Chapitre 1
ABSTRACT
In this thesis, we carried out a project to better understand
geographical access to health care in a rural area located in the Ifanadiana
district, in the south-east of Madagascar, with the NGO Medical Pivot. The
project involves estimating travel times to health care for each village in
Ifanadiana District from field data using a geomatics and statistical
approach.
To do this, several steps have been performed. The first is to
collect data in the field using an OSMAnd application to record travel times
based on topographic and climatic conditions. Then, the use of geographic
information system tools like: ArcGIS, QGIS, R software and PostGIS for the
management of geographic data by creating an analysable database. Based on
this, we have developed analyzes on R software to compare the actual travel
time with theoretical estimates from the scientific literature.
For the data processed, 168 footpaths were collected in the
field and 5,048 routes in vehicles for the data of TAG-IP, as well as
meteorological prediction data (POWER NASA) and data. land use (Sentinel Image
2). As for the management of geographic data, we carried out pre-treatments and
calculations concerning: time, distance, slopes, speed, the percentage of the
land occupation (intersected with the course) and the data export (in csv).
Finally, the analysis was done using GAM models (for foot estimation) / lmer
(for vehicle estimation) for prediction and interpolation of travel time
predictions in the district. with and without rain.
For this study, the results of the rainless walk time
estimation analysis show that 83.22% of the villagers are more than an hour
walk to the nearest CSB, 38.85% are to more than two hours and 4.63% are more
than four hours. And for the estimation of the route in vehicle, we used very
important explanatory variables like the bridge, the residential zone and the
road networks. For these variables, there is a strong deceleration of the speed
with a median of 10 km / h for the bridge, 20 km / h for the residential zone,
10 km / h for on the road networks has by the national road while on a normal
road, it is 30 to 40 km / h.
The majority of people in Ifanadiana district are at risk for
health emergencies because of the remoteness of primary health care. There is a
need to put in place strategies to improve access to care and make care
services closer to villagers. One possibility might be to strengthen the
community system, or to build new CSBs, centered between several villages using
the barycenter system in physics.
Keywords: Course, District, Basic
Health Center, Travel Time, Access to Care, Geographical Barriers.
LISTE DES FIGURES
Figure 1.1 : La carte de la zone du projet
1
Figure 1.2 : Un exemple de relief dans le Fokontany
d'Ambonihonana situé dans la Commune de Kelilalina
5
Figure 1.3 : La carte des réseaux
hydrographiques du district d'Ifanadiana
6
Figure 1.4: Une carte d'occupation du sol dans le
district d'Ifanadiana
8
Figure 1.5: Une carte des formations sanitaire dans
le district d'Ifanadiana
10
Figure 1.6 : Le contexte d'étude et les
barrières géographiques
11
Figure 4.1: Un exemple de parcours à pied
enregistré à l'aide d'OSMAnd dans la commune de Kelilalina
22
Figure 4.2 : Un exemple des données du
TAG-IP
23
Figure 4.3 : Un exemple des données du POWER
API
23
Figure 4.4 : Les fonctionnalités possible sur
GPS Track Editor
24
Figure 4.5 : Un exemple de données
stockés sur PostGIS
25
Figure 6.1 : Utilisation de l'outil GPS Track
Editor
31
Figure 6.2 : Conversion du fichier GPS sous
shapefile
32
Figure 6.3 : Modification des données
(ajouter deux champs : track et individu)
32
Figure 6.4 : Importation des données des
parcours effectuée sur PostGIS
33
Figure 6.5 : Table "gps_track_pied" sur
PostgreSQL
33
Figure 6.6 : Téléchargement des
données pluviométrie
34
Figure 6.7 : Les données
pluviométrie
34
Figure 6.8 : Importation des données
pluviométrie sur PostGIS
35
Figure 6.9 : Intersection des données
collectées et les paysages
35
Figure 6.10 : Modification des données
(ajouter un champ length_km)
36
Figure 6.11 : Importation des données
d'occupation du sol sur PostGIS
36
Figure 6.12 : Le base de données analysable
pour l'estimation du temps de parcours à pied
37
Figure 6.13 : Le base de données analysable
pour l'estimation du temps de parcours en véhicule motorisé
37
Figure 6.14 : Le résultat de la
prédiction du temps de parcours
42
Figure 6.15 : Les données d'OSRM
43
Figure 6.16 : Les données complètes
pour l'interpolation
43
Figure 6.17 : L'interpolation des données
pour le temps de parcours sans pluie
44
Figure 6.18 : L'interpolation des données
pour le temps de parcours avec pluie
44
Figure 7.1 : Une carte des données
collectées sur le terrain
45
Figure 7.2 : Exploration de données à
pied pour la variable vitesse
46
Figure 7.3 : Exploration de données à
pied pour la variable pente
47
Figure 7.4 : Exploration de données à
pied pour la variable distance
48
Figure 7.5 : Exploration de données à
pied pour la variable pluie
49
Figure 7.6 : Exploration de données à
pied pour la variable individu
50
Figure 7.7 : Exploration de données à
pied pour la variable occupation du sol
50
Figure 7.8 : Les résultats du modèle
multivarié
55
Figure 7.9 : Estimation du temps de parcours
à pied sans pluie
56
Figure 7.10 : Estimation du temps de parcours
à pied avec pluie
56
Figure 8.1 : Une carte des données
collectées par les véhicules
57
Figure 8.2 : Exploration de données des
véhicules motorisés pour la variable vitesse
58
Figure 8.3 : Exploration de données de
véhicule pour la variable vitesse
59
Figure 8.4 : Exploration de données en
véhicule pour la variable distance
60
Figure 8.5 : Exploration de données en
véhicule pour la variable pluie
61
Figure 8.6 : Exploration de données en
véhicule pour la variable pont
61
Figure 8.7 : Exploration de données de
véhicule pour la variable route
62
Figure 8.8 : Exploration de données en
véhicule pour la variable zone résidentielle
63
Figure 8.9 : Exploration de données de
véhicule pour une voiture et une moto
63
Figure 9.1 : Exemple de la maquette complète
du projet
70
| 
