INFORMATION TO USERS

This manuscript has been reproduced frwn aie microfilm master. UMI films

the text directly fmm the original or copy submitted. Thus, some thesis and dissertation copies are in tymter face, while ottiers may be ftam any type of cornputer printer.
T b quality of this reproduction is dependent upon the quality of the
copy submitted. Broken or indistinct print. colored or poor quality illustrations

and photographs, pnnt blaadthmugh, substandard margins, and impmper alignment can advenely affect reprodudion. In the unlikely event that the author did not send UMi a complete manuscript and there are missing pages, hhese will be noted. Also, if unauthorized copyright material had to be removed, a note will indicate the deletion. Ovenize materials (e.g., maps, drawings, chaits) are reproduced by
sectiming the original. beginning at the upper left-hand corner and connuing

from left to right in equal sections with small overlaps.

Photographs induded in the original manusuipt have been reprodud xerographically in this copy. Higher quality 6" x 9' bhck and white
photographie prints are available for any photographs or illustrations appeanng

in this copy for an additional charge. Contact UMI directly to order.

Bell 8 Howell Information and Leaming 300 North Zeeb Road, Ann Arbor, MI 48106-1346 USA
8W-527-0600

Dpartement de gographie et tldtection Facult des lettres et sciences humaines

Universit de Sherbrooke

Concepts et techniques d'intgration du contexte spatial dans les modeles de pondration des donnes multisources

Hdia Chakroun

1-1 y 3

Thse prsente pour I'obtention du grade de Philosophiae

Doctor (Ph.D.) en tldtection

Septembre 1998

O Hdia Chakroun, 1998

National Library
Acquisitions and Bibliographie Services
395 Wellington Street Ottawa ON K1A ON4 Canada

Bibliothque nationale du Canada Acquisitions et services bibliographiques

395, rue Wellington ttawa ON K I A ON4 Canada

The author has granted a nonexclusive licence allowing the National Libraiy of Canada to reproduce, loan, distribute or seii copies of this thesis in microfonn, paper or electronic formats.

L'auteur a accord une licence non exclusive permettant la Bibliothque nationale du Canada de reproduire, prter, distribuer ou vendre des copies de cette thse sous la forme de microfiche/film, de reproduction sur papier ou sur format lectronique. L'auteur conserve la proprit du droit d'auteur qui protge cette thse. Ni la thse ni des extraits substantiels de celle-ci ne doivent tre imprims ou autrement reproduits sans son autorisation.

The author retains ownership of the copyright in this thesis. Neither the thesis nor substantial extracts kom it may be printed or otherwise reproduced without the author's permission.

Directeur de recherche : Goze Bertin Bni Codirecteur de recherche : Noman Thomas O'Neill Membres du jury : Ferdinand Bonn (Dpartement de gographie et tldtection, Universit de Sherbrooke) Rgis Caloz (Dpartement de gnie rural, cole polytechnique fdrale de Lausanne) Danielle Marceau (Dpartement de gographie, Universit de Montral)

Rsum La prsente recherche porte sur le dveloppement d'outils d'analyse spatiale pour la modlisation des donnes multisources afin d'effectuer la prospection ou l'amnagement du temtoire en tenant compte d'une multitude de contraintes. L'objectif principal consiste tudier les multiples aspects de l'intgration explicite de la dimension spatiale un processus de pondration des donnes multisources traduisant les contraintes associes aux entits spatiales. A cet effet, diffrentes approches de spatialisation des poids ont t labores. Le cas spcifique de la recherche d'un plus court chemin (PCC)a t retenu pour tester les approches de pondration dveloppes. Dans un premier temps, une tude conceptuelle a permis de mettre le processus de pondration dans un cadre formel tel que l'intgration de la dimension spatiale se fait selon des rgles explicites. Nous avons ensuite labor deux approches de spatialisation des poids. La premire est une approche globale ou nous avons tabli des fonctions de pondration qui prennent en considration la frquence des scores des lments spatiaux pondrs. La seconde est une approche contextuelle o le poids d'une entit spatiale est calcul en fonction de son voisinage. Deux mthodes contextuelles ont t tudies
: la spatialisation a posteriori pratique sur les poids et la spatialisation a priori pratique sur

les scores. L'application de la pondration contextuelle a priori diffrents niveaux de voisinage est une pondration contextuelle adaptative. Deux algorithmes de segmentation ont servi examiner la mthode contextuelle a posteriori. L'utilisation de l'information contextuelle a priori dans le calcul des poids a t effectue l'aide d'un outil intgr de segmentation et de voisinage bas sur la structure des diagrammes de Vorono. L'application des algorithmes adapts et dvelopps s'est effectue d'une part sur des donnes artificielles et, d'autre part, sur des donnes relles correspondant aux contraintes relatives au passage d'une ligne lectrique. La spatialisation des poids selon l'approche globale, applique des cas particuliers de distribution frquentielle des scores des entits spatiales, a eu comme effet

une rduction significative du cot total d'un PCC relativement au cas d'une pondration
conventionnelle. En ce qui a trait aux PCC calculs partir de cartes de poids spatialiss selon la mthode contextuelle a posteriori, la configuration de la segmentation utilise influence le cot du PCC rsultant. Des segments ayant la forme de polygones de Vorono ont pexmis d'obtenir le cot le plus faible du trac d'une ligne et ce, par le biais d'une rduction simultane de la longueur du trac et de son cot en scores. L'effet de l'intgration du

voisinage dans la pondration a gnr des poids variant sur une large dynamique de valeurs parce que les rgions similaires par leurs scores mais dissemblables par leur homognit sont pondres diffremment. Dans le cas o le voisinage intgr dans le calcul des poids est relativement tendu, les cots totaux des PCC sont plus faibles que ceux des PCC de la pondration non contextuelle. L'intgration explicite de la dimension spatiale au calcul des poids relatifs des contraintes d'amnagement s'est avre tre un outil qui permet de diversifier les scnarios de pondration afin de simuler la diversit des interrelations et les particularits des entits spatiales.

