Introduction À L'analyse Spatiale.: Technologies de L'information Et Systèmes D'information Géographique

M3ES Technologies de l'information et systèmes
d'information géographique
201 Séance 4
Introduction à l’analyse
spatiale.
Professeur: Nicolas Saunier
Adapté et présenté par Diabaté Kramoko

Version: 10/02/2021
OBJECTIFS DU COURS
1. Savoir calculer des mesures descriptives de
données spatiales, en particulier d’ensembles de
points
2. Comprendre les motifs de points et processus
ponctuels et savoir tester leur distribution
3. Comprendre et savoir appliquer les
mesures d’autocorrélation spatiales
Ajouter un pied de page 2

M3ES
CONTENU
Unité 0: Statistiques descriptives et corrélation
Unité 1: Motifs de points
Unité 2: Autocorrélation spatiale
Unité 3: Interpolation spatiale

M3ES
L’analyse spatiale
 L’analyse spatiale ou les statistiques spatiales incluent toutes les techniques
formelles qui étudient des entités selon leur propriétés topologiques,
géométriques ou géographiques (Source Wikipedia)
 “L’analyse spatiale est une approche géographique qui étudie les localisations et
les interactions spatiales en tant que composantes actives des fonctionnements
sociétaux” (Source Wikipedia)

M3ES
L’analyse spatiale
“Il s’agit de prendre en compte un ensemble complexe de données physiques et
humaines pour analyser les distributions spatiales de divers phénomènes”
(Source Wikipedia)
 Applications dans des domaines aussi diversifiés que la santé publique,

l’environnement, la géologie ou les transports
 Ces études deviennent de plus en plus communes grâce à la disponibilité de
Systèmes d’information géographique (SIG)

Statistiques
descriptives et
M3ES corrélation
201 UNITÉ 0
M3ES
Exemples
 Partage de vélo à Washington
 Comptages routier à Paris

M3ES
Partage de vélo à Washington

Nous nous intéressons à un jeu de données de location de vélos partagés. Ces données ont été collectées en deux
ans, et concernent la première moitié de chaque mois (du 1er au 19). Nous avons à notre disposition des variables
temporelles (date et heure, jour travaillé ou non…) et météorologiques (température, force du vent, humidité…),
ou les deux (saison). Nous cherchons à prédire le nombre de locations de vélos à partir de ces variables.

M3ES
Comptage routier à Paris

Elle expose :
 Le débit qui correspond au nombre de véhicules ayant passé le point de comptage pendant un
intervalle de temps fixe (une heure pour les données fournies,
 Le taux d’occupation, qui correspond au temps de présence de véhicules sur la boucle en
pourcentage d’un intervalle de temps fixe (une heure pour les données fournies). Ainsi, 25% de taux
d’occupation sur une heure signifie que des véhicules ont été présents sur la boucle pendant 15
minutes. Le taux fournit une information sur la congestion routière.

M3ES
Lois de probabilité
 Selon la catégorie d’une variable, comment décrire les valeurs qu’elle prend?
 Une loi de probabilité décrit
 soit les probabilités de chaque valeur d’une variable aléatoire (quand la variable aléatoire
est discrète, par ex. pour des comptages ou la gravité d’accidents)
 soit la probabilité que la variable aléatoire appar enne à un intervalle arbitraire (quand la
variable est continue, par ex. pour des intervalles)
 Quand la variable aléatoire X prend des valeurs réelles, la loi de probabilité́ est
complètement décrite par sa fonction de répartition
M3ES
Description et representation
 Comment décrire n observations xi d’une variable aléatoire réelle X ?
 Connaissez-vous la boîte à moustache (“boxplot”) ?
 Comment représenter toutes les valeurs prises par une variable réelle ?
M3ES
Exemple de boîte à moustache

Exemple 1 :
Un boulanger teste les masses (en grammes) de 30 baguettes qu’il vient de fabriquer, il obtient les
résultats suivants :
M3ES
Boîte à moustache
M3ES
Boîte à moustache
M3ES
Boîte à moustache
M3ES
Distribution et fonction de répartition empiriques

M3ES
Etude de la dépendance entre deux variables continues

Soient X et Y deux variables aléatoires continues
 X et Y sont-elles liées ? Si oui, comment mesurer cette liaison ?
 avec le coefficient de correlation
 avec une fonc on qui permet de déterminer Y (variable dépendante) à partir de X (variable
indépendante)
 estimer les paramètres de cette fonction
M3ES
Coefficient de corrélation linéaire de Pearson

