See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/289659785

Les méthodes multi-critères pour analyser les aptitudes des terres agricoles :
le cas du blé tendre en Languedoc-Roussillon, analysé avec la méthode AHP

Thesis · September 2015

DOI: 10.13140/RG.2.1.2184.7122/1

CITATIONS READS

4 7,117

1 author:

Bekhtari M. Cherif
Centre international de hautes études agronomiques méditerranéennes
10 PUBLICATIONS   4 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Intégration des méthodes multicritères et des ensembles flous dans un SIG pour analyser l'adaptabilité des terres agricoles : application au maïs grain en Languedoc-
Roussillon View project

All content following this page was uploaded by Bekhtari M. Cherif on 11 January 2016.

The user has requested enhancement of the downloaded file.

 Institut Agronomique Université Paul Valéry de
Méditerranéen de Montpellier Montpellier

___________________________________________________________________________

Master 2 « Gestion Agricole et Territoires »

Les méthodes multi-critères pour analyser les aptitudes

des terres agricoles : le cas du blé tendre en Languedoc-
Rousillon analysé avec la méthode AHP.

Mémoire présenté par : BEKHTARI Mohammed Cherif

Sous la direction de : LE GRUSSE Philippe

Septembre 2015
« L'institut Agronomique Méditerranéen de Montpellier n'entend donner aucune
approbation ni improbation aux opinions émises dans ce mémoire. Ces opinions
n'engagent que leur auteur. »
Résumé

L'analyse d’aptitude permet d'identifier les principaux facteurs limitant la production d'une culture
particulière et permet aux décideurs d'élaborer un système de gestion des cultures pour augmenter la
productivité des terres.

La théorie des ensembles flous et la méthode AHP intégrés avec SIG ont été utilisées pour évaluer
l’aptitude des terres pour la production de blé tendre dans la région de Languedoc-Roussillon en
France. Globalement, 46,6% de la superficie totale de la région de l'étude était fortement ou très
fortement adapté à la production de blé tendre avec 0,1% non adapté. Les terres dans le centre de la
zone d’étude sont les plus adaptés, tandis que les régions sud et nord, sont plus hétérogènes.

Cette étude démontre que la théorie des ensembles flous fournit un excellent mécanisme pour
transformer les données numériques avec différentes grandeurs en classes de fonctions d'appartenance
dans la gamme de 0 à 1. L’AHP est une méthode efficace et supérieure à d’autres méthodes dans la
détermination de poids de multiples facteurs d'une manière systématique et logique et sa consistance
peut être mesurée et contrôlée en présence des critères contradictoires. Le SIG est un outil puissant
pour délimiter la zone d'étude, manipuler les données géographiques, analyser des cartes, et présenter
les résultats de l'évaluation de l’aptitude des terres.

L’intégration des ensembles flous et les méthodes AHP avec le SIG fournit une combinaison puissante
et précise pour l'analyse de l’aptitude des terres a une culture.

Mots clés : aptitude des terres, évaluation des terres, analyse multicritère, SIG, Languedoc-Roussillon,
France.

Multicr iter ia methods to analyze the suitability of agricultur al land: the case of wheat in
Languedoc-Roussillon r egion analyzed with AHP method.

Suitability analysis identifies the main factors limiting the production of a particular crop and allows
decision makers to develop a crop management system to increase land productivity.

Fuzzy sets theory and GIS integrated with AHP were used to assess the suitability of land for wheat
production in the Languedoc-Roussillon region of France. Overall, 46.6% of the total study area was
strongly or very strongly suitable to the production of wheat and only 0.1% not suitable. The lands in
the center of the study area are most suitable, while the southern and northern regions are more
heterogeneous.

This study demonstrates that the fuzzy set theory provides an excellent mechanism to convert digital
data with different size into classes of a membership function in range of 0 to 1. The AHP is an
efficient and superior method to other methods in determining weight of multiple factors in a
systematic and logical manner and the consistency can be measured and controlled in the presence of
conflicting criteria. GIS is a powerful tool to define the study area, manipulate geographic data,
analyze maps, and present the results of the suitability analysis.

The integration of fuzzy sets and AHP methods with GIS provides a powerful and precise combination
for analyzing the suitability of land for a specific crop.

Key words: suitability analysis, land evaluation, multicriteria analysis, GIS, Languedoc-Roussillon,
France.
Table des matières

Revue bibliographique
Liste des figures .................................................................................................................................III
Liste des tableaux ............................................................................................................................. IV
Introduction ........................................................................................................................................1
1. Spécificité des phénomènes spatiaux ...........................................................................................2
1.1. Spécificités des problèmes spatiaux, facteurs de complexité .................................................2
1.2. Nature multicritère de l’aide à la décision spatiale en agriculture..........................................2
Chapitre I. Système d’information géographique et analyse spatiale ..................................................3
1. Le SIG, un bref aperçu ................................................................................................................3
1.1. Définition et caractéristiques des SIG ..................................................................................3
1.2. Modélisation et représentation des entités géographiques .....................................................4
2. Capacités analytiques des SIG .....................................................................................................6
2.1. SIG et analyse spatiale .........................................................................................................6
2.2. Limites du SIG en aide à la décision spatiale........................................................................7
3. Aide multicritère à la décision .....................................................................................................8
3.1. Notion d’aide à la décision...................................................................................................8
3.2. L’aide multicritère a la décision ...........................................................................................9
3.3. Pourquoi choisir l’analyse multicritères ? ........................................................................... 10
Chapitre II. L’analyse multicritères ................................................................................................. 11
1. Définition.................................................................................................................................. 11
2. Schéma général des méthodes d'analyse multicritères ................................................................11
3. L’analyse spatiale multicritère ................................................................................................... 13
3.1. Les alternatives dans la décision spatiale ............................................................................13
3.2. Les critères d’évaluation .................................................................................................... 13
3.3. Les contraintes ..................................................................................................................14
3.4. La quantification................................................................................................................14
3.5. La normalisation ................................................................................................................14
3.6. La pré-analyse de la dominance .........................................................................................15
3.7. Le poids des critères .......................................................................................................... 15
3.8. La structure et les paramètres de préférence ....................................................................... 15
3.9. Les règles de décision ........................................................................................................ 16
3.10. L’analyse de sensibilité / robustesse ...............................................................................17
 3.11. La (les) recommandation(s) finale(s) ..............................................................................17
4. Quelle méthode multicritère choisir ? ........................................................................................18
5. Le processus d'analyse hiérarchique (AHP) de Saaty ................................................................. 20
5.1. Comment fonctionne l'AHP ...............................................................................................20
5.2. Caractéristiques de l'AHP .................................................................................................. 20
5.3. L'AHP - Etape par étape .................................................................................................... 21
5.4. AHP – Théorie ..................................................................................................................23
5.5. Pièges, modifications et extensions ....................................................................................24
6. La logique floue et l’AHP ......................................................................................................... 24
7. Limites ...................................................................................................................................... 25
Chapitre III. Intégration SIG-MCDA...............................................................................................26
1. Pourquoi l'intégration ? .............................................................................................................26
2. Cadre conceptuel .......................................................................................................................26
3. Choix de technique multicritère ................................................................................................. 28
3.1. L’approche proposée par Laaribi et al. (1996) .................................................................... 28
Matériel et méthodes
1. Zone d’étude .............................................................................................................................29
2. Identification des facteurs d’évaluation......................................................................................29
3. Sources et préparation des données ............................................................................................29
4. Modélisation des ensembles flous ..............................................................................................30
5. Détermination des poids par l’AHP ...........................................................................................33
6. Calcul de l’index d’aptitude....................................................................................................... 36
7. Génération des cartes d’aptitudes par GIS..................................................................................36
Résultats et discussion
Résultats ........................................................................................................................................... 38
1. Aptitude climatique ...................................................................................................................38
2. Aptitude des propriétés du sol ................................................................................................... 38
3. Aptitude topologique .................................................................................................................38
4. Aptitude de la texture du sol ...................................................................................................... 39
5. Aptitude global .........................................................................................................................41
Discussion ........................................................................................................................................ 42
Conclusion........................................................................................................................................ 44
Références bibliographiques .............................................................................................................45
Liste des figures

Figure 1 : Structure d’un SIG ..............................................................................................................3

Figure 2 : Représentation des points, lignes et polygones en modes Raster et Vecteur ..........................5

Figure 3 : Représentation d’une couche ...............................................................................................5

Figure 4 : Cycle de vie de l'information géographique .........................................................................7

Figure 5 : Schéma général de méthodes multicritères discrètes (a) et continues (b) ............................12

Figure 6 : Les problématiques et leurs solutions dans l'aide à la décision multicritère ........................17

Figure 7 : Arbre de classification des procédures d'agrégation multicritére ........................................19

Figure 8 : Model de sélection de la procédure d'agrégation multicritère .............................................19

Figure 9 : Structure hiérarchique générique .......................................................................................21

Figure 10 : Format pour les comparaisons deux à deux ......................................................................21

Figure 11 : L'approche traditionnelle sans SIG et approche proposée avec le SIG ..............................27

Figure 12 : organigramme de décision pour l'analyse spatiale multicritère .........................................27

Figure 13 : Zone d'étude. ...................................................................................................................29

Figure 14 : Les modèles de fonctions d'appartenance floue et leurs équations ....................................32

Figure 15 : Modèle d'arbre de décision pour l'AHP. ...........................................................................33

Figure 16 : prises d'écrant de logiciel « PriEsT ». ..............................................................................35

Figure 17 : Distribution de l'indice d'aptitude. ...................................................................................36

Figure 18 : Model d’analyse d’aptitude des terres dans ArcGIS. ........................................................37

Figure 19 : Les cartes thématiques pour l'analyse d'aptitude des terres. ..............................................40

Figure 20 : Carte d'aptitude des terres a la culture de blé tendre au Languedoc-Roussillon. ................ 41
Liste des tableaux

Tableau 1 : Les premières écoles de l’aide multicritère a la décision ..................................................10

Tableau 2 : Échelle de gradation pour la comparaison quantitative des alternatives ............................23

Tableau 3 : Facteurs d'évaluation d’aptitude, leurs poids totaux, les types de fonctions d’appartenance,
et les valeurs de seuil. .......................................................................................................................31

Tableau 4 : Echels pour les comparaisons AHP deux à deux..............................................................33

Tableau 5 : Matrice des comparaison deux à deux des importances relatives......................................34

Tableau 6 : Superficie et distribution des categories d'aptitude...........................................................39

Introduction

L’aptitude des terres est la capacité d'une partie des terres à tolérer la production agricole d'une
manière durable. L'analyse permet d'identifier les principaux facteurs limitant la production d'une
culture particulière et permet aux décideurs d'élaborer un système de gestion des cultures pour
augmenter la productivité des terres et protéger les ressources en sols de la dégradation.

Selon la FAO, « L’aptitude des terres est fonction des besoins des cultures et des caractéristiques du
sol et elle mesure comment les qualités d’une unité de terre corresponds aux exigences d'une forme
particulière d'utilisation des terres » (F.A.O., 1976). L'analyse d’aptitude des terres agricoles est une
condition préalable pour atteindre une utilisation optimale des ressources disponibles du sol pour une
production agricole durable.

Les zones adaptées pour une culture sont déterminés par l’évaluation du climat, du sol et des
composantes topographiques et la compréhension des contraintes biophysiques locales. Dans ce genre
de situation, de nombreux variables sont impliqués et chacun doit être pondérés selon l’importance
relative de son effet sur la croissance optimale d’une culture par les méthodes d'évaluations
multicritères et les SIG.

Une des caractéristiques les plus utiles de SIG est la capacité de superposer différentes couches ou
cartes. Toutefois, la procédure de superposition ne permet pas de prendre en compte le fait que les
variables n’ont pas la même importance (Janssen et al., 1990). Une approche qui peut aider à
surmonter ces limitations est l’analyse multicritère (Carver, 1991). L'objectif d’utilisé des modèles
d’analyses multicritère est de trouver des solutions aux problèmes de prise de décision caractérisées
par de multiples variantes, qui peuvent être évalués au moyen de critères de décision (Jankowski et al.,
2001).

Le problème qui se pose est : qu’elle méthode d’analyse multicritère a utilisé dans l’analyse d’aptitude
des terres agricoles à une culture.

Les buts de cette étude sont : (a) choisir la méthode d’analyse multicritère la plus adapté,
(b) déterminer les limites et les inconvénients de la méthode choisi et essaie de les comblés, (c)
démonter l’efficacité de l’approche choisi par une étude de cas sur le Languedoc-Roussillon.
Etude bibliographique
1. Spécificité des phénomènes spatiaux
1.1. Spécificités des problèmes spatiaux, facteurs de complexité

Contrairement à une question « aspatiale », Nous pouvons distinguer quatre types de complexité qui
caractérisent une problématique de phénomène spatialisée (Chakhar, 2006) :

(i) Complexité liée aux données : les données associes aux entités géographiques sont
hétérogènes, non-linaires et caractérisées par une dépendance spatiale (Anselin, 1989).
(ii) Complexité conceptuelle : il est souvent difficile de pouvoir diviser le monde réel en un
ensemble de classes d’objets définis de manière exacte (Burrough et al., 1998).
(iii) Complexité ontologique et sémantique : les applications territoriales font, de plus en plus,
recourt à des données multi-sources dispersées géographiquement et généralement définies
séparément sur des systèmes de coordonnées différents, l’absence de cette ontologie
complexifie l’intégration des données, à cela s’ajoute une complexité sémantique due aux
interprétations différentes qu’un objet ou un phénomène (un point ou un polygone sont autant
de possibilité de représentation conceptuelle).
(iv) Complexité technique : selon Hendriks et al. (1995), cette complexité se manifeste, lorsque
par exemple il n’est pas clair quels sont les critères relevant dans le problème, la manière dont
ces critères sont combinés, quelles sont les mesures possibles, et comment les différentes
alternatives d’action sont évaluées et comparées.

Ces différents éléments mettent en lumière la complexité à résoudre une problématique de phénomène
spatialisée (Chakhar, 2006) qui tire son fondement du fait que les problèmes décisionnels se référant à
un territoire abordent toujours une situation existante (Laaribi, 2000), qu’ils concernent souvent des
entités spatiales dont les contours peuvent être difficiles à discerner avec précision (Ding et al., 1992),
que les conséquences et impacts d’une décision spatiale sur le territoire sont d’une portée rarement
locale (Chevalier, 1994), mais plutôt dispersés aussi bien dans l’espace que dans le temps (Chakhar,
2006).

1.2. Nature multicritère de l’aide à la décision spatiale en agriculture

Nous avons énuméré dans le paragraphe précédent les différents éléments contribuant à la complexité
des problèmes spatiaux. En outre, ces problèmes (i) impliquent plusieurs intervenants dans l’espace,
(ii) conjuguent des objectifs non-linéaires et (iii) nécessitent la considération des critères hétérogènes.
Nous commentons chacun de ces points dans les trois paragraphes suivants.

Plusieurs intervenants sont impliqués. La planification et l’aménagement de territoire implique

généralement les populations de plus en plus avisée par l’environnement et la qualité de vie.
Des objectifs conflictuels. L’existence d’une multitude d’objectifs dans toute activité d’aménagement
intégré du territoire découle directement de la nature multidimensionnelle des problèmes spatiaux.
Des cr itères hétérogènes. Un aménagement intégré du territoire est nécessairement interdisciplinaire
exigeant la prise en compte de plusieurs critères de nature quantitative et qualitative, généralement non
commensurables—mesurés sur des échelles différentes—et n’ayant pas la même importance.

En somme, « les problèmes décisionnels à caractère spatial sont (i) de nature multidimensionnelle,
interdisciplinaires et mal définis, (ii) impliquent plusieurs personnes et institutions, ayant
généralement des préférences et des objectifs divergeants, (iii) nécessitent la définition de plusieurs
critères conflictuels dont l’importance n’est pas la même, et (iv) demandent une quantité considérable
de données quantitatives et qualitatives : c’est le champ d’application de l’analyse multicr itère. »
(Chakhar, 2006)
Chapitre I. Système d’information géographique et analyse spatiale

1. Le SIG, un bref aperçu

1.1. Définition et caractéristiques des SIG

Le terme GIS (Geographic Information System) ou SIG (système d’information géographique, en

français) a été utilisé pour la première fois par Roger Tomlinson en 1963, alors que le premier SIG a
été développé au début des années 1960 par Howard T. Fisher de l’Université Harvard (Chakhar,
2006).

La littérature est remplie de nombreuses approches pour définir le SIG, avec chaque approche reflétant
la perception actuelle d'une personne de la technologie. Comme les expériences de la personne change,
leur perception des GIS et en conséquence la définition des GIS change également. En regardant des
dizaines de définitions de SIG, il devient clair que chaque définition est développée à partir d'un point
de vue ou d’une origine disciplinaire différents. Quelques définitions considèrent SIG en termes d'une
liste de ses éléments (par exemple, composants du système, les aspects matériels / logiciels), d'autres
voient SIG dans un sens encore plus étroite comme un mariage de la cartographie assistée par
ordinateur et la technologie des bases de données, et encore d'autres sont un peu vagues qu'ils
permettent tous infographie et logiciel de rédaction capables d'afficher une carte d’être étiquetés
comme SIG. Alors que certaines définitions suggère que le SIG soit une poursuite purement technique,
comme si il existe seulement dans le but de créer des cartes et analyse des données spatiales, une
«boîte noire» que nous pouvons lui fournir des données et recevoir une évaluation impartiale et
précise, d'autres considèrent que le SIG est plus que juste une «boîte noire»; ils se rendent compte qu'il
y a une interaction entre l'utilisateur, les données et l'environnement de la machine dans laquelle les
données sont stockées et traitées.

