Fenêtre Comparison (Comparaison) dans Suitability Modeler

Disponible avec une licence Spatial Analyst.

La fenêtre Comparison (Comparaison) est la fenêtre principale de l’interface Model Comparison (Comparaison des modèles). À partir de cette fenêtre, vous pouvez réaliser les actions suivantes :

1. Nommer le modèle de comparaison.
2. Identifier les modèles d’adéquation à comparer.
3. Déterminer si les modèles doivent être normalisés ou non.
4. Sélectionner les statistiques prédéfinies à exécuter.

Vous devez sélectionner au moins deux modèles.

Dans la fenêtre Comparison (Comparaison), les statistiques prédéfinies sont divisées en cinq groupes fonctionnels. Vous choisissez les statistiques à exécuter en cochant la case en regard de la statistique souhaitée dans un groupe fonctionnel de la fenêtre.

Pour exécuter les statistiques sélectionnées, cliquez sur le bouton Run (Exécuter) de la fenêtre.

Une fois que vous avez cliqué sur le bouton Run (Exécuter), les fenêtres Explore Statistics (Explorer les statistiques) et Comparison Statistics (Statistiques de comparaison) apparaissent avec la première statistique de la liste affichée. Pour afficher les résultats de l’une des autres statistiques que vous pouvez exécuter, cliquez sur cette statistique dans la fenêtre Explore Statistics (Explorer les statistiques).

Pour exécuter d’autres statistiques prédéfinies, cliquez sur la flèche de retour en haut à gauche de la fenêtre Explore Statisistics (Explorer les statistiques). Si vous sélectionnez une autre statistique à exécuter, le bouton Explore (Explorer) en bas à droite de la fenêtre Comparison (Comparaison) devient Run (Exécuter). Si vous cliquez de nouveau sur le bouton Run (Exécuter), seules les statistiques supplémentaires que vous avez identifiées sont exécutées et la fenêtre Explore Statistics (Explorer les statistiques) réapparaît.

Si vous ne souhaitez pas ajouter d’autres statistiques et que vous voulez retourner à la fenêtre Explore Statistics (Explorer les statistiques) pour voir les autres statistiques que vous avez exécutées, cliquez sur le bouton Explore (Explorer) en bas à droite de la fenêtre Comparison (Comparaison).

Fenêtre Comparison (Comparaison).

Statistiques prédéfinies disponibles

Les statistiques prédéfinies représentent le cœur de l’interface Model Comparison (Comparaison des modèles). Elles sont regroupées en cinq groupes fonctionnels :

1. Le groupe Explore Input Parameters (Explorer les paramètres en entrée) permet d’afficher les paramètres de chaque modèle en entrée.
2. Le groupe Compare Similarities and Differences (Comparer les similitudes et les différences) permet de déterminer où les modèles sont similaires et où ils diffèrent.
3. Le groupe Analyze Suitability Values (Analyser les valeurs d’adéquation) permet non seulement de déterminer où les modèles sont similaires et diffèrent, mais également où c’est le cas dans les zones dont les valeurs d’adéquation sont élevées et faibles.
4. Le groupe Investigate Change Between Models (Examiner les modifications entre les modèles) permet d’analyser l’évolution des valeurs d’adéquation entre les modèles en entrée.
5. Le groupe Examine Where Regions Overlap (Examiner la superposition des régions) permet de voir où les régions des modèles en entrée se superposent.

Comparer les statistiques prédéfinies

Pour vous aider à sélectionner les statistiques à exécuter, les sections ci-après abordent les diverses statistiques de chacun des cinq groupes fonctionnels. Le groupe fonctionnel est identifié et suivi des statistiques qu’il contient. La plupart des statistiques sont réparties en trois sections :

1. Les sections Description décrivent le fonctionnement de la statistique en général.
2. Les sections Utilisation précisent quand appliquer la statistique.
3. Les sections Formule indiquent les mathématiques sous-jacentes de la statistique.

Statistiques du groupe Explore Input Parameters (Explorer les paramètres en entrée)

Le groupe fonctionnel Explore Input Parameters (Explorer les paramètres en entrée) contient une statistique.

Parameters in Models (Paramètres des modèles)

Vous trouverez ci-après une description de la statistique Parameters in Models (Paramètres des modèles) et ses conditions d’utilisation.

Description

Cette statistique permet d’examiner les similarités et différences entre les paramètres en entrée et les cartes résultantes. Vous pouvez afficher les cartes d’adéquation et de localisation et comparer les tracés de transformation de chacun des critères en entrée, côte à côte.

Utilisation

Cette statistique permet de comprendre les compositions des modèles en entrée. Vous pouvez afficher les critères de chaque modèle, la manière dont ils ont été transformés et les cartes des régions ou d’adéquation finales. Cette statistique offre une vue d’ensemble des modèles pour placer les statistiques restantes en contexte. Cette statistique permet d’en savoir plus sur les modèles en entrée.

Compare similarities and differences (Comparer les similitudes et les différences)

Le groupe fonctionnel Compare Similarities and Differences (Comparer les similitudes et les différences) contient quatre statistiques :

• Difference in Suitability Values (Différences au niveau des valeurs d’adéquation)
• Similar Between Models (Similarités entre les modèles)
• Similarity versus differences (Similarités et différences)
• Cluster of Differences (Hot Spot Analysis) (Agrégat de différences [analyse des points chauds])

.