M3ES
Interprétation du coefficient de Pearson

 La covariance mesure la force du lien linéaire unissant les variables X et Y . Si
posi f (resp. négative), lorsque X est plus grand que son espérance, Y a tendance
à être plus grand (resp. pe t) que sa propre espérance
 Le coefficient de corréla on linéaire est de même signe que la covariance. Si X et
Y sont indépendantes, il est nul (la réciproque est fausse). Il mesure l’intensité
de la liaison linéaire entre les deux variables
 Il est normalisé:
 si (resp. -1), la liaison entre X et Y est linéaire, posi ve (resp. négative) et parfaite
 La valeur de n’a pas de significa on intrinsèque. En revanche, son carré
appelé coefficient de détermina on s’interprète comme la proportion de
variance de Y (resp. X ) linéairement expliquée par X (resp. Y )

M3ES
Illustration
(Source Wikipedia)
M3ES
Exercice
Nous aimerions savoir si le poids influence le taux de glycémie. Le poids et le taux de glycémie de 20 adultes
ont été récoltés. Voici les données obtenues

M3ES
Coefficient de corrélation de Spearman
Ce coefficient est une mesure non-paramétrique de la dépendance entre deux variables, à savoir à
quel point leur relation peut être décrite par une fonction monotone (sans que la relation soit
nécessairement linéaire)

M3ES

Afin de comprendre le fonctionnement de la corrélation de Spearman, prenons un exemple et discutons du
processus étape par étape.
Exemple : les notes des élèves en anglais et mathématiques sont présentées sous forme de données.
Étape 1 : Créer une table pour les données présentées

Étape 2 : Classez les deux ensembles de données du plus haut au plus bas.
Dans notre cas, la note la plus élevée obtenue sera classée comme « 1 » et ainsi de suite. Les plus petites notes
recevront le classement le plus bas. Cela devrait être fait pour les notes d’anglais et de mathématiques.
Étape 3 : Ajoutez une colonne supplémentaire pour ‘d’ qui indique la différence entre les rangs et une autre colonne
comme ‘d carré’ qui a le carré de ‘d’.

M3ES

M3ES

Étape 4 : Ajoutez vos valeurs « d carré ». Dans notre cas, ∑d = 12
Étape 5 : Calculer avec la formule

M3ES
Illustration
(Source Wikipedia)
M3ES
Rappel bien connu

 Correlation n’est pas causalité́ !
“Study shows bananas make baby boys”
Une étude révèle que le fait d'avoir un bon appétit, de manger des aliments riches en potassium,
notamment des bananes, et de ne pas sauter le petit-déjeuner semble augmenter les chances
d'avoir un garçon, selon un rapport de l'Associated Press.
 Pourquoi?

M3ES
Corrélation n'est pas causalité

 Une corrélation est un lien statistique, sans qu'on se demande quelle variable agit sur l'autre. Une
causalité est un lien qui affirme qu'une variable agit sur une autre.
 Même si deux événements peuvent être corrélés (c'est-à-dire que l'un varie lorsque l'autre change), ils ne
sont pas nécessairement causés l'un par l'autre : une corrélation ne reflète donc pas toujours un lien de
causalité entre les deux variables reliées statistiquement.
 Tout d'abord, une corrélation statistique peut-être l'effet du hasard.
 Ensuite, le lien statistique de corrélation peut-être dû à une variable explicative cachée, influençant
simultanément les deux autres variables.

M3ES
Exemple
En Floride, on observe une corrélation entre l'usage de la crème solaire et les cancers de la peau :
 La crème solaire crée des cancers de la peau;

 Les personnes ayant des cancers de la peau utilisent plus de crème solaire:
 Le soleil est fort en Floride, ce qui explique la fréquence des cancers de la peau mais aussi l'usage
plus important de la crème solaire.

