Indicateur de surchauffe estivale des bâtiments (ISB-DH)

Expert
Estimation par bâtiment du nombre de degrés-heures d’inconfort estival (DH)
Authors

Camille Bacon

Yannis Merlet

Adrien Toesca

Pascal Schetelat

Un enjeu majeur de l’adaptation au changement climatique

En France, les vagues de chaleur ne sont plus de simples épisodes estivaux isolés. En 2021, 59 % des ménages interrogés dans le cadre du Baromètre de l’énergie ont déclaré avoir souffert d’une chaleur excessive dans leur logement pendant au moins 24 heures (Médiateur national de l’énergie 2022).

Au-delà d’être une source d’inconfort, la chaleur dans les logements représente également un enjeu de santé publique, comme en témoignent les 15 000 décès survenus lors de la canicule de 2003 (Nationale 2004). Ce risque sanitaire ne fera que s’aggraver avec le dérèglement climatique, qui entraînera un doublement de la fréquence des périodes de canicule d’ici 2050 en France métropolitaine (France 2023).

À ce jour, l’évaluation du risque de surchauffe des bâtiments existants reste limitée. Elle repose sur des approches ponctuelles nécessitant des moyens complexes, tels que des campagnes de mesures ou des simulations lourdes à mettre en œuvre.

Pour orienter et organiser efficacement l’action publique, collective et individuelle, il est crucial d’identifier et de quantifier ce risque à l’échelle de chaque bâtiment, dans le climat d’aujourd’hui et dans celui de demain.

Notre mission avec la Base de Données Nationale des Bâtiments est d’accompagner tous les acteurs de la transition écologique en leur fournissant des données de référence pour répondre aux enjeux d’atténuation et d’adaptation au changement climatique.

À cette fin, nous publions une série d’indicateurs conçus pour :

  • identifier les bâtiments les plus exposés au risque de surchauffe ;
  • proposer des pistes d’amélioration pour réduire ces risques ;
  • repérer les populations vulnérables afin d’anticiper les risques sanitaires.

Ce document présente le premier indicateur de cette gamme, l’indicateur de surchauffe des bâtiments ISB-DH publié à partir du millésime 2024-10.a de la BDNB dans la table batiment_groupe_simulations_isb. Cet indicateur est disponible dans la version experte de la BDNB.

TipEn résumé
  • Image de la durée et de l’intensité de la chaleur dans chaque logement au cours d’une année type qui comporte une canicule.
  • Disponible sur 95 % du parc résidentiel.
  • Calculé à l’échelle logement.
  • Prend en compte la performance thermique du bâtiment et sa configuration (logement traversant ou non).
  • Prend en compte l’effet d’îlot de chaleur urbain (ICU).
  • Prend en compte si le logement est en dernier étage ou non (impact de l’isolation et de l’albédo de la toiture).
  • Fait l’hypothèse que tous les occupants soient sensibilisés à la gestion de la chaleur : ils ferment les volets le jour et ouvrent leurs fenêtres la nuit.
  • Repose sur une méthode réglementaire publique (RE2020).
  • Inclut un indicateur de fiabilité pour chaque bâtiment.
  • Ne prend pas en compte la présence d’éventuels climatiseurs ni de brasseurs d’air.
Figure 1: Indicateur ISB-DH à l’échelle nationale et zoom local (millésime 2024-10.a).

Demandez un échantillon des données ISB

L’ISB-DH en détails

L’ISB-DH estime sur l’année les degrés-heure au-dessus d’un seuil d’inconfort :

\[ \mathrm{ISB\text{-}DH} = \int_{t_0}^{t_f} \bigl( T(t) - T_{\text{seuil}} \bigr) \, dt \quad \text{quand } T(t) > T_{\text{seuil}} \]

DH est l’acronyme pour Degré-Heure, un indicateur d’accumulation de chaleur mesurant la durée cumulée pendant laquelle les occupants d’un bâtiment sont exposés à une température supérieure à un seuil de confort prédéfini.

Le seuil varie de 26 °C à 28 °C en fonction de la température extérieure. Pour plus de précision, la méthode de calcul exacte est documentée dans la réglementation environnementale RE2020 : Th-BCE2020 (Transition écologique 2021).