Difference in Suitability Values (Différences au niveau des valeurs d’adéquation)

Vous trouverez ci-après une description de la statistique Difference in Suitability Values (Différences au niveau des valeurs d’adéquation), ses conditions d’utilisation et sa formule.

Description

Cette statistique identfifie les localisations pour lesquelles les valeurs d’adéquation entre les deux modèles sont similaires et les localisations pour lesquelles ces valeurs diffèrent. Deux options sont disponibles.

L’option Percent Change (Évolution en pourcentage) calcule l’évolution en pourcentage des valeurs d’adéquation entre le modèle 1 et le modèle 2. Si la valeur du modèle 2 décroît, l’évolution en pourcentage est positive. Si elle augmente, l’évolution en pourcentage est négative. La valeur positive la plus élevée et la valeur négative la plus faible indiquent l’amplitude de la différence.

L’option Percent Difference (Différence en pourcentage) calcule la valeur absolue de l’évolution en pourcentage entre les valeurs d’adéquation entre le modèle 1 et le modèle 2. Plus la valeur est faible, plus les valeurs d’adéquation sont similaires entre les deux modèles.

Utilisation

Il s’agit de l’une des statistiques que vous devez appliquer pour comprendre initialement les similarités et les différences des modèles. Cette statistique est applicable pour toutes les applications de comparaison de modèles car elle fournit les bases de définition des statistiques restantes.

Formule

La formule de cette statistique est la suivante :

Percent Change:(Model1 - Model2) / Model1 * 100

Percent Difference: Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.

Similar Between Models (Similarités entre les modèles)

Vous trouverez ci-après une description de la statistique Similar Between Models (Similarités entre les modèles), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie les localisations pour lesquelles les valeurs d’adéquation entre les deux modèles sont les plus similaires.

Si le paramètre By percent cells (Par pourcentage des cellules) est appliqué, les cellules qui présentent la différence absolue en pourcentage la plus faible sont sélectionnées jusqu’à ce que le pourcentage du nombre total de cellules soit inférieur ou égal au seuil de similarité. Si le paramètre By values (Par valeur) est sélectionné, les localisations obtenues sont celles pour lesquelles la différence absolue en pourcentage entre les deux modèles est inférieure ou égale au seuil de similarité.

Les valeurs de différence absolue en pourcentage sont indiquées.

Utilisation

Cette statistique complète la sortie de la statistique Difference in Suitability Values (Différences au niveau des valeurs d’adéquation). Cette statistique permet d’analyser la répartition spatiale des localisations les plus similaires. Pour la majorité des applications, vous cherchez à savoir où les modèles sont similaires. Utilisez cette statistique si vous avez une idée du nombre maximal de cellules dont vous avez besoin ou un seuil spécifique qui définit ce qui constitue la similarité.

Formule

La formule de cette statistique est la suivante :

Con(PercentDifference <= Similarity_Theshold, PercentDifference)

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Similarity_Threshold : les cellules qui présentent des valeurs inférieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus similaires.

  Le seuil par défaut est inférieur ou égal à 10 % du nombre total de cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus faible.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

  Les localisations qui présentent les valeurs les plus faibles indiquent où les modèles sont les plus similaires.

Similarity Versus Differences (Similarités et différences)

Vous trouverez ci-après une description de la statistique Similarity Versus Differences (Similarités et différences), ses conditions d’utilisation et sa formule.

Description

Cette statistique compare les similarités et les différences des modèles.

Si le paramètre By percent cells (Par pourcentage des cellules) est spécifié, les cellules qui présentent la différence absolue en pourcentage la plus faible sont sélectionnées jusqu’à ce que le pourcentage du nombre total de cellules soit inférieur ou égal au seuil de similarité, et les cellules qui présentent la différence la plus élevée sont sélectionnées jusqu’à ce que le pourcentage du nombre total de cellules soit supérieur ou égal au seuil de différence. Si le paramètre By values (Par valeur) est sélectionné, la sortie identifie les localisations pour lesquelles la différence absolue en pourcentage est inférieure ou égale au seuil de similarité ou les localisations pour lesquelles la différence en pourcentage est supérieure ou égale au seuil de différence.

Utilisation

Utilisez cette statistique pour déterminer les similarités et les différences des modèles. Contrairement à la statistique précédente (Similar Between Models [Similarités entre les modèles]), avec cette statistique, vous pouvez inclure les différences des modèles. Vous pouvez donc analyser les relations spatiales des similarités et des différences des modèles. Si les régions finales de chacun des modèles sont affichées, vous pouvez examiner leur localisation par rapport aux localisations où les modèles sont similaires et aux localisations où ils diffèrent.

Formule

La formule de cette statistique est la suivante :

Con(PercentDifference <= Similarity_Threshold, 1, Con(PercentDifference > = Difference_Threshold, 2))

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Où :

• Model 1 : correspond au nom du modèle 1
• Model 2 : correspond au nom du modèle 2
• Similarity_Threshold : les cellules qui présentent des valeurs inférieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus similaires.

  Le seuil par défaut est inférieur ou égal à 10 % du nombre total de cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus faible.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

• Difference_Threshold : les cellules qui présentent des valeurs supérieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus différents.