Abstract
The present research is concerned with the development of spatial analysis tools for multisource data modelisation applied to prospecting and planning problems under constnints. The main pursued objective was the explicit integration of the spatial dimension into a weighting process from multiple constraints associated with spatial entities. Several weight spatialization approaches are elaborated and the corresponding developed algorithms are expenmented on the special case of finding a least-cost shortest path. First, a conceptual fiame is used to define explicit rules of the spatial dimension integration. Next, two spatialization approaches are defined. The first one is a global rnethod where the weighting functions used take into account the frequency distribution of scores associated with spatial entities. The second approach consist in the calculation of a contextual weight for each spatial entity according to its neighbourhood. Two contextual methods have been suggested : an a posteriori approach applied on weights and an a priori approach applied on scores; the a priori approach app lied to several neighbourhood Ievels constitute an adaptive weighting method. The a posteriori approach is studied by means of two segmentation algorithms whereas the a priori one is investigated by an integrated tool of segmentation and neighbourhood based on a Vorono diagram structure. The adapted and developed algorithms were applied on artificial data cases and a real data case relative to the optimization of power lines under spatial constraints. The global weights spatialization, used on specific frequency distribution of scores, allows a significant reduction of a shortest path total cost compared to a conventional weighting process. The effect of the contextual a posteriori weighting method on a shortest path total cost is found to be dependent on the segmentation configuration. When we use this approach, the lowest total cost of a power line transmission line - resulting from a reduction of both the length and the scores costs of the path - is observed when the spatialization of weights is made within Vorono polygons. The neighbourhood integration to the weighting process produce weights which Vary on a wide range of values; this is basically due to the fact that regions having similar scores but dissimilar homogeneity are weighted differently. When the considered neighbourhood is sufficiently extended, the total cost of shortest path is reduced by comparison to the cost resulting from a non-contextual weighting. The spatialization of weights associated to planning constraints is found to be a tool for simulating the relationships

and the particularities of the spatial entities.

Table des matires

Liste des figures .................................................................................... Liste des tableaux .................................................................................. Liste des annexes ................................................................................... Glossaire ............................................................................................. Remerciements .....................................................................................
1.

Vlll
X

v ...

ix xiv

Introduction et revue de la pondration des donnes spatiales .................... Introduction : analyse spatiale dans les S G ........................................ I

1 .2. 1.2.1.

1.2.2.
1.3. 1.3.1. 1.3.2. 1.4.

Modlisation des donnes spatiales ................................................... Concept gnral de la modlisation spatiale ......................................... Principaux types de modlisation des donnes spatiales ...........................

Revue des modles de pondration spatiale .......................................... Modles de pondration orients donnes ........................................... Modles de pondration orients connaissances ....................................
Objectifs et organisation de la thse .................................................. Cadre conceptuel : fonctions de pondration et modles de spatialisation des poids ................................................... Introduction ..............................................................................

2.2.
2.2.1.

2.2.2. 2.2.3. 2.3. 2.3.1. 2.3.2.

Cadre formel du processus de la pondration ....................................... Dfinition de la terminologie .......................................................... Dfinition de la pondration ............................................................ Reprsentation de la pondration par la thorie des ensembles ...................
Fonctions de pondration adaptes et dveloppes ................................. Fonctions de pondration algbriques ................................................ Fonctions de pondration comparatives .............................................. Revue des approches d'intgration de la dimension spatiale la pondration ................................................................ Introduction ..............................................................................

2.4.
2.4.1.

2.4.2.
2.4.3.

Spatialisation de la pondration par la distance ..................................... Spatialisation de la pondration par le voisinage .................................... Segmentation et pondration

...........................................................

2.6. 2.6.1. 2.6.2.

2.7.

Outils d'analyse spatiale contextuelle ................................................ Revue des approches de voisinage dans le plan ..................................... Revue des approches de segmentation des images numriques ................... Modles de spatialisation de la pondration par le voisinage et la segmentation ................................................... Mise en contexte ......................................................................... Modle formel de spatialisation de la pondration .. u priori par le voisinage ................................................................ Segmentation des donnes multiples ................................................. Application de la spatialisation des poids au problme du plus court chemin ........................................................ Recherche d'un plus court chemin dans un graphe ................................. Recherche d'un plus court chemin dans un contexte spatial ....................... Relation entre la segmentation et le plus court chemin ............................. Conclusion ................................................................................ Dveloppement algorithmique et analyse des donnes .............................. Introduction ................................................................................. Mthodologie gnrale ....................................................................

2.7.1. 2.7.2.
2.7.3.
2.8.

2.8.1. 2.8.2. 2.8.3.

3.3.
3.4.
3.4.1. 3.4.2. 3.4.3.

Approche de spatialisation globale de la pondration ................................ Algorithme SHOE appliqu a la pondration contextuelle a posteriori .................................................................. Description de l'algorithme SHOE ..................................................... Critres de fusion de l'algorithme SHOE ............................................. Implantation et modification de l'algorithme SHOE ...............................

iii

3.5.
3.5.1. 3.5.2. 3.5.3.

Algorithme APCA appliqu la pondration contextuelle ........................ Caractristiques gnrales de 1' APCA ................................................ Segmentation d'images par des algorithmes de Vorono ........................... Description et implantation de I'APCA ............................................... valuation du cot d'un plus court chemin dans un contexte spatial ............ Analyse des donnes ..................................................................... Donnes relles du secteur d'tude .................................................... Donnes artificielles ..................................................................... Discussion et conclusion ................................................................ Analyse des rsultats .................................................................... Introduction ...............................................................................

3.6.
3.7. 3.7.1 3J . 2 .
3.8.

4.2. 4.2.1. 4.2.2. 4.2.3.

4.3. 4.3.1. 4.3.2.

Analyse de la signification des cots ................................................. Objectif ................................................................................... Principe du test d'valuation des cots ............................................... Analyse et interprtation des rsultats du test d'valuation des cots ............ Analyse de la spatialisation globale de la pondration ............................. Effets de la composante spatiale globale sur des cartes de scores artificielles ....................................................... Application de la spatialisation globale sur les cartes de scores relles .............................................................. Validation statistique du processus de la spatialisation globale ................... Fonctions de pondration comparatives et pondration globale .................. Commentaires et recommandations sur la spatialisation globale des poids ..................................................... Analyse de la spatialisation contextuelle a posteriori de la pondration .......................................................... Remarquesprliminaires ............................................................... Application du test d'valuation des cots des PCC aux cartes relles ............................................................. Pondration contextuelle a postenon par l'algorithme SHOE .................... Pondration contextuelle a posteriori par 1' APCA .................................. Comparaison des rsultats des algorithmes SHOE et APCA ...................... Conclusion sur la pondration contextuelle a posteriori ...........................

4.3.3. 4.3.4. 4.3.5 .

4.4.

90
91 91 93

4.4.1.
4.4.2.

4.4.3. 4.4.4. 4.4.5. 4.4.6.

98 104
108

4.5. 4.5.1. 4.5.2. 4.5.3.

Analyse de la spatialisation contextuelle a priori de la pondration ............. Introduction et contexte d'utilisation ................................................. Application de 1'APCA aux cartes de scores artificielles .......................... Caractristiques de.la pondration contextuelle . a priori par le voisinage ................................................................ Analyse de la spatialisation contextuelle adaptative de la pondration ............................................................ Introduction et contexte d'application ................................................ Caractristiques et paramtres de I'APCA ........................................... Pondration contextuelle adaptative de cartes de scores individuelles .................................................................. Pondration contextuelle adaptative de cartes de scores multiples ............... Mixage de la spatialisation globale et contextuelle des poids ..................... Commentaires et recommandations sur la spatialisation contextuelle a priori et adaptative des poids ........................ Conchsion ................................................................................ Conclusions gnrales ................................................................... Implications de la spatialisation de la pondration sur l'analyse multicritre ................................................................ Rfrences .................................................................................