Compte tenu de la définition d'un système d'information géographique, sa fonctionnalité peut être
subdivisée en quatre composantes principales ou sous-systèmes (Figure 1) :
− entrée de données et sortie,
− stockage et de gestion des données,
− la manipulation de données et analyse,
− et au dialogue avec l’usager.

Figure 1 : Structure d’un SIG. Source (Malczewski, 1999)

Au-delà des divergences de vues sur les définitions des SIG, nous remarquons qu’il y a un large
consensus sur leurs puissance en tant qu’outils de gestion des données à référence spatiale (Burrough
et al., 1998; Laaribi, 2000), et aussi leur capacité à effectuer des analyses spatiales et de cartographier
les résultats automatiquement contrairement au logiciels graphiques (CAD et CAM) et les logiciels a
référence spatiale (SIRS).

Foote et al. (1996) mentionnent trois caractéristiques importantes qui distinguent les fonctionnalités
des SIG des autres logiciels :

− Les SIG ont la particular ité et la potentialité de gérer des données à r éférence spatiale. les
SIG sont liés à d'autres applications de base de données, mais avec une différence importante.
Toutes les informations dans un SIG sont liées à une référence spatiale. Autres bases de données
peuvent contenir des informations de localisation (comme les adresses de rue, ou de codes
postaux), mais une base de données SIG utilise la géo-références comme le principal moyen de
stocker et accéder à l'information.
− Les SIG sont des intégr ateurs des technologies. Alors que d'autres technologies pourraient être
utilisées que pour analyser des photographies aériennes et des images satellitaires, pour créer des
modèles statistiques, ou de rédiger des cartes, ces capacités sont tous offertes ensemble au sein
d'un SIG complet.
− Les SIG sont destinés à supporter la pr ise de décision. Le SIG, avec son éventail de fonctions,
devrait être considérée comme un processus plutôt qu’un simple logiciel ou de matériel. SIG sont
pour la prise de décisions. La façon dont les données sont saisies, stockées et analysées dans un
SIG doit refléter la façon dont l'information sera utilisée pour une tâche spécifique de recherche ou
la prise de décision. Pour voir SIG simplement comme un logiciel ou matériel est de manquer le
rôle crucial qu'elle peut jouer dans un processus de prise de décision globale.

1.2. Modélisation et représentation des entités géographiques

Les représentations spatiales dans les SIG sont classées en deux modes : Vecteur et Raster , ces deux
derniers représentent une dualité concernant la limitation de l’espace et le remplissage de l’espace.
Parallèlement à la dualité de représentation, il y a la dualité des concepts spatiaux, à savoir les
concepts axés sur les entités et les concepts axés sur le terrain (Couclelis, 1992; Frank, 1992). Les
entités sont fortement délimitées, et donc décrites principalement par des frontières (polygonales). Les
entités ont la propriété d'être situé dans l'espace, à savoir, emplacement est attribut. Contrairement, les
champs sont des phénomènes continus et caractérisent l'espace par des propriétés - fonctions et valeurs
- liés à l'emplacement (Winter, 1998).

− Mode Raster : Dans ce type d’espace appelé Raster ou encore maille, trame, matriciel … etc.,
l’espace est régulièrement découpé en cellules élémentaires. Un point est localisé par le pixel
dont l’intersection avec ce point est non nulle. Les coordonnées d’un point sont un numéro de
colonne et un numéro de rangée. La géométrie d’un polygone ou d’une ligne est représentée par
l’ensemble des pixels dont l’intersection avec le polygone ou la ligne est non nulle (Figure 2). Ce
mode de représentation est aussi appelé mosaïque (mesh) ou tessellation (tessellation), car il existe
d’autres techniques de découpage régulier de l’espace où les cellules élémentaires ne sont pas
nécessairement des carrés, mais peuvent prendre la forme de polygones variés (par exemple la
forme hexagonale).
− Mode vecteur : Le mode vecteur permet une représentation de la géométrie des objets peu
coûteuse en mémoire : un point est représenté par ses coordonnées, une ligne est représentée par
 une liste de points et un polygone par la liste des lignes constituant sa frontière (Figure 2). On
obtient cette géométrie soit :
• par "vectorisation" de données déjà numérisées en mode Raster,
• par "digitalisation" de documents préexistants.

Il existe en mode vecteur un modèle appelé TIN (Triangulated Irregular Network) pour traiter les
reliefs, ces derniers ont décrit par des triangles suivants un modèle topographique (Chakhar, 2006).

Figure 2 : Représentation des points, lignes et polygones en modes Raster et Vecteur. Source
(Chakhar, 2006).

− Notion des couches : Une couche est un ensemble d’un ou plusieurs thèmes ayant même
couverture spatiale. Il s’agit, aussi, d’un ensemble d’objets géographiques qui partagent le même
territoire (Figure 3).

Figure 3 : Représentation d’une couche. Source (Chakhar, 2006).

Il est possible que ces thèmes soient saisis et mis à jour séparément, a des précisions et échelles varie,
l’analyse spatiale peut parfois nécessiter leur association a l’écran et même dans la base de données.

2. Capacités analytiques des SIG

Après revus de la bibliographie, nous pensent qu’il y a un consensus sur le fait que la caractéristique
fondamentale qui distingue les SIG des autres logiciels graphiques est leur capacité d’effectuer des
analyses (Burrough et al., 1998; Malczewski, 1999). Plusieurs classifications ont été proposées, nous
adoptons la classification de Chrisman (2003) qui a distingué six groupes d’opérations spatiales de
complexité croissante :

− Opér ations sur les attr ibuts descr iptifs. Ce sont les Operations les plus simples, ils portent sur
les attributs des entités spatiales sans impliquer la composante spartiate. Il s’agit généralement
d’opérateurs mathématiques ou ensemblistes qui transforment les valeurs existantes en de
nouvelles valeurs.
− Techniques de super position de couches (over lay). Ce groupe contient un ensemble
d’opérations booléennes qui permettent à des entités géographiques, avec un ensemble de
caractéristiques communes, d’être identifiées et affichées.
− Opér ations métr iques. Ces opérations se basent sur la notion de distance. On distingue trois
types : (i) création des zones tampons relatives à des objets isolés, (ii) mesure de distance entre
objets et construction des champs de distance pour les données raster, et (iii) construction de
diagramme de Voronoï 1 "étendu" ("extended" Voronoi network) où la notion de zone de proximité
concerne aussi bien les points que les lignes ; et où chaque zone représente la partie de l’espace
qui est la plus proche d’un objet particulier (un point ou une ligne) que les autres.
− Opér ations sur les sur faces et le plus proche voisin. Les opérations de ce groupe portent sur une
description continue de l’espace, ils nécessitent deux composantes : un voisinage et une règle de
combinaison (e.g. une règle de dominance qui sélectionne une valeur sur certains critères). Le
calcul de la pente, du gradient, et l’aspect sont des exemples typiques de cette famille
d’opérations.
− Opér ations avancées. Trois types d’opérations avancées peuvent être distinguées : (i) opérations
itératives, (ii) modèles de localisation-affectation, (iii) méthodes d’analyse statistique. Les
opérations itératives généralisent les opérations de voisinage
− Opér ations de tr ansfor mation. Ces opérations, les plus complexes, impliquent des conversions
d’une forme de données à une autre.

2.1. SIG et analyse spatiale

De nombreux concepts d’analyse spatiale sont antérieurs à l’évènement de SIG (Caloz et al., 2011).
L’analyse spatiale représente une part importante, voire la plus importante de l’exploitation d’un SIG
(Kêdowidé, 2011). Plusieurs définitions ont été données, nous adoptons celle de Caloz et al. (2011):
« Les méthodes et les opérateurs, associés aux SIG, exploités pour modéliser
l’espace géographique en base de données, extraire des informations pour dériver
des informations synthétiques et pour identifier les relations fonctionnelles entre
entités ou phénomènes »

1
Le diagramme de Voronoï consiste en un découpage de l’espace en régions définies autour des points de
données de telle sorte que chaque région est constitué par l’ensemble des points de l’espace qui sont plus
proches du point de données auquel cette région est associée que de tous les autres points de données.
Caloz et al. (2011) expliquent que les notions d’analyse spatiale de l’information géographique
intervient dans toutes les disciplines ayant trait à des phénomènes se déroulent dans l’espace
géographique, ils ajoutent, que « l’analyse spatiales représente le noyau dur du processus de
décision, la rigueur apportée à son élaboration est, de ce fait, la condition nécessaire, mais
néanmoins pas suffisante pour toute décision concernant la gestion du territoire. »

Figure 4 : Cycle de vie de l'information géographique. Source (Caloz et al., 2011)

L’analyse spatiale, fonctionnalité fondamentale du SIG, est donc au cœur de notre méthodologie. Nous
l’avons mise en pratique (Figure 4) tant pour la localisation, la caractérisation, que pour l’étude de la
dynamique spatio‐temporelle de l’activité et fondamentalement pour la recherche des terres les plus
adaptées.

2.2. Limites du SIG en aide à la décision spatiale

Malgré la richesse des SIG en fonctionnalités analytiques, ces derniers souffrent encore de plusieurs
lacunes dans le domaine de l’aide à la décision à référence spatiale. Chakhar (2006) a identifié, après
revu de la littérature spécialisée, plusieurs limites dont souffrent les SIG.

Manque de fonctionnalités analytiques. Malgré la grande variété des méthodes d’analyse incluses
dans les SIG standards, ces derniers souffrent particulièrement encore de leur (i) manque de traitement
de la notion du temps et (ii) de la multi dimensionnalité et (iii) le peu de performance dans le
traitement des aspects multi-échelles et (iv) multi-sources.

Limites des techniques d’over lay. Ils sont remarquables pour des opérations de superposition afin de
combiner et corréler différentes, mais elles sont limitées pour des tâches plus sophistiquées à cause des
facteurs suivants : (i) les résultats de l’opération d’overly deviennent rapidement difficiles à
comprendre quand le nombre de facteurs impliqués dépasse quatre ou cinq ; (ii) ne pas tenir compte du
fait que les variables peuvent être d’inégale importance ; (iii) un problème se pose lorsqu’on saisit des
variables pour des analyses en overlay : « comment furent définies les valeurs de seuil qui ont été alors
utilisées » ; et (iv) l’utilisation de valeurs de seuil pour cartographier des variables continues.

Difficultés d’intégr ation de l’analyse spatiale aux SIG. « un modèle d’analyse spatiale tend à
mettre l’accent sur les traitements de phénomènes de la réalité spatiale qu’illustrent les fonctions
d’analyse effectuées sur des mesures et par des calculs, alors qu’un SIG se préoccupe beaucoup plus
de la structure du système, c’est-à-dire des composantes ou des éléments qui représentent cette
réalité ». C’est ce qui explique les difficultés d’intégration de l’analyse spatiale et des SIG.
Discr étisation de l’espace. La plupart des fonctions d’analyse spatiale ne parviennent pas à traiter ces
phénomènes à cause des incertitudes introduites par le processus de discrétisation, puisque elles sont
conçues pour des phénomènes continus sur l’espace.

Modélisation et théor ie des données à r éférence spatiale. Un problème pratique surgit quand on
effectue des analyses spatiales avec les SIG : c’est l’absence d’une démarche systématique qui
permettrait d’utiliser des séquences d’opérations pour obtenir la réponse désirée. Cela témoigne, selon
Goodchild (1992), de l’obscurité relative de l’analyse spatiale, perçue comme « un ensemble de
techniques développées dans des domaines différents sans aucune codification claire ni un cadre
conceptuel reposant sur une assise théorique robuste ».

Une situation riche de données et pauvre en théorie. Cette situation est expliquer par Laaribi
(2000) : « il y a place pour une approche plus créative et pour des outils analytiques pouvant suggérer
de nouvelles propositions théoriques et supporter des fonctions d’exploration de données ».

Des cr itères d’admissibilité et non des cr itères d’évaluation. L’analyse spatiale ont utilisant
plusieurs critères de sélection appliqués sur plusieurs attributs d’un ou de plusieurs objets de la base de
données est limitée pour les raisons suivantes : (i) les critères pris en compte pour l’analyse ne sont
pas considérés comme conflictuels ; (ii) les critères sont généralement considérés d’égale importance ;
(iii) la solution obtenue doit répondre à tous les critères ; ainsi, comme on applique critère après critère
et qu’il s’agit de critères d’admissibilité 2 et non de critères d’évaluation, tout se passe comme s’il
s’agissait d’une recherche monocritère itérative.

Beaucoup de travaux ont permis l'amélioration des potentialités analytiques des SIG et d’atténuer les
limites mentionnées plus haut. Cependant, les aspects multicritères des problèmes de décision spéciale
ne sont, toujours, pas pris en compte. L’analyse multicritère semble être la mieux classée pour faire
face ces insuffisances (Chakhar, 2006).

3. Aide multicritère à la décision

L’aide multicritère à la décision assiste les décideurs dans l'analyse des actions potentielles ou
alternatives sur la base de plusieurs facteurs/critères incommensurables, en utilisant les règles de
décision pour regrouper ces critères pour évaluer ou classer les alternatives (Figueira et al., 2005;
Malczewski, 1999). Bien que les critères de décision normalement ne puissent pas tous être maximisés
en sélectionnant une alternative ou une action, les chercheurs et les praticiens l’aide multicritère à la
décision ne considèrent pas cette dernière, simplement comme un problème d'optimisation quantitative
qui identifie les meilleurs «solutions» potentiels. Au lieu de cela, l'accent est mis sur obtenir et rendre
transparent les valeurs et aussi la subjectivité qui est appliquée aux mesures les plus objectives, et de
comprendre leurs implications (Roy, 2005).

3.1. Notion d’aide à la décision

Roy (1985) définit l’aide à la décision comme :

« l’activité de celui qui, prenant appui sur des modèles clairement explicités, mais non
nécessairement complètement formalisés, aide à obtenir des éléments de réponses aux
questions que se pose un intervenant dans un processus de décision, éléments concourant à
éclairer la décision et normalement à prescrire, ou simplement à favoriser un comportement de

2
Les critères d’admissibilité doivent être satisfaits pleinement, par opposition aux critères d’évaluation qui eux
doivent être satisfaits au maximum.
 nature à accroitre la cohérence entre l’évolution du processus d’une part, les objectifs et le
système de valeurs au service desquels cet intervenant se trouve placé d’autre part ».

Selon cette définition, une activité d’aide à la décision s’articule autour d’un « processus de
décision »3, l’activité d’aide à la décision ne se fait pas seulement pour, mais aussi, avec les acteurs du
processus. Donc, elle implique un minimum d’insertion dans ce processus (Martel, 1999). Toute
activité d’aide à la décision fait intervenir un décideur et assez souvent un homme d’étude, selon Roy
(1985) :

− Le décideur, est un intervenant principal à qui s’adresse l’aide à la décision et occupant une
place centrale dans le processus de décision. La notion de décideur "désigne en dernier ressort
l’entité qui apprécie le "possible" et les finalités, exprime les préférences et est sensé les faire
prévaloir dans l’évolution du processus".
− l’homme d’étude, il guide le décideur dans les problèmes complexes, son rôle « consiste entre
autres à expliciter le modèle, à l’exploiter en vue d’obtenir des éléments de réponses, à éclairer
le décideur sur les conséquences de tel ou tel comportement en lui rendant intelligibles,
éventuellement en prescrivant (préconisant, conseillant) une ou une série d’actions ou encore
une méthodologie ».

3.2. L’aide multicritère a la décision

L’aide multicritère à la décision a grandi sur et en réaction aux techniques d'optimisation unique-
critère, notamment la programmation linéaire. Ils ont été développés pendant la seconde guerre
mondiale et perfectionné dans les premiers jours de la recherche opérationnelle dans le champ de
gestion d'entreprise, dans les deux contextes sans tenir compte des conséquences secondaires qui
nécessitent de multiples critères (Zeleny, 1982). Approches simples et un peu brut à concilier plusieurs
critères exigent des alternatives pour répondre à un, plusieurs ou tous les critères basés sur des valeurs
de seuil. Ces approches sont nommées méthodes non-compensatoires, puisque l’augmentation de la
valeur d'un critère ne peut pas être compensée par une diminution de la valeur d’un autre (Hwang et
al., 1981).
Parmi les partisans d'approches compensatoires plus sophistiquées qui facilitent le compromis entre
critères, deux écoles d’aide multicritère à la décision (américaine et européenne, résumés dans le
tableau 1) ont évolué en même temps, mais un peu séparément pendant les années 1960 et 1970.

