Académique Documents
Professionnel Documents
Culture Documents
Données Géographiques
ESDA
Didier JOSSELIN
ESPACE, UMR 6012, CNRS, Avignon, France
didier.josselin@univ-avignon.fr
Tél.: 04 90 16 26 93
Introduction
50 Est
Ouest
0
1er 3e Nord
trim. trim.
Les qualités ...
+
- Mode de représentation synthétique
37 87 95 64 97 71 41 68 54 56 85 76 73 63 75 76 89 59 65 58 92 67
73 21 72 89 60 89 52 100 73 89 64 36 56 65 94 51 59 61 83 69 70 57
D. Ladiray, 1999
Réponse apportée par des graphiques simples
Dot Plot
0 10 20 30 40 50 60 70 80 90 100
Stacked
Plot
0 10 20 30 40 50 60 70 80 90 100
Jittered
30 45 60 75 90
Plot
Réponse apportée par la boîte à pattes
proches
intérieurs adjaçents lointains
Q1 Q2 Q3
min max
1,5 x (Q3-Q2)
Réponse apportée par l’histogramme dynamique
(ex : le distogramme, Josselin, 1999)
Démo
histogramme dynamique
et boîte à pattes
Question :
quels sont les qualités et les
défauts des méthodes classiques
de comparaison de distributions
(Khi2, Kolmogorov-Smirnov ...)
sur tableau de contingence ?
Les qualités ...
+
- Utilisent l’histogramme
- On perd l’individu
Valeurs
xi
classées
par ordre
croissant
(i est
l’indice)
i3
F 1 ( p i 8)
i 1
4
Quantiles théoriques suivant une loi normale
Démo QQ-Plot
Ré-expression de variable,
régressions robustes, Lowess
Question :
quels sont les qualités et les
défauts des régressions de type
“moindres carrés”, linéaires
ou non linéaires ?
Les mêmes qualités que
d’habitude ...
et les mêmes défauts ...
Résistant line
Régression
Moindres carrés
Principe de la droite résistante
t (round (a ))
2
Y ( x, t ) f ( x t ) à ( x t ) ( x t );( x t 1);...; x;...; ( x t 1); ( x t )
X-1 X+1
X-2 X X+2
a=5, t=2
Médiane mobile
Même principe
Filtres spatiaux que sur série,
mais s’applique
en 2D
3 2 1 0 1 0 1
3 1 1 0 1 1
4 5
4 1 0 1 0 1
5 0 1 1 1 0
3 2 25 0 53 22 50
3 33 53 0 33 53
4 5
4 50 22 33 0 25
5 22 50 53 25 0
a =1
Principe général :
Question :
- existent-t ils dans la sous-population des
concentrations locales non identifiables à l’œil
nu ?
Z20
d Zn
2d
4
1 2
Vd ( Z ) med Z i Z j ; i, j nd
1
2
2 0.457
Amplitudes égales
3
forte
faible
1,2
Variogramme exploratoire
Log (dij)
Dij
Autocorrélation spatiale
Question :
Comment mesurer à quel point
des individus proches
géographiquement se
ressemblent ?
Buts et usages de la mesure
d'autocorrélation spatiale
n
i j
lij ( X i )( X j )
M ( 1 1)
i j
li i
( X i )2
i j ij i
2 lij
j
(0
)
ij
G
( X i )2
i n 1
Et son équivalent local (LISA, Anselin) :
(0
)
i j
lij ( X i X j ) 2
j
Gi
( X i )2
i n
• avec u la moyenne des valeurs
n le nombre d’individus
lij =1 si i et j contigus ou répondent à une contrainte, 0 sinon
G ou Gi plus la valeur est grande et plus l’autocorrélation est forte
Démo LISA
Filtres temporels et spatiaux
robustes
Les individus proches se
ressemblent... (autocorrélation +)
Les individus proches sont
différents... (autocorrélation -)
Même principe,
que filtres spatiaux
lien lij
n
i j
lij ( X i )( X j )
M ( 1 1)
i j
li i
( X i )2
i j ij i
2 lij
j
(0
)
ij
G
( X i )2
i n 1
Et son équivalent local (LISA, Anselin) :
(0
)
i j
lij ( X i X j ) 2
j
Gi
( X i )2
i n
• avec u la moyenne des valeurs
n le nombre d’individus
lij =1 si i et j contigus ou répondent à une contrainte, 0 sinon
G ou Gi plus la valeur est grande et plus l’autocorrélation est forte
Démo LISA
Principe
t (round (a ))
2
Y ( x, t ) f ( x t ) à ( x t ) ( x t );( x t 1);...; x;...; ( x t 1); ( x t )
X-1 X+1
X-2 X X+2
a=5, t=2
Filtres sur série temporelle
Même principe,
Filtres spatiaux mais s’applique
en 2D
+
L ’interactivité
La facilité d ’utilisation
La qualité de la sémiologie
Acquérir
Archiver
Accéder
Afficher
Analyser
Abstraire
Les fonctionnalités à
l’avantage des SIG
+
Le géocodage de l ’information
Intégration d ’informations hétérogènes
Langages de requête élaborés
Modèles de données structurés
Variété des SIG dédiés ou généralistes
Langage de programmation souvent intégré
Parfois modèle topologique
Mais quelques inconvénients
majeurs ...
-
Anarchie ?
Conclusion : 3 voies sont
techniquement possibles
Commune A Commune B
1 ha
SAU = flux 10 ha
Flux sortants
internes + entrants 360 ha
LES FLUX SORTANTS EN FRANCHE-COMTÉ
EN 1988
Un enchevêtrement
inextricable...
«Mauvais» i
F int
Pi i
avec
i
(
i
F int
Fi
out
Fi
inc
)
Des collections
d’objets composites
associés par :
leurs relations spatiales, Commune aggregate with its key and boundary
topologiques et/ou
fonctionnelles Commune described by an attribute
Application 3
Services, DDE
Serveur
Xlisp-Stat
ArcView
Application N
Application de LAVSTAT