M3ES
Importance de la visualisation
4 ensembles de 11 points à 2 dimensions avec
les mêmes caractéristiques (données sur
Wikipedia)
Moyenne des x : 9.0
Variance des x : 10.0
Moyenne des y : 7.5
Variance des y : 3.75
Corrélation entre les x et les y : 0.816
Equation de la droite de régression linéaire : y =
3 + 0,5x
Somme des carrés des erreurs rela vement à la
Moyenne : 110.0

M3ES Motifs de points
201 UNITÉ 1
M3ES
Motifs de points (“point pattern”)

 Ressource bibliothèque pointpats de PySAL
 Il faut travailler dans un système de coordonnées cartésiennes
 Les points (n points de coordonnées (xi, yi)) qui nous intéressent sont des
endroits où un “événement” au sens le plus général, un phénomène, s’est
produit
 présence d’un objet, par ex. arbres 1
 événement : mesure/prélèvement, crime, accident
 Les points sont considérés comme la réalisation d’un processus ponctuel (“point 2
process”)
3

M3ES
Quelques domaines dápplication

 Foresteries, astronomie
 Localisation des crimes, accidents
 Localisation des personnes ayant une certaine maladie

M3ES
Mesures de centralité
 Centre moyen
 Centre moyen pondéré (poids w i par point)

1
3
 On peut aussi calculer le centre médian, selon les distances de Manhattan et
euclidienne

M3ES
Mesures de dispersion
 Écart-type dans chaque axe sx , sy
1
 Écart-type de la distance de chaque point par rapport aucentre moyen
2

M3ES
Ellipse de dispersion
 On utilise l’ellipse de dispersion (“standard deviational ellipse” ; SDE) quand la
dispersion n’est pas uniforme selon les deux dimensions (propriété
d’anisotropie)
 anisotropie ≠ isotropie : invariance des propriétés ou valeurs en fonction de la direction
 L’ellipse est pivotée de façon à minimiser la somme des distances quadratiques 1

entre les points et les axes
2
 L’orientation de l’ellipse permet d’identifier les axes de dispersion maximale et
minimale 3

M3ES
 Une ellipse est définie par
 l’angle de rotation θ
 la dispersion selon l’axe principal sx 1
2
 la dispersion selon l’axe secondaire sy
3

M3ES
 L’axe principal définit la direction de la dispersion maximale de l’ellipse (sx est la

demi-longueur du grand axe de l’ellipse)
1
 L’axe secondaire est orthogonal au grand axe (sy est la demi-longueur du petit
axe de l’ellipse)
2

M3ES
Analyse de forme
 Enveloppe convexe
Plus petit polygone convexe qui renferme un groupe d’objets, comme des points.
 Rectangle englobant minimal

1

M3ES
L’intensité d’un processus ponctuel

L’intensité d’un processus ponctuel en un point si peut définie comme
où Asj est une petite région autour du point sj de surface |Asj|, et E(Y (Asj)) est
1
l’espérance du nombre de points (événements) dans Asj
2
L’intensité est le nombre moyen de points par unité de surface au point sj
3

M3ES
Catégories de processus
 Les processus ponctuels peuvent être aléatoire ou déterministe
 Un cas particulier est celui d’une structure spatiale totalement aléatoire
(“complete spatial randomness”, CSR), soit un ensemble de points répartis de
manière totalement aléatoire dans une région donnée
 cela signifie que les points sont répartis selon une loi de probabilité uniforme sur
la région considérée : cette structure peut être décrite par un unique paramètre,
l’intensité λ 1
 le nombre de points dans toute région arbitraire est proportionnel à sa surface,
c-à-d. l’intensité du processus ponctuel est constant dans la région d’étude R : 2
λ(sj ) = λ(sj+1 ) = . . . = λ(sn ) = λ sj R
 le nombre attendu de points dans la région est donc 3
E(Y (R)) = λ|R|

M3ES
Calcul de l’intensité
Pour une région d’étude A
où n est le nombre de points dans A, et |A| est la surface de A.

1
Utilisation
 de l’enveloppe convexe
2
 du rectangle englobant minimal
La zone d’étude a un impact sur la mesure 3

M3ES
Comparaison de distributions
L’hypothèse nulle est généralement que le motif de points est généré par une
distribution avec une structure spatiale totalement aléatoire, ce qui peut
être testé de différentes façons
 méthode des quadrats
 analyse des distances entre points les plus proches
1

M3ES
Méthode des quadrats

 Si le processus ayant généré le motif de points a une structure spatiale
totalement aléatoire, le nombre de points attendu dans toute région de surface
|A| devrait être λ|A|
 Si on impose une “grille” sur la région d’étude, par ex. Un pavage de m × k
rectangles Ai,j sur tout l’espace, il est facile de calculer le nombre de points
attendu dans chaque case
1
 La statistique du test est
 où le nombre de points attendu est E(ni,j ) = λ|Ai,j|
2
 sous l’hypothèse nulle que le motif de points est généré par une distribution avec une
structure spatiale totalement aléatoire, la statistique suit la distribution du χ2d à d = mk − 1
degrés de liberté 3

M3ES
Méthode des quadrats
 Différents types de pavages, de différentes tailles

 Exemples
 Limites de la méthode ?