Les deux écoles ont partagé les concepts de solutions alternatives et les critères, mais différaient dans
leur philosophie et approche d’agrégation des critères. Au début, l'école américaine d’aide multicritère
à la décision a suivi la tradition de recherche opérationnelle. Un ensemble de ses méthodes a utilisé
une fonction de valeur/utilité basée sur la théorie de l'utilité multi-attribut (Keeney et al., 1993), une
autre série de méthodes au sein de l'école américaine est centrée sur l'idée de préciser les résultats
souhaitables ou satisfaisants et utiliser la programmation mathématique pour venir aussi près que
possible de ceux-ci (Dykstra, 1984). Le terme «programmation» est utilisé dans le sens du programme
d'action qui est recommandé en tant que résultat de l'analyse.

3
Plusieurs processus de décision existent. Le modèle de Simon (1960) à trois phases : (i) intelligence,
(ii) conception (iii) et choix est le plus connu dans le domaine de l’aide à la décision.
 Tableau 1 : Les premières écoles de l’aide multicritère a la décision. Source adapté de Greene et al.
(2011)
L’école américaine L’école européenne
Imprécision dans l'évaluation des
Hypothèses Connaissances et jugements précis,
critères, décisions optimales pas
des décisions optimales
réalisable
classement et la sélection des
buts classement des alternatives
alternatives
Approches Fonction de valeur / utilité,
d’agrégations optimisation multi-critères et multi- surclassement
objectif
Institutions clés Decision Sciences Institute – LAMSADE –
http://www.decisionsciences.org/ http://www.lamsade.dauphine.fr/
Institute for Operations Research and the EURO Working Group – Multicriteria
Management Sciences – Decision Aiding –
http://www.informs.org http://www.cs.put.poznan.pl/ewgmcda/

L'école européenne s’est éloigné de l'idée d'obtenir un optimum, et a développé des relations de
surclassement (outranking relationships) pour aider les décideurs à comparer les alternatives deux à
deux (pair-wise manner) et classer leurs préférences pour les alternatives de diverses manières (Roy,
1985, 2005; Vincke, 1992). Une assertion clé dans cette approche est que les décideurs n’ont pas des
idées préconçues précises de l'importance relative des critères, et que aide à la décision devrait les
aider à développer ces idées.

Une école un peu moins connue d’aide multicritères a la décision, fondée sur « fuzzy sets » (Zadeh,
1965) et l'agrégation par fonction de valeur, est le processus d’analyse hiérarchique (PAH) développé
par Saaty (1980). PAH utilise la comparaison deux à deux des critères pour calculer les pondérations
relatives. Le processus d’analyse hiérarchique sera développé dans un chapitre qui lui sera consacré.

Selon Greene et al. (2011), la division claire entre les deux écoles a disparu. Les différentes techniques
sont considérées comme des outils dans la boîte à outils de l'analyste, elles sont appliquées en fonction
des différents problèmes ou des phases d'un seul problème. Par conséquent, les défis primaires de la
recherche se sont déplacés de développement des méthodes, à des questions telles que les cadres
d'intégration de différentes méthodes (Belton et al., 2002).

3.3. Pourquoi choisir l’analyse multicritères ?

Fondamentalement, l’analyse multicritère a des propriétés intrinsèques qui la rendent attirante et utile.
Belton et al. (2002) ont décrits certaines de ces propriétés comme : (1) « elle cherche à prendre en
compte explicitement des critères multiples et contradictoires », (2) elle aide à structurer le problème
de gestion, (3) elle fournit un modèle qui peut servir de base de discussion, et (4) elle offre un
processus qui mène à des décisions rationnelles, justifiables et explicables. En outre, l’aide multicritère
à la décision a aussi quelques fonctionnalités souhaitables qui en font un outil approprié pour
l’analyser des problèmes complexes tels que celles qu'on trouve dans la gestion des ressources
naturelles. Premièrement, elle peut traiter les ensembles mixtes de données, quantitatives et
qualitatives, y compris les avis d'experts. Les connaissances et les données relatives aux écosystèmes
naturelle et agricole sont rarement complètes, connue avec certitude ou pleinement compris. Par
conséquent, la capacité d'accommoder les lacunes dans les données est un avantage distinct.
Deuxièmement, elle est idéalement conçue pour permettre une planification et un environnement de
prise de décision collaboratif. Cet environnement participative favorise l'implication et la participation
de plusieurs experts et parties prenantes (Mendoza et al., 2003; Mendoza et al., 2006).

Chapitre II. L’analyse multicritères

1. Définition

L’analyse multicritèr es est généralement définie comme «une aide à la décision et un outil
mathématique permettant la comparaison des différentes alternatives ou scénarios selon de nombreux
critères, souvent contradictoires, afin de guider le décideur vers un choix judicieux ». L'ensemble des
alternatives de décision considérées dans un problème donné est souvent désigné par A et a appelé
l'ensemble des alter natives potentielles. Un critèr e est une fonction g, définie sur A, prenant ses
valeurs dans un ensemble ordonné et représentant les préférences du décideur, selon certains points de
vue. L'évaluation d'un alternatif a selon le critère g est écrit g(a).

L’analyse spatiale multicritèr e se réfère à l'application de l'analyse multicritère dans un contexte

spatial où les alternatives, les critères et les autres éléments du problème de décision ont des
dimensions spatiales explicites. Depuis la fin des années quatre-vingts, l'analyse multicritère a été
couplé avec des systèmes d'information géographique (SIG) pour améliorer la prise de décision
multicritère spatiale.

2. Schéma général des méthodes d'analyse multicritères

Différentes méthodes d'analyse multicritères sont disponibles dans la littérature. Une excellente
bibliographie en ligne sur l'analyse multicritères et de ses applications est disponible
à http://www.lamsade.dauphine.fr/mcda/biblio/ (Figueira et al., 2005; Mousseau, 2009).

Les méthodes multicritères sont généralement classés comme discrète ou continue, selon le domaine
des alternatives. La première traite un nombre, généralement limités, et pré-spécifié d’alternatives. La
dernière traite des valeurs de décision variables a déterminé dans un domaine continu ou entier d’un
nombre de choix très grand ou infini. Plusieurs auteurs ont classés ces méthodes comme : (i) aide à la
décision multi-attribut (ADMA), et (ii) l’aide à la décision à objectifs multiples (ADOM).

Dans cette étude, la classification discrète / continue est choisi car elle est en conformité avec la
représentation conventionnelle de données dans le SIG (Vecteur / Raster) (Laaribi et al., 1996), et elle
est plus générale que la classification ADMA / ADOM. La figure 5 illustre le schéma général des
méthodes multicritères discrètes et continues qui seront décrits brièvement dans les deux paragraphes
suivants.
 Figure 5 : Schéma général de méthodes multicritères discrètes (a) et continues (b). Source (Chakhar,
2006)

Méthodes discrètes : La première condition de presque toutes les techniques discrètes est une table
de per for mance contenant les évaluations ou le score des critèr es d'un ensemble d’alternatives sur la
base d'un ensemble de critères. La prochaine étape est l'agrégation des différents scores des critères en
utilisant une règle de décision spécifique (ou procédur e d' agr égation ). Cette procédure prend en
compte les pr éférences du décideur , généralement représentés en termes de poids qui sont affectés à
différents critères. L'agrégation des scores des critères permet au décideur de faire une comparaison
entre les différentes alternatives sur la base de ces scores. Les procédures d'agrégation représentent les
identités des techniques d'analyse multicritère. Les méthodes discrètes sont généralement classés en
deux familles différentes : (1) une règle de décision basée sur une r elation de surclassement , et (2)
une règle de décision basée sur une fonction d' utilité.

L'incertitude et le flou généralement associés à toute situation de décision nécessitent une analyse de
sensibilité / robustesse permettant au(x) décideur(s) de tester la consistance d'une décision rendue ou
sa variation en réponse à toute modification dans les données d'entrée et / ou dans les préférences de
décideur.

Méthodes continues : Le point de départ de la plupart des procédés continus est un ensemble de
fonctions contr aintes et un autre pour les fonctions objectives. Le premier ensemble contient les
inégalités qui reflètent les restrictions naturelles ou artificielles sur les valeurs des données d'entrée.
Cela signifie que des solutions réalisables sont implicitement définies en fonction de ces contraintes.

Pour les procédés continus, les préférences du décideur prennent généralement la forme de poids qui
sont affectés à différentes fonctions objectives. Ils peuvent aussi être représentés comme des valeurs
cibles qui devraient être satisfaits avec toute solution possible. Le décideur doit aussi indiquer, pour
chaque fonction objective, sa direction d'optimisation, qui est la maximisation ou la minimisation.
Aucune autre information que les poids et ces directions d'optimisation sont nécessaires pour définir
l'ensemble des solutions non-dominées. Cet ensemble contient des solutions qui ne sont pas dominés
par toute autre.
Généralement, les algorithmes d'agrégation locaux et inter actifs sont utilisés pour définir l'ensemble
des solutions réalisables. Ceci permet la combinaison des préférences de(s) décideur(s) et l'ordinateur
pour résoudre le problème de décision, au moyen de méthodes qui alternent des étapes de calcul et des
étapes de dialogue. En réalité, les algorithmes, locaux et interactifs, exigent l’expression progressive
des préférences de(s) décideur(s) durant tout le processus de résolution. Les préférences de(s)
décideur(s), cependant, peuvent être exprimées a prior i (avant le processus de résolution) ou a
poster ior i (après le processus de résolution).

Dans de nombreuses situations pratiques, le décideur est appelé à assouplir certaines de ses contraintes
afin de garantir que l'ensemble des solutions possibles est pas vide ou, tout simplement, pour tester la
stabilité des résultats.

3. L’analyse spatiale multicritère

Cette section est basée en grande partie sur l’article de Chakhar et al. (2007), surtout les symboles et
les formules mathématiques. Une brève description des concepts de l’analyse spatiale multicritère est
fournie ci-dessous. Pour le reste de cette section, 𝑭 = {𝟏, 𝟐, … , 𝒎} désigne l'ensemble des indices de
critères d’évaluation 𝒈𝟏 , 𝒈𝟐 , … , 𝒈𝒎 . En conséquence, 𝒈𝒋 (𝒋 ∈ 𝑭)) est le numéro de critère d'évaluation
j.

3.1. Les alternatives dans la décision spatiale

Les alternatives de décision peuvent être définies comme des alternatives d'action parmi lesquels le
décideur doit choisir (Malczewski, 1999). Une alternative dans la décision spatiale se compose d'au
moins deux éléments: l' action (ce qu'il faut faire?) et l'emplacement (où le faire?). La composante
spatiale d'une alternative de décision peut être spécifié explicitement ou implicitement (Malczewski,
2006). Le deuxième cas est titulaire quand il y a une implication spatiale associée à la mise en œuvre
d'une alternative de décision.

L’ensemble des alternatives spatiales peut être discret ou continu. Dans le premier cas, le problème
concerne un ensemble discret d'alternatives de décision prédéfini. Les alternatives spatiales sont
ensuite modélisées avec un ou une combinaison des primitives spatiales de base, à savoir point, ligne
ou un polygone.

Le second cas correspond à un nombre élevé ou infini d'alternatives de décision, souvent définis à
termes de contraintes. Pour des raisons pratiques, l'ensemble des alternatives potentielles est souvent
représenté sous une forme "discrétisée" où chaque « Raster » représente une alternative. Les
alternatives peuvent être construites comme un ensemble de « Rasters ».

3.2. Les critères d’évaluation

Dans le contexte spatial, les critères d'évaluation sont associés avec des entités géographiques et des
relations entre les entités, et peuvent être représentés sous la forme de cartes. Il faut distinguer une
simple couche de carte d'une carte de critèr e. En fait, une carte de critère modélise les préférences du
décideur concernant un concept particulier, tandis qu'une simple couche de carte est une représentation
de données spatiales réelles.

Une carte de critère représente une information préférentielle subjective. Deux personnes différentes
peuvent affecter des valeurs différentes à la même unité cartographique dans une carte de critère.
3.3. Les contraintes

Une contr ainte (ou critèr e de r ecevabilité) représente les restrictions naturelles ou artificielles sur les
alternatives potentielles. Les contraintes sont souvent utilisés dans les étapes de pré-analyse pour
diviser les alternatives en deux catégories: «acceptable» ou «inacceptable». Une alternative est
acceptable si sa performance sur un ou plusieurs critères dépasse un minimum ou ne dépasse pas un
maximum.

Dans la pratique, les contraintes sont souvent modélisées par des méthodes multicritères élémentaires
comme les procédures d'agrégation conjonctifs ou disjonctifs. Avec le procédé conjonctif, un
niveau minimum de satisfaction 𝒈 �𝒋 est associé à chaque critère 𝒈𝒋 . Si les performances d'une
alternative par rapport à des critères différents est égale ou supérieure à ces niveaux minimums de
satisfaction (par exemple, 𝒈𝒋 (𝒂𝒊 ) ≥ 𝒈
�,𝒊 ∀𝒋 ∈ 𝑭), l'alternative est considérée comme acceptable. Sinon,
l'alternative est considéré comme inacceptable. Avec la méthode disjonctive, l'alternative est considéré
comme acceptable dès qu’au moins un niveau de satisfaction est dépassé.

3.4. La quantification

L'évaluation des alternatives peut être quantitative ou qualitative. Plusieurs méthodes nécessitent des
évaluations quantitatives. Dans la littérature, il existe quelques méthodes totalement qualitatives telles
que la méthode de classement médiane. D'autres méthodes, telles que la famille de méthodes
ELECTRE (Figueira et al., 2005), impliquent les deux types d'évaluations.

Quand la plupart des critères sont qualitatifs, les critères quantitatifs peuvent être convertis en critères
qualitatives et la méthode qualitative sera utilisée. Sinon, une méthode de quantification (c’est-à-
dire, attribution de valeurs numériques pour des données qualitatives) est appliquée; l'approche de
mise à l'échelle est le plus utilisé.

L’application d'une méthode de quantification nécessite la définition d'une échelle de mesure.

L'échelle de mesure le plus utilisé est de type Liker t . Cette échelle est composée d'approximativement
du même nombre de niveaux favorables et défavorables. Un exemple avec cinq niveaux est : très
défavor able, défavor able, neutr e, favor able, très favor able. D'autres échelles de mesure plus
détaillées peuvent également être utilisées. La procédure de quantification consiste à construire une
échelle de mesure comme celle avec cinq points mentionnés ci-dessus. Ensuite, les valeurs numériques
sont associées à chaque niveau de l'échelle. Par exemple, les numéros 1, 2, 3, 4 ou 5 peuvent être
associés à l'échelle a cinq points de très défavor able au très défavor able.

3.5. La normalisation

L'évaluation des alternatives peut être exprimée en fonction de différentes échelles (ordinal, intervalle,
ratio). Cependant, un grand nombre de méthodes multicritères (y compris pratiquement toutes les
méthodes à base de fonctions utilitaires) exige que tous leurs critères soient exprimés dans une échelle
similaire. La normalisation des critères permet la mise à l'échelle de toutes les dimensions d'évaluation
entr e 0 et 1. Cela permet la comparaison entre et au sein des critères.

Il existe un grand nombre de procédures de normalisation. Dans chacun d'eux, la normalisation

commence à partir d'un vecteur initial �𝒈𝒋 (𝒈𝟏 ), 𝒈𝒋 (𝒈𝟐 ), … , 𝒈𝒋 (𝒂𝒎 )� pour obtenir un vecteur
normalisé (𝒓𝟏 , 𝒓𝟐 , … , 𝒓𝒎𝒎 ) avec 𝟎 ≤ 𝒓𝒊𝒊 ≤ 𝟏; ∀𝒋 ∈ 𝑭 et 𝒊 = 𝟏, … , 𝒏 (n représente le nombre
d’alternatives).
La procédure de normalisation le plus utilisé dans l’aide à décision multicritère basée sur les SIG est la
procédure de tr ansfor mation linéaire. Elle associe à chaque alternative a i et à chaque critère g j le
pourcentage du maximum sur toutes les alternatives :

𝒈𝒋 (𝒂𝒊 )
𝒓𝒊𝒊 = , 𝒊 = 𝟏, … , 𝒏 ; 𝒋 ∈ 𝑭.
𝒎𝒎𝒎𝒊 𝒈𝒋 (𝒂𝒊 )
3.6. La pré-analyse de la dominance

Dans l'absence de toute information préférentielle, la seule opération possible sur la table des
performances est l'élimination les alternatives dominées. Soient a et b deux alternatives de A, et F une
famille de critères. L'alternative a , domine l'alternative b par rapport à F. noté 𝒂 ∆ 𝒃, si et seulement
si :
𝒈𝒋 (𝒂) ≥ 𝒈𝒋 (𝒃); 𝒋 ∈ 𝑭,
Avec au moins une inégalité stricte. Ensuite, un alternative a à partir de A est dit être efficace ou
admissible ou optimum de Par eto si et seulement si il n'y a pas d'autre alternative b dans A telle
que : 𝒃 ∆ 𝒂.

3.7. Le poids des critères

Généralement, dans les problèmes multicritères le décideur considère un critère comme étant plus
important qu'un autre. Cette importance relative est généralement exprimée en termes de nombres,
souvent appelés poids, ces derniers sont affectées à différents critères. Ces poids influencent
profondément le choix final et peuvent conduire à une décision non-applicable principalement lorsque
les interprétations de ces poids sont mal comprises par le décideur.

