Méthodes d'analyse de superposition

Lors de la réalisation d'une analyse de superposition, il existe plusieurs approches relatives à la pondération et à la transformation des critères en entrée. Chaque méthode implémente une permutation des étapes d'analyse de superposition générales les plus souvent utilisées dans la modélisation d'aptitude.

  1. Définir le problème.
  2. Décomposer le problème en sous-modèles.
  3. Identifier les couches significatives.
  4. Reclassifier ou transformer les données au sein d'une couche.
  5. Pondérer les couches en entrée.
  6. Ajouter ou combiner les couches.
  7. Sélectionner les meilleurs emplacements.
  8. Analyser.

Les trois principales méthodes disponibles pour la pondération et l'ajout des critères en entrée transformés (étapes 5 et 6) sont Superposition pondérée, Somme pondérée et Superposition floue. Chaque méthode présente des postulats et suppositions de base différents. La méthode appropriée dépend du problème spécifique à résoudre. Vous trouverez ci-dessous un récapitulatif de chaque méthode.

Superposition pondérée

Avec l'analyse Superposition pondérée, un ensemble d'outils peuvent compléter l'outil Superposition pondérée pour suivre les étapes d'analyse de superposition générales décrites ci-dessus. L'outil Superposition pondérée évalue les données en entrée sur une échelle définie (entre 1 et 9 par défaut), pondère les rasters en entrée et les ajoute les uns aux autres. Les emplacements les plus favorables de chaque critère en entrée sont reclassés sur les valeurs les plus élevées, telles que 9. Dans l'outil Superposition pondérée, les pondérations attribuées aux rasters en entrée doivent atteindre 100 %. Les couches sont multipliées par le multiplicateur approprié et, pour chaque cellule, les valeurs obtenues sont ajoutées les unes aux autres. L'outil Superposition pondérée suppose que les facteurs les plus favorables génèrent les valeurs les plus élevées dans le raster en sortie. Il identifie donc ces emplacements comme étant les meilleurs.

Somme pondérée

L'analyse de superposition Somme pondérée suit les mêmes étapes générales que l'analyse de superposition décrite ci-dessus. Grâce à l'outil Somme pondérée, complété par d'autres outils Spatial Analyst, une analyse de superposition additive peut être implémentée. Les valeurs des couches en entrée doivent être reclassées avant l'utilisation de l'outil Somme pondérée. Contrairement aux pondérations de l'outil Superposition pondérée, les pondérations attribuées aux rasters en entrée peuvent être de n'importe quelle valeur et n'ont pas besoin d'être ajoutées à une somme spécifique. Lors de l'ajout des rasters en entrée, les valeurs en sortie de l'outil Somme pondérée constituent un résultat direct de l'addition de la multiplication de chaque valeur par les pondérations. Contrairement à la superposition pondérée, les valeurs ne sont pas redéfinies selon une échelle spécifique. La résolution d'attribut des valeurs saisies dans le modèle est donc conservée. L'outil Somme pondérée suppose que les facteurs les plus favorables génèrent les valeurs les plus élevées dans le raster en sortie final. Il identifie donc ces emplacements comme étant les meilleurs.

Superposition floue

L'analyse Superposition floue est fondée sur la théorie des ensembles. La théorie des ensembles est une branche des mathématiques qui permet de quantifier la relation d'appartenance de phénomènes à des ensembles spécifiques. Avec la superposition floue, un ensemble correspond généralement à une classe. Les outils Appartenance floue et Superposition floue sont utilisés pour effectuer ce type d'analyse.

L'outil Superposition floue suit librement les étapes d'analyse de superposition générales abordées plus haut, mais diffère en ce qui concerne les valeurs reclassées et les résultats de la combinaison de plusieurs critères. Les trois premières étapes sont les mêmes : définition du problème, décomposition en sous-modèles et identification des couches significatives. Comme les outils Superposition pondérée et Somme pondérée, l'analyse Superposition floue reclassifie et transforme les valeurs de données selon une échelle commune, mais les valeurs transformées définissent la possibilité d'appartenir à un ensemble spécifique, tel que des valeurs de pente, transformé dans la possibilité d'appartenir à l'ensemble d'aptitude favorable (de 0 à 1, 1 indiquant l'appartenance sûre à l'ensemble). Avec les outils Superposition pondérée et Somme pondérée, les valeurs appartiennent à une échelle de préférence, les valeurs les plus élevées étant les plus favorables, par opposition aux possibilités d'appartenance de l'outil Superposition floue.

Etant donné que les valeurs transformées représentent des possibilités d'appartenance à des ensembles, en analyse Superposition floue, les rasters en entrée ne sont pas pondérés. Lors de l'étape d'ajout et de combinaison (voir liste ci-dessus) de l'analyse de superposition générale, l'outil Superposition floue diffère des outils Superposition pondérée et Somme pondérée. L'étape de combinaison de l'analyse Superposition floue quantifie la possibilité de chaque emplacement d'appartenir à des ensembles spécifiques de plusieurs rasters en entrée.

Rubriques connexes