La valeur typique de l’ISB-DH varie entre 0 et 3 000 degrés-heure. Pour référence, dans la construction neuve, un bâtiment est considéré :

  • confortable en dessous de 350 DH,
  • conforme jusqu’à 1 250 DH,
  • non conforme au-delà.

Cet indicateur a été choisi car il s’agit d’une mesure objective, comparable entre logements.

Il s’agit d’un indicateur calculé à partir des performances du bâti et de la météo, similaire en termes d’approche aux indicateurs du diagnostic de performance énergétique. Pour chaque bâtiment, un calcul de l’évolution de la température intérieure (simulation thermique dynamique) est réalisé. Dans le cas de logements collectifs, des calculs sont menés séparément pour les logements au dernier étage et pour les autres logements (dernier étage, étage courant).

Les prédictions sont réalisées pour le segment de parc suivant :

  • l’usage principal au sens de la BDNB est Résidentiel individuel ou Résidentiel collectif ;
  • au moins un logement est présent dans le bâtiment, et sa surface habitable et son étage (pour les logements collectifs) sont disponibles ;
  • l’année de construction et l’altitude du bâtiment sont disponibles.

Pour chaque bâtiment, les calculs sont répétés 100 fois pour prendre en compte les sources d’incertitude du calcul (tirage Monte Carlo). Les valeurs publiées sont les statistiques des résultats pour chaque bâtiment. Par exemple, isb_dh_percentile_50 est la valeur médiane des résultats de calcul pour un bâtiment.

Pour des raisons de temps d’exécution, le calcul est accéléré en remplaçant la simulation thermique dynamique par un méta-modèle de type random forest (Breiman 2001) entraîné sur des données de simulation RE2020 (réglementation pour la construction de bâtiments neufs).

Fiche méthode

Cette fiche méthode liste les sources de données et hypothèses utilisées pour le calcul et présente la démarche de généralisation du calcul à la France entière en utilisant une approche par méta-modélisation.

Données sources et hypothèses

Le calcul de l’ISB-DH repose sur les conventions et les règles de calcul réglementaires issues de la RE2020 (Th-BCE2020) (Transition écologique 2021) ainsi que sur la description des bâtiments de la BDNB.

Table 1: Sources d’information utilisées pour le calcul de l’ISB-DH.
Information Nature Source BDNB Description
Géométrie des bâtiments Donnée terrain batiment_groupe_bdtopo_bat Croisement BD TOPO IGN et Fichiers Fonciers au Cerema
Métrés, apports solaires, ombrages Calculé à partir des données terrain batiment_groupe_delimitation_enveloppe Surfaces extérieures (adjacence), masquage solaire des autres bâtiments
Performances thermiques du bâti, « traversance » Terrain (DPE) ou prédite batiment_groupe_synthese_enveloppe Données extraites des DPE ou prédiction
Nature des systèmes Terrain (DPE) ou prédite batiment_groupe_synthese_systeme_energetique_logement Données extraites des DPE ou prédiction
Comportement des occupants Conventionnel Méthode RE2020 Volets fermés le jour, fenêtres ouvertes la nuit
Météo (température, vitesse du vent…) Conventionnel Fichiers météo de la RE2020 (Transition écologique 2023) Une météo par zone climatique
Corrections météo liées aux îlots de chaleur urbain Calculées batiment_groupe_icu Interpolation des résultats d’Urban Weather Generator, maille 1 km

Performance du bâti

La majorité des informations bâtiments requises sont extraites des DPE. Quand un DPE n’est pas présent, les données de performances sont issues des prédictions de données manquantes déjà réalisées pour les prédictions DPE BDNB. Pour chaque bâtiment, plus de 100 tirages probables sont réalisés pour ces prédictions de performances, ce qui permet d’appliquer une approche de type Monte Carlo (propagation d’incertitude) pour évaluer l’incertitude liée à la prédiction des données manquantes.

Cohérence : les deux indicateurs — étiquettes DPE et valeurs de surchauffe estivale — sont issus du même socle de données et sont donc cohérents entre eux.

Pour plus d’information sur ces prédictions et leurs performances, se référer à la fiche méthode des prédictions DPE.

Prise en compte de la météo et des îlots de chaleur urbains

Les fichiers météo réglementaires (Transition écologique 2023) fournissent pour une année complète au pas de temps horaire les informations suivantes :

  • la température ;
  • l’humidité spécifique ;
  • le rayonnement solaire direct normal et diffus horizontal ;
  • la vitesse de vent ;
  • la température de la voûte céleste ;
  • la température du sol ;
  • l’élévation solaire ;
  • l’azimut heure par heure.