Dans la littérature, de nombreuses techniques de pondérations directes ont été proposés. Quand une
technique d'agencement simple est utilisée, le décideur met les critères dans un ordre de préférence.
La technique de simple ar rangement car dinal implique chaque critère étant évaluée selon une
échelle préétablie. D'autres méthodes indirectes sont également disponibles, telles que la méthode
d'estimation inter actif. Il y a aussi un nombre de techniques d'affectation de poids qui sont
relativement complexes tels que la technique de compromis d'indifférence (Keeney et al., 1993) et le
processus d’hiérarchie analytique (AHP) (Saaty, 1980).

3.8. La structure et les paramètres de préférence

Lorsque on compare deux alternatives a et b , le décideur aura généralement une des trois réactions
suivantes: (i) préférence pour l'une des deux alternatives, (ii) indifférence entre les deux alternatives
ou (iii) l'impossibilité de comparer les alternatives. Ces situations sont généralement désignées comme
suit: (i) si un aPb si a est préféré à b (bPa si l’inverse est vrai), (ii) aIb si il y a indifférence entre a et
b , et (iii) aRb si il y a une incomparabilité. Les relations binaires de pr éférence P, indifférence I , et
incompar abilité R sont respectivement les ensembles de composantes (a , b ) de telle sorte que aPb ,
aIb , bRa . Il est généralement admis que I est réflexive et symétrique, P est asymétrique, et R est
irréflexive et symétrique. Les trois relations (I ; P ; R ) constitue une str ucture de pr éférence sur A si
et seulement si ils ont les propriétés mentionnées ci-dessus et que l'une des situations suivantes est vrai
obligatoirement (Vincke, 1992) : aPb , bPa , aIb , aRb .

Les modèles de préférence exigent la définition d'un ou de plusieurs seuils, appelés par amètres de
préférence. Les paramètres de préférence les plus utilisés sont l’indifférence, préférence et les seuils
de veto. Ces trois paramètres sont utilisés essentiellement dans les règles de décision basées sur une
fonction d'utilité.
Les deux premiers paramètres pour la modélisation d’imprécision et d’incertitude dans les préférences
du décideur. La dernière est souvent utilisée pour calculer l'indice de discordance.

3.9. Les règles de décision

Pour comparer les alternatives dans A, il est nécessaire d'agréger les évaluations partielles (c’est-à-
dire, par rapport à chaque critère) dans une évaluation globale en utilisant une certaine r ègle de
décision (ou procédure d'agr égation). Comme mentionné précédemment, au sein de la famille
discrète, il y a généralement deux approches d'agrégation : (i) une règle de décision basée sur une
fonction d' utilité, et (ii) une règle de décision basée sur une r elation de surclassement. Le principe
de base de la première famille est que le décideur cherche à maximiser une fonction d'utilité 𝑼(𝒂) =
𝑼(𝒈𝟏 (𝒂), 𝒈𝟐 (𝒂), … , 𝒈𝒎 (𝒂)) agrégeant des évaluations partielles de chaque alternative dans une
évaluation globale. La fonction d’utilité la plus simple et le plus souvent utilisé à une forme additive :
𝑼(𝒂) = ∑𝒋∈𝑭 𝒖𝒋 (𝒈𝒋 (𝒂)) ; où 𝒖𝒋 sont les fonctions d’utilité partielles. Dans cette forme, les relations
binaires de préférence P et d'indifférence I sont définis pour deux alternatives a et b comme suit:

𝒂𝒂𝒂 ⇔ 𝑼(𝒂) > 𝑼(𝒃) 𝒆𝒆 𝒂𝒂𝒂 ⇔ 𝑼(𝒂) = 𝑼(𝒃)

Contrairement à la première famille, le deuxième utilise une procédur e d'agr égation partielle.
Différents critères sont regroupés dans une relation binaire partielle S, avec aSb utilisé pour indiquer
que «a est au moins aussi bon que b ». La relation binaire S est appelée une relation de
surclassement . La méthode la plus connue dans cette famille est ELECTRE (voir par exemple,
(Figueira et al., 2005).

Pour construire une relation de surclassement S, pour chaque paire d'alternatives (a , b ), un indice de
concor dance 𝑪(𝒂, 𝒃) ∈ [𝟎, 𝟏]−mesure la puissance des critères qui sont en faveur de l'affirmation
aSb −et l’indice de discordance 𝑵𝑵(𝒂, 𝒃) ∈ [𝟎, 𝟏]−mesure la puissance des critères qui sont opposés
à aSb −sont calculés. Ensuite, la relation S est définie comme suit:

𝑪(𝒂, 𝒃) ≥ 𝒄�
� �
𝑵𝑵(𝒂, 𝒃) ≤ 𝒅

Où 𝒄� et 𝒅� sont les seuils de concor dance et de discor dance, respectivement. Souvent, il faut une
phase d'exploitation pour extraire de S l'information sur comment les alternatives comparent l'un à
l'autre. A cette phase, les indices de concordance 𝑪 (𝒂, 𝒃) et de discordance 𝑵𝑵 (𝒂, 𝒃) sont utilisés
pour construire un indice 𝝈(𝒂, 𝒃) ∈ [𝟎, 𝟏] représentant la crédibilité de la proposition aSb , ∀(𝒂, 𝒃) ∈
𝑨 × 𝑨. La proposition aSb est vraie si 𝝈(𝒂, 𝒃) est supérieure ou égale à un niveau de coupe donné,
𝜆 ∈ [𝟎. 𝟓, 𝟏].

Dans la formulation continue d'un problème multicritères, les règles de décision définissent
implicitement l'ensemble des alternatives en termes d'un ensemble de fonctions d’objectif et un autre
pour les fonctions de contr ainte imposées sur les variables de décision. Ici, la progr ammation
mathématique multi-objective est souvent utilisée. Un programme mathématique multi-objectif est
un problème où le but est de trouver un vecteur 𝑥 ∈ 𝑅𝑝 qui satisfait les contraintes du type :

𝒉𝒊 (𝒙) ≤ 𝟎; (𝒊 = 𝟏, 𝟐, … , 𝒏),

Respecter les conditions d'intégrité et d'optimiser les fonctions objectives :

𝒛𝒋 (𝒙), 𝒋 = 𝟏, 𝟐, … , 𝒎.
La forme générale d'un programme mathématique multi-objectif est comme suit :
𝑶𝑶𝑶𝑶𝑶𝑶𝑶𝑶𝑶 [𝒛𝟏 (𝒙), 𝒛𝟐 (𝒙), … , 𝒛𝒎 (𝒙)]
� 𝒉𝟏 (𝒙) ≤ 𝟎 (𝒊 = 𝟏, … , 𝒏)
𝒙∈𝑿

Un programme mathématique multi-objectif est en fait un problème de décision multicritères où

(Vincke, 1992) : (i) 𝑨 = {𝒙 ∶ 𝒉𝒊 (𝒙) ≤ 𝟎, ∀𝒊} ⊂ 𝑹𝒑 est l'ensemble des décisions possibles, et (ii)
𝑭 = {𝒛𝟏 (𝒙), 𝒛𝟏 (𝒙), … , 𝒛𝒎 (𝒙)} est un ensemble de critères où chaque critère est exprimé par une
fonction d'objectif en termes de variables de décision.

3.10. L’analyse de sensibilité / robustesse

Les analystes devraient examiner, à travers l'analyse de sensibilité, la stabilité des résultats par
rapport à la variation des paramètres différents. L'analyse de sensibilité est la base pour l'analyse de
robustesse. Il y a plusieurs propositions visant à renforcer l’aide à décision multicritère basée sur les
SIG avec des procédures d'analyse de sensibilité [par exemple, (Feick et al., 2004)].

Analyse de robustesse dans l’aide à la décision multicritère est un sujet de recherche relativement
récent. Les propositions pour l'amélioration l’aide à décision multicritère basée sur les SIG avec
l’analyse de robustesse font encore défaut.

3.11. La (les) recommandation(s) finale(s)

La recommandation finale dans l'analyse multicritères peut prendre différentes formes, selon la
manière dont un problème est indiqué. Roy (1996) identifie quatre types de résultats correspondant à
quatre voies pour énoncer un problème (Figure 6) : (i) le choix : la sélection d'un ensemble restreint
d'alternatives, (ii) le tr i : attribution des alternatives à différentes catégories prédéfinies, (iii)
classement : classer les alternatives de meilleur au pire avec des positions éventuellement égales ou
(iv) descr iption : décrivant les alternatives et les résultats de leur suivi.

Figure 6 : Les problématiques et leurs solutions dans l'aide à la décision multicritère. Source (adapté)
(Chen, 2006)
4. Quelle méthode multicritère choisir ?

La possibilité d’employée un grand nombre de méthodes multicritères dans les systèmes d’aide à la
décision spatiale permet l'extension et le renforcement du potentiel analytique des SIG. Toutefois, un
autre problème apparaît : comment choisir la méthode à utiliser dans un problème donné? Nous
pensent que l'utilisation d'un arbre de classification est la plus appropriée du point de vue de
l’intégration SIG-Analyse multicritère.

Pour Jankowski (1995), la sélection de la procédure d'agrégation appropriée est guidé seulement par la
créativité de décideur (et/ou de l'analyste) et ses connaissances dans le domaine de l’analyse
multicritère, qui peut être très limitée. Une solution à ce problème consiste à utiliser un modèle pour
guider le décideur au cours du la sélection de procédure d'agrégation. Le modèle qui sera détaillé ci-
après est une mise en œuvre du processus de sélection d’une méthode d’analyse multicritère pour un
problème de décision spatial qui a été proposé par Laaribi et al. (1996).

Pour Chakhar et al. (2004), l'idée principale au-delà de ce modèle est indiqué comme suit : Les
caractéristiques d'un problème a référence spatiale [en terme de : type de problématique (choix, tri,
classement, description), la nature de l’ensemble d’alternatives (fini ou infini), la nature d’information
requise (disponibilité et l’échelle de mesure (ordinal, intervalle ou rapport), et le type des résultats de
l’évaluation (le niveau de fiabilité et le type d'impacts (ponctuelle ou dispersée)] déterminent
largement les caractéristiques de la méthode d’analyse multicritère approprie pour le problème en
question.

Dans la pratique, le modèle procède par élimination jusqu'à ce que la procédure d'agrégation la plus
commode est identifié. Il commence par l'identification des caractéristiques du problème à référence
spatiale.

Ensuite, ces caractéristiques sont utilisées avec les conditions de fonctionnement des procédures
d'agrégations afin d'identifier les caractéristiques de ces derniers qui sont appropriée au problème en
considération. Une fois que ces caractéristiques sont identifiées, elles sont superposées sur un arbre de
classification des procédures d'agrégations (voir figure 7) pour sélectionner un sous-ensemble de
procédures d'agrégations appropriés, à partir de laquelle le décideur peut choisir la méthode
appropriée. Plus formellement, les étapes de ce modèle sont (voir Figure 8):

1. L'identification des car actér istiques du problème a référence spatial. Les décideurs et/ou
analystes sont appelés pour fournir les caractéristiques du problème spatial.
2. Identification des car actér istiques de la procédure d'agr égation. Les caractéristiques du
problème spatial, ainsi que les conditions de fonctionnement des procédures d'agrégation, sont
utilisés pour identifier les caractéristiques de la procédure d'agrégation appropriée.
3. La sélection d' un sous-ensemble des procédur es d' agr égation. Les caractéristiques de la
procédure d'agrégation appropriée sont superposées sur l'arbre de classification pour
sélectionner un sous-ensemble des procédures d'agrégation approprié.
4. La sélection d' une procédure d' agr égation. Enfin, le décideur utilise des caractéristiques
intrinsèques liées à l'utilisation de procédure d'agrégation pour identifier le plus approprié.
Figure 7 : Arbre de classification des procédures d'agrégation multicritére. Source (adapté) (Laaribi, 2000)

Figure 8 : Model de sélection de la procédure d'agrégation multicritère. Source (Adapté) (Chakhar et al.,
2004)
Le modèle, illustré per la figure 8, qui est en grande partie contrôlée par le décideur, lui garantira le
choix de la procédure d’agrégation la plus efficace au problème en considération (Chakhar et al.,
2004). Comme il est souligné ci-dessus, la sélection de la technique de pondération approprié dépend
essentiellement de la nature de la procédure d'agrégation a utilisé, tandis que la sélection de la
procédure normalisation (si cela est nécessaire), dépend essentiellement de la nature de l'information
disponible.

5. Le processus d'analyse hiérarchique (AHP) de Saaty

Le processus d'analyse hiérarchique (AHP 4), présenté par Saaty (1980), est un outil efficace pour faire
face à la prise de décision complexe, et peut aider le décideur à établir des priorités et prendre la
meilleure décision. En réduisant les décisions complexes à une série de comparaisons deux-a-deux,
puis synthétiser les résultats, l'AHP aide à capturer les deux aspects subjectifs et objectifs d'une
décision. En outre, l'AHP intègre une technique utile pour vérifier la consistance des évaluations du
décideur, réduisant ainsi la partialité dans le processus de prise de décision.

5.1. Comment fonctionne l'AHP

L'AHP considère un ensemble de critères d'évaluation, et un ensemble d'alternatives dont la meilleure

décision doit être faite. Il est important de noter que, puisque certains des critères pourraient être
contrastés, il n’est pas vrai, en général, que la meilleure alternative est celle qui optimise chaque
critère unique, mais plutôt celle qui réalise le compr omis le plus approprié par mi les différents
critèr es.

L'AHP génère un poids pour chaque critère d'évaluation selon les comparaisons deux-a-deux du
décideur des critères. Plus est grand le poids, le plus important est le critère correspondant. Ensuite,
pour un critère fixe, l'AHP attribue un score à chaque alternative en fonction de comparaisons deux-a-
deux du décideur des alternatives fondées sur ce critère. Plus le score est élevé, meilleure est la
performance de l’alternative par rapport au critère considéré. Enfin, l'AHP combine les poids de
critères et les scores des alternatives, déterminant ainsi un score global pour chaque option, et un
classement qui en résulte. Le score global pour une option donnée est une somme pondérée des scores
qu'il a obtenus à l'égard de tous les critères.

5.2. Caractéristiques de l'AHP

Le AHP est un outil très flexible et puissant parce que les scores, et donc le classement final, sont
obtenus sur la base des évaluations relatives de la comparaison deux a deux des critères et des
alternatives fournies par le décideur. Les calculs effectués par l'AHP sont toujours guidés par
l'expérience du décideur, et l'AHP peut donc être considéré comme un outil qui est capable de traduire
les évaluations (qualitatives et quantitatives) faites par le décideur dans un classement multicritère. En
outre, l’AHP est simple car il n'y a pas besoin de construire un système expert complexe avec la
connaissance du décideur intégré.

D'autre part, l’AHP peut nécessiter un grand nombre d'évaluations par le décideur, en particulier pour
les problèmes avec des critères et des alternatives nombreux. Bien que chaque évaluation unique est
très simple, car le décideur exprimer comment deux alternatives ou critères comparent les uns aux
autres, la charge de la tâche d'évaluation peut devenir déraisonnable.

4
Processus d'analyse hiérarchique, en anglais, « Analytic Hierarchy Process ».
En fait, le nombre de comparaisons deux-a-deux augment quadratiquement avec le nombre de critères
et d'alternatives. Par exemple, lorsque l'on compare 10 alternatives sur 4 critères, 4 × 3⁄2 = 6
comparaisons sont exiger pour construire le vecteur de poids, et 4 × (10 × 9⁄2) = 180 comparaisons
deux-a-deux sont nécessaires pour construire la matrice de score.

Toutefois, afin de réduire la charge de travail du décideur, AHP peut être complètement ou
partiellement automatisée en spécifiant des seuils appropriés pour décider automatiquement certaines
comparaisons deux à deux.

5.3. L'AHP - Etape par étape

L'AHP fournit un moyen de décomposer un problème en une hiérarchie de sous-problèmes qui

peuvent être compris et évalué plus facilement et subjectivement. Les évaluations subjectives sont
converties en valeurs numériques et traitées pour classer chaque alternative sur une échelle numérique.
La méthodologie de l'AHP peut être expliquée dans les étapes suivantes :

Figure 9 : Structure hiérarchique générique. Source (Saaty, 1990)

Figure 10 : Format pour les comparaisons deux à deux. Source (Saaty, 1990)

Étape 1 : Le problème est décomposé en une hiérarchie de buts, critères, sous-critères et alternatives.
Ceci est la partie la plus importante et créative de la prise de décision. Structurer le problème de
décision comme une hiérarchie est fondamentale pour le processus de l'AHP. La hiér archie indique
une relation entre les éléments d'un niveau avec ceux du niveau immédiatement inférieur. Cette
relation percole vers le bas pour les niveaux les plus bas de la hiérarchie et de cette manière chaque
élément est reliée à tous les autres, du moins d'une manière indirecte. Une hiérarchie est une forme
plus ordonnée d'un réseau. Une structure d'arbre inversé est semblable à une hiérarchie. Saaty (1980)
suggère qu’un moyen utile pour structurer la hiérarchie est de travailler vers le bas de l'objectif dans la
mesure où l'on peut et ensuite travailler à partir des alternatives jusqu'à ce que les niveaux des deux
processus sont liés de manière à rendre possible les comparaisons. La figure 9 présente une structure
hiérarchique générique. A la racine de la hiérarchie il y a le but ou l'objectif d’étudié et analysé de
problème. Les nœuds représentent les alternatives à comparer. Entre ces deux niveaux sont différents
critères et sous-critères. Il est important de noter que lorsque le décideur compare des éléments de
chaque niveau, il compare seulement la contribution des éléments de niveau inférieur à ceux de niveau
supérieur. Cette concentration locale du décideur sur seulement une partie de l'ensemble du problème
est une fonctionnalité puissante de l'AHP.

