Vue d’ensemble du jeu d’outils Modélisation des relations spatiales

Le jeu d’outils Modélisation des relations spatiales contient des outils qui permettent d’explorer et de quantifier les relations entre les données.

Outre l’analyse de modèles spatiaux, les analyses SIG permettent d’examiner ou de quantifier les relations entre entités. Utilisez les outils de modélisation des relations spatiales pour générer des matrices de pondérations spatiales ou modéliser les relations spatiales à l’aide de différentes techniques d’analyse, y compris la régression, les approches basées sur les forêts et les méthodes d’entropie maximale.

Outil	Description
Association spatiale bivariée (statistique L de Lee)	Calcule l’association spatiale entre deux variables continues à l’aide de la statistique L de Lee.
Analyse d’inférence causale	Estime l’effet causal d’une variable d’exposition continue sur une variable de résultat continue en faisant une approximation d’une expérience aléatoire et en incluant les variables de confusion.
Analyse de colocalisation	Mesure les motifs locaux de l’association spatiale, ou colocalisation, entre deux catégories d’entités ponctuelles à l’aide de la statistique de quotient de colocalisation.
Régression exploratoire	Analyse toutes les combinaisons possibles des variables explicatives candidates en entrée pour trouver les modèles des moindres carrés ordinaires qui décrivent le mieux la variable dépendante, selon les critères définis par l’utilisateur.
Classification et régression basées sur une forêt et boostées	Crée des modèles et génère des prévisions à l’aide d’une des deux méthodes de Machine Learning supervisées : une adaptation de l’algorithme des forêts aléatoires mis au point par Leo Breiman et Adele Cutler, ou l’agorithme Extreme Gradient Boosting (XGBoost) développé par Tianqi Chen et Carlos Guestrin. Les prédictions peuvent être réalisées sur des variables catégorielles (classification) ou des variables continues (régression). Les variables explicatives peuvent prendre la forme de champs dans la table attributaire des entités d'entraînement, de jeux de données raster et d'entités de distance dédiées au calcul des valeurs de proximité à utiliser en guise de variables supplémentaires. Outre la validation des performances du modèle en fonction des données d’entraînement, vous pouvez aussi réaliser des prédictions sur des entités ou sur un raster de prédiction.
Régression linéaire généralisée (GLR)	Effectue une régression linéaire généralisée pour générer les prévisions ou pour illustrer une variable dépendante en termes de relations pour définir un ensemble de variables explicatives. Cet outil permet d’adapter des modèles continus (moindres carrés ordinaires), binaires (logistique) et totaux (Poisson).
Générer les pondérations spatiales de réseau	Crée un fichier de matrice de pondérations spatiales (.swm) à partir d’un jeu de données réseau qui définit des relations spatiales en termes de structure de réseau sous-jacente.
Générer la matrice de pondérations spatiales	Génère un fichier de matrice de pondérations spatiales (.swm) pour représenter les relations spatiales entre les entités d'un jeu de données.
Régression pondérée géographiquement (GWR)	Calcule la régression pondérée géographiquement (Geographically Weighted Regression, GWR), formule locale de régression linéaire utilisée pour modéliser des relations variant spatialement.
Relations bivariées locales	Analyse les relations significatives statistiquement de deux variables à l’aide de l’entropie locale. Chaque entité est classée selon l’une des six catégories en fonction du type de relation. Le résultat peut être utilisé pour visualiser les zones dans lesquelles les variables sont reliées et explorer comment leurs relations évoluent à travers la zone d’étude.
Régression pondérée géographiquement multi-échelle (MGWR)	Effectue une régression pondérée géographiquement multi-échelle (MGWR), laquelle est une forme locale de régression linéaire permettant de modéliser des relations qui varient spatialement.
Moindres carrés ordinaires (OLS)	Exécute une régression linéaire globale à l'aide des moindres carrés ordinaires pour générer des prévisions ou modéliser une variable dépendante en fonction de ses relations à un ensemble de variables explicatives.
Prévoir à l’aide d’un fichier de modèle de statistiques spatiales	Prévoit des valeurs continues ou catégorielles à l’aide d’un modèle de statistiques spatiales entraîné (fichier .ssm).
Prévision de présence seule	Utilise l’approche d’entropie maximale (MaxEnt) pour modéliser la présence d’un phénomène d’après les emplacements de présence connue et les variables explicatives. Cet outil fournit en sortie des entités et des rasters incluant la probabilité de présence. Il peut être appliqué aux problèmes dans lesquels seule la présence est connue et l’absence n’est pas connue.
Association spatiale entre les zones	Mesure le degré d’association spatiale entre deux régionalisations de la même zone d’étude dans laquelle chaque régionalisation se compose d’un ensemble de catégories, nommées des zones. L’association entre les régionalisations est déterminée par le chevauchement entre les zones de chaque régionalisation. L’association est la plus étroite lorsque chaque zone d’une régionalisation correspond le mieux à une zone de l’autre régionalisation. De même, l’association spatiale est la plus faible lorsque les zones d’une régionalisation présente un chevauchement important avec de nombreuses autres zones de l’autre régionalisation. La sortie principale de l’outil est une mesure globale de l’association spatiale entre les variables catégorielles : un nombre unique compris entre 0 (aucune correspondance) et 1 (alignement spatial parfait des zones). Cette association globale peut également être calculée et visualisée pour des zones spécifiée de l’une des régionalisations ou pour ces combinaisons spécifiques de zones entre les régionalisations.