  Le seuil par défaut est supérieur ou égal à 90 % des cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus élevée, soit les premiers 10 % des cellules de la zone d’étude qui présentent la différence absolue la plus élevée.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

Cluster of Differences (Hot Spot Analysis) (Agrégat de différences [analyse des points chauds])

Vous trouverez ci-après une description de la statistique Cluster of Differences (Hot Spot Analysis) (Agrégat de différences [analyse des points chauds]), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie les localisations pour lesquelles les différences absolues en pourcentage entre les modèles sont agrégées.

La différence absolue en pourcentage entre les cartes d’adéquation est calculée. Les valeurs d’un nombre spécifié de points sont extraites du raster de différence absolue en pourcentage. L’analyse des points chauds est réalisée sur ces points.

Les modèles d’agrégation sont fonction des différences absolues en pourcentage entre les modèles. Les agrégats obtenus indiquent les localisations pour lesquelles les différences sont importantes (point chaud) ou les zones similaires, à savoir les localisations pour lesquelles les différences sont faibles (point froid).

L’analyse tient compte de la différence absolue en pourcentage à chaque localisation, ainsi que des valeurs des voisins identifiés.

Les résultats se présentent sous forme d’une couche rastérisée à la résolution la plus grossière des cartes d’adéquation.

Utilisation

Cette statistique peut être utilisée conjointement avec la statistique Similarity Versus Difference (Similitude et différence). Non seulement cette statistique identifie les similarités et les différences des modèles, mais elle inclut la différence à une localisation particulière et les différences des localisations voisines. En incluant les voisins dans les calculs, le champ d’application de l’analyse est augmenté, ce qui permet d’identifier des tendances plus larges.

Formule

La formule de cette statistique est la suivante :

HotSpotAnalysis(PercentDifference, Conceptualization_of_Spatial_Relationships, Distance_Method, Distance_Band_or_Threshold_Distance_or_Number_of_Neighbors)

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Conceptualization_of_Spatial_Relationships : identifie comment les relations spatiales parmi les points sont définies. La valeur par défaut est définie sur Fixed distance band (Bande de distance fixe).
  • Inverse distance (Inverse de la distance) : les points voisins proches influencent plus fortement les calculs d’un point cible que les points éloignés.
  • Inverse distance squared (Inverse de la distance au carré) : ce paramètre est identique au paramètre Inverse distance (Inverse de la distance), mais la pente est plus prononcée et l’influence chute donc plus rapidement. De plus, seuls les voisins les plus proches d’un point cible exercent une influence notable sur les calculs de ce point.
  • Fixed distance band (Bande de distance fixe) : chaque point est analysé dans le contexte des points voisins. Les points voisins situés en deçà de la distance critique spécifiée (bande de distance ou distance de seuil) reçoivent une pondération de 1 et exercent une influence sur les calculs du point cible. Les points voisins situés au-delà de la distance critique reçoivent une pondération de 0 et n’exercent aucune influence sur les calculs du point cible.
  • Zone of indifference (Zone d’indifférence) : les points situés en deçà de la distance critique spécifiée (bande de distance ou distance de seuil) d’un point cible reçoivent une pondération de 1 et exercent une influence sur les calculs de ce point. Une fois que la distance critique est dépassée, les pondérations (et l’influence exercée par un point voisin sur les calculs d’un point cible) diminuent avec la distance.
  • K nearest neighbors (K voisins les plus proches) : les K points les plus proches sont inclus dans l’analyse, K étant un paramètre numérique spécifié.
• Distance Method : spécifie le mode de calcul des distances entre chaque point et les points voisins. La valeur par défaut est Euclidean (Euclidienne) et garantit que chaque point a au moins un voisin.
  • Euclidean (Euclidienne) : la distance en ligne droite entre deux points (distance à vol d’oiseau) est utilisée.
  • Manhattan : la distance entre deux points mesurée le long des axes à angles droits (pâté de maisons), calculée en totalisant la différence (absolue) entre les coordonnées x et y est utilisée.
• Distance_Band_or_Threshold_Distance_or_Number_of_Neighbors : le paramètre varie selon les conceptualisations de relations spatiales sélectionnées.

  Distance_Band_or_Threshold_Distance : distance limite pour les options d’inverse de la distance et de distance fixe. Les points situés en dehors de la limite spécifiée pour un point cible sont ignorés dans l’analyse pour ce point. Toutefois, pour Zone of indifference (Zone d’indifférence), l’influence des points en dehors de la distance donnée est réduite avec la distance, tandis que les points se trouvant dans le seuil de distance sont considérés à part égale. La valeur de distance fournie doit correspondre à celle du système de coordonnées en sortie.

  Inverse distance conceptualization of spatial relationships (Distance inverse de conceptualisation de relations spatiales) : la valeur 0 indique qu’aucune distance seuil n’est appliquée. Si ce paramètre n’est pas défini, une valeur de seuil par défaut est calculée et appliquée.

  Number_of_Neighbors : entier spécifiant le nombre de voisins à inclure dans l’analyse. La valeur par défaut est 8.

• Percent Sampling : identifie le nombre de points à extraire du raster de différence absolue en pourcentage obtenu à partir des cartes d’adéquation à utiliser dans l’analyse des points chauds.

  Le nombre de points est spécifié comme pourcentage du nombre de cellules dans les cartes d’adéquation. En règle générale, les cartes d’adéquation présentent une forte autocorrélation spatiale. L’utilisation de points espacés de manière égale totalisant 11 % du nombre de cellules dans la zone d’étude (valeur par défaut) permet souvent d’obtenir la meilleure représentation rééchantillonnée des cartes d’adéquation.