Étape 2 : Les données sont recueillies par des experts ou des décideurs correspondant à la structure
hiérarchique, dans la comparaison deux a deux des alternatives sur une échelle qualitative comme
décrit ci-dessous. Les experts peuvent évaluer la comparaison comme égale, légèrement fort, fort, très
fort, et extrêmement fort. L'avis peut être collecté dans un format spécialement conçu, comme le
montre la figure 10.

«X» dans la colonne marquée «très forte» indique que B est très forte par rapport à A en termes de
critère sur lequel la comparaison est faite. Les comparaisons sont faites pour chaque critère et
convertis en numéros quantitatives selon le tableau 3.

Étape 3 : Les comparaisons deux à deux de différents critères générés à l'étape 2 sont organisées en
une matrice carrée. Les éléments de la diagonale de la matrice sont 1. Le critère dans la rangée i est
mieux que critère dans la colonne j si la valeur de l'élément (i, j ) est supérieure à 1 ; sinon le critère de
la colonne j est meilleur que celle dans la ligne i. L’élément (j , i) de la matrice est l'inverse de
l’élément (i, j ).

Étape 4 : La principale valeur propre et le vecteur propre droit normalisé correspondant de la matrice
de comparaison donnent l'importance relative des différents critères étant comparée. Les éléments du
vecteur propre normalisé sont appelés poids par rapport aux critères ou sous-critères, et notes par
rapport aux alternatives.

Étape 5 : La consistance de la matrice d'ordre n est évaluée. Les comparaisons faites par cette
méthode sont subjectives et l'AHP tolère incohérence par la quantité de redondance dans l'approche. Si
cet indice de consistance ne parvient pas à atteindre un niveau requis, les réponses aux comparaisons
peuvent être réexaminées. L'indice de consistance, CI , est calculé comme

𝑪𝑪 = ( λ𝒎𝒎𝒎 − 𝒏)/(𝒏 − 𝟏)

Où λ𝒎𝒎𝒎 est la valeur propre maximale de la matrice de jugement. Ce CI peut être comparé à celui
d'une matrice aléatoire RI . Le ratio dérivé CI / RI est appelée le rapport de cohérence CR . Saaty
(1980) indique la valeur de CR doit être inférieure à 0,1.

Étape 6 : Le classement de chaque alternative est multiplié par les poids des sous-critères et agrégées
pour obtenir des classements locaux par rapport à chaque critère. Les évaluations locales sont ensuite
multipliées par les poids des critères et agrégées pour obtenir les classements globaux.

L'AHP produit des valeurs de poids pour chaque alternative basée sur l'importance jugée d’une
alternative sur une autre par rapport à un critère commun.
 Tableau 2 : Échelle de gradation pour la comparaison quantitative des alternatives. Source (Saaty,
1990)

5.4. AHP – Théorie

Saaty et al. (2012), décrit les sept piliers de l'AHP comme suit :
− Échelles de ratio, proportionnalité et des échelles de ratio normalisé.
− Comparaisons deux à deux réciproque.
− La sensibilité du vecteur propre droit principale.
− « Clustering » et utilisation des pivots pour étendre l'échelle.
− Synthèse pour créer une échelle de ratio à une dimension pour représenter le résultat global.
− La préservation de rang et l'inversion.
− Intégrer les jugements de groupe.

L'utilisation des échelles de ratio pour les comparaisons aide à unifier le caractère multidimensionnel
du problème dans une dimension unifiée du point de vue du résultat final. La comparaison des oranges
et des pommes peut être atteint que si leurs propriétés sont réduites à des quantités sans dimension tels
que les rapports des propriétés dans une certaine dimension ou mesure spécifique. Les ratios sont
invariants après multiplication par une quantité positive.

Théoriquement, l’AHP est basé sur quatre axiomes donnés par Saaty (1994); ceux-ci sont :

Axiome 1 : Le décideur peut fournir des comparaisons deux à deux 𝒂𝒊𝒊 de deux alternatives i et j
correspondant à un critère/sous-critère sur une échelle de rapport qui est réciproque, à savoir
𝒂𝒊𝒊 = 𝟏/𝒂𝒊𝒊.

Axiome 2 : Le décideur ne juge jamais une alternative à être infiniment meilleur qu’une autre
correspondant à un critère, à savoir 𝒂𝒊𝒊 ≠ ∞.

Axiome 3 : Le problème de décision peut être formulé comme une hiérarchie.

Axiome 4 : Tous les critères/sous-critères qui ont un certain impact sur le problème donné, et
toutes les alternatives pertinentes, sont représentés dans la hiérarchie en une seule fois.
En résumé et selon Bhushan et al. (2004), il y a trois grands concepts derrière l'AHP, et ils sont comme
suit :

L’AHP est analytique − le raisonnement mathématique et logique pour arriver à la décision est la
force de l'AHP. Il aide à analyser le problème de décision sur un pied logique et aide à convertir
l'intuition et l'intestin des décideurs en nombres qui peuvent être ouvertement remis en question par
d'autres et peuvent également être expliquées aux autres.

L’AHP str ucture le problème comme une hiér archie − la décomposition hiérarchique vient
naturellement aux êtres humains. Réduire un problème complexe en sous-problèmes à aborder un à la
fois est le moyen fondamental que les décideurs ont utilisé. Les données des études psychologiques
suggèrent que les êtres humains peuvent comparer 7 ± 2 choses à la fois. Par conséquent, pour faire
face à un problème vaste et complexe de prise de décision, il est essentiel de le décomposer comme
une hiérarchie. L'AHP le permet.

L'AHP définit un processus de prise de décision − les processus formels de prise de décision sont
une nécessité. Les décisions, celles collectives en particulier, ont besoin de s’évolue. Un processus est
nécessaire qui intégrera les intrants, les révisions et les apprentissages de décideur et les communiquer
aux autres de manière à parvenir à une décision collective. L’AHP a été créé pour formaliser le
processus et le placer sur une base scientifique. L'AHP contribue à aider le processus de prise de
décision naturelle.

5.5. Pièges, modifications et extensions

Bhushan et al. (2004) énumèrent les cinq problèmes suivants liés à l'application de la AHP :

− Les vendeurs sont improprement pénalisés.

− L'échelle de ration est inexacte.
− Le processus peut générer des inconsistances comme résultat de ses calculs qui n’ont rien à
voir avec l'uniformité de jugement.
− Inversion de classement.

Malgré les controverses et des problèmes rencontrés par la technique de l'AHP, cette dernière a
survécu et prospéré. Sa facilité d'utilisation et l'acceptation généralisée a entraîné qu'elle soit appliquée
à la prise de décision dans différente domaine même le domaine militaire (Bhushan et al., 2004).

6. La logique floue et l’AHP

En théorie classique des ensembles, l'appartenance à un ensemble ou d'une classe est net et défini
seulement comme soit non-complète (= 0) ou complète (= 1). En théorie des ensembles flous,
l'appartenance à un ensemble ou à une classe peut aller de non-complète (= 0) a complète (= 1)
(Zadeh, 1965). Les ensembles flous sont donc utiles pour classer les attributs selon des concepts
d'adhésion vagues [par exemple, (Carranza et al., 2001; Lawry, 2001; Mcbratney et al., 1997)].

Un ensemble flou X est un ensemble présupposé finie d'attributs. Un sous-ensemble flou A de X est
définie par une fonction, 𝝁𝑨 (𝒙), en paires ordonnées 𝑨 = {𝒙, 𝝁𝑨 (𝒙)} pour chaque 𝒙 ∈ 𝑿. La relation
𝝁𝑨 (𝒙) est une fonction d'appartenance floue (FAF), qui définit le degré d'appartenance de x dans A;
𝒙 ∈ 𝑿 indique que x est dans X.

Pour tout A, 𝝁𝑨 (𝒙) est une valeur dans l'intervalle [0, 1] (c’est-à-dire, une valeur dans un ensemble de
nombres réels r avec 𝟎 ≤ 𝐫 ≤ 𝟏). Une note de zéro signifie qu'un attribut à la non-appartenance
complète dans un ensemble flou, tandis que une note de un signifie qu'un attribut à une appartenance
complète dans un ensemble flou et les notes entre 0 et 1 signifie l'adhésion partielle à l’ensemble flou.

Des grades d'adhésion sont généralement modélisées par FAF, qui ne doivent pas être linéaire ou
même pas continu ; En effet, de nombreux ensembles flous intéressants ont des FAF extrêmement non
linéaires (Zimmermann, 1991). Les grades d'appartenance à un ensemble flou se rapportent toujours à
une certaine proposition. Dans notre étude, la proposition base sur les connaissances des expert est :
« Ce morceau de terre, basée sur une certaine caractéristique de la terre, est propice à une certaine
culture ».

Comme dans la théorie des ensembles classiques, les opérations théoriques des ensembles peuvent être
effectuées pour intégrer des ensembles flous, notamment l'égalité, le confinement, l'union et
l'intersection, qui ont tous des significations analogues à leurs équivalents dans les ensembles nets.
Ainsi, un index flou intégré de l'aptitude des terres peut être dérivé en utilisant opérateurs flous
appropriées [par exemple, (Bonham-Carter, 1994; Carranza et al., 2001)], des facteurs de pondération
(Tang, 1993) et des fonctions d'appartenance commune (Davidson et al., 1994). Typiquement, la
modélisation floue des données spatiales comprend trois principales étapes : (1) « fuzzification 5 » ; (2)
les procédures d'inférence logiques effectuées avec des opérations de sous-ensemble flou; et (3)
défuzzification. La fuzzification, qui peut être fondée sur la connaissance ou sur les données, implique
génération de FAF pour l'entrée catégorique ou de données numériques. La défuzzification implique
une transformation d'un ensemble flou synthétisé à un ensemble net, qui exprime le résultat de la
modélisation. La défuzzification peut faire usage d'une valeur floue seuil subjectivement ou
objectivement défini. Hellendoorn et al. (1993) décrivent un certain nombre de critères qu’une
procédure de défuzzification idéal doit satisfaire. Le critère le plus important est qu’un petit
changement dans les entrées d'un modèle flou ne devrait pas causer une variation significative des
résultats sortant.

7. Limites

Certaines des limites moins évidentes des méthodes d’aide à décision multicritère traditionnels,
lorsqu'ils traitent avec la complexité de la gestion des ressources naturelles, ont été résumées par
Rosenhead (1989) comme suit :

(1) «La rationalité globale», ce qui suppose ou aspire à remplacer les résultats analytiques et
les calculs par les jugements ;
(2) la génération créative d’alternative est désaccentué en faveur d'alternatives
vraisemblablement objectives, réalisables et optimales ;
(3) l'incompréhension et la dénaturalisation des raisons et des motivations pour la participation
du public;
(4) un manque de cadre de valeurs au-delà des «principes utilitaires» typiques.

Compte tenu des limitations ci-dessus, une approche plus large, souple et robuste pour l'application de
l’aide à la décision multicritère à la gestion des ressources naturelles est nécessaire, une approche qui
est capable de faire face à des problèmes mal définis, avec des objectifs qui pourraient être ni
clairement énoncés, ni acceptées par toutes constituants, avec des composants de problèmes inconnus,
et avec des relations de cause à effet imprévisibles. Une définition transparente et participative des
problèmes de planification et de décision serait également souhaitable.

5
De mot anglais « fuzzy » ou flou en français, fuzzification c’est-à-dire rendre flou.
Chapitre III. Intégration SIG-MCDA

Dans cette section, nous allons présenter les raisons qui ont conduit à cette intégration, la façon dont il
fonctionne et sa contribution au processus décisionnel.

1. Pourquoi l'intégration ?

Selon Laaribi et al. (1996), certains des arguments solides plaident en faveur de l'intégration des SIG
et de l'analyse multicritère :

(i) Les problèmes de décision spatialement référencées, de plus en plus pris en compte dans tous
leurs aspects, présenter toutes les caractéristiques des problèmes multicritères (Nijkamp et al.,
2013) et en tant que telle, l'analyse multicritère est tout à fait approprié pour faire face à des
décisions spatiales. Selon cette interprétation, l'intégration des deux SIG et MCA constitue une
progression prévisible et normale dans le domaine scientifique des systèmes d'information.
(ii) L'approche actuelle d'un décideur utilisateur d'un SIG est de permettre l'intégration de
solutions potentielles a des problèmes à référence spatiale, afin de les aider dans la
construction de critères d'admissibilité et en comparant automatiquement ces solutions par
rapport à des critères quantitatifs.

2. Cadre conceptuel

Les méthodes d'évaluation actuelles des problèmes de décision sans l'utilisation des SIG impliquent
deux phases. La première phase de l'ingénierie, très technique et libre de l’analyse multicritère, qui
permet l'identification d'alternatives possibles, puis une deuxième phase, se référant à l’aide
multicritère pour l’évaluation et la comparaison de ces alternatives, de manière à parvenir à un résultat
qui plaît le décideur. Selon cette approche, les alternatives sont définies sans tenir compte des critères,
ce qui peut conduire à une formulation inadéquate du problème de décision.

Pour remédier à cette situation, nous proposons une approche globale pour la définition et la
structuration des problèmes de décision. Cette approche est basée sur le potentiel remarquable de SIG,
à savoir leur système de gestion de base de données à référence spatiale et leurs capacités d'analyse
spatiale.

Avec ces fonctionnalités, les SIG permettent au décideur, premièrement, à envisager au départ un
ensemble très riche d’alternatives possibles, puis de réduire efficacement cet ensemble de départ afin
de générer des solutions possibles. Cette définition d'alternatives doit tenir compte de critères,
contrairement à l'approche traditionnelle.

En procédant de cette façon, on se tient à gagner sensiblement puisque la formulation du problème de

décision est plus adéquate. En fait, en ce qui concerne les problèmes a référence spatial analysés grâce
à des outils de SIG, la recherche initiale des alternatives potentielles fera partie du même processus
global qui intègre l'analyse multicritère et ne constituera pas une phase d'étude séparée ou ultérieure
(Figure 11). La nature intégrative de cette approche comprend également le décideur et l'analyste de
système dans le même processus, qu'ils soient des personnes différentes ou le même individu. Elle
offre également l'avantage de considérer l'ensemble de la zone couverte par le problème à référence
spatiale comme zone d’étude, car elle ne se limite pas à l'évaluation des objets spatiaux isolés. Depuis
que la modélisation de phénomène est produite au début du processus décisionnel, la précision et la
richesse des informations sur la réalité perçue sont conservés à l'extrême.
 Figure 11 : L'approche traditionnelle sans SIG et approche proposée avec le SIG. Source (Laaribi et
al., 1996)

L'objectif est non seulement à intégrer les méthodes d’analyse multicritère dans les outils SIG (c’est-à-
dire, à mettre un ou plusieurs procédures d’analyse multicritère à l’intérieur d'un emballage SIG) ou de
juxtaposer des outils SIG avec des applications d’analyse multicritère (par exemple, en utilisant un
outil de SIG pour importer les données nécessaires pour l'agrégation multicritère et agissent comme
une interface d'affichage pour les données résultantes), mais aussi pour parvenir à une intégration
univoque des SIG et d’analyse multicritère, dans laquelle chacun prend parti dans le même processus
décisionnel.

Figure 12 : organigramme de décision pour l'analyse spatiale multicritère. Source (Ascough et al.,
2002)
La figure 12 présente une hiérarchie à trois niveaux : l'intelligence, la conception, et choix pour
représenter le processus de prise de décision. Dans la phase de l'intelligence, les données sont
acquises, traitées, et l'analyse exploratoire des données est effectuée. La phase de conception implique
généralement une interaction formelle modélisation/SIG afin de développer un ensemble d'alternatives
de décision spatiales. L'intégration des techniques d'analyse décisionnelle et les fonctions SIG est
essentiel pour appuyer la phase de conception. La phase de choix consiste à choisir une alternative
particulière parmi ceux disponibles. Dans cette phase, les règles de décision spécifiques sont utilisées
pour évaluer et trie les alternatives. Les trois étapes de la prise de décision ne suivent pas
nécessairement un chemin linéaire de l'intelligence, de concevoir et de choix.

3. Choix de technique multicritère

Traditionnellement, l'utilisateur intègre une approche multicritère dans un SIG. Dans ce processus, il
est confronté à un large éventail de diverses méthodes d'évaluation et doit examiner la méthode à
choisir pour chaque type de problème de décision à référence spatiale.
Le choix de la procédure d'agrégation multicritère approprié (PAMC) est lui-même un problème
multicritère (Laaribi et al., 1996). Pour le résoudre, cependant, nous n’utilisons pas une méthode
multicritère de manière à éviter de tomber dans un cercle vicieux : d'être toujours et de manière
récursive confronté au même problème de choix d'un PAMC.

