Arbres de classification des méthodes d’interpolation proposées dans Geostatistical Analyst

Disponible avec une licence Geostatistical Analyst.

Une des décisions les plus importantes que vous devrez prendre consiste à définir vos objectifs en matière de développement d’un modèle d’interpolation. En d’autres termes : quelles informations le modèle doit-il fournir pour vous permettre de prendre une décision ? Dans le domaine de la santé publique par exemple, les modèles d’interpolation permettent de prévoir les niveaux de polluant pouvant être statistiquement associés aux taux de maladie. D’après ces informations, d’autres études d’échantillonnage peuvent être conçues, des politiques de santé publique peuvent être élaborées, etc.

Geostatistical Analyst propose de nombreuses méthodes d’interpolation différentes. Chacune présente des qualités uniques et fournit des informations différentes (dans certains cas, les méthodes fournissent des informations similaires et dans d’autres, les informations peuvent différer). Les diagrammes suivants présentent ces méthodes classées selon différents critères. Choisissez un critère important pour votre cas particulier et une branche de l’arbre correspondant qui représente l’option qui vous intéresse. Cela vous dirigera vers une ou plusieurs méthodes d’interpolation susceptibles de vous convenir. Il est très probable que vous ayez plusieurs critères importants à satisfaire et que vous utilisiez plusieurs des arbres de classification. Comparez les méthodes d’interpolation suggérées par chaque branche d’arbre que vous suivez et sélectionnez-en quelques-unes à mettre en perspective avant de vous décider pour un modèle.

Le premier arbre suggère des méthodes basées sur leur capacité à générer des prévisions ou des prévisions et les erreurs associées.

Certaines méthodes requièrent un modèle d’autocorrélation spatiale pour générer des valeurs prévues, mais d’autres pas. La modélisation de l’autocorrélation spatiale exige la définition de valeurs de paramètre supplémentaires et l’ajustement interactif d’un modèle aux données.

Comme différentes méthodes génèrent différents types de sortie, il est important de choisir le type d’informations que vous devez générer avant de construire le modèle d’interpolation.

Les méthodes d’interpolation varient dans leurs niveaux de complexité, qui peuvent se mesurer d’après le nombre d’hypothèses qui doivent être vérifiées pour que le modèle soit valide.

Certains interpolateurs sont exacts (à chaque localisation des données en entrée, la surface aura exactement la même valeur que celle des données en entrée), et d’autres pas. La réplication exacte des données en entrée peut être importante dans certains cas.

Certaines méthodes produisent des surfaces plus lisses que d’autres. Les fonctions de base radiale sont lisses dès leur construction, par exemple. L’utilisation d’un voisinage de recherche lisse produira des surfaces plus lisses qu’un voisinage de recherche standard.

Pour certaines décisions, il est important de tenir compte non seulement de la valeur prévue à une localisation, mais également de l’incertitude (variabilité) associée à cette prévision. Certaines méthodes fournissent des mesures d’incertitude, d’autres pas.

Enfin, la vitesse de traitement peut être un facteur de votre analyse. En général, la plupart des méthodes d’interpolation sont relativement rapides, sauf lorsque des interruptions sont utilisées pour contrôler le processus d’interpolation.

Les arbres de classification utilisent les abréviations suivantes pour les méthodes d’interpolation :

Abréviation	Nom de la méthode
GPI	Interpolation polynomiale globale
LPI	Interpolation polynomiale locale
IDW	Pondération par l’inverse de la distance
RBF	Fonctions de base radiale
KSB	Interpolation par noyau avec interruptions
DKB	Interpolation par diffusion avec interruptions
Krigeage	Krigeage ordinaire, krigeage simple, krigeage universel, krigeage d’indicatrices, krigeage de probabilités, krigeage disjonctif, krigeage bayésien empirique et prévision de la régression EBK.
Simulation	Simulation géostatistique gaussienne, basée sur un modèle de krigeage simple