  La valeur en pourcentage détermine la taille de cellule de rééchantillonnage en augmentant proportionnellement la taille de cellule. Ce rééchantillonnage réduit le nombre de cellules raster à convertir en points pour l’analyse des points chauds. La valeur par défaut de 11 % correspond à une taille de cellule d’environ trois fois celle de la résolution plus grossière des cartes d’adéquation. Avec un pourcentage plus faible, les points sont moins nombreux et plus espacés alors qu’avec un pourcentage plus élevé, les points sont plus nombreux et présentent un détail spatial plus fin.

  Le nombre maximal de points utilisés dans l’analyse est d’un million.

Analyze Suitability Values (Analyser les valeurs d’adéquation)

Le groupe fonctionnel Analyze Suitability Values (Analyser les valeurs d’adéquation) contient quatre statistiques :

• Models Similar in High Suitability (Modèles similaires à adéquation élevée)
• Percent Change in High Suitability (Évolution en pourcentage – Adéquation élevée)
• Models Similar and Different with High Suitability (Modèles similaires et différents à adéquation élevée)
• Models Similar with Low Suitability (Modèles similaires à faible adéquation)

Models Similar in High Suitability (Modèles similaires à adéquation élevée)

Vous trouverez ci-après une description de la statistique Models Similar in High Suitability (Modèles similaires à adéquation élevée), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie les localisations similaires entre les deux modèles et qui présentent une adéquation élevée.

Si la méthode By percent cells (Par pourcentage des cellules) est utilisée, les cellules qui présentent la différence absolue en pourcentage la plus faible sont sélectionnées jusqu’à ce que le pourcentage total soit égal ou inférieur au seuil de similarité. Les cellules sélectionnées doivent également présenter une valeur d’adéquation moyenne plus élevée que la valeur la plus faible parmi les cellules finales choisies pour atteindre le pourcentage spécifié comme seuil d’adéquation élevée.

Si le paramètre By values (Par valeur) est sélectionné, la carte obtenue présente les valeurs d’adéquation moyennes des localisations pour lesquelles la différence absolue en pourcentage entre les deux modèles est inférieure ou égale au seuil de similarité et la valeur d’adéquation moyenne est supérieure ou égale au seuil d’adéquation élevée.

Utilisation

Les valeurs d’adéquation élevée sont généralement les plus importantes dans un modèle d’adéquation. Cette statistique indique les similarités des modèles, mais également où les modèles sont similaires et présentent une adéquation élevée. Utilisez cette statistique pour restreindre votre zone d’intérêt dans l’analyse de comparaison. Si les régions finales se trouvent dans ces localisations, vous pouvez être certain que les deux modèles génèrent des résultats similaires.

Formule

La formule de cette statistique est la suivante :

Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability >= High_Suitability_Threshold), MeanSuitability)

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

MeanSuitability = Mean(Model1, Model2)

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Similarity_Threshold : les cellules qui présentent des valeurs inférieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus similaires.

  Le seuil par défaut est inférieur ou égal à 10 % du nombre total de cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus faible.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

• High_Suitability_Threshold : valeur d’adéquation au-dessus de laquelle les localisations sont considérées comme ayant une adéquation élevée ou nombre de cellules en pourcentage dans la zone d’étude qui présentent l’adéquation la plus élevée.

  Le seuil par défaut inclut les cellules supérieures ou égales à 90 % des cellules de la zone d’étude et qui présentent les valeurs d’adéquation les plus élevées, soit les premiers 10 % des cellules de la zone d’étude qui présentent l’adéquation moyenne la plus élevée.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage des cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, si les modèles sont normalisés, la plage va de la valeur minimale à la valeur maximale des valeurs moyennes entre les deux cartes d’adéquation, c’est-à-dire approximativement de 1 à 100, soit la plage des valeurs d’adéquation normalisées. Si les modèles ne sont pas normalisés, la plage correspond à la plage des valeurs moyennes entre les deux modèles d’adéquation en entrée.

Percent Change in High Suitability (Évolution en pourcentage – Adéquation élevée)

Vous trouverez ci-après une description de la statistique Percent Change in High Suitability (Évolution en pourcentage – Adéquation élevée), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie le modèle qui contribue le plus, et dans quelle mesure pour les localisations qui présentent une adéquation élevée.

Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, les cellules qui présentent les valeurs d’adéquation moyenne les plus élevées sont sélectionnées jusqu’à ce que le pourcentage du nombre total de cellules soit supérieur ou égal au seuil d’adéquation élevée. L’évolution en pourcentage est affichée pour ces cellules. Si le paramètre By values (Par valeur) est sélectionné, la carte obtenue présente l’évolution en pourcentage dans les zones où les valeurs moyennes entre les deux cartes d’adéquation sont supérieures ou égales au seuil d’adéquation élevée.

Des valeurs positives indiquent que le modèle qui contribue le plus est le modèle 1, tandis que des valeurs négatives indiquent qu’il s’agit du modèle 2. La valeur positive la plus élevée et la valeur négative la plus faible indiquent l’amplitude de la contribution.

