Présentation de la reclassification

Disponible avec une licence Spatial Analyst.

Disponible avec une licence 3D Analyst.

Les outils de reclassification permettent de reclasser ou de modifier des valeurs de cellules à l’aide de diverses méthodes. Vous pouvez reclasser une valeur à la fois ou des groupes de valeurs un par un à l’aide des champs secondaires, en fonction de critères tels que les intervalles définis (par exemple, regrouper les valeurs en 10 intervalles) ou par superficie (par exemple, regrouper les valeurs en 10 groupes contenant le même nombre de cellules). Les outils sont conçus pour vous permettre de redéfinir facilement plusieurs valeurs d'un raster en entrée sur les valeurs souhaitées ou sur d'autres valeurs spécifiées.

Toutes les méthodes de reclassification sont appliquées à chaque cellule à l’intérieur d’une zone. En d’autres termes, lors de l’application d’une valeur secondaire à une valeur existante, toutes les méthodes de reclassification appliquent la valeur secondaire à chacune des cellules de la zone d’origine. Aucune méthode de reclassification n'applique des valeurs secondaires à uniquement une partie de la zone en entrée.

Voici quelques-unes des raisons pour lesquelles une reclassification est justifiée.

remplacement des valeurs sur la base de nouvelles informations

La reclassification est utile lorsque vous souhaitez remplacer les valeurs d’un raster en entrée par de nouvelles valeurs. Cela peut être le cas si vous constatez que la valeur d'une cellule doit avoir une valeur différente, par exemple, l'utilisation du sol dans une zone qui a évolué avec le temps.

Regroupement de valeurs

Vous souhaitez simplifier les informations contenues dans un raster. Vous pourriez, par exemple, regrouper différents types de forêt dans une classe de forêts.

Reclassification de valeurs d’un jeu de rasters sur une échelle commune

Une autre raison incitant à la reclassification est l’attribution à un raster de valeurs de préférence, d’importance, de priorité ou basées sur tout autre critère similaire. Cette opération peut être effectuée sur un seul raster (un raster de type de sol peut recevoir des valeurs comprises entre 1 et 10 représentant les risques d'érosion) ou sur plusieurs rasters afin de créer une échelle de valeurs commune.

Par exemple, un type de sol peut être adapté à une construction lorsque les sols sont traités comme une entrée dans un modèle d’aptitude à la construction. Toutefois, pour l’érosion, un habitat sauvage, la recherche d’un emplacement pour un étang ou l’identification d’un terrain à usage agricole, ce même type de sol peut présenter une pondération d’aptitude différente, en fonction du problème que vous devez résoudre. Pour représenter un raster en tenant compte de ces pondérations d’aptitude différentes, les valeurs du raster doivent être modifiées par rapport aux valeurs nominales (valeurs qui représentent une classe) et redéfinies sur des valeurs d’intervalle ou de ratio pour qu’elles puissent être utilisées les unes par rapport aux autres. Ce ne serait pas logique d’additionner le type de sol et l’utilisation du sol pour obtenir un raster d’aptitude à la construction. En revanche, si le type de sol et l'utilisation du sol se trouvaient dans un système de mesure qui représente une pondération relative de l'aptitude à la construction, l'analyse pourrait être réalisée sans restriction entre les rasters.

Lors de l’identification des pentes les plus sujettes à un risque d’avalanche, les rasters en entrée peuvent être des rasters de pente, de type de sol et de végétation. Chacun de ces rasters peut être reclassé sur une échelle de 1 à 10 en fonction de la susceptibilité de chaque attribut de chaque raster à subir une avalanche. En d'autres termes, les pentes raides du raster de pente peuvent se voir attribuer une valeur de 10 dans la mesure où elles sont les plus sujettes à un risque d'avalanche.

Chacun des exemples ci-dessus est traité comme un modèle d’aptitude. La génération d'une carte d'aptitude passe généralement par quatre étapes :

  1. Jeux de données en entrée.

    Déterminez les jeux de données à utiliser comme entrées.

  2. Dérivez les jeux de données.

    Le cas échéant, créez les jeux de données que vous pouvez dériver à partir de vos jeux de données de base en entrée, par exemple, la pente et l’exposition peuvent être dérivées du raster d’altitude. Créez des données à partir de données existantes afin d'obtenir de nouvelles informations.

  3. Reclassifiez les jeux de données.

    Reclassez chaque jeu de données sur une échelle commune (1 à 10, par exemple), en affectant les valeurs plus élevées aux attributs les plus favorables.

  4. Pondérez et combinez les jeux de données.

    Le cas échéant, pondérez les jeux de données qui doivent avoir plus d'influence dans le modèle d'aptitude, puis combinez-les pour localiser les emplacements appropriés.

Ci-dessous figure le diagramme de flux d’un exemple de recherche des meilleurs emplacements pour une école. Les couches de base en entrée sont l’utilisation du sol, l’altitude, les installations récréatives et les écoles existantes. Les jeux de données dérivés sont la pente, la distance par rapport aux installations récréatives et la distance par rapport aux écoles existantes. Chaque raster est ensuite reclassé sur une échelle de 1 à 10. Les rasters reclassés sont additionnés, la distance depuis les installations récréatives et les autres écoles ayant une pondération plus élevée.

Exemple d’utilisation de la reclassification dans un workflow de superposition pondérée
Exemple d'utilisation de la reclassification dans un workflow de superposition pondérée

Définition de valeurs particulières sur NoData ou définition de cellules NoData sur une valeur

Parfois, il est nécessaire de supprimer des valeurs spécifiques de l’analyse. Par exemple, un type d’utilisation du sol peut présenter des restrictions (marécages, par exemple) qui empêchent toute construction. Dans ce cas, vous pouvez redéfinir ces valeurs sur la valeur NoData pour les exclure de l'analyse.

Dans d'autres cas, vous pouvez redéfinir une valeur sur NoData comme lorsque de nouvelles informations signifient qu'une valeur NoData devient une valeur connue.

Rubriques connexes