108 108 109

113

4.6.

4.6.1. 4.6.2. 4.6.3.

4.6.4. 4.6.5. 4.7.

116 116 116 117

120
123

125
127
127

5.
5.1.

5.2.

129

6.

13 1

Liste des figures

Fonctions de pondration algbriques ........................................
Fonctions de pondration matricielles ........................................ Diagramme de Vorono .........................................................

Schma des scnarios de pondration ........................................ Schma des ensembles ......................................................... Schma des processus de segmentation ...................................... Schma d'un graphe

............................................................

Organigramme de la mthodologie gnrale ................................

Pondration contextuelle dans les diagrammes de Vorono

...............

Exemple numrique de calcul des poids contextuels .......................

Disposition d'un nouveau germe dans le plan de l'image Localisation du site d'tude

..................

....................................................

Cartes thmatiques des contraintes de la rgion d'tude

Cartes de pente et de visibilit du secteur d'tude

...................

..........................

Histogrammes de la pente et de la visibilit du secteur d'tude ................................................................ Exemples de cartes de scores artificielles ....................................

Analyse de la signification des cots des PCC ..............................

Variation de la pente A en fonction du nombre de types d'lments

.....

Histogrammes des cartes de scores artificielles ............................. Histogrammes des cartes de poids et PCC correspondants ................ Cartes de pente et leur distribution ............................................. Variation des poids en fonction de la variation des scores ................. Analyse des cots en scores des PCC sur les cartes du secteur d'tude .................................................... Segmentation des cartes de poids de la zone d'tude par I'algorithme SHOE ................................................ Caractristiques des PCC issus de la segmentation par l'algorithme SHOE ......................................... Tracs rsultants de la segmentation des cartes de poids avec deux fonctions d'htrognit de l'algorithme SHOE ........................... Segmentation de la carte d'affectation du sol par les diffrents critres de 1'APCA .............................................. tapes de la pondration contextuelle des cartes de contraintes .......... Rsultats des fusions des cartes de scores du secteur d'tude par I'APCA .................................................... Caractristiques des PCC issus de la spatialisation par I'APCA des poids des cartes du secteur d'tude

........................

Caractristiques des PCC issus de la segmentation par l'algorithme SHOE et I'APCA ............................................ Tracs des PCC rsultant des scnarios de pondration sans segmentation et avec segmentation ...................... Tracs des PCC contextuels et non contextuels sur les cartes de scores artificielles ............................................ Effets de la spatialisation contextuelle sur la distribution des poids ...... Caractristiques des PCC issus de la spatialisation des poids de la carte d'affectation du sol par I'APCA ...........................

vii
4.20.

Caractristiques des PCC issus de la spatialisation des poids de la carte d'utilisation du sol par I'APCA ........................... Caractristiques des PCC issus de la spatialisation des poids par I'APCA selon deux modes de segmentation ..................... Caractristiques des PCC issus de la spatialisation des poids par 1' APCA selon les schmas a posteriori et adaptatif ......................... Caractristiques des PCC issus de la spatialisation des poids de la carte de pente par I'APCA .........................................

119

4.2 1.

121

4.22. 4.23.

122

123

Liste des tableaux

Matrice de comparaison Mi relative l'ensemble de contraintes Di ........ Effectif de chaque score dans les polygones

16

..................................
............................

50 51

Paramtres des poids et des scores des polygones

Correspondance entre les rsistances et les scores ........................... Donnes spatiales relatives aux contraintes et scores correspondants ...... Valeurs de corrlation entre les diffrentes cartes de scores ................ Caractristiques des PCC rsultant de la pondration globale .............. Caractristiques des PCC drivs des c~iutes distributions symtriques ........................................................................ Caractristiques des PCC calculs sur les cartes de pente

61

67
69

77

80
81

...................

Cots et longueurs standardiss des PCC du test de Student ............... Paramtres du test de Student dans le cas des cots absolus

86

................

87

Paramtres du test de Student dans le cas des cots relatifs ................. Caractristiques des PCC issus de l'application des FPM

87
89

...................

Caractristiques des PCC issus de l'application de FPFi et FPVFi sur ......... Variation des coefficients de variation des cartes de poids et des cots totaux des PCC ......................................................
114

Liste des annexes Exemple d'application de la rgle de Bayes la pondration ........................ 140

Types des donnes spatiales ............................................................... 141

Calcul des poids par la mthode du vecteur propre .................................... Diffrents types de diagrammes de Vorono ............................................ 142 145 147

Algorithme de Dijkstra .....................................................................

Algorithme itratif de partitions en diagrammes de Vorono ......................... 149

Caractristiques d'un graphe matriciel ...................................................
152

...................................... Mthode d'valuation d'impact dYHydro-Qubec

Caractristiques des lois z et t

153
156

.............................................................

Glossaire
A

pente de la droite reprsentant une relation linaire cartes de scores artificielles distribution alatoire combinaison d'oprations algbriques algorithme de pondration contextuelle adaptative ordonne a l'origine de la droite reprsentant une relation linaire coefficient de corrlation entre deux cartes thmatiques critre de division des segments critre de fusion des segments cot total standardis d'un PCC coefficient de variation d'une carte thmatique coefficient de variation des poids coefficient de variation des scores ensemble des Di distance euclidienne ensemble de donnes spatiales lment spatial de Di cartes de scores artificielles distribution particulire
degr de libert

ALE
ALG
APCA B CORR CRI-DIV CRI-FUS
Cstd

cv
CVP

cvs
D
d(..,..)

Di
di,j

DS I
DL
DV

diagramme de Vorono fonction de cartographie fonction de pondration algbrique fonction de pondration matricielle fonction de pondration algbrique intgrant le voisinage ensemble des germes germe de l'ensemble G fonction d'htrognit entre les segments fonction d'htrognit interne d'un segment

FP
FPM

FPV

L
Lin

longueur d'un PCC valeur limite infrieure de la longueur d'un PCC

longueur standardise d'un PCC valeur limite suprieur de la longueur d'un PCC nombre de types d'lments spatiaux de Di nombre de types d'lments spatiaux de Di appartenant ri," matrice de comparaison des lments de Di moyenne des poids moyenne des scores nombre total des ensembles Di nombre de segments voisins de v nombre de pixels d'une carte thmatique nombre de pixels du segment v effectif d'un chantillon de la variable X effectif d'un chantillon de la variable Y plan euclidien

P
PCC
PO1

proprit relative la segmentation plus court chemin

cartes de scores artificielles distribution de Poisson

Ri

est ensemble de rgions selon lesquelles Di partitionn

rgion du plan appartenant Ri ensemble des Si cot en scores d'un PCC segmentation individuelle de chaque carte Si ou Wi segmentation simultane des cartes de S ou de W seuil-div seuil-fus seuil de division seuil de fsion algorithme de segmentation hirarchique optimisation par tapes ensemble des scores des lments de Di score de l'lment spatial di ensemble de scores des lments de Di appartenant ri,