L'abondante littérature couvrant les différentes applications des méthodes multicritères montre que les
méthodes d'évaluation traditionnelles choisissent d'abord la méthode et ensuite examiner le libellé du
problème. En effet, il ressort que le PAMC est souvent choisi de façon arbitraire. L'analyste peut se
familiariser avec une certaine procédure, la procédure aurait pu été spécifiquement développé ou plus
simplement, il pourrait être disponible sur le marché. On est donc souvent confrontés à une situation
où il doit adapter le problème de décision ou même de le reformulé afin de se conformer à la
procédure choisie (Laaribi et al., 1996).

Nous privilégions l'approche naturelle où l'on est, en premiers temps, concentrés sur la formulation du
problème de décision à référence spatiale elle-même, puis de sélectionner la méthode appropriée. En
procédant de cette façon, nous nous éloignons de l'approche traditionnelle qui considère le PAMC
comme un moyen d'entrée de données et non pas comme un résultat intermédiaire à obtenir.

3.1. L’approche proposée par Laaribi et al. (1996)

Cette approche consiste à identifier tous les éléments qui constituent le problème de décision à
référence spatiale afin de souligner ses principales caractéristiques (CEPDRS). L'identification des
caractéristiques de problème de décision qui sont lies aux caractéristiques d'une procédure d'agrégation
multicritère (CPAMC) en se fondant sur un cadre de correspondance, nous permet de procéder par
élimination jusqu'à ce que nous nous retrouvons avec une seule procédure multicritère approprié, ou
au moins une catégorie de celui-ci.

Pour rendre plus facile à l’utilisateur de choisir une procédure d'agrégation multicritère approprié,
(Laaribi et al. (1996)) ont établi une correspondance entre le CEPDRS et CPAMC, basée sur des
paramètres communs. Ces paramètres reflètent les phases traditionnelles du processus de décision
comme suit :
(i) identification du contexte de décision,
(ii) la détermination de l'ensemble des alternatives,
(iii) construction des critères et de leur échelle de notation, et
(iv) la nature des résultats de l'évaluation.
Matériels et méthodes
1. Zone d’étude

L'étude a été menée dans la région de Languedoc-Roussillon qui est localisé où sud de France
(Figure 13). La région est devisée en cinq départements : Aude (11), Gard (30), Hérault (34), Lozère
(48), Pyrénées-Orientales (66).

Figure 13 : Zone d'étude.

2. Identification des facteurs d’évaluation

Dans cette étude, une évaluation multicritère a été utilisée pour évaluer l'aptitude des terres pour la
production de blé tendre. Bien que de nombreux facteurs peuvent influencée la croissance et la
production de blé tendre, il est impossible de les inclure tous.

Basé sur la littérature, des facteurs climatiques, pédologiques et topographiques ont souvent été
utilisés pour l'évaluation de l'aptitude des terres. Compte tenu de la situation réelle dans la région
Languedoc-Roussillon, on a sélectionné les facteurs suivants pour évaluer l'aptitude des terres pour la
production du blé tendre :

(1) Conditions climatiques : Dégrée jours de croissance potentiel, Précipitation moyenne par
mois sur 30 ans, Nombres de jours gelées ;
(2) Propr iétés du sol : profondeur de la couche arable, salinité, stock en matière organique, pH
eau (30 cm), CEC ;
(3) Topographie : altitude et pente ; et
(4) Texture du sol.

3. Sources et préparation des données

Le facteur « degrés jours de croissance » est calculé avec la formule suivante :

𝑇𝑚𝑚𝑚 + 𝑇𝑚𝑚𝑚
𝐷𝐷𝐷 = − 𝑇𝑧𝑧𝑧𝑧 𝑣é𝑔é𝑡𝑡𝑡𝑡𝑡𝑡
2
Les données sur les précipitations ont été récupérées du site worldclim.org, elles sont divisées en
quatre saisons : Précip_1 (septembre et octobre), Précip_2 (novembre, décembre et janvier), Précip_3
(février et mars), Précip_4 (mai et juin).
Pour calculer l’altitude et la pente, un DEM (Digital Elevation Model) a été récupère du site de
Consortium du CGIAR 6, en suite, plusieurs traitement avec des outils d’analyse spatial de logiciel
ArcGIS ont été réalisé.

Toutes les données sur le sol (Profondeur de la couche arable, stock en matière organique, pH eau sur
30 cm et la capacité d’échange cationique) ont été récupérées du site « gissol.fr » sauf la salinité, cette
dernière a été extraite de la base de données de centre européen de données de sol 7 (EUROPEAN SOIL
DATA CENTRE), en suite, un processus de digitalisation a été effectué.

4. Modélisation des ensembles flous

En théorie des ensembles classiques, soit un objet appartient à un ensemble ou non. Ainsi, nous
appelons cela un ensemble clair avec une frontière nette et rigide. Il n'y a pas adhésion partielle, ce qui
rend impossible la modélisation de certains concepts avec une adhésion transitionnel. Pour résoudre ce
problème, Zadeh (1965) a proposé la théorie des ensembles flous, qui a été développé par d'autres
chercheurs (Zimmermann, 1991).

Supposent que 𝑿 = [x est un ensemble (ou espace) fini de points, par exemple, toutes les valeurs de pH
du sol (0-14)], un sous-ensemble flou 𝑨 de 𝑿 est définie par une fonction 𝝁𝑨 , dans les paires
ordonnées : 𝑨 = {𝒙, 𝝁𝑨 (𝒙)} pour chaque 𝒙, 𝒙 appartenir à 𝑿, où 𝝁𝑨 (𝒙) est une fonction
d'appartenance définissant le degré d'appartenance 𝒙 dans 𝑨. La valeur de 𝝁𝑨 (𝒙) est compris entre 0
et 1 incluses. La valeur de 1 indique que 𝒙 appartient pleinement au sous-ensemble 𝑨 et 0 signifie que
𝒙 absolument ne fait pas partie du sous-ensemble 𝑨. Une valeur entre 0 et 1 indique que, dans une
certaine mesure, 𝒙 appartient à la sous-ensemble 𝑨. Par exemple, 0,7 indique que 𝒙 est quelque peu
(70%) un membre du sous-ensemble 𝑨. La valeur de 𝝁𝑨 (𝒙) indique le degré d'appartenance, ainsi
l’adhésion partielle est donc possible.

Le degré d'appartenance se rapporte toujours à une certaine proposition. Dans notre cas, la proposition
est qu’une unité de terre, à l'égard des facteurs d'évaluation, par exemple, la valeur du pH du sol, est
adaptée à la production de blé tendre. La valeur 1 représente le potentiel maximal de production de blé
tendre et 0 le potentiel le plus bas.

Une fonction d'appartenance peut être non-continue ou non linéaire (Zimmermann, 1991).
Typiquement, la fonction d'appartenance dans l'évaluation de l'aptitude des terres incluent le type
parabole, sigmoïde, sigmoïde inversée, et le type linéaire (Keshavarzi et al., 2010; Torbert et al.,
2008).

Dans cette étude, ont se basent sur les conditions de l'évolution de blé tendre, quatre types de fonction
d'appartenance mentionné ci-dessus ont été choisis pour déterminer le degré d'appartenance (Tableau
1, Figure 2). Les fonctions paraboliques comme fonction d'appartenance étaient appropriées et robuste
pour tous les facteurs précipitation, pH eau et l’altitude (Tableau 3), parce que la relation entre les
valeurs de ces facteurs et le potentiel de production de blé tendre peut être décrite au mieux par une
courbe parabolique (Figure 14), qui ont une limite inférieure (a), limite optimale inférieure (b), la
limite supérieure optimale (c), et la limite supérieure (d).

La courbe sigmoïde a été utilisée comme fonction d'appartenance pour DJC, CEC, MO et profondeur,
parce que le potentiel de production de blé tendre peut normalement augmenter à mesure que la valeur

6
http://srtm.csi.cgiar.org/
7
http://esdac.jrc.ec.europa.eu/themes/soil-salinization
 d’un des facteurs cités au-dessus augmente de A à B (Figure 14), mais l’inverse est vrai (sigmoïde
inversée) pour les facteurs nombre de jours gelées et la pente.

Une fonction d'appartenance linéaire a été appliquée sur le facteur salinité et pour le facteur de
classification des sols. La note de fonction d'appartenance a été attribuée individuellement pour la
salinité et chaque type de sol sur la base de leurs potentiels de production de blé tendre. Les valeurs
pour les limites ont été basées sur la littérature et de notre observation et expérience de la production
de blé tendre.

Tableau 3 : Facteurs d'évaluation d’aptitude, leurs poids totaux, les types de fonctions d’appartenance, et les valeurs
de seuil.

Limite Limite
Fonction
Critères Facteurs 8 Limite inférieure optimale supérieure Limite supérieure Poids
d'appartenance
inférieure optimale
Climat DJC sigmoïde 500 1600 0,083
Précip_1 Parabolique 20 60 80 200 0,028
Précip_2 Parabolique 100 160 180 250 0,083
Précip_3 Parabolique 100 140 160 250 0,083
Précip_4 Parabolique 50 90 100 200 0,041
Nbre_J_gelées sigmoïde inversée 20 30 0,017
Propriétés du sol CEC sigmoïde 10 50 0,087
pH_eau Parabolique 4 6 8 10 0,087
MO sigmoïde 30 50 0,087
Salinité 9 linéaire 0,029
Profondeur sigmoïde 30 50 0,043
Topographie Pente sigmoïde inversée 0 40 0,125
Altitude Parabolique 100 200 400 600 0,042
Classification du sol Texture_sol 10 linéaire 0,167

8
Où DJC est le nombre des degré jour de croissance, Précip_1 est la précipitation moyenne (mm) pour les mois
de septembre et octobre, Précip_2 est la précipitation moyenne(mm) pour les mois de novembre, décembre et
janvier, Précip_3 est la précipitation moyenne (mm) pour février, mars et avril, Précip_4 est la précipitation
moyenne (mm) pour mai et juin, Nbre_J_gelées est le nombre moyen de jours gelées par an de 1980 à 2010,
CEC est la capacité d’échange cationique (cmol/kg), MO est le stock de carbone au surface (30 cm) (T/Ha).
9
La salinité est considérée seulement pour les régions affectée (Salinité > 50% de la surface => région saline), la
valeur pour les terres salines = 0.5, pour les terre non salines = 1.
10
Une valeur a été spécifié pour chaque texture, Sableuse = 0.5, Equilibré = 1, Limoneuse = 0.8, Argileuse = 0.6.
Figure 14 : Les modèles de fonctions d'appartenance floue et leurs équations. Source (Zhang et al.,
2015)
 Figure 15 : Modèle d'arbre de décision pour l'AHP.

5. Détermination des poids par l’AHP

Dans le processus d'évaluation multicritères, l'une des étapes importantes est de déterminer le poids de
chaque facteur. Alors que de nombreuses approches, telles que l'analyse de régression et analyse en
composante principale, peuvent être utilisés pour réaliser cela, l’AHP (Malczewski, 2004; Saaty, 1977;
Saaty, 1980) était suffisante pour déterminer le poids de facteurs d'évaluation dans notre étude.

Pour ce faire, la première étape était de construire un modèle d’hiérarchie AHP comprenant trois ou
plusieurs niveaux, y compris les objectifs, les critères, sous-critères et les facteurs (alternatives). Le
modèle hiérarchique utilisé dans cette étude a été inscrit dans la Figure 15. L'objectif était l’aptitude et
les critères consistés du climat, Propriétés du sol et de la topographie, dont chacun avait de deux à six
(2-6) facteurs.

La deuxième étape a consisté à attribuer l'importance relative des facteurs fondés sur l'échelle de Saaty
(Tableau 4) et tirer la matrice de comparaison deux à deux. L'importance relative a été affectée en
utilisant l'approche « wide-band-delphi » (Humphrey, 1995), dans lequel, cinq spécialistes de
production des céréales ont été invités à estimer l'importance relative des facteurs individuellement et
se rencontrer pour discuter de l'estimation et ensuite revenir a ajusté leurs estimations jusqu'à ce qu'une
estimation de consensus ait convergé. Les matrices finales de cette étude ont été répertoriées dans le
tableau 3.
Tableau 4 : Echels pour les comparaisons AHP deux à deux.

Intensité d'importance Description

1 Non adapté
3 Aptitude marginale
5 Aptitude modéré
7 Aptitude forte
9 Aptitude très forte
La matrice doit être cohérente et réciproque, par exemple, 𝒂𝒊𝒊 = 𝟏⁄𝒂𝒊𝒊 , et 𝒂𝒊𝒊 = 𝒂𝒊𝒊 ⁄𝒂𝒌𝒌 pour tout i,
j, k, où 𝒂𝒊𝒊 est la valeur de l'importance relative du facteur i par rapport au facteur j dans la matrice.
La consistance peut être mesurée par le ratio de consistance (CR). Le niveau de cohérence est
raisonnablement acceptable si CR est inférieur ou égal à 0,1 (Ahamed et al., 2000; Saaty, 1980). Dans
cette étude, le CR était 0,0000 pour les critères de la matrice, le climat, les propriétés du sol et la
topographie, ce qui indique que toutes les matrices étaient conformes.
Tableau 5 : Matrice des comparaison deux à deux des importances relatives.

Climat Propriete_sol Topographie Classification_sol

11
a. Critères
Climat 1 1 2 2
Propriete_sol 1 2 2
Topographie 1 1
Classification_sol 1

DJC Précip_1 Précip_2 Précip_3 Précip_4 Nbre_J_gelées

12
b. Climat
DJC 1 3 1 1 2 5
Précip_1 1 1⁄3 1⁄3 2⁄3 5⁄3
Précip_2 1 1 2 5
Précip_3 1 2 5
Précip_4 1 5⁄2
Nbre_J_gelées 1
CEC pH_eau MO Salinité Profondeur
13
c. Propriete_sol
CEC 1 1 1 2 3
pH_eau 1 1 3 2
MO 1 3 2
Salinité 1 2⁄3
Profondeur 1
Pente Altitude
14
d. Topographie
Pente 1 3
Altitude 1

11
n = 4, Mesure de consistance (MC) = 0,0000, le ratio de consistance (RC) = 0,0000
Classification_sol contient les classes : Sableuse, Equilibré, Limoneuse, Argileuse.
12
n = 6, Mesure de consistance (MC) = 0,001, le ratio de consistance (RC) = 0,0000
DJC est le nombre des degré jour de croissance, Précip_1 est la précipitation moyenne (mm) pour les mois de
septembre et octobre, Précip_2 est la précipitation moyenne(mm) pour les mois de novembre, décembre et
janvier, Précip_3 est la précipitation moyenne (mm) pour février, mars et avril, Précip_4 est la précipitation
moyenne (mm) pour mai et juin, Nbre_J_gelées est le nombre moyen de jours gelées par an de 1980 à 2010.
13
n = 5, Mesure de consistance (MC) = 0,001, le ratio de consistance (RC) = 0,0000
CEC est la capacité d’échange cationique (cmol/kg), MO est le stock de carbone à la surface (30 cm) (T/Ha).
La salinité est considérée seulement pour les régions affectée (Salinité > 50% de la surface => région saline)
14
n = 2, Mesure de consistance (MC) = 0,0000, le ratio de consistance (RC) = 0,0000
La troisième étape a consisté de calculer le poids de chaque facteur ou critères. Les poids peuvent être
calculés comme des moyens géométriques normalisés des lignes de la matrice (Akıncı et al., 2013;
Keshavarzi et al., 2010), qui sont près de vecteur propre correspondant à la plus grande valeur propre
de la matrice. Par conséquent, dans la pratique, les pondérations sont obtenues en calculant le vecteur
propre correspondant à la plus grande valeur propre de la matrice. La somme des poids est ainsi
normalisée à l'unité (Ahamed et al., 2000) et 0,1 représente le 10% du poids total. Dans cette étude, le
logiciel « Priorty Estimation Tool » (PriEsT) développé par Siraj et al. (2015) a été utilisé pour
calculer le poids de tous les facteurs relatifs à l’aptitude (l'objectif) (Figure 16), et les résultats sont
indiqués dans le Tableau 1.

Figure 16 : prises d'écrant de logiciel « Pr iEsT », a1 : liste hérarchique des critères, b1 : liste des
critères, c1 : les poids calculé des critères, d1 : les comparaisons deux-à-deux des critères ; a2 : liste
hérarchique des sous critères de facteur climat, b2 : liste des sous critères de climat, c2 : les poids
calculés des sous critères de climat, d2 : les comparaison deux-à-deux des sous critères de climat.
 6. Calcul de l’index d’aptitude

L’Indice d’aptitude des sols (IA) a été calculé d'une manière similaire à ceux utilisés dans les modèles
de combinaison d'additifs linéaire (Feizizadeh et al., 2013; Malczewski, 2004), comme suit :
𝒏

� 𝑾𝒊 × 𝝁𝒊 (𝒙)
𝒊=𝟏

Où 𝒏 est le nombre de facteurs (Tableau 1 et Fig. 3), et 𝑾𝒊 est le poids du facteur 𝒊, qui est calculée
en utilisant l’AHP (Tableau 1), et 𝝁𝒊 est le degré d'appartenance pour le facteur 𝒊. Parce que les
valeurs à la fois le poids et le degré d'appartenance est compris entre 0 et 1, la valeur de IA est
également compris entre 0 et 1, où une valeur de 0 représente le « totalement inadaptée » et 1 indique
le « 100% approprié ».