M3ES
Estimation par noyau (carte de chaleur)

Pour n observations xi , la densité de probabilité peut être estimée par
où K est la fonction de pondération ou noyau, par ex.

1
 Uniforme
2
 Triangle
3
 Gaussien

M3ES

M3ES

Noyau à deux dimensions (isotrope) : QGIS

M3ES
Diagramme de Voronoï
Un diagramme de Voronoï est un pavage (découpage) du plan en zones adjacentes
à partir d’un ensemble discret de points (“germes”) : chaque zone enferme un
seul point, et forme l’ensemble des points du plan plus proches de ce point
que d’aucun autre
 les bords des zones sont définis par les médiatrices des segments entre les paires 1
de points
 cette transformation permet de créer des zones à partir de motifs de points 2
Comment utiliser le diagramme de Voronoï pour calculer l’intensité ? 3

M3ES
Exercice 3 ( / 4 points) (Final 1ère cohorte)

 Trois couches de données spatiales au format shapefile sont fournies pour cet
exercice, soit les limites des communes d’Abidjan et deux couches de points
représentant des lieux de prélèvement. Veuillez
 comparer les ensembles de points des deux couches à l’aide de mesures de
centralité et de dispersion ;
 décrire visuellement si les points des deux couches sont répartis de façon
similaire : commenter le ou lesquels pourraient avoir une structure spatiale
totalement aléatoire ;
 décrire une méthode permettant de caractériser l’intensité des ensembles de
points ;
 décrire une procédure pour caractériser les points selon les communes.

Auto-corrélation
M3ES spatiale
201 UNITÉ 2
M3ES
Structure dans les données

Deux types d’effets peuvent expliquer pourquoi un processus ponctuel n’a pas une
structure spatiale totalement aléatoire
 Effets de premier ordre : les propriétés de premier ordre concernent l’intensité
du processus dans l’espace
 la question devient l’analyse de la variation de l’intensité : elle peut refléter la densité de
la population sous-jacente, ou d’une autre variable
1
 Effets de second ordre : les propriétés de second ordre concernent les
interactions et dépendances entre les événements dans l’espace
 première loi de la géographie de Waldo Tobler : “everything is related to everything else, 2
but near things are more related than distant things”
 l’exemple typique est celui des maladies contagieuses dans lequel la présence d’un individu 3
infecté augmente la probabilité d'infection à proximité

M3ES
Structure dans les données

Un processus qui n’a pas une structure spatiale totalement aléatoire mérite une
investigation poussée
 Est-ce que la concentration observée est uniquement due à une variation
préalable de la population au sein de laquelle les événements se produisent ?
 Présence d’agrégats ? Est-ce que les agrégats semblent le résultat d’une
hétérogénéité préalable de la région à l’étude ? 1
 Est-ce que les agrégats sont associés à une proximité à d’autres propriétés ou
attributs (infrastructures de transport, zones possibles de pollution, etc. 2
 Est-ce que les agrégats sont aussi agrégés dans le temps ?
3

M3ES
Méthodes pour les données zonales

Agrégation des données par zone pour analyse statistique
 Pourquoi ?
Si les données proviennent d’un niveau fin (ex : les communes) vers un niveau plus vaste (ex : les
départements), le module réalisera une agrégation

M3ES
Méthodes pour les données zonales

 exemples ?
 calculer le chiffre d’affaires par commune à partir des points géolocalisés de vos clients.
 déterminer le potentiel d’un secteur commercial à partir de données connues au canton.
 estimer la population d’une zone à partir de la population des quartiers