SHOE
Si
Sij
Si.v Sin

valeur limite infrieure du cot en scores d'un PCC

xii ensemble des Si segment cot en scores standardis d'un PCC cot en scores standardis relatif d'un PCC valeur limite suprieure du cot en scores d'un PCC fonction de calcul des paramtres statistiques des scores fonction de calcul des paramtres statistiques des poids cart-type d'un chantillon de la variable X cart-type d'un chantillon de la variable Y variable de la loi de Student segment voisin de v segment ensemble des points voisins de gi au sens de Vorono variance des poids variance des scores ensemble des Wi ensemble des poids des lments de Di ensemble des poids des lments de Di appartenant a ri,, ensemble final rsultant de la pondration ensemble des Wi segment variables alatoires indpendantes variable de la loi z variation variation de scores

, vecteur propre de la matrice Mi correspondant ,A

coefficient cornpis entre O et 1 utilis en division
afus

coefficient compris entre O et 1 utilis en fusion coefficient de pondration compns entre O et 1 utilis dans le calcul de a , coefficient compris entre O et 1 utilis dans le calcul de Cstd coefficient rel positif caractrisant les fonctions de pondration

S..

Xlll

valeur propre maximale de la matrice Mi

moyenne de la population de la variable X moyenne de la population de la variable Y poids de l'ensemble Di poids unitaire de l'lment spatial di,j

poids d'un pixel

poids d'un segment spatialis a posteriori poids d'un segment spatialis a priori appartenance diffrent de inclusion infrieur ou gal intersection quel que soit runion somme

suprieur ou gal gal a

xiv

Remerciements

Au professeur Goze B. Bni qui a dirig ce travail avec normment d'intrt, j'exprime ma reconnaissance. Au professeur Norman T. O'Neill qui a particip la direction de la thse, j'adresse mes remerciements. Je remercie le prsident du Groupe S.M. Inc. pour le financement de la recherche. I'exprime galement ma gratitude a tous les membres du Centre d'applications et de recherches en tldtection, ainsi qu'a la Facult des lettres et sciences humaines pour l'aide logistique et financire.

A mes parents, mon poux, ainsi qu' tous les membres de ma famille.

1.

Introduction et revue de la pondration des donnes spatiales

1.1. Introduction : analyse spatiale dans les SIG

Le dveloppement des systmes d'information gographique (SIG) pleine volution depuis en

des annes en fait un outil de choix dans des applications aussi diversifies que la gestion des ressources naturelles ou l'amnagement du temtoire. Ces applications se caractrisent par des besoins et des objectifs semblables : d'une part, combiner des donnes spatiales issues de diffrentes sources afin de dcrire et d'analyser leurs interactions; d'autre part, effectuer des modlisations dans le but de prdiction ou d'assistance aux dcideurs. Les SIG existants sont performants au niveau de l'absorption d'normes quantits de donnes; cependant, malgr la diversit des logiciels, les utilisateurs se rendent compte des limites des outils d'analyse spatiale quand il s'agit d'tudier ou de modliser des problmes de prospection ou d'amnagement multifactonels. Fotheringham et Rogerson (1993) notent que le manque de performance des outils d'analyse des SIG est d soit la sophistication de certaines mthodes de rsolution de ces problmes, ce qui freine leur implantation, soit au fait que les

I professionnels dans ce domaine, aussi bien ceux qui dveloppent les S G que ceux qui les
utilisent, ne sont pas toujours conscients de certains progrs thoriques qui peuvent tre adapts aux besoins des utilisateurs en matire d'analyse spatiale. Au fil des rflexions, les utilisateurs et les concepteurs des SIG se posent des questions sur l'intgration effective de la dimension spatiale aux outils de traitement des donnes et de la modlisation spatiale (Goodchild, 1987; Burrough 1990; Scholten, 1992). Les principales ides qui surgissent des ces rflexions et qui concernent le domaine de I'analyse spatiale dans les S G sont : I les techniques d'analyse intgres aux S G devront tre explicitement spatiales, c' est-aI dire, elles doivent utiliser le caractre spcifique des donnes spatiales qui les distinguent

des donnes non spatiales;

les techniques doivent tre orientes vers l'exploration et la simulation plutt que vers la vrification d'hypothses afin de les rendre plus universelles et moins dpendantes des tudes de cas; toute nouvelle technique doit tre conue de sorte que l'interface avec le SIG soit possible dans les deux sens.

1.2. Modlisation des donnes spatiales La modlisation spatiale a t d f i e par Scholten (1992) comme une srie de techniques d'analyse considres selon une squence logique avec comme but ultime l'obtention de valeurs additionnelles partir de l'information. La manipulation de telles valeurs doit se faire de sorte qu'elles puissent apporter des solutions aux problmes complexes.
1.2.1. Concept gnral de la modlisation spatiale

Les principales formes de modles dans l'analyse spatiale consistent crer de nouveaux attributs partir d'attributs caractrisant les objets et ce, en prenant en considration la localisation, la gomtrie, la topologie et les attributs non gographiques des objets (Burrough,

1992). Si l'on dsigne par X un objet gographique caractris par ses attributs A, B, C,... et

par U le nouvel attribut issu de l'application d'une fonction modle f X, trois formes de
modles peuvent tre nonces selon que lo tienne compte ou non de la continuit spatiale et 'n de la variation du phnomne modlis dans le temps :

- le nouvel attribut U de l'objet X est dcrit sans tenir compte de son contexte :

le nouvel attribut U de l'objet

X est dcrit par un modle qui tient compte du voisinage de

- le nouvel attribut U de l'objet X est dcrit par un modle qui tient compte du voisinage de
X et du temps t :

Le modle dcrit par l'quation (1) est la forme la plus simple des fonctions qui puissent exister dans un S G telles que les fonctions algbriques et logiques. I

Les oprations d'interpolation et de zones tampons sont des fonctions qui figurent dans la

I majorit des S G et constituent des exemples de modles de l'quation (2). Toutefois, quand il
s'agit d'applications gographiques complexes impliquant une panoplie de donnes, il est plus ardu de prendre en considration la dimension spatiale a toutes les tapes de l'analyse. Cependant, l'intgration d'une telle composante devrait amliorer les processus de modlisation vu qu'elle permet de tenir compte des interactions spatiales possibles. titre d'exemple, le calcul d'un indice d'autocorrlation intgrant une information de voisinage a amlior un modle de prdiction de zones sensibles aux feux de fort ( Chou et al., 1990). Le modle de l'quation (3) reprsente la forme In plus complte de modlisation des donnes spatiales d'une manire dynamique.
1.2.2.