Utilisation

Cette statistique peut accentuer la statistique Models Similar in High Suitability (Modèles similaires à adéquation élevée). Non seulement cette statistique indique où les localisations sont similaires et présentent une adéquation élevée, mais elle identifie également le modèle qui contribue le plus et de combien. Cette statistique peut s’avérer utile lorsque vous modifiez une pondération ou une transformation car elle vous permet de mieux comprendre dans quelle mesure la modification affecte spatialement les résultats.

Formule

La formule de cette statistique est la suivante :

Con((MeanSuitability >= High_Suitability_Threshold), (Model1 - Model2) / MeanSuitability * 100)

MeanSuitability = Mean(Model1, Model2)

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• High_Suitability_Threshold : valeur d’adéquation au-dessus de laquelle les localisations sont considérées comme ayant une adéquation élevée ou nombre de cellules en pourcentage dans la zone d’étude qui présentent l’adéquation la plus élevée.

  Le seuil par défaut inclut les cellules supérieures ou égales à 90 % des cellules de la zone d’étude et qui présentent les valeurs d’adéquation les plus élevées, soit les premiers 10 % des cellules de la zone d’étude qui présentent l’adéquation moyenne la plus élevée.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage des cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, si les modèles sont normalisés, la plage va de la valeur minimale à la valeur maximale des valeurs moyennes entre les deux cartes d’adéquation, c’est-à-dire approximativement de 1 à 100, soit la plage des valeurs d’adéquation normalisées. Si les modèles ne sont pas normalisés, la plage correspond à la plage des valeurs moyennes entre les deux modèles d’adéquation en entrée.

Remarque :

La formule Percent Change (Évolution en pourcentage) est légèrement différente de l’option Percent Change (Évolution en pourcentage) dans la statistique Difference in Suitability Values (Différences au niveau des valeurs d’adéquation).

Models Similar and Different with High Suitability (Modèles similaires et différents à adéquation élevée)

Vous trouverez ci-après une description de la statistique Models Similar and Different with High Suitability (Modèles similaires et différents à adéquation élevée), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie les localisations similaires et différentes entre les deux modèles et qui présentent une adéquation élevée.

Si le paramètre By percent values (Par pourcentage des cellules) est spécifié, les cellules qui présentent les valeurs d’adéquation moyenne les plus élevées sont sélectionnées jusqu’à ce que le seuil d’adéquation élevée soit atteint et elles présentent la différence absolue en pourcentage la plus faible jusqu’à ce que le pourcentage du nombre total de cellules soit inférieur ou égal au seuil de similarité ou les cellules présentent la différence absolue en pourcentage la plus élevée jusqu’à ce que le pourcentage du nombre total de cellules soit supérieur ou égal au seuil de différence.

Si le paramètre By values (Par valeur) est sélectionné, les cellules pour lesquelles la différence absolue en pourcentage est inférieure ou égale au seuil de similarité ou la différence absolue en pourcentage est supérieure ou égale au seuil de différence et l’adéquation moyenne entre les deux modèles est supérieure ou égale au seuil d’adéquation élevée sont sélectionnées.

Utilisation

Cette statistique est similaire à la statistique Similar Versus Difference (Similitude et différence), mais elle restreint les zones présentant également une adéquation élevée. Utilisez cette statistique pour déterminer les similarités et les différences des modèles. Vous pouvez être intéressé par les localisations présentant une adéquation élevée et une grande différence car ces zones indiquent les modèles fortement différents et cela peut poser des problèmes si les régions finales s’y trouvent.

Formule

La formule de cette statistique est la suivante :

Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability >= High_Suitability_Threshold), 1, ​ Con((PercentDifference >= Difference_Threshold) & (MeanSuitability >= High_Suitability_Threshold), 2))

PercentDifference = Abs(Model1 - Model2) / Mean(Model1, Model2) * 100

MeanSuitability = Mean(Model1, Model2)

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Similarity_Threshold : les cellules qui présentent des valeurs inférieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus similaires.

  Le seuil par défaut est inférieur ou égal à 10 % du nombre total de cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus faible.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

• Difference_Threshold : les cellules qui présentent des valeurs supérieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus différents.

  Le seuil par défaut est supérieur ou égal à 90 % des cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus élevée, soit les premiers 10 % des cellules de la zone d’étude qui présentent la différence absolue la plus élevée.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

• High_Suitability_Threshold : valeur d’adéquation au-dessus de laquelle les localisations sont considérées comme ayant une adéquation élevée ou nombre de cellules en pourcentage dans la zone d’étude qui présentent l’adéquation la plus élevée.

  Le seuil par défaut inclut les cellules supérieures ou égales à 90 % des cellules de la zone d’étude et qui présentent les valeurs d’adéquation les plus élevées, soit les premiers 10 % des cellules de la zone d’étude qui présentent l’adéquation moyenne la plus élevée.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage des cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, si les modèles sont normalisés, la plage va de la valeur minimale à la valeur maximale des valeurs moyennes entre les deux cartes d’adéquation, c’est-à-dire approximativement de 1 à 100, soit la plage des valeurs d’adéquation normalisées. Si les modèles ne sont pas normalisés, la plage correspond à la plage des valeurs moyennes entre les deux modèles d’adéquation en entrée.

Models Similar with Low Suitability (Modèles similaires à faible adéquation)

Vous trouverez ci-après une description de la statistique Models Similar with Low Suitability (Modèles similaires à faible adéquation), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie les localisations similaires entre les deux modèles et qui présentent une faible adéquation.