M3ES
L’auto-corrélation spatiale
 Compte tenu du caractère inégalitaire de nombreuses distributions, des objets
géographiques se ressemblent plus que d’autres. Une question d’analyse spatiale
que l’on est alors en droit de se poser est la suivante :
 Est-ce que les objets géographiques qui sont proches se ressemblent plus 1
que les objets géographiques qui sont éloignés ? C’est la question de
l’autocorrélation spatiale.
2

M3ES
 L’auto-corrélation spatiale désigne de façon générale l’existence d’une relation

entre ressemblance et proximité des lieux. Elle implique donc la définition
 d’un critère de ressemblance (ou de dissemblance)
 et d’un critère de proximité (ou d’éloignement)
1
 On parle d’auto-corrélation spatiale positive lorsque les lieux proches se
ressemblent plus que les lieux éloignés et d’auto-corrélation spatiale négative 2
lorsque les lieux proches se ressemblent moins que les lieux éloignés.
Enfin, l’auto-corrélation spatiale est nulle lorsqu’il n’existe pas de relation 3
démontrable entre proximité et ressemblance.

M3ES
Comment les valeurs zonales sont-elles corrélées dans l’espace ? Utilisation de

mesures d’autocorrélation spatiale
 I de Moran global
 C de Geary
1
 Comment traiter les motifs de points ? 2

M3ES
Notion de proximité
Pour n zones, une matrice de proximité spatiale (de voisinage) de taille n × n est
calculée, dans laquelle chaque élément wi,j représente la mesure de proximité
entre les zones Ai et Aj
 w i,i = 0 par définition
 Critère “Rook” : wi,j = 1 si Ai et Aj ont un bord commun, 0 sinon
 Critère “Queen” : wi,j = 1 si Ai et Aj ont un bord commun ou un point commun, 0 1
sinon
 wi,j = 1 si le centroïde de Ai est à moins d’une distance données D de celui de Aj , 2
0 sinon
 wi,j = li,j /li où li,j est la longueur de la frontière entre Ai et Aj et li le périmètre de 3
la zone Ai

M3ES
 Queen : les voisins partagent un point de frontière commune.
 Rook : les voisins possèdent au moins un segment de frontière commune. 2

M3ES
Exemple : quelle est la matrice de proximité des zones A à E suivantes ?

M3ES
Contiguïté selon Queen

M3ES
Contiguïté selon Rook

M3ES
Le nombre de voisins de la zone Ai est
La matrice est souvent normalisée selon les lignes 1

M3ES
Il est possible de calculer des moyennes lissées spatialement
(“spatial lag”)
Le nuage de points de Moran représente la moyenne lissée spatialement en 1

fonction de la variable xi
2

M3ES
Indice I de Moran
où xi est la variable zonale d’intérêt pour la zone Ai et

1
Généralement, −1 ≤ I ≤ 1 (selon les caractéristiques de voisinage)
2
À quoi correspond le dénominateur ? Et l’indicateur I ?
3

M3ES
Indice I de Moran
On a besoin d’un critère pour décider si le phénomène est aléatoire, c-à-d. si
l’auto-corrélation spatiale est significative
 sous l’hypothèse nulle d’indépendance spatiale, la valeur attendue et la variance
du I de Moran ont été dérivées
 a
 avec l’approximation normale, suit la loi normale centrée réduite
1
 les bibliothèques logicielles calculent par simulation la valeur p pour ce test

2

M3ES
Indice C de Geary (global)

Ratio entre la variance locale et la variance globale
 Varie entre 0 et une valeur plus grande que 1 1

 une valeur plus petite que 1 indique une auto-corrélation spatiale positive
 une valeur plus grande que 1 indique une auto-corrélation spatiale négative 2
 Moins robuste que le I de Moran global 3

M3ES
Auto-corrélation spatiale locale

Il est possible de décomposer l’indice I de Moran global en composante locale (par
zone)
norm
Les indices locaux d’autocorrélation spatiale permettent de détecter des 2

rassemblements de zones présentant une similarité particulière (selon l’attribut à
l’étude) mais aussi de détecter les zones se distinguant de leur voisinage 3
Exemples

M3ES Interpolation spatiale
201 UNITÉ 3
M3ES
Échantillonnage
“L’échantillonnage est la démarche qui consiste
à mesurer une variable d’intérêt en quelques
points représentatifs d’une zone d’étude.
L’interpolation est la méthode perme ant de
déduire la valeur en tout point de l’espace à
partir des points d’échantillonnage.
L’interpolation est applicable si l’estimation des
valeurs prise par une variable en d’autres points
de l’espace considéré possède une précision
acceptable.”
(Stéphane Joost, Marc Soutter, Fernand