Principaux types de rnodiilisation des donnes spatiales

Diffrents modes de classification des modles spatiaux figurent dans la littrature. Une classification simple des modles a t propose par Bonharn-Carter (1994) selon le type de l'application; cet auteur a suggr trois principaux types de combinaison des donnes spatiales relatifs aux trois modles suivants : les modles dterministes, les modles semi-empiriques et les modles empiriques. Les modles dterministes dits aussi thoriques sont bass sur des principes physiques ou chimiques. L'apport des SIG ces modles se restreint en gnral a la gestion de la base de donnes et la visualisation des rsultats. Le S G peut cependant y introduire des facteurs I modifiant les paramtres du modle.

Les probimes qui peuvent tre rsolus par des modles empiriques (incluant les modles

I semi-empiriques) constituent la majorit des applications o le S G est utilis comme outil de

base afin d'intgrer l'ensemble des donnes et de reprsenter les diverses interactions possibles entre elles. Il est possible de distinguer deux types de modlisation empiriques :

la modlisation oriente donnes (data-driven) : les paramtres du modle sont issus des donnes quand leur abondance et le type de l'application le permettent; la rsolution de ces

problmes se fait par le biais des mthodes de rgression, des rgles Bayesiennes ou des rseaux de neurones;

- la modlisation oriente connaissances (knowledge driven) : les paramtres du modle sont

estims partir d'une expertise : l'analyse hirarchique comparative (Saaty, 1980), la logique floue (Zadeh, 1965)' et la thorie des croyances de Dempster-Shafer (Shafer, 1976) sont des exemples d'outils utiliss. Les modles empiriques et semi-empiriques peuvent aussi tre dcrits comme des processus de pondration. En effet, un modle, qu'il soit orient donnes ou orient connaissances, a pour objectif ultime de produire des cartes qui associent chaque lment spatial un attribut quantifiant son potentiel naturel (dans le cas d'applications lies a la gestion des ressources),
ou son potentiel relativement un type d'amnagement. Ainsi, nous pouvons dire que les

modles cits ci-dessus ne sont autres que des variantes de pondration des donnes spatiales.

Le processus de pondration des donnes spatiales fait l'objet principal de cette recherche.
Diffrents modles de pondration seront analyss en mettant I'accent sur le dveloppement d'outils d'analyse spatiale appropris. Pour saisir l'importance de ce processus, nous faisons une revue des principales mthodes de pondration associes chaque type de modles dcrits ci-dessus.
1.3. Revue des rnodles de pondration spatiale

1.3.1. Modles de pondration orients donnes

A.

Modles Bayesiens

La pondration selon un processus utilisant la rgle de Bayes ncessite l'utilisation de connaissances pralables telles que la distribution spatiale du phnomne modlis. Cette information peut tre issue d'un outil conventionnel de cartographie telle que la logique boolenne. Le principe de la rgle de Bayes consiste calculer une probabilit a posterion partir de la probabilit a priori d'un vnement. Appliqu la pondration des donnes spatiales, cet outil statistique permet de dterminer des poids en utilisant des probabilits

dfinies adquatement en fonction de l'application. L'annexe 1 rsume un exemple d'utilisation de la rgle de Bayes applique la pondration des lments spatiaux relativement la cartographie des risques de glissement de tenain.

B.

Modles bass sur les rgressions

En analyse spatiale, les mthodes de rgression peuvent tre utiles dans l'tablissement des relations entre la carte finale rsultant d'une modlisation et les diffrentes cartes utilises comme intrants; ces relations permettent d'expliquer totalement ou partiellement les phnomnes modliss. Les techniques conventio~ellesde rgression par la mthode des moindres carrs sont utilises quand les attributs des lments spatiaux sont sur une chelle continue (chelle intervalle ou ratio); l'annexe 2 rsume les dfinitions des diffrentes chelles des donnes spatiales. Dans plusieurs applications, on est amen a utiliser des attributs nominaux ou ordinaux qui ne se prtent pas a des rgressions simples. Dans ces cas, les modles de rgression logarithmiques sont utiliss (Wrigley, 1985; Upton and Fingleton,
1989; O'Brien, 1989). Wang et Unwin (1992) ont propos une mthode de pondration qu'ils

ont applique un problme de glissement de terrain base sur un modle de rgression logarithmique.
1 J.2.

Modles de pondration orients connaissrnces valuation et scores

A.

Dans certains types d'application, la modlisation spatiale utilise comme donnes de base
l'apprciation d'experts. L'valuation d'impacts environnementaux est un exemple o l'effet d'un amnagement est jug diffremment d'un expert un autre (Sirnos, 1990). Ceci ne constitue s un obstacle a l'utilisation de ces valuations pour tablir des scnarios d'amnagement ou pour quantifier l'effet d'une action donne sur l'environnement. Les mthodes d'valuation sont souvent utilises dans l'analyse multicntere dans divers domaines; elles sont tablies d'une manire absolue (i. e. chaque lment est valu d'une faon isole)

ou relative (i. e. l'valuation d'un lment tient compte des autres lments).

Le principe de l'valuation dans un contexte spatial consiste associer des scores aux diffrents lments spatiaux sur la base de connaissance du processus d'tude ou de planification. Selon Voogd (1983)' les scores peuvent tre de diffrentes natures, d'o la ncessit souvent de les normaliser. Les scores sont soit du type quantitatif (valeurs relles ou entires), soit du type qualitatif. Dans une application relative un contexte spatial o diffrentes cartes sont intgres, il est important d'avoir la mme chelle d'apprciation lors de l'valuation (i.e. on ne doit pas choisir une chelle de 1 10 pour une carte et une chelle de 1 a 100 pour une autre). L'valuateur peut aussi donner des scores aux cartes spatiales refltant dans ce cas l'importance relative entre les cartes. En gnral, le terme score est utilis pour les lments spatiaux dans une mme carte et le terme poids est utilis pour les cartes. Nous allons maintenir le terme scores aussi bien pour les lments spatiaux que pour les cartes afin de rserver le terme poids au processus de pondration des lments spatiaux dans une mme carte.

B.

Ponderation par la logique boolenne

Les modles de pondration boolens consistent donner des valeurs de poids binaires aux lments spatiaux : par exemple, dans le cas de recherche de sites propices l'extension d'une zone rsidentielle, le poids d'un lment est gal 1 si le site est accept, il est gal O s'il est rejet. Les oprations logiques d'intersection ou de runion permettent de relier les cartes les unes aux autres selon I'application. La pondration par la logique boolenne est une automatisation de la mthode traditionnelle qui consiste a superposer physiquement les diffrentes cartes. Cette mthode est simple mais elle reste entache d'un certain nombre d'inconvnients dont les principaux sont :

la limitation des poids aux seules valeurs 1 et O produit des discontinuits spatiales qui sont loin de reflter la nature continue des lments spatiaux et des phnomnes modliss (la limite physique entre une zone propice et une zone non propice un type d'amnagement est difficile tablir dans la ralit);

tous les lments spatiaux ont la mme importance : il n'est pas possible de dire qu'une zone est moyennement propice ou faiblement propice;

- la propagation des erreurs dans les modles boolens est trs importante compare
Burrough, 1993).
C,

d'autres mthodes de modlisation continues telles que la logique floue (Heuvelink and

Pondration par la mthode multi-attributs

La mthode multi-attributs connue sous le nom de Index Overlap est trs courante dans la pondration des donnes l'intrieur des SIG.Le calcul des poids se fait par des combinaisons algbriques de scores des lments spatiaux qui leur ont t attribus lors de l'valuation. Cette technique est plus flexible que la logique boolenne (Bonham-Carter, 1994). Les valeurs des scores peuvent tre modifies selon l'avis de l'expert. Le plus grand inconvnient de la mthode est relatif son aspect linaire additif: dans le cas de cartes interdpendantes, l'effet cumulatif des oprations additives peut entraner une surestimation des poids qui ne reflte souvent pas la ralit.