Si le paramètre By percent cells (Par pourcentage des cellules) est spécifié, les cellules qui présentent la différence en pourcentage la plus faible sont sélectionnées jusqu’à ce que le pourcentage du nombre total de cellules soit inférieur ou égal au seuil de similarité et elles présentent les valeurs d’adéquation moyennes les plus faibles jusqu’à ce que le seuil d’adéquation faible soit atteint. Si le paramètre By values (Par valeur) est sélectionné, la carte obtenue présente les valeurs d’adéquation moyennes des localisations pour lesquelles la différence absolue en pourcentage entre les deux modèles est inférieure ou égale au seuil de similarité et la valeur d’adéquation moyenne est inférieure ou égale au seuil d’adéquation faible.

Utilisation

Cette statistique indique si les modèles sont similaires là où l’adéquation est faible. Utilisez cette statistique pour vérifier non seulement que les valeurs d’adéquation élevée sont similaires entre les modèles, mais que les valeurs d’adéquation faible le sont également.

Formule

La formule de cette statistique est la suivante :

Con((PercentDifference <= Similarity_Threshold) & (MeanSuitability <= Low_Suitability_Threshold), MeanSuitability)

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Similarity_Threshold : les cellules qui présentent des valeurs inférieures ou égales au seuil sont sélectionnées dans la statistique. Les cellules sélectionnées correspondent aux localisations où les modèles sont considérés comme les plus similaires.

  Le seuil par défaut est inférieur ou égal à 10 % du nombre total de cellules de la zone d’étude qui présentent la différence absolue en pourcentage la plus faible.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage du nombre total de cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, la plage va de la valeur minimale à la valeur maximale de la différence absolue en pourcentage entre les cartes d’adéquation, que l’option de normalisation soit sélectionnée ou non. Toutefois, les deux plages peuvent être différentes.

• Low_Suitability_Threshold : valeur d’adéquation au-dessous de laquelle les localisations sont considérées comme ayant une adéquation faible ou nombre de cellules en pourcentage dans la zone d’étude qui présentent l’adéquation la plus faible.

  Si le paramètre By percent cells (Par pourcentage des cellules) est sélectionné, comme il représente un pourcentage des cellules, la plage va de 1 à 100, que l’option de normalisation soit sélectionnée ou non. Si le paramètre By values (Par valeur) est sélectionné, si les modèles sont normalisés, la plage va de la valeur minimale à la valeur maximale des valeurs moyennes entre les deux cartes d’adéquation, c’est-à-dire approximativement de 1 à 100, soit la plage des valeurs d’adéquation normalisées. Si les modèles ne sont pas normalisés, la plage correspond à la plage des valeurs moyennes entre les deux modèles d’adéquation en entrée.

Investigate Change Between Models (Examiner les modifications entre les modèles)

Le groupe fonctionnel Investigate Change Between Models (Examiner les modifications entre les modèles) contient deux statistiques :

• Spatial Association between Suitability Values (Association spatiale entre les valeurs d’adéquation)
• Change in Suitability Values (Change Detection) (Évolution des valeurs d’adéquation [détection des changements])

Spatial Association between Suitability Values (Association spatiale entre les valeurs d’adéquation)

Vous trouverez ci-après une description de la statistique Spatial Association between Suitability Values (Association spatiale entre les valeurs d’adéquation), ses conditions d’utilisation et sa formule.

Description

Cette statistique détermine les similarités entre les valeurs d’adéquation pour une zone, ainsi que dans un voisinage spécifié.

Les valeurs pour un nombre spécifié de points sont extraites des deux cartes d’adéquation. Une analyse Bivariate Spatial Association (Association spatiale bivariée) est réalisée sur ces points. Les résultats se présentent sous forme d’une couche rastérisée à la résolution de la carte d’adéquation avec la résolution la plus grossière.

L’association spatiale entre les deux cartes d’adéquation utilise la statistique L de Lee. La sortie est divisée en cinq catégories d’associations spatiales :

• La catégorie Élevé-élevé indique que la signification de la cellule est d’au moins 90 % et la moyenne pondérée dans le voisinage des deux modèles est considérée comme présentant une adéquation élevée.
• La catégorie Faible-faible indique que la signification de la cellule est d’au moins 90 % et la moyenne pondérée dans le voisinage des deux modèles est considérée comme présentant une adéquation faible.
• La catégorie Faible-élevé indique que la signification de la cellule est d’au moins 90 % et la moyenne pondérée dans le voisinage du premier modèle est considérée comme présentant une adéquation faible, tandis que celle du second modèle est considérée comme présentant une adéquation élevée.
• La catégorie Élevé-faible indique que la signification de la cellule est d’au moins 90 % et la moyenne pondérée dans le voisinage du premier modèle est considérée comme présentant une adéquation élevée, tandis que celle du second modèle est considérée comme présentant une adéquation faible.
• Not significant (Non significatif) signifie que la corrélation spatiale entre les deux modèles n’est pas significative.

Utilisation

Cette statistique complète les statistiques qui examinent les similarités et les différences des modèles. Cette statistique fournit des informations supplémentaires en quantifiant la probabilité que les valeurs élevées correspondent aux valeurs élevées entre les modèles et que les valeurs faibles correspondent aux valeurs faibles. Si les valeurs élevées et les valeurs faibles sont similaires, cela n’a pas d’importance. Les localisations où les valeurs diffèrent (élevée-faible ou faible-élevée) sont celles nécessitant une analyse supplémentaire.