Ces données météorologiques d’une année type ont été construites en utilisant la norme ISO 15927-4 (ISO 15927-4 2005) pour chaque zone climatique. De plus, pour évaluer la surchauffe des bâtiments, la réglementation introduit les données météorologiques de la canicule de 2003 à l’intérieur de l’année type pour construire une année plus extrême (fichier de type Th-D) (Hostein et al. 2024).

Figure 2: Climat de référence et localisation des bâtiments simulés.
Figure 3: Prévision Météo France des futures vagues de chaleur en France métropolitaine — scénario RCP 8.5 du GIEC.

Ces séries temporelles météo sont corrigées grâce à un calcul d’îlot de chaleur urbain (ICU) à la maille 1 km sur l’ensemble des villes susceptibles de présenter un ICU avec l’outil Urban Weather Generator (Bueno et al. 2013). L’UWG nécessite le développement d’archétypes de bâtiments représentatifs du parc immobilier français, ainsi que de données d’entrée relatives aux caractéristiques de la végétation et des canyons, qui sont complexes à acquérir. La génération des variables d’entrée et l’exécution des simulations ont été réalisées à l’aide de l’outil UWG-Connector (Kyriakodis 2025).

Passage à l’échelle : méta-modèle pour la simulation thermique dynamique

Effectuer la prédiction de l’ISB-DH sur le parc résidentiel requiert plus de 2 milliards de simulations thermiques dynamiques annuelles horaires, c’est-à-dire plus de 100 simulations pour chacun des 20 millions de bâtiments à usage résidentiel. Afin de réduire le temps de calcul sans compromis sur le calcul d’incertitude, nous avons opté pour une approche par méta-modélisation.

NoteMétamodèle

Un métamodèle en simulation numérique est un modèle simplifié qui reproduit le comportement d’un modèle complexe, permettant de réduire les coûts de calcul tout en conservant une précision acceptable. Les métamodèles sont utilisés pour faciliter des analyses telles que l’optimisation, l’analyse de sensibilité ou la quantification d’incertitudes.

La simulation thermique est réalisée avec le moteur Cometh, le cœur de calcul de la réglementation environnementale RE2020 (Th-BCE2020) (Transition écologique 2021). Le métamodèle est construit en se basant sur l’apprentissage machine d’un échantillon représentatif de 350 000 simulations physiques de l’ISB-DH avec Cometh sur l’ensemble des segments de parc ciblés, zones climatiques et impact de l’ICU.

Trois modèles indépendants (random forest (Breiman 2001)) ont été entraînés en fonction de la typologie du logement :

  • maison individuelle ;
  • logement collectif au dernier étage ;
  • logement collectif en étage courant.

Les métamodèles ainsi créés requièrent les entrées suivantes :

  • Les degrés-jours unifiés (DJU) : différence entre la température extérieure et une température de référence (20 °C). Indicateur de la rigueur de la météo — plus un climat est chaud, plus le nombre de DJU est important.
  • La moyenne de l’effet ICU nocturne (ICU_nocturne_moyen) : écart moyen de température provoqué par l’effet d’îlot de chaleur urbain entre le climat urbain et rural la nuit (22 h – 07 h), en °C.
  • L’année de construction.
  • La hauteur du bâtiment [m].
  • La surface habitable du logement [m²].
  • Le volume habitable [m³].
  • Le coefficient thermique des fenêtres ou baies vitrées [W/m²/K].
  • Le coefficient thermique du plancher haut [W/m²/K].
  • Le coefficient thermique des murs extérieurs [W/m²/K].
  • La classe d’inertie du logement, obtenue à partir des matériaux de structure et de l’isolation : légère, moyenne, lourde ou très lourde.
  • Le pourcentage de surface de fenêtres ou de baies vitrées donnant sur l’extérieur par rapport à la surface de murs extérieurs qui, associé aux apports solaires estivaux, permet de déterminer les apports solaires au sein du logement [%].
  • La présence de protection mobile contre le rayonnement solaire, qui influence les apports solaires au sein du logement en fonction des règles de comportement de l’occupant.
  • La traversance du logement, c’est-à-dire la présence de fenêtres ou de baies vitrées sur des façades d’orientations différentes, quelles que soient les orientations.
  • Les apports solaires estivaux : estimations des radiations solaires au centre des façades par orientation et durant la période estivale. Ces estimations prennent en compte les masques dus aux bâtiments environnants. Ni la présence de balcon, ni les masques dus à la végétation ne sont pris en compte [kWh/m²/an].