D.

Ponderation par la logique floue

La logique Boue a t propose comme outil pouvant remplacer la logique boolenne par
Zadeh (1965); elle a t applique dans diverses disciplines telles que la cartographie ou le

traitement d'images. La conversion des ensembles ordinaires en ensembles flous s'accomplit

en rendant les limites des ensembles graduelles afin de pallier la nature discontinue de la
logique boolenne. En analyse spatiale, la logique floue a t utilise pour pallier l'ambigut
et a l'imprcision de certaines donnes spatiales ainsi qu' la complexit de phnomnes

spatiaux modliss. Pour des ensembles classiques, l'appartenance d'un lment ne peut prendre que les valeurs 1 ou O (i. e. l'lment appartient ou n'appartient pas l'ensemble) ;par contre, les ensembles flous se caractrisent par une fonction d'appartenance qui prend des valeurs relles comprises entre O et 1. A titre d'exemple, si nous considrons deux classes de sites propices pour un type d'amnagement, un lment spatial peut appartenir aux deux classes avec des niveaux d'appartenance diffrents dtermins par une fonction d'appartenance caractrisant chacune l'une des deux classes. La pondration par la logique floue est base d'une part sur la fonction d'appartenance, et d'autre part sur l'association du caractre flou soit aux cartes des donnes, soit la carte rsultant de la pondration, ce qui se traduit par des oprations de logique floue qui permettent plus de flexibilit que les oprations

logiques conventionnelles. Les travaux de recherche de An (1992) prsentent une panoplie d'exemples d'utilisation de la logique floue en prospection minire.

L'une des caractristiques importantes dans le raisonnement par la logique floue est la
fonction d'appartenance. D'aprs Burrough (1989), il existe deux modes de dtermination de la fonction d'appartenance dans le domaine de l'analyse spatiale :

- la mthode smantique ou l'analyste a une bonne ide qualitative de I'application; ceci

revient au processus de l'valuation;

- la mthode base sur les modles relationnels de similarit tels que les fonctions
d'appartenance lies la distance ou plus gnralement au contexte spatial. Selon la faon dont la fonction d'appartenance est dfinie, il est possible de distinguer au moins deux types de relation entre la pondration et la fonction d'appartenance : le cas o les poids sont drivs de la fonction d'appartenance (Burrough et al., 1992) et le cas o la fonction d'appartenance est drive des poids calculs partir de scores par l'une des mthodes conventionnelles (Bana, 1993).

E.

Pondration par le processus analytique hirarchique

Le processus analytique hirarchique connu sous le sigle AHP (Analytic Hierarchy Process) a t introduit par Saaty (1980); il est bas sur la transformation des scores issus d'une valuation comparative de chaque paire de l'ensemble des lments en poids, les lments tant organiss selon une structure hirarchique. A chaque niveau de la hirarchie, les poids sont calculs partir d'un vecteur driv de la matrice de comparaison des lments appartenant a ce niveau; les poids finaux sont gaux au produit des diffrents poids de chaque niveau de la hirarchie. Le calcul des poids par I'AHP est un processus rtroactif car il permet d'ajuster les valeun de la matrice de comparaison issue de l'valuation comparative pour se rapprocher le plus de la cohrence dans le processus de comparaison. La mthode de l ' A m a t applique des donnes spatiales; dans ce cas, la hirarchie est soit du type spatial ( i. e. le territoire d'tude est subdivis selon une structure hirarchique) soit du type fonctionnel (les critres de l'application sont hirarchiques). Cette mthode sera explicite au chapitre suivant.

1.4. Objectifs et organisation de la thse

La prsente recherche a t motive par le besoin de pallier aux lacunes des outils de gestion
et de modlisation des donnes spatiales en ce qui a trait l'analyse spatiale. L'objectif principal vis le long de nos investigations consiste tudier les diffrentes implications de l'intgration explicite de la dimension spatiale la pondration des donnes. A cet effet, nous avons explor deux aspects :

- un aspect conceptuel qui consiste dfuiir clairement l'approche de modlisation spatiale

adapter au problme de la pondration;

un aspect oprationnel consistant adapter parmi les outils existants et a dvelopper de nouveaux outils qui rendent l'intgration explicite de la dimension spatiale possible.

Le premier aspect fait I'objet du chapitre 2 qui traite du cadre conceptuel des modles de pondration ainsi que de la formalisation du processus de l'intgration de la composante spatiale a ces modles. Au niveau du chapitre 3, nous prsentons les diffrentes approches algorithmiques adaptes et dveloppes et nous analysons les donnes. Le chapitre 4 porte essentiellement sur l'analyse et l'interprtation des rsultats. Le uernier chapitre reprsente l'ensemble des csncIusions et les recommandations.

2.

Cadre conceptuel : fonctions de pondration et modles de spatialisation des poids

2.1. Introduction
Dans le prsent chapitre, nous laborons le cadre conceptuel des modles de pondration qui peuvent tre appliqus une panoplie de problmes impliquant un processus d'valuation. Nous prsentons ensuite une formulation de l'intgration explicite de la dimension spatiale une procdure gnrale de pondration par les outils d'analyse contextuelle utilisant le voisinage et la segmentation. L'tude de cas choisie pour l'application des concepts dvelopps concerne la recherche de tracs optimaux de lignes lectriques en prenant en considration une multitude de contraintes. 2.2. Cadre formel du processus de la ponderation
2.2.1. Terminologie

- Nous appelons donnes multivaries, toutes les donnes reprsentant les lments spatiaux
diffrant par leurs sources et leurs caractristiques statistiques.

- Nous appelons critre, l'ensemble des contraintes associes un projet : par exemple, dans
le cas d= recherche de sites propices pour le passage d'une ligne lectrique, on peut avoir des critres environnementaux, conomiques, sociaux, techniques, etc. chaque critre est associ un ensemble de contraintes. A titre d'exemple, certaines des contraintes relatives au critre environnemental rgissant le passage d'une ligne lectrique sont :

- la ligne doit tre situe une certaine distance des berges d'une rivire; - la ligne ne doit pas traverser un lment spatial ayant une valeur historique
Un exemple de contrainte technique peut s'noncer comme suit :

la pente du terrain o sont implants les pylnes ne doit pas excder une valeur critique.

