi erroné ? C'est précisément à cette question que nous souhaitons remédier par un travail comme celui-ci.

68Nous sommes certains que d'autres modes de représentation et d'autres scripts pour l'analyse spatiale de COVID-19 sont encore à développer, et nous les aborderons dans une suite à cet article, car les outils les plus avancés en matière d'utilisation des statistiques spatiales nécessitent une plus grande maturité méthodologique et un dialogue avec les domaines des sciences exactes, ainsi qu'une maîtrise technique des logiciels.

69Nous espérons que les lecteurs sauront utiliser ce puissant outil de santé qu'est la cartographie (Rojas, Barcellos et Peiter, 1999). Enfin, pour les collègues du domaine de la géographie et/ou de la cartographie, qu'ils commencent à dresser leurs propres cartes, en cherchant des solutions efficaces aux problèmes sur la base d'une cartographie qui, avant tout, cherche à répondre aux exigences du monde réel. Que la cartographie devienne de plus en plus un outil de compréhension du monde et un agent de changement de ces problèmes.

Financement

70Ce travail a été réalisé avec le soutien de la Fondation de recherche de l'État de São Paulo (FAPESP), Brésil. Processo nº 2022/07025-8 e da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) nº 88887.684412/2022-00

71.