Kouamé et Amadou Sall. Systèmes
d'Information Géographique Partie 2)

M3ES
Interpolation spatiale
 L’interpolation spatiale est “similaire” à la régression linéaire qui identifie la

tendance moyenne d’un ensemble de points par minimisation des erreurs
quadratiques : l’interpolation spatiale vise à
1
 décrire quantitativement la façon dont un phénomène varie
 prédire les valeurs du phénomène là où il n’y a pas d’observations 2
Comment utiliser des méthodes qu’on vient de voir ? 3

M3ES
Pondération inverse par la distance

“Inverse distance weighting (IDW)”
Où : 1
est la distance entre les points i et j et le paramètre γ contrôle la vitesse de

décroissance de l’influence entre les points 3
Exemples

M3ES
Interpolation spatiale
Comment utiliser la méthode des k plus proches voisins ?
Autres méthodes : variogramme et krigeage

M3ES Bibliographie
201
M3ES
Bibliographie
Rey, S. J. and Anselin, L. (2007).
PySAL : A Python Library of Spatial Analytical Methods.
The Review of Regional Studies, 37(1) :5–27.

M3ES
RAPPELS
RAPPEL 2.1: Lhds servgdh ry

M3ES Merci.
Nicolas Saunier
201
nicolas.saunier@polymtl.ca
www.polymtl.ca/expertises/saunier-nicolas

Introduction À L'analyse Spatiale.: Technologies de L'information Et Systèmes D'information Géographique

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Introduction À L'analyse Spatiale.: Technologies de L'information Et Systèmes D'information Géographique

Transféré par

Droits d'auteur :

Formats disponibles

M3ES Technologies de l'information et systèmes

Adapté et présenté par Diabaté Kramoko

Ajouter un pied de page 2

Ajouter un pied de page 3

Ajouter un pied de page 4

 Applications dans des domaines aussi diversifiés que la santé publique,

Ajouter un pied de page 5

Ajouter un pied de page 7

Partage de vélo à Washington

Ajouter un pied de page 8

Comptage routier à Paris

Ajouter un pied de page 9

 Connaissez-vous la boîte à moustache (“boxplot”) ?

Exemple de boîte à moustache

Distribution et fonction de répartition empiriques

Ajouter un pied de page 16

Etude de la dépendance entre deux variables continues

Coefficient de corrélation linéaire de Pearson

Ajouter un pied de page 18

Interprétation du coefficient de Pearson

Ajouter un pied de page 19

Ajouter un pied de page 21

Coefficient de corrélation de Spearman

Ajouter un pied de page 22

Coefficient de corrélation de Spearman

Étape 1 : Créer une table pour les données présentées

Ajouter un pied de page 23

Coefficient de corrélation de Spearman

Ajouter un pied de page 24

Coefficient de corrélation de Spearman

Ajouter un pied de page 25

Rappel bien connu

Ajouter un pied de page 27

Corrélation n'est pas causalité

 Tout d'abord, une corrélation statistique peut-être l'effet du hasard.

Ajouter un pied de page 28

 La crème solaire crée des cancers de la peau;

Ajouter un pied de page 29

Ajouter un pied de page 30

Motifs de points (“point pattern”)

Ajouter un pied de page 32

Quelques domaines d´application

Ajouter un pied de page 33

 Centre moyen pondéré (poids w i par point)

Ajouter un pied de page 34

Ajouter un pied de page 35

 L’ellipse est pivotée de façon à minimiser la somme des distances quadratiques 1

Ajouter un pied de page 36

 la dispersion selon l’axe principal sx 1

Ajouter un pied de page 37

 L’axe principal définit la direction de la dispersion maximale de l’ellipse (sx est la

Ajouter un pied de page 38

 Rectangle englobant minimal

Ajouter un pied de page 39

L’intensité d’un processus ponctuel

Ajouter un pied de page 40

Ajouter un pied de page 41

Pour une région d’étude A

où n est le nombre de points dans A, et |A| est la surface de A.

Ajouter un pied de page 42

Ajouter un pied de page 43

Méthode des quadrats

Ajouter un pied de page 44