- Nous dfinissons un processus d'valuation comme l'action d'associer des scores aux
lments spatiaux relativement chacune des contraintes. Une valuation absolue consiste a associer un score chaque lment spatial contrairement une valuation relative o un score est associ chaque lment suite sa comparaison avec chacun des autres lments du mme ensemble.

- Une carte thmatique est dfinie comme une couche matricielle ou vectorielle qui
reprsente un ensemble d'lments spatiaux ayant des caractristiques physiques ou fonctionnelles similaires (e. g. carte de pente, carte de zones sensibles l'rosion, etc.). En
gnral, les besoins en cartes thmatiques d'un projet sont identifis partir des contraintes.
2.2.2.

Dfinition de la pondration

Nous dfinissons la pondration des donnes spatiales comme tant l'ensemble des techniques qui permettent d'attribuer des poids aux diffrents lments spatiaux qui ont fait I'objet d'une valuation selon les diffrentes contraintes relatives aux critres tablis. L'apport d'un processus de pondration une modlisation spatiale se rsume dans les deux prochains points.

- Le fait de transformer les valeurs des scores exprimes gnralement sur une chelle
nominale ou ordinale en des valeurs de poids exprimes sur une chelle continue; l'avantage d'une telle transformation est de permettre plus de flexibilit au niveau des outils d'analyse : par exemple, sur une chelle nominale, l'analyse factorielle, les statistiques paramtnques et les rgressions simples ne peuvent tre utilises.

- L'intgration au calcul des poids de paramtres indpendants des scores mais qui
caractrisent et distinguent les lments spatiaux tels que le contexte, le voisinage, la forme, etc. En effet, les spcialistes en valuation effectuent soit une valuation absolue ou ils attribuent des scores aux diffrents iments spatiaux jugs, chacun, d'une manire isole, soit une valuation relative ou les scores sont affects sur une base comparative des diffrents lments spatiaux quand le nombre de ces demien ne dpasse pas la dizaine. Cependant, dans le cas ou l'application ncessite la comparaison de centaines d'lments spatiaux entre eux, il devient impossible de procder des valuations comparatives. La combinaison des scores issus d'une valuation absolue ou d'une valuation relative avec

une information spatiale dpourvue de la subjectivit qui entache les scores permet de
calculer des poids contextuels et ainsi, de pallier partiellement aux limites d'une valuation

(Chakroun et al., 1994).

2.2.3. Reprsentation de la ponderation par la thorie des ensembles

Nous avons utilis la thorie des ensembles comme cadre de reprsentation des donnes spatiales multivaries impliques dans un projet. Nous dsignons chaque carte thmatique associe l'une des contraintes d'un projet de modlisation spatiale par l'ensemble des (quation (4)) et par D l'ensemble des D (quation (5)). Chaque ensemble Di est i donnes Di

form d'lments spatiaux nots dij. Un lment di peut avoir des caractristiques physiques

ou fonctionnelles et, de ce fait, il a du faire l'objet d'une valuation relativement une

contrainte du projet d'tude. Les ensembles Di sont des cartes du type vectoriel ou matriciel. Dans le cas matriciel, chaque lment di,j est form de pixels, et dans le cas vectoriel, dij peut avoir une structure ponctuelle, linaire ou polygonale.

QU

n:
m(i) :

nombre de cartes Di intgres dans l'tude; nombre de types d'lments spatiaux de l'ensemble Di.

A titre d'exemple, une carte thmatique i ayant une valeur de m(i) gale a 10 peut contenir une
multitude d'lments spatiaux dont les scores varient entre 1 et 10. La figure 4.5 (chapitre 4) montre un exemple de variation de m(i) pour une mme carte de contrainte relative la pente du terrain. Si l'valuation est du type absolu, un score est attribu l'lment dij; s'il s'agit plutt
Sijk

Sij

d'une valuation relative, un score comparatif

est associ a l'lment dij suite sa

comparaison avec un autre lment spatial diqk. scores sij appartiennent un ensemble Si Les

donne par l'quation (6); les ensembles Si appartiennent l'ensemble des cartes de scores not
S (quation (7)).

Dans le cas d'une valuation relative, s i j est un vecteur de scores de dimension m(i) dfini par
1'quation (8).

Le poids calcul relativement chaque lment di est not aij et appartient un ensemble Wi
donn par l'quation (9); l'ensemble des cartes de poids Wi est not W (quation (IO)).

Nous pouvons rsumer une opration de pondration des donnes en trois tapes :

- une tape prliminaire qui transforme les ensembles des lments spatiaux Di en des
ensembles de scores Si; cette transformation se traduit par une fonction de cartographie

(FC) associant chaque lment un score unique;

une tape qui transforme les ensembles des scores Si en des ensembles de poids Wi par le
biais de fonctions de pondration notes FP; cette fonction calcule pour chaque score un poids unique ;

- une tape qui transforme les ensembles individuels Wi en un seul ensemble W par des , ,
oprations algbriques gnralement additives ou multiplicatives ou une combinaison des

deux.

Les deux premires tapes de la pondration peuvent tre formules respectivement par les
fonctions FC et FP donnes par l'quation (1 1).

FC: Di + S i
di,, + Si.,

FP:

Si+Wi

+ = {si,k siVj ai,,FP(~~,,, kk e {1,2,...,j - 1, j + 1,...m(i)})

Si les ensembles Di ont eux mmes fait l'objet d'une valuation et que des scores si leurs ont

i ti attribus, le calcul des poids oi relatifs aux cartes D peut se faire par les mmes fonctions
FP. L'ensemble W rsultant de la pondration est une combinaison algbrique des lments , , des ensembles Wi pondrs chacun par son poids ai (quation (12)).

ALG est une combinaison de fonctions algbriques (somme, produit, etc.).

2.3. Fonctions de ponderation adaptees et dhelopp6es
Les poids des lments spatiaux sont drivs soit de combinaisons algbriques simples des scores si ces derniers sont affects aux diffrents lments spatiaux d'une manire absolue,
soit par une analyse de la matrice de comparaison quand les scores sont le rsultat de la

comparaison des lments spatiaux deux a deux relativement chacune des contraintes du projet. Nous allons expliciter les deux types de fonctions.
2.3.1.

Fonctions de pondration algbriques

Il existe diffrents modes de calcul des poids par des oprations algbriques impliquant les scores (Voogd, 1983). L'quation (13) reprsente une expression du calcul du poids aij d'un lment spatial par la normalisation de son score S i j par rapport aux scores de tous les autres lments spatiaux de l'ensemble Di. Le poids calcul varie selon la valeur du coefficient y, ainsi la fonction de pondration est une FP, .

o
y:

coefficient rel positif.