7. Génération des cartes d’aptitudes par GIS

Le DEM 15 pour la région d’étude (5 départements) a été téléchargé de site de CGIAR-Consortium of

Spatial Information (CGIAR-CSI). Une carte thématique d'élévation avec une résolution de
30m x 30m a été obtenue à partir de DEM. La pente et les cartes thématiques de terrain ont été
obtenues à partir de DEM après la transformation de coordination en utilisant l'analyse de surface dans
l'outil d'analyse spatiale dans ArcGIS 10.3.

Les cartes thématiques de climat, propriétés du sol, texture du sol, topographie et, ensuite, la carte
d’aptitude des terres à la culture du blé tendre ont été réalisé avec un modèle construit avec l’outil
« ModelBuilder » dans ArcGIS (Figure 18). Les résultats sont illustrés dans les figures 19 et 20.

Figure 17 : Distribution de l'indice d'aptitude.

La distribution de l'indice global d’aptitude est représentée sur la figure 17. La classification d’aptitude
était basée sur le cadre de la FAO (F.A.O., 1976) avec des légères modifié dans cette étude. Ainsi S4
représente les unités de terre très approprié pour la production de blé tendre sans limites ; S3
représente les unités de terre modérément convenable avec certaines limites ; S2 représente les unités
de terre légèrement convenable avec des limitations importantes ; et S1 représente les unités de terre
marginalement convenable avec de sévères limitations ; N représente des unités de terre qui ne
convient pas pour la croissance du blé tendre. Selon ce classement, et les données statistiques, la
classification de l'aptitude a été affectée comme présenté dans le tableau 6.

15
DEM : Digital Elevation Model, en français, Model d’élévation digitale.
Figure 18 : Model d’analyse d’aptitude des terres dans ArcGIS.
Résultats et discussion
Résultats

1. Aptitude climatique

Le dégrée jours de croissance, Nombres jours gelées, et les précipitations comme des facteurs
climatiques ont été utilisés pour évaluer l'aptitude des terres pour la production de blé tendre (Tableau
3). Une carte d'aptitude des terres (Figure 17a) en termes de ces facteurs climatiques a été générée et la
distribution de la zone a été calculée. Les résultats ont montré que, pour la superficie totale de terres,
68,6% était modérément adapté, moins de 2% était fortement ou très fortement adapté et 5,5% était
non adapté pour la production de blé tendre en termes de condition climatique (Tableau 6a). Le peu
des terres fortement adapté climatiquement à la culture de blé tendre est situé au nord, dans le
département de Lozère, la majorité des terres non adapté sont situé dans les régions montagneuses.

Le facteur climatique le plus limitant est les précipitations de mois de février jusqu’à la fin de la
saison, parce que son degré d'appartenance de « Précip_2_3_4 » était comprise entre 0,1 et 1, avec une
moyenne de 0,18, pour « Précip_5_6 », le degré d'appartenance était comprise entre 0,1 et 1, avec une
moyenne de 0,038.

La condition de précipitation faible et instable était l'un des facteurs limitants pour la production de blé
tendre dans la région d’étude.

2. Aptitude des propriétés du sol

CEC, pH eau, stock de matières organiques, salinité, et profondeur comme des facteurs de propriété du
sol ont été utilisés pour évaluer l'aptitude des terres pour la production de blé tendre (Tableau 3). Une
carte d'aptitude des terres (Figure 17b) en termes de ces facteurs climatiques a été générée et la
distribution de la zone a été calculée. Les résultats ont montré que, pour la superficie totale de terres,
55,7% était modérément adapté, moins de 18% était fortement ou très fortement adapté et moins de
1% était non adapté pour la production de blé tendre en termes de propriété du sol (Tableau 6b). La
majorité des terres fortement adapté à la culture de blé tendre est situé au nord, entre les départements
de Lozère, Hérault et Gard.

Le facteur de propriétés du sol le plus limitant est la capacité d’échange cationique, parce que son
degré d'appartenance était compris entre 0 et 1, avec une moyenne de 0,19.

La capacité d’échange cationique insuffisante était l'un des facteurs limitants pour la production de blé
tendre dans la région d’étude.

3. Aptitude topologique

L’altitude et la pente ont été utilisées pour évaluer l'aptitude des terres pour la production de blé tendre
(Tableau 3). Une carte d'aptitude des terres (Figure 17c) en termes de ces facteurs climatiques a été
générée et la distribution de la zone a été calculée. Les résultats ont montré que, pour la superficie
totale de terres, environ 70% était fortement ou très fortement adapté et moins de 1% était non adapté
pour la production de blé tendre en termes de propriété du sol (Tableau 6c). La majorité des terres non
adapté sont situé dans les régions montagneuses sud dans le département des Pyrénées-Orientales.

Pas de facteurs topologique limitants la production de blé tendre dans la région d’étude.
4. Aptitude de la texture du sol

La texture du sol a été utilisée pour évaluer l'aptitude des terres pour la production de blé tendre
(Tableau 3). Une carte d'aptitude des terres (Figure 17d) en termes de la texture du sol a été générée et
la distribution de la zone a été calculée. Les résultats ont montré que, pour la superficie totale de terres,
environ 80% était fortement ou très fortement adapté et plus de 12% était non adapté pour la
production de blé tendre en termes de la texture du sol (Tableau 6d). La majorité des terres non adapté
sont ont, soit, une texture sableuse, donc très légère avec une mauvaise capacité de rétention d’eau, ou
une texture argileuse très lourde, donc un grand risque d’asphyxie racinaire et aussi des difficulté a
travaillé la terre.
La texture du sol n’est pas un grand facteur limitant la production de blé tendre dans la région d’étude.

Tableau 6 : Superficie et distribution des categories d'aptitude.

Aptitude Nombre de pixels Superficie (%) Index d'aptitude
(a) Climat
Aptitude très forte 0 0% 0,8 - 1
Aptitude forte 434 1,6% 0,6 - 0,8
Aptitude modéré 19205 68,6% 0,6 - 0,4
Aptitude marginale 6815 24,4% 0,4 - 0,2
Non adapté 1528 5,5% 0,2 - 0
Total 27982 100%
(b) Propriétés du sol
Aptitude très forte 827 3,0% 0,8 - 1
Aptitude forte 4148 14,8% 0,6 - 0,8
Aptitude modéré 15599 55,7% 0,6 - 0,4
Aptitude marginale 7215 25,8% 0,4 - 0,2
Non adapté 193 0,7% 0,2 - 0
Total 27982 100%
(c) Topographie
Aptitude très forte 2692 9,6% 0,8 - 1
Aptitude forte 16540 59,1% 0,6 - 0,8
Aptitude modéré 7394 26,4% 0,6 - 0,4
Aptitude marginale 1192 4,3% 0,4 - 0,2
Non adapté 165 0,6% 0,2 - 0
Total 27982 100%
(d) Texture du sol
Aptitude très forte 0 0% 0,8 - 1
Aptitude forte 22186 79,3% 0,6 - 0,8
Aptitude modéré 591 2,1% 0,6 - 0,4
Aptitude marginale 1625 5,8% 0,4 - 0,2
Non adapté 3580 12,8% 0,2 - 0
Total 27982 100%
(e) Finale
Aptitude très forte 10 0% 0,8 - 1
Aptitude forte 13042 46,6% 0,6 - 0,8
Aptitude modéré 13144 47,0% 0,6 - 0,4
Aptitude marginale 1766 6,3% 0,4 - 0,2
Non adapté 20 0,1% 0,2 - 0
Total 27982 100%
Figure 19 : Les cartes thématiques pour l'analyse d'aptitude des terres.
5. Aptitude global

En intégrant tous les critères et les facteurs dans le tableau 3, une carte complète et définitive de
l’aptitude des terres pour la production de blé tendre a été produite et présenté dans la figure 18.

Géographiquement, la terre au milieu de la région de Languedoc-Roussillon est la plus adapté à la

culture de blé tendre, tandis que les régions de sud et de nord qui sont plus hautes et montagneuses,
avait une aptitude inférieure. Les terres proches de la mer ne convient pas à cause de leurs proximités
des étangs de la région, il faut noter aussi que les terres entre Montpellier et Nîmes sont modérément
adapté à cause des conditions climatiques, par conséquence, autres pratiques agricoles doivent être
adaptées à la place de la production de blé tendre. La distribution de la région a également été calculé
(Tableau 6e), et les résultats ont montré que 46,6% de la superficie totale était fortement ou très
fortement adapté pour la production de blé tendre, et plus de 6% marginalement ou non adapté.

Pour faciliter la gestion des données et de l'application de ces résultats, un logiciel a été développé en
utilisant ArcGIS 10.3 et les autres technologies de SIG. Le système intègre les données climatiques,
propriétés du sol, classification de sol, la topographie et la production de blé tendre. Les utilisateurs
peuvent accéder à ces données pour les afficher dans diverses formes de tableaux ou dans les cartes
pour chaque unité de terre, les ajustés pour des améliorations ou des corrections ou encore, les adaptés
à d’autres cultures, ce qui fournit, justement, un grande aide pour les responsables de la gestion de la
production de blé tendre et les décideurs.

Figure 20 : Carte d'aptitude des terres a la culture de blé tendre au Languedoc-Roussillon.

Discussion

Dans cette étude, l’aptitude des terres pour la production de blé tendre a été évaluée avec succès en
utilisant la théorie des ensembles flous, AHP, et GIS. Onze facteurs, y compris climatiques,
pédologiques et topographiques, ont été sélectionnés et leur grade de la fonction d’appartenance a été
calculée par le biais des ensembles flous. Les pondérations de chaque facteur ont été déterminées par
AHP, et enfin l'indice d’aptitude des terres pour la production de blé tendre a été calculé avec un
modèle de combinaison additive linéaire. Des cartes consultables ont été générées en utilisant ArcGIS
10.3. L'application intégrée de la théorie des ensembles flous, AHP, et SIG a permis de contourner les
problèmes résultant des incertitudes, des subjectivités et des caractéristiques du processus hiérarchie
d'évaluation traditionnel de l’aptitude des terres.

La théorie des ensembles flous a été utilisée par plusieurs chercheurs dans l'étude d’aptitude des terres
(Keshavarzi et al., 2010; Tang et al., 1992a; Tang et al., 1992b). Des comparaisons ont été effectuées
entre l'approche des ensembles flous et d'autres méthodes traditionnelles, comme la méthode
paramétrique, et la méthode de limitation maximale. Tang et al. (1992a) ont utilisé, la méthode
paramétrique et la méthode de limitation pour évaluer l’aptitude des terres pour la production de maïs
sec. Ils ont constaté que les indices de qualité obtenus par la méthode des ensembles flous a eu plus de
corrélation avec le rendement observé (r = 0,96) et la méthode de limitation avait la plus faible
corrélation (r = 0,8). Keshavarzi et al. (2010) a signalé que l'utilisation des ensembles flous pourrait
produire des cartes d’aptitudes des terres à une échelle continue et des indices de qualité des terres
reflètent la fertilité inhérente des sols. Ils ont conclu que l'un des avantages des ensembles flous était
qu'il pouvait montrer, continuellement, la terre dans différentes catégories avec plus de précision et la
capacité de prédire les rendements (Keshavarzi et al., 2010). (Burrough, 1989; Burrough et al., 1992;
Tang et al., 1992a) ont rapporté que la méthode des ensembles floues dans l'évaluation de l’aptitude
des terres a été prometteuse pour la sélection rationnelle des cultures. Par conséquent, nous
recommandons l’utilisation de l'approche des ensembles flous dans l'évaluation de l’aptitude des
terres pour la production de blé tendre et d'autres cultures. Les modèles et l'approche globale de
l'évaluation dans cette étude sont efficaces et prometteurs.

La plupart des facteurs considérés dans cette étude ont des valeurs numériques continues, telles que le
pH eau, mais parfois, il est difficile, voire impossible de relier précisément ces données à l’aptitude
des terres. Aussi ces données ont des amplitudes différentes qui les rendent incomparable. La théorie
des ensembles flous fournit un excellent mécanisme pour résoudre ce problème en transformant toutes
les données en classes de fonctions d'appartenance dans la gamme de 0 à 1, comme montré ci-dessus.

Un des défis est d'identifier l'importance ou le poids relatif de tous les facteurs dans le processus
d’aide à la décision multicritères. Plusieurs facteurs (11) dans cette étude doivent être examinés
simultanément, mais ils influencent l’aptitude des terres inégalement.

Divers méthode ont été tenté pour déterminer les poids de ces facteurs, comme la méthode
paramétrique (Albaji et al., 2009), la moyenne pondérée ordonnée (Mokarram et al., 2010), Electre Tri
(Mendas et al., 2012), l'approche d'appartenance floue (Ahamed et al., 2000), l'analyse relationnelle
grise (Li et al., 2012), superposer simplement les cartes dans ArcGIS (Falasca et al., 2012), le cadre de
la FAO (Abdelfattah, 2013), une analyse de régression et analyse des composantes principales.
Néanmoins, ces méthodes présentent des inconvénients dans la détermination des poids.

Dans cette étude, les poids des 11 facteurs ont été affectés et les ratios de consistance ont été calculés
en utilisant l'approche AHP. Cette étude démontre que AHP a une grande capacité d'intégration de
données hétérogènes, car elle permet aux intervenants de définir le poids d'une manière systématique
et logique (Zhang et al., 2015). L’AHP est une méthode très efficace pour déterminer les poids et elle
est supérieure aux méthodes mentionnées ci-dessus puisque son inconsistance peut être mesurée et
contrôlée en présence des critères contradictoires.

Nos résultats sont cohérents avec les conclusions de plusieurs études (Akıncı et al., 2013; Bagheri et
al., 2012; Chen et al., 2010; Chen, 2013; Feizizadeh et al., 2013; Kumar et al., 2012), qui ont utilisé
l’AHP dans l’évaluation d’aptitude des terres avec succès. Cependant, l’AHP dépend principalement
de la cession subjective de l'importance relative de deux facteurs et les interrelations entre les
différents facteurs peuvent être ignorés (Li et al., 2012), ce qui représente un inconvénients de la
méthode AHP. La première question pourrait être partiellement atténuée par les stratégies suivantes :
(1) Utiliser des données objectives ou scientifiques autant que possible lors de la dérivation da la
matrice des comparaisons deux a deux si les données sont disponibles ; (2) Inviter plus de scientifiques
et des personnes liées à estimer l'importance relative des facteurs individuellement ; (3) faire une
attention particulière à la limite supérieure (0,10) du ratio de la consistance, tel que proposé par Saaty
(1980). (4) Effectuer des tests de validation dans des études futures, par exemple, est-ce que les terres
hautement adaptées produisent le meilleur blé en fonction du rendement et de la qualité? Quant à la
question de la relation entre les différents facteurs, l'une des stratégies consiste à appliquer des
techniques de réduction des données comme l’analyse de composante principale par laquelle tous les
facteurs d'évaluation peuvent être combinés linéairement pour donner moins de nouvelles variables,
qui peuvent être utilisés en tant que facteurs d'évaluation, minimisant ainsi l'interrelation entre les
facteurs d'origine. Cependant, l'interrelation entre les facteurs d'évaluation est négligeable, car aucun
n’a été sélectionné parmi les facteurs dans cette étude.

Le cadre de la FAO (F.A.O., 1976) a été utilisé largement dans l'évaluation de l’aptitude des terres
(Ahamed et al., 2000; Feizizadeh et al., 2013; Kumar et al., 2010; Olaleye et al., 2008). Cependant, de
nombreux chercheurs n’ont pas utilisé les ensembles flous ou l’approche AHP. Les résultats de cette
étude ont démontré que l'approche des ensembles flous a été efficace dans la transformation des
données avec des connaissances multiples et subjective, ce qui est très important l'évaluation de
l’aptitude des terres. Par conséquent, nous suggérons que le cadre de la FAO doit être utilisé avec
l’AHP à l'avenir dans l'évaluation de l’aptitude des terres.

Les ensembles flous, l’AHP, et les SIG ont tous été utilisés pour procéder à l'évaluation de l’aptitude
des terres dans cette étude. La théorie des ensembles flous a été utilisée pour transformer les données
mesurées de chaque facteur au grade d'appartenance ou index d’aptitude des terres. L’AHP a été utile
dans l'attribution des poids des facteurs et le SIG a été utilisé dans l’indentification des lieux d'étude,
manipulation des données géographique et traitement des cartes, et la présentation finale des résultats.
Cette étude démontre également que la technique de SIG est efficace et souple dans l'évaluation de
l’aptitude des terres lorsqu’on compare avec les méthodes manuelles dans le passé. L’intégration des
ensembles flous et les méthodes AHP avec le SIG fournit une combinaison puissante pour l'analyse de
l’aptitude des terres, non seulement pour le blé tendre, mais aussi pour d'autres cultures.
 Conclusion
Les ensembles flous et la méthode AHP intégrés avec SIG ont été utilisés pour évaluer l’aptitude des
terres pour la production de blé tendre dans la région de Languedoc-Roussillon en France. En termes
de condition climatique, pour une superficie totale terres, 1,6% était fortement ou très fortement
adapté. Considérant les propriétés du sol, 17,8% était fortement ou très fortement adapté alors que
seulement 0,7% était non adapté. En ce qui concerne la topographie, 68,7% de la superficie totale était
fortement ou très fortement adapté et 0,6% était non adapté. Globalement, 46,6% de la superficie
totale de la région de l'étude était fortement ou très fortement adapté à la production de blé tendre avec
0,1% non adapté. Les terres dans le centre de la zone d’étude est la plus adapté, tandis que les régions
sud et nord, sont plus hétérogènes.