Formule

La formule de cette statistique est la suivante :

BivariateSpatialAssociation(Model1, Model2, Neighborhood_Type, Distance_Band_or_Number_of_Neighbors)

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Neighborhood_Type : indique la manière dont les voisins de chaque point sont déterminés. Le point est toujours inclus dans le voisinage et toutes les pondérations de voisinage sont normalisées pour que la somme soit égale à 1.
  • Fixed distance band (Bande de distance fixe) : les points situés dans une distance critique spécifiée de chaque point sont inclus en tant que voisins. Il s’agit de l’option par défaut.
  • K nearest neighbors (K voisins les plus proches) : les K points les plus proches sont inclus comme voisins.
• Distance_Band_or_Number_of_Neighbors : le paramètre varie selon le type de voisinage sélectionné.

  Distance_Band : identifie la bande de distance à utiliser pour déterminer les voisins autour du point focal. Si aucune valeur n’est fournie, la distance correspond à la distance la plus courte de sorte que chaque point ait au moins un autre voisin dans le voisinage.

  Number_of_Neighbors : identifie le nombre de voisins autour de chaque point à inclure en tant que voisins. La valeur n’inclut pas le point. Par exemple, si vous spécifiez la valeur 6, le point et ses six voisins les plus proches (sept points au total) sont utilisés. La valeur par défaut est 8. La valeur doit être au moins égale à 2.

• Percent Sampling of Suitability Map : identifie le nombre de points à extraire du raster de différence absolue en pourcentage obtenu à partir des cartes d’adéquation à utiliser dans l’analyse.

  Le nombre de points est spécifié comme pourcentage du nombre de cellules dans les cartes d’adéquation. En règle générale, les cartes d’adéquation présentent une forte autocorrélation spatiale. L’utilisation de points espacés de manière égale totalisant 11 % du nombre de cellules dans la zone d’étude (valeur par défaut) permet souvent d’obtenir la meilleure représentation rééchantillonnée des cartes d’adéquation.

  La valeur en pourcentage détermine la taille de cellule de rééchantillonnage en augmentant proportionnellement la taille de cellule. Ce rééchantillonnage réduit le nombre de cellules raster à convertir en points pour l’analyse. La valeur par défaut de 11 % correspond à une taille de cellule d’environ trois fois celle de la résolution plus grossière des cartes d’adéquation. Avec un pourcentage plus faible, les points sont moins nombreux et plus espacés alors qu’avec un pourcentage plus élevé, les points sont plus nombreux et présentent un détail spatial plus fin.

  Le nombre maximal de points utilisés dans l’analyse est d’un million.

Change in Suitability Values (Change Detection) (Évolution des valeurs d’adéquation [détection des changements])

Vous trouverez ci-après une description de la statistique Change in Suitability Values (Change Detection) (Évolution des valeurs d’adéquation [détection des changements]), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie la variation des valeurs d’adéquation entre le modèle 1 et le modèle 2.

Elle calcule la différence dans les catégories d’adéquation entre les deux cartes d’adéquation. Pour créer les classes des catégories, les valeurs d’adéquation des cartes sont divisées en un nombre spécifié de classes à l’aide de la méthode de classification par intervalles égaux. Dans les classes d’adéquation obtenues, les statistiques indiquent, pour chaque localisation, si la classe d’adéquation a varié entre le modèle 1 et le modèle 2 et, si tel est le cas, la classe qu’elle est devenue.

La méthode de classification par intervalles égaux est utilisée pour créer les classes afin de conserver la relation relative des valeurs d’adéquation.

Utilisation

Cette statistique permet de quantifier la variation des valeurs d’adéquation entre un modèle et un autre. Elles est particulièrement adaptée aux tests de scénarios de simulation. Dans ces scénarios, vous explorez les effets de la modification des pondérations entre des sous-modèles ou critères ou les transformations de critères et pouvez faire varier les critères en entrée. Avec cette statistique, vous pouvez examiner dans quelle mesure chaque modification affecte la sortie.

Formule

La formule de cette statistique est la suivante :

Combine([Reclass_model1, Reclass_model2])

Reclass_model1 = Slice( Model1, Number_of_Classes, slice_type="EQUAL_INTERVAL")

Reclass_model2 = Slice( Model2, Number_of_Classes, slice_type="EQUAL_INTERVAL")

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• Number_of_Classes : nombre de classes dans lesquelles les valeurs d’adéquation doivent être reclassées (groupées) afin de créer les catégories d’adéquation. Deux options sont disponibles : 3 et 5. La valeur par défaut est 3.

Examine Where Regions Overlap (Examiner la superposition des régions)

Le groupe fonctionnel Examine Where Regions Overlap (Examiner la superposition des régions) contient deux statistiques :

• Region Overlap (Superposition de régions)
• Region Overlap in Suitability Levels (Superposition des régions avec niveaux d’adéquation)

Region Overlap (Superposition de régions)

Vous trouverez ci-après une description de la statistique Region Overlap (Superposition de régions), ses conditions d’utilisation et sa formule.

Description

Cette statistique détermine les zones qui se superposent et celles qui ne se superposent pas parmi les régions obtenues.