Scores sur chelle ordinale

Figure 2.1 Fonctions de pondration algbriques

Selon la valeur de y, la discrimination entre les faibles scores et les scores levs se fait diffremment. La figure 2.1 montre un exemple de poids calculs pour des scores variant de 1
10 sur une chelle ordinale (i. e. m(i) = 10 et sij =j) et les poids correspondants calculs pour

trois valeurs diffrentes de y (0,5; 1 et 2). La caractristique discriminante de la fonction de pondration permet de calculer des poids de diffrentes manires : pour une mme valuation ayant abouti un mme ensemble de scores, le poids d'un lment varie selon que la fonction rehausse les faibles scores ou les scores levs. Nous reviendrons sur cette caractristique discriminante des fonctions FP,pour examiner son effet sur la spatialisation de la pondration.

2.3.2.

Fonctions de pondration comparatives

Dfinition des matrices de comparaison

A.

Si les scores sont le rsultat d'un jugement de prfrence d'un lment spatial relativement

un autre lment d'un mme ensemble D ,une matrice de comparaison Mi peut tre utilise i
afin de driver ultrieurement les poids des lments qui ont f&it I'objet de la comparaison. La

forme gnrale d'un3 matrice Mi est :

Tableau 2.1 Matrice de comparaison Mcrelative 1l'ensemble de contraintes Dr

La matrice Mi est inversement rciproque (i. e. Si jk = 1/sitkj) les lments de sa diagonale ont et
une valeur gale a l'unit (i. e. s = 1). Nous appelons les fonctions de pondration dfinies i , partir des matrices de comparaison des fonction de pondration matricielles (FPM) pour les distinguer des fonctions de pondrations algbriques notes FP. Le processus de comparaison peut ne pas tre cohrent : pour trois lments spatiaux diJ,di,ket

di,!, l'galit donne par l'quation (14) n'est vraie que si la matrice Mi est parfaitement
cohrente, dans ce cas, les poids peuvent tre drivs d'une seule ligne de la matrice Mi.

B.

Definition des fonctions de pondration matricielles

Un processus d'valuation par comparaison de paires d'lments aboutit souvent une matrice de comparaison non cohrente. Le calcul des poids a partir des scores relatifs de la matrice peut se faire selon une infinit de processus comme le montre l'quation (15).

y est un coefficient rel positif qui introduit le mme effet de rehaussement des poids que dans

l'quation (1 3). Seule, une solution de vecteur poids donne par Saaty tient compte de la notion de cohrence dans le calcul de poids partir de donnes d'valuation comparatives. D'aprs Saaty (1980)' le vecteur propre de la matrice Mi correspondant a sa valeur propre maximale est la solution qui respecte le plus la notion de cohrence de la matrice de comparaison Mi. Cette solution est obtenue partir du vecteur Ri calcul par l'quation (16) qui n'est autre que l'quation des valeun caractristiques de la matrice Mi. Dans le cas d'une matrice parfaitement cohrente (quation (14))' la valeur propre maximale hm,, qui est l'unique valeur propre de Mi, est gale a son rang m(i). Ainsi, la mesure du degr de cohrence d'une matrice se fait par rapport l'cart entre m(i) et Lm. Plus hm est distante de m(i), moins le vecteur Ri est considr comme un bon estim du vecteur poids (Saaty, 1980, 1987). L'annexe 3 explicite la justification de Saaty (1987) du choix du vecteur propre comme meilleure mesure de la cohrence d'une matrice de contingence. Nous noterons cette fonction de pondration
FPMeigen-

avec

La fonction FPMcip est utilise dans le processus de pondration de 17AHP(section E de

1.3.2.). Dans nos investigations, nous utiliserons la fonction FPMeian comme fonction de

pondration permettant le calcul de poids partir de matrices de comparaison et nous la comparerons d'autres FPM (e. g. les fonctions dcrites par l'quation (15)) qui ne tiennent pas compte de la notion de cohrence.

C .

Determination systhatique d'une matrice de comparaison

Dans certains cas de simulation, il est fastidieux de fournir manuellement des valeurs de scores comparatives la main surtout quand le nombre d'lments spatiaux est lev. Nous proposons donc un moyen systmatique de calcul des composantes de la matrice de comparaison Mi partir de valeurs de scores variant linairement sur une chelle absolue (quations (18) a (20)).

Sinon

o
S i j , Sitk

: scores absolus donns respectivement aux lments dij et ditk; : score relatif issu de la combinaison des scores absolus des lments dij et di,k.

sijk

Il est facile de vrifier que les scores comparatifs dfinis ci-dessus peuvent constituer les lments d'une matrice inversement rciproque et dont les lments de sa diagonale valent 1. Ainsi, nous pouvons driver le vecteur propre principal de cette matrice par la fonction
FPMeigm*

La figure 2.2 montre un exemple de poids calculs par des fonctions FPM pour des scores
variant de 1 10 sur une chelle ordinale (i. e. m(i) = 10 et sij = j) transforms en scores relatifs (par le processus dcrit par les quations (18) (20)) et les poids correspondant calculs partir de l'quation (15) pour trois valeurs diffrentes de y (0,5, 1 et 2) et ceux calculs par FPMeigm.

Scores sur &chclleordinale

Figure 2.2 Fonctions de pondration matricielles

2.4. Revue des approches d'intgration de la dimension spatiale 31 la pondration

2.4.1.

Introduction

L'intgration de l'information spatiale au niveau des modles de pondration vise a dvelopper des techniques d'analyse ou la caractristique spatiale des objets ne se restreint pas
l'aspect implicite apport par la localisation gographique. En effet, les dimensions spatiales

smantiques (e. g. la forme des objets) et relationnelle (e. g. le contexte, le voisinage) sont les caractristiques qui distinguent les donnes spatiales des donnes non spatiales. Par exemple, dans une analyse multicntre non spatiale ou plusieurs mthodes de comparaison sont utilises, tous les lments sont compars entre eux la seule condition qu'ils respectent un

m5me critre. Dans le cas o cette analyse multicntre se rapporte des entits spatiales, la

comparaison peut s'appliquer aux lments respectant le mme critre; de plus l'information

spatiale peut conditionner une telle comparaison en considrant les lments limitrophes, appartenant un mme contexte ou respectant une mme forme. Nous pouvons distinguer au moins deux outils qui permettent d'intgrer explicitement la dimension spatiale la pondration : la distance et le voisinage. 2.4.2. Spatialisation de la pondration par la distance La spatialisation des modles de pondration par la distance peut tre accomplie par les outils de zones tampons qui existent dans la majorit des logiciels de SIG et qui permettent de faire propager l'effet d'un poids calcul localement (par exemple au niveau d'un lment spatial ponctuel ou linaire). Cette mthode est intressante utiliser particulirement dans le cas o les donnes ont une structure vectorielle. Certaines tudes font usage de ce mode de spatialisation ou le modle de pondration utilis est bas sur la logique floue; la fonction d'appartenance est formule en fonction de la distance (Bana, 1993; Burrough et al., 1992) 2.4.3. Spatialisation de la pondration par le voisinage La spatialisation de la pondration par