Performances

Les performances des métamodèles sont évaluées par validation croisée avec les métriques suivantes :

  • r² : coefficient de détermination — mesure la qualité de la prédiction ;
  • RMSE : erreur quadratique moyenne — résidu moyen entre les valeurs prédites et les valeurs d’entraînement ;
  • CVRMSE : coefficient de variation de la racine de l’erreur quadratique moyenne.

Les scores des trois modèles sont les suivants :

Table 2: Scores des trois méta-modèles ISB-DH par validation croisée.
Modèle Taille de l’échantillon d’entraînement r² RMSE CVRMSE
Maison individuelle 171 353 0,94 162 0,117
Logement collectif en étage courant 89 110 0,81 303 0,211
Logement collectif au dernier étage 88 782 0,83 318 0,176

Ces résultats démontrent la précision de nos modèles de prédiction de surchauffe des logements.

Figure 4: Validation des modèles de prédiction : valeurs prédites vs valeurs simulées Cometh (validation croisée).
TipPour aller plus loin

Un preprint de notre article scientifique soumis à la conférence CLIMA 2025 est disponible sur HAL (Merlet et al. 2025).

Données disponibles

Chaque bâtiment dispose d’un grand nombre de résultats pour prendre en compte les sources d’incertitude du calcul. Les valeurs publiées sont les statistiques des résultats pour chaque bâtiment (par exemple, isb_dh_percentile_50 est la valeur médiane des résultats de calcul pour un bâtiment). Les valeurs de l’indicateur sont également catégorisées en plusieurs classes permettant de mieux analyser les résultats.

Ces données sont disponibles dans la table batiment_groupe_simulations_isb.

Table 3: Colonnes de la table batiment_groupe_simulations_isb.
Nom de la variable Description
batiment_groupe_id Identifiant de groupe de bâtiment BDNB
code_departement_insee Code département sur 2 caractères
type_niveau 'dernier étage' ou 'étage courant'
isb_dh_percentile_2_5 Percentile à 2,5 % de l’ISB-DH (borne inférieure de l’intervalle à 95 %)
isb_dh_percentile_10 Percentile à 10 % de l’ISB-DH
isb_dh_percentile_25 Percentile à 25 % de l’ISB-DH
isb_dh_percentile_50 Percentile à 50 % de l’ISB-DH (médiane)
isb_dh_percentile_75 Percentile à 75 % de l’ISB-DH
isb_dh_percentile_90 Percentile à 90 % de l’ISB-DH
isb_dh_percentile_97_5 Percentile à 97,5 % de l’ISB-DH (borne supérieure de l’intervalle à 95 %)
isb_dh_moyen Moyenne de l’ISB-DH
isb_dh_max_prob Classe ISB-DH la plus probable
isb_dh_classe_1 Probabilité que le logement appartienne à la classe 1 ([0 ; 350[) (∈ [0, 1])
isb_dh_classe_2 Probabilité que le logement appartienne à la classe 2 ([350 ; 700[) (∈ [0, 1])
isb_dh_classe_3 Probabilité que le logement appartienne à la classe 3 ([700 ; 1000[) (∈ [0, 1])
isb_dh_classe_4 Probabilité que le logement appartienne à la classe 4 ([1000 ; 1250[) (∈ [0, 1])
isb_dh_classe_5 Probabilité que le logement appartienne à la classe 5 ([1250 ; 1500[) (∈ [0, 1])
isb_dh_classe_6 Probabilité que le logement appartienne à la classe 6 ([1500 ; 1800[) (∈ [0, 1])
isb_dh_classe_7 Probabilité que le logement appartienne à la classe 7 ([1800 ; 2100[) (∈ [0, 1])
isb_dh_classe_8 Probabilité que le logement appartienne à la classe 8 ([2100 ; 2500[) (∈ [0, 1])
isb_dh_classe_9 Probabilité que le logement appartienne à la classe 9 ([2500 ; 3000[) (∈ [0, 1])
isb_dh_classe_10 Probabilité que le logement appartienne à la classe 10 (≥ 3000) (∈ [0, 1])
isb_dh_fiabilite Note sur 5 de la fiabilité de l’indicateur, basée sur la largeur de l’intervalle à 95 % par rapport à la valeur moyenne

L’indicateur pour les logements individuels est systématiquement indiqué avec type_niveau = 'dernier étage'. Seuls les bâtiments dont l’usage principal est résidentiel collectif disposent de résultats pour les étages courants.