Trois conditions possibles définissent la superposition des régions entre les deux modèles :

• La localisation se trouve dans une région dans le modèle 1 uniquement.
• La localisation se trouve dans une région dans le modèle 2 uniquement.
• La localisation se trouve dans une région dans le modèle 1 et le modèle 2.

Les localisations dans les régions du modèle 1 et du modèle 2 identifient les similarités des modèles. En général, un degré de superposition élevé indique un niveau de concordance important entre les modèles.

Utilisation

Cette statistique indique les similarités et les différences des régions finales. Utilisez cette statistique chaque fois que des régions finales sont identifiées pour déterminer les localisations sélectionnées par les deux modèles. S’il existe peu de superpositions entre les régions, les modifications des paramètres de modèle entre les modèles modifient considérablement la sortie, ce qui indique que les modèles ne sont pas interchangeables.

Formule

La formule de cette statistique est la suivante :

Instructions conditionnelles identifiant les trois scénarios dans la section Description ci-avant.

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.

Region Overlap in Suitability Levels (Superposition des régions avec niveaux d’adéquation)

Vous trouverez ci-après une description de la statistique Region Overlap in Suitability Levels (Superposition des régions avec niveaux d’adéquation), ses conditions d’utilisation et sa formule.

Description

Cette statistique identifie les localisations pour lesquelles les régions obtenues se superposent et celles pour lesquelles les régions obtenues ne se superposent pas, ainsi que le niveau d’adéquation associé à chaque localisation appartenant à une région.

Neuf conditions possibles définissent la superposition des régions entre les deux modèles :

• La localisation se trouve dans une région, uniquement dans le modèle 1, et présente une adéquation élevée.
• La localisation se trouve dans une région, uniquement dans le modèle 1, et présente une adéquation moyenne.
• La localisation se trouve dans une région, uniquement dans le modèle 1, et présente une adéquation faible.
• La localisation se trouve dans une région, uniquement dans le modèle 2, et présente une adéquation élevée.
• La localisation se trouve dans une région, uniquement dans le modèle 2, et présente une adéquation moyenne.
• La localisation se trouve dans une région, uniquement dans le modèle 2, et présente une adéquation faible.
• La localisation se trouve dans une région, dans les modèles 1 et 2, et présente une adéquation élevée.
• La localisation se trouve dans une région, dans les modèles 1 et 2, et présente une adéquation moyenne.
• La localisation se trouve dans une région, dans les modèles 1 et 2, et présente une adéquation faible.

Si une localisation se trouve uniquement dans le modèle 1 ou le modèle 2, ou dans les modèles 1 et 2, et qu’elle présente une adéquation élevée, vous n’avez généralement pas à vous soucier pour cette localisation car elle présente toujours une adéquation élevée.

Les localisations présentant une adéquation moyenne ou faible dans le modèle 1 ou le modèle 2 uniquement, ou dans le modèle 1 et le modèle 2, doivent être examinées plus en détail.

Utilisation

Cette statistique fournit des informations supplémentaires sur la statistique Region Overlap (Superposition de régions). Utilisez cette statistique s’il existe très peu de superpositions. Cette statistique identifie où les régions finales entre les modèles se superposent, mais, si elles ne se superposent pas, elle identifie également les valeurs d’adéquation à ces localisations. Vous n’avez pas à vous soucier des régions qui ne se superposent pas mais présentent une adéquation élevée dans les modèles.

Formule

La formule de cette statistique est la suivante :

Instructions conditionnelles identifiant les neuf scénarios de la section Description ci-avant avec les paramètres High_Suitability_Threshold et Medium_Suitability_Threshold.

Où :

• Model 1 : correspond au nom du modèle 1.
• Model 2 : correspond au nom du modèle 2.
• High_Suitability_Threshold : identifie les cellules considérées comme ayant des valeurs d’adéquation élevée.

  Les cellules qui présentent des valeurs d’adéquation supérieures ou égales au seuil indiquent les localisations qui sont considérées comme ayant une adéquation élevée ou le nombre de cellules en pourcentage de la zone d’étude qui présentent l’adéquation la plus élevée.

  Par défaut, les cellules qui présentent des valeurs d’adéquation moyenne égales ou supérieures à 90 % des cellules de la zone d’étude sont sélectionnées, soit les premiers 10 % des cellules de la zone d’étude qui présentent l’adéquation moyenne la plus élevée.

• Medium_Suitability Threshold : identifie les cellules considérées comme ayant des valeurs d’adéquation moyenne.

  Les cellules qui présentent des valeurs d’adéquation supérieures ou égales au seuil d’adéquation moyenne et inférieures au seuil d’adéquation élevée indiquent les localisations qui sont considérées comme ayant une adéquation moyenne. Ou bien, le nombre de cellules en pourcentage qui présentent les valeurs d’adéquation les plus élevées suivantes après les cellules ayant une adéquation élevée sont sélectionnées et une adéquation moyenne leur est attribuée. Une adéquation faible est attribuée aux cellules dont les valeurs d’adéquation sont inférieures au seuil d’adéquation moyenne.

  Par défaut, les cellules qui présentent des valeurs d’adéquation moyenne égales ou supérieures à 80 %, mais inférieures à 90 % (valeur High Suitability Threshold (Seuil d’adéquation élevée) par défaut) totalisant 10 % de la zone d’étude sont sélectionnées.