Cette étude démontre que la théorie des ensembles flous fournit un excellent mécanisme pour
transformer les données numériques avec différentes grandeurs en classes de fonctions d'appartenance
dans la gamme de 0 à 1 où 1 représente 100% terrain adapté. L’AHP est une méthode efficace et
supérieure à d’autres méthodes dans la détermination de poids de multiples facteurs d'une manière
systématique et logique et sa consistance peut être mesurée et contrôlée en présence des critères
contradictoires. Le SIG est un outil puissant pour délimiter la zone d'étude, manipuler les données
géographiques, analyser des cartes, et présenter les résultats de l'évaluation de l’aptitude des terres.

L’intégration des ensembles flous et les méthodes AHP avec le SIG fournit une combinaison puissante
et précise pour l'analyse de l’aptitude des terres. Les résultats fournissent des approches efficaces pour
accroître l'utilisation efficace des terres et une meilleure gestion de la production de blé tendre dans la
région Languedoc-Roussillon.
Références bibliographiques

Abdelfattah M. A. (2013). Integrated Suitability Assessment: A Way Forward for Land Use
Planning and Sustainable Development in Abu Dhabi, United Arab Emirates. Arid
Land Research and Management, vol. 27, n. 1, p. 41-64

Ahamed T. R. N., Gopal Rao K. et Murthy J. S. R. (2000). GIS-based fuzzy membership

model for crop-land suitability analysis. Agricultural Systems, vol. 63, n. 2, p. 75-95
Akıncı H., Özalp A. Y. et Turgut B. (2013). Agricultural land use suitability analysis using
GIS and AHP technique. Computers and Electronics in Agriculture, vol. 97, p. 71-82
Albaji M., Naseri A., Papan P., [et. al.]. (2009). Qualitative evaluation of land suitability for
principal crops in the West Shoush Plain, Southwest Iran. Bulgarian Journal of
Agricultural Science, vol. 15, n. 2, p. 135-145
Anselin L. (1989). What is special about spatial data?: alternative perspectives on spatial data
analysis. National Center for Geographic Information and Analysis Santa Barbara, CA
Ascough J., Rector H., Hoag D., [et. al.], 2002. Multicriteria spatial decision support systems
for agriculture: Overview, applications, and future research directions. In: Integrated
assessment and decision support proceedings of the 1st Biennial Meeting of the
IEMSS. p.p. 175-180
Bagheri M., Sulaiman W. N. A. et Vaghefi N. (2012). Application of geographic information
system technique and analytical hierarchy process model for land-use suitability
analysis on coastal area. Journal of Coastal Conservation, vol. 17, n. 1, p. 1-10

Belton V. et Stewart T. J. (2002). Multiple Criteria Decision Analysis : An Integrated

Approach. Springer US. 372 p.
Bhushan N. et Rai K. (2004). Strategic decision making: applying the analytic hierarchy
process. Springer Science & Business Media. 172 p.
Bonham-Carter G. (1994). Geographic Information Systems for Geoscientists: Modelling
with GIS. Ontario. Pergamon. 398 p.

Burrough P. A. (1989). Fuzzy mathematical methods for soil survey and land evaluation.
Journal of Soil Science, vol. 40, n. 3, p. 477-492
Burrough P. A., Macmillan R. A. et Deursen W. (1992). Fuzzy classification methods for
determining land suitability from soil profile observations and topography. Journal of
Soil Science, vol. 43, n. 2, p. 193-210
Burrough P. A. et Mcdonnell R. A. (1998). Principles of geographical information Systems.
Oxford University Press
Caloz R. et Collet C. (2011). Analyse spatiale de l'information géographique. PPUR Presses
polytechniques. 383 p.

Carranza E. J. M. et Hale M. (2001). Geologically Constrained Fuzzy Mapping of Gold

Mineralization Potential, Baguio District, Philippines. Natural Resources Research,
vol. 10, n. 2, p. 125-136
Carver S. J. (1991). Integrating multi-criteria evaluation with geographical information
systems. International journal of geographical information systems, vol. 5, n. 3, p.
321-339
Chakhar S. et Martel J.-M. (2004). Towards a Spatial Decision Support System: Multi-
Criteria Evaluation Functions Inside Geographical Information Systems. 27 p.
Chakhar S. (2006). Cartographie décisionnelle multicritère: formalisation et implémentation
informatique. Doctorat en informatique: Université Paris Dauphine-Paris IX.
Chakhar S. et Mousseau V. (2007). Spatial multicriteria decision making. Encyclopedia of
geographic information science, p. 747-753
Chen H.-S., Liu G.-S., Yang Y.-F., [et. al.]. (2010). Comprehensive Evaluation of Tobacco
Ecological Suitability of Henan Province Based on GIS. Agricultural Sciences in
China, vol. 9, n. 4, p. 583-592
Chen H. S. (2013). Evaluation of soil fertility suitability of tobacco planting fields on slant
plain in the east side of Funiushan mountainin at central China supported by GIS.
Journal of Food, Agriculture & Environment, vol. 11, n. 2, p. 1459-1463
Chen Y. (2006). Multiple criteria decision analysis: classification problems and solutions.
Doctor of Philosophy: University of Waterloo.
Chevalier J. J., 1994. De l'information à l'action: vers des systèmes d'aide à la décision à
référence spatiale. In: European Conference on Geographical Information Systems.
p.p. 9-21
Chrisman N. (2003). Revisiting fundamental principles of GIS. In: Kidner D., Higgs G. et
White S., eds. Socio-Economic Applications of Geographic Information Science: CRC
Press

Couclelis H. (1992). People manipulate objects (but cultivate fields): Beyond the raster-vector
debate in GIS. vol. 639, p. 65-77
Davidson D. A., Theocharopoulos S. P. et Bloksma R. J. (1994). A land evaluation project in
Greece using GIS and based on Boolean and fuzzy set methodologies. International
journal of geographical information systems, vol. 8, n. 4, p. 369-384
Ding Y. et Fotheringham A. S. (1992). The integration of spatial analysis and gis. Computers,
Environment and Urban Systems, vol. 16, n. 1, p. 3-19
Dykstra D. P. (1984). Mathematical programming for natural resource management. New
York. McGraw-Hill
F.A.O. (1976). A framework for land evaluation. Rome. FAO Publications Division, (FAO
Soils bulletin 32
Falasca S. L., Ulberich A. C. et Ulberich E. (2012). Developing an agro-climatic zoning
model to determine potential production areas for castor bean (Ricinus communis L.).
Industrial Crops and Products, vol. 40, p. 185-191
Feick R. et Hall B. (2004). A method for examining the spatial dimension of multi-criteria
weight sensitivity. International Journal of Geographical Information Science, vol.
18, n. 8, p. 815-840
Feizizadeh B. et Blaschke T. (2013). Land suitability analysis for Tabriz County, Iran: a
multi-criteria evaluation approach using GIS. Journal of Environmental Planning and
Management, vol. 56, n. 1, p. 1-23

Figueira J., Greco S. et Ehrogott M. (2005). Multiple criteria decision analysis : State of the
art surveys. vol. 78, p. 107
Foote K. E. et Lynch M. (1996). Geographic information systems as an integrating technology
: Context, concepts and definitions [en ligne]. Consulter sur
l'adresse: http://www.colorado.edu/geography/gcraft/notes/intro/intro-f.html.
Consulter en
Frank A. U. (1992). Spatial concepts, geometric data models, and geometric data structures.
Computers & Geosciences, vol. 18, n. 4, p. 409-417
Goodchild M. F. (1992). Geographical information science. International journal of
geographical information systems, vol. 6, n. 1, p. 31-45
Greene R., Devillers R., Luther J. E., [et. al.]. (2011). GIS-Based Multiple-Criteria Decision
Analysis. Geography Compass, vol. 5, n. 6, p. 412-432
Hellendoorn H. et Thomas C. (1993). Defuzzification in fuzzy controllers. Journal of
Intelligent & Fuzzy Systems: Applications in Engineering and Technology, vol. 1, n. 2,
p. 109-123
Hendriks P. et Vriens D., 1995. Collaborative exploration of spatial problems. NCGIA.
Humphrey W. S. (1995). A Discipline for Software Engineering. Addison-Wesley Longman
Publishing Co., Inc.
Hwang C.-L. et Yoon K. (1981). Multiple Attribute Decision Making: Methods and
Applications A State-of-the-Art Survey. Springer-Verlag. 270 p., (Lecture Notes in
Economics and Mathematical Systems
Jankowski P. (1995). Integrating geographical information systems and multiple criteria
decision-making methods. International journal of geographical information systems,
vol. 9, n. 3, p. 251-273
Jankowski P., Andrienko N. et Andrienko G. (2001). Map-centred exploratory approach to
multiple criteria spatial decision making. International Journal of Geographical
Information Science, vol. 15, n. 2, p. 101-127
Janssen R. et Rietveld P. (1990). Multicriteria analysis and geographical information systems:
an application to agricultural land use in the netherlands. In: Scholten H. J. et Stillwell
J. C. H., eds. Geographical Information Systems for Urban and Regional Planning:
Springer Netherlands. p. 129-139
Kêdowidé C. M. G. (2011). SIG et analyse multicritère pour l’aide à la décision en
agriculture urbaine dans les pays en développement, cas de Ouagadougou au Burkina
Faso.
Keeney R. L. et Raiffa H. (1993). Decisions with multiple objectives: preferences and value
trade-offs. Cambridge University Press
Keshavarzi A., Sarmadian F., Heidari A., [et. al.]. (2010). Land suitability evaluation using
fuzzy continuous classification (a case study: Ziaran region). Modern Applied Science,
vol. 4, n. 7, p. p72
Kumar M. et Shaikh V. R. (2012). Site Suitability Analysis for Urban Development Using
GIS Based Multicriteria Evaluation Technique. Journal of the Indian Society of
Remote Sensing, vol. 41, n. 2, p. 417-424
Kumar R., Mehra P. K., Singh B., [et. al.]. (2010). Geostatistical and visualization analysis of
crop suitability for diversification in sub-mountain area of Punjab, North-West India.
Journal of the Indian Society of Remote Sensing, vol. 38, n. 2, p. 211-226
Laaribi A., Chevallier J. J. et Martel J. M. (1996). A spatial decision aid: A multicriterion
evaluation approach. Computers, Environment and Urban Systems, vol. 20, n. 6, p.
351-366
Laaribi A. (2000). SIG et analyse multicritère. Paris. Hermès science Publications

Lawry J. (2001). A methodology for computing with words. International Journal of

Approximate Reasoning, vol. 28, n. 2–3, p. 51-89
Li B., Zhang F., Zhang L.-W., [et. al.]. (2012). Comprehensive Suitability Evaluation of Tea
Crops Using GIS and a Modified Land Ecological Suitability Evaluation Model.
Pedosphere, vol. 22, n. 1, p. 122-130
Malczewski J. (1999). GIS and multicriteria decision analysis. John Wiley & Sons

Malczewski J. (2004). GIS-based land-use suitability analysis: a critical overview. Progress

in Planning, vol. 62, n. 1, p. 3-65

Malczewski J. (2006). GIS‐based multicriteria decision analysis: a survey of the literature.

International Journal of Geographical Information Science, vol. 20, n. 7, p. 703-726
Martel J.-M. (1999). L’aide multicriterea la décision: méthodes et applications. CORS-SCRO
Bulletin, vol. 31, n. 1
Mcbratney A. B. et Odeh I. O. A. (1997). Application of fuzzy sets in soil science: fuzzy
logic, fuzzy measurements and fuzzy decisions. Geoderma, vol. 77, n. 2–4, p. 85-113
Mendas A. et Delali A. (2012). Integration of MultiCriteria Decision Analysis in GIS to
develop land suitability for agriculture: Application to durum wheat cultivation in the
region of Mleta in Algeria. Computers and Electronics in Agriculture, vol. 83, p. 117-
126
Mendoza G. A. et Prabhu R. (2003). Qualitative multi-criteria approaches to assessing
indicators of sustainable forest resource management. Forest Ecology and
Management, vol. 174, n. 1-3, p. 329-343
Mendoza G. A. et Martins H. (2006). Multi-criteria decision analysis in natural resource
management: A critical review of methods and new modelling paradigms. Forest
Ecology and Management, vol. 230, n. 1–3, p. 1-22
Mokarram M. et Aminzadeh F. (2010). GIS-based multicriteria land suitability evaluation
using ordered weight averaging with fuzzy quantifier: a case study in Shavur Plain,
Iran. The International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, vol. 38, n. 2
Mousseau V. (2009). Multiple Criteria Decision Aid Bibliography [en ligne]. Consulter sur
l'adresse: http://www.lamsade.dauphine.fr/mcda/biblio/. Consulter en date 10 Mai

Nijkamp P., Rietveld P. et Voogd H. (2013). Multicriteria evaluation in physical planning.

Elsevier
Olaleye A. O., Akinbola G. E., Marake V. M., [et. al.]. (2008). Soil in Suitability Evaluation
for Irrigated Lowland Rice Culture in Southwestern Nigeria: Management
Implications for Sustainability. Communications in Soil Science and Plant Analysis,
vol. 39, n. 19-20, p. 2920-2938
Rosenhead J. (1989). Rational Analysis for a Problematic World: Structuring Methods for
Complexity, Uncertainty and Conflict. John Wiley & Sons Ltd., London
Roy B. (1985). Méthodologie multicritère d'aide à la décision. Paris. Economica
Roy B. (1996). Multicriteria Methodology for Decision Aiding. USA. kluwer academic
publishers, (Nonconvex Optimization and Its Applications
Roy B. (2005). An overview of MCDA techniques today: paradigms and challenges. In:
Figueira J., Greco S. et Ehrgott M., eds. Multiple criteria decision analysis: state of the
art surveys. New York: Springer. p. 3–24
Saaty T. L. (1977). A scaling method for priorities in hierarchical structures. Journal of
Mathematical Psychology, vol. 15, n. 3, p. 234-281

Saaty T. L. (1980). The analytic hierarchy process: planning, priority setting, resource
allocation. New York ⁄ London. McGraw-Hill International Book Co.
Saaty T. L. (1990). How to make a decision: The analytic hierarchy process. European
Journal of Operational Research, vol. 48, n. 1, p. 9-26
Saaty T. L. (1994). How to Make a Decision: The Analytic Hierarchy Process. Interfaces, vol.
24, n. 6, p. 19-43

Saaty T. L. et Vargas L. G. (2012). Models, methods, concepts & applications of the analytic
hierarchy process. Springer Science & Business Media
Simon H. A. (1960). The new science of management decision. New York and Evanston.
Harper & Row. 50 p.
Siraj S., Mikhailov L. et Keane J. A. (2015). PriEsT: an interactive decision support tool to
estimate priorities from pairwise comparison judgments. International Transactions in
Operational Research, vol. 22, n. 2, p. 217-235
Tang H. J. et Van Ranst E. (1992a). Testing of fuzzy set theory in land suitability assessment
for rainfed grain maize production. Pedologie, vol. 52, p. 129-147
 Tang H. J., Van Ranst E. et Sys C. (1992b). An approach to predict land production potential
for irrigated and rainfed winter wheat in Pinan county, China. Soil Technology, vol. 5,
n. 3, p. 213-224
Tang H. J. (1993). Land suitability classification based on fuzzy set theory and modelling of
land production potential of maize and winter wheat in different zones of China. PhD:
Ghent University.
Torbert H. A., Krueger E. et Kurtener D. (2008). Soil quality assessment using fuzzy
modeling. International agrophysics, vol. 22, n. 4, p. 365-370
Vincke P. (1992). Multicriteria decision-aid. Chichester, UK⁄ Toronto. Wiley. 174 p.
Winter S., 1998. Bridging vector and raster representation in GIS. In: Proceedings of the 6th
ACM international symposium on Advances in geographic information systems: ACM.
p.p. 57-62
Zadeh L. A. (1965). Fuzzy sets. Information and Control, vol. 8, n. 3, p. 338-353
Zeleny M. (1982). Multiple Criteria Decision Making. New York. McGraw-Hill. 563 p.
Zhang J., Su Y., Wu J., [et. al.]. (2015). GIS based land suitability assessment for tobacco
production using AHP and fuzzy set in Shandong province of China. Computers and
Electronics in Agriculture, vol. 114, p. 202-211
Zimmermann H. J. (1991). Fuzzy Set Theory — and Its Applications. Deuxième Ed.
Dordrecht. Kluwer Academic Publishers

View publication stats