Bon, j'ai besoin de projeter des données en Méditerranée. Je stocke ici ce que j'ai pu trouver. La projection la plus utilisée pour la méditerranée (vue sur plein de sites internet, nations unies, FAO, etc.) semble être la projection "Lambert azimuthal equal area", décrite à la page suivante:

http://www.remotesensing.org/geotiff/proj_list/lambert_azimuthal_equal_area.html

Cette projection nécessite de définir la projection du point "central" sur la zone que l'on cherche à étudier. Dans une étude sur les impacts humains sur les écosystèmes marins (http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0079889), Micheli et al, financés par le NCEAS, utilisent la projection suivante (Chaîne proj4 à utiliser dans R):

"+proj=laea +lat_0=38 +lon_0=18 +x_0=0 +y_0=0 +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0"

Source:
https://www.nceas.ucsb.edu/globalmarine/mediterranean

Un tour sur google maps indique que le point central est bien au milieu de la méditerranée (flèche verte):

http://huit.re/zw10DUVc

Edit: La projection recommandée pour l'Europe pour *l'analyse statistique et la représentation* (cf. ici: http://eusoils.jrc.ec.europa.eu/Projects/Alpsis/Docs/ref_grid_sh_proc_draft.pdf) est la même projection (utilisant l'ETRS89 comme datum, mais en pratique, la différence avec le wgs84 est négligeable, de l'ordre d'un demi-mètre, cf. ici: http://www.killetsoft.de/t_1009_e.htm). Le point central est ici 52°N et 10°E (voir page 29 du doc pdf précédent), ce qui donne une proj4string suivante:

"+proj=laea +lat_0=52 +lon_0=10 +x_0=0 +y_0=0 +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0"

Un joli comparatif comparant R et Python. Avantages et inconvénients de chacun. Sur le long-terme, python pourrait bien passer premier. Pour le moment, on en est encore loin...

Ah? à trouver et à lire. L'idée d'interfacer SIG et R pour ce type de calcul me paraît effectivement une idée à suivre.
À voir...

Putain, ils s'arrêtent jamais les mecs de chez Rstudio. J'avais vu passer ça, mais j'avais pas percuté à quel point ça déchirait...
Je vais quand même me garder ça sous le coude, j'ai le sentiment que c'est un outil rigolo pour communiquer des résultats via une page web...

Gros abruti que je suis, je viens de comprendre comment contrôler la résolution d'un png sous R. IL FAUT CHANGER LES UNITÉS PAR DÉFAUT dans la fonction png.
Exemple, pour avoir un graphe en résolution 300 ppi:

dev.copy(png, filename="Datasets3.png", height=3, width=7, units="in", res=300)

On définit la hauteur et largeur en pouces (ou cm, c'est selon les recommandations de la revue), mais SURTOUT faut pas laisser pixels, sinon, le résultat est épouvantable (ça va modifier l'apparence du graphe).
Putain, ça fait 15 ans que je fais du R et je comprends ça que maintenant...
À pleurer...

Nooooon? marrant.

Fonction très utile pour lister les objets par ordre de taille. Je l'ai récupérée et stockée dans mon .Rprofile

Pour assurer le caractère reproductible d'une analyse/modélisation: inclure toutes les fonctions dans un package, les documenter avec Roxygen, stocker les données dans le répertoire data, et mettre l'analyse en tant que telle dans une vignette. Pas idiot du tout. J'avais déjà l'habitude de faire mes analyses sous forme de rapport, mais sur le fond, je vais essayer de faire ces analyses comme ça. Je suis super motivé.

require(nothing) vide complètement l'environnement R. Ça ne sert à rien, mais ça existe.

Ça peut toujours être utile pour créer des packages "on the fly".