Exemples d’usage

Exemple 1 : logements en surchauffe critique dans une commune

Récupérer les bâtiments dont la classe ISB-DH la plus probable est ≥ 8 (≥ 2 100 DH, surchauffe sévère à extrême) pour une commune donnée, avec un indicateur de fiabilité au moins moyen.

SELECT isb.batiment_groupe_id,
       isb.type_niveau,
       isb.isb_dh_max_prob,
       isb.isb_dh_percentile_50,
       isb.isb_dh_percentile_97_5,
       isb.isb_dh_fiabilite
FROM bdnb_v07.batiment_groupe_simulations_isb AS isb
JOIN bdnb_v07.batiment_groupe AS bg
    ON bg.code_departement_insee = isb.code_departement_insee
   AND bg.batiment_groupe_id     = isb.batiment_groupe_id
WHERE bg.code_commune_insee = '13055'
  AND isb.isb_dh_max_prob >= 8
  AND isb.isb_dh_fiabilite >= 3
ORDER BY isb.isb_dh_percentile_50 DESC;
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://user:pwd@host/bdnb")

sql = """
SELECT isb.batiment_groupe_id,
       isb.type_niveau,
       isb.isb_dh_max_prob,
       isb.isb_dh_percentile_50,
       isb.isb_dh_percentile_97_5,
       isb.isb_dh_fiabilite
FROM bdnb_v07.batiment_groupe_simulations_isb AS isb
JOIN bdnb_v07.batiment_groupe AS bg
    ON bg.code_departement_insee = isb.code_departement_insee
   AND bg.batiment_groupe_id     = isb.batiment_groupe_id
WHERE bg.code_commune_insee = %(insee)s
  AND isb.isb_dh_max_prob >= 8
  AND isb.isb_dh_fiabilite >= 3
ORDER BY isb.isb_dh_percentile_50 DESC
"""

df = pd.read_sql(sql, engine, params={"insee": "13055"})
Warning

La table batiment_groupe_simulations_isb fait partie de l’offre BDNB Expert ; l’accès à l’API requiert une clef Expert. Par ailleurs, PostgREST n’expose pas les jointures : deux appels + merge client sont nécessaires.

import pandas as pd
import requests

HEAD = {"X-Gravitee-Api-Key": "<votre-clef-expert>"}
BASE = "https://api.bdnb.io/v1/bdnb/donnees"

bg = pd.DataFrame(
    requests.get(
        f"{BASE}/batiment_groupe",
        params={"select": "batiment_groupe_id,code_departement_insee",
                "code_commune_insee": "eq.13055"},
        headers=HEAD, timeout=60,
    ).json()
)

isb = pd.DataFrame(
    requests.get(
        f"{BASE}/batiment_groupe_simulations_isb",
        params={"select": ("batiment_groupe_id,type_niveau,isb_dh_max_prob,"
                           "isb_dh_percentile_50,isb_dh_percentile_97_5,"
                           "isb_dh_fiabilite"),
                "code_departement_insee": "eq.13",
                "isb_dh_max_prob": "gte.8",
                "isb_dh_fiabilite": "gte.3",
                "order": "isb_dh_percentile_50.desc"},
        headers=HEAD, timeout=120,
    ).json()
)

df = bg.merge(isb, on="batiment_groupe_id", how="inner")

Exemple 2 : répartition des classes ISB-DH pour un département

Calculer la répartition des classes ISB-DH les plus probables pour un département, en distinguant les logements de dernier étage et d’étage courant.

SELECT type_niveau,
       isb_dh_max_prob AS classe,
       COUNT(*)        AS nb_logements
FROM bdnb_v07.batiment_groupe_simulations_isb
WHERE code_departement_insee = '75'
GROUP BY type_niveau, isb_dh_max_prob
ORDER BY type_niveau, classe;
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://user:pwd@host/bdnb")

sql = """
SELECT type_niveau,
       isb_dh_max_prob AS classe,
       COUNT(*)        AS nb_logements
FROM bdnb_v07.batiment_groupe_simulations_isb
WHERE code_departement_insee = %(dep)s
GROUP BY type_niveau, isb_dh_max_prob
ORDER BY type_niveau, classe
"""

df = (pd.read_sql(sql, engine, params={"dep": "75"})
        .pivot(index="classe", columns="type_niveau", values="nb_logements")
        .fillna(0).astype(int))
import pandas as pd
import requests

# PostgREST ne fait pas d'agrégation côté serveur → download + groupby côté client.
resp = requests.get(
    "https://api.bdnb.io/v1/bdnb/donnees/batiment_groupe_simulations_isb",
    params={
        "select": "type_niveau,isb_dh_max_prob",
        "code_departement_insee": "eq.75",
    },
    headers={"X-Gravitee-Api-Key": "<votre-clef-expert>"},
    timeout=180,
)
resp.raise_for_status()

df = (pd.DataFrame(resp.json())
        .groupby(["type_niveau", "isb_dh_max_prob"])
        .size().rename("nb_logements").reset_index()
        .pivot(index="isb_dh_max_prob", columns="type_niveau",
               values="nb_logements")
        .fillna(0).astype(int))

Références

Breiman, Leo. 2001. “Random Forests.” Machine Learning 45 (1): 5–32. https://doi.org/10.1023/A:1010933404324.
Bueno, Bruno, Leslie K. Norford, Julia Hidalgo, and Grégoire Pigeon. 2013. “The Urban Weather Generator.” Journal of Building Performance Simulation 6 (4): 269–81. https://doi.org/10.1080/19401493.2012.718797.
France, Météo. 2023. “Vagues de Chaleur Et Changement Climatique.” September 28. https://meteofrance.com/changement-climatique/observer/changement-climatique-et-vagues-de-chaleur.
Hostein, Mathilde, Marjorie Musy, Bassam Moujalled, and Mohamed El Mankibi. 2024. “Generating Meteorological Files of Future Climates with Heatwaves in Urban Context to Evaluate Building Overheating: An Energy-Efficient Dwelling Case Study.” Building and Environment 263: 111874. https://doi.org/10.1016/j.buildenv.2024.111874.
ISO 15927-4:2005, Hygrothermal Performance of Buildings—Calculation and Presentation of Climatic Data. Part 4: Hourly Data for Assessing the Annual Energy Use for Heating and Cooling (2005).
Kyriakodis, G.–E. 2025. “Automated Generation of Urban Weather Files for Building Energy Simulation.” Îlots de Chaleur Urbain: Mesures, Impacts Et Perspectives Conference (Nice, France).
Médiateur national de l’énergie. 2022. 16ème Édition Du Baromètre énergie-Info. https://www.energie-mediateur.fr/wp-content/uploads/2022/10/synthese-barometre-energie-info-2022-mediateur-national-de-lenergie-1.pdf.
Merlet, Yannis, Adrien Toesca, Camille Bacon, Pascal Schetelat, and Anais Machard. 2025. A Simulation-Based Overheating Indicator for 20 Million Dwellings Nationwide. Preprint, HAL id hal-04960739v1. https://hal.science/hal-04960739v1.
Nationale, Assemblée. 2004. Rapport de La Commission d’enquête Sur Les Conséquences Sanitaires Et Sociales de La Canicule: Tome 1 (Rapport n° 1455). 1455, Tome 1. Assemblée Nationale, France. https://www.assemblee-nationale.fr/12/pdf/rap-enq/r1455-t1.pdf.
Transition écologique, Ministère de la. 2021. Annexe III de l’arrêté Du 4 Août 2021: Méthode de Calcul Détaillée «Th-BCE 2020». Ministère de la Transition écologique, France. https://rt-re-batiment.developpement-durable.gouv.fr/IMG/pdf/annexeiii_arrete_4_aout_2021_scenariosre2020_compressed.pdf.
Transition écologique, Ministère de la. 2023. “Données Météorologiques Conventionnelles de La RE2020.” https://rt-re-batiment.developpement-durable.gouv.fr/documents-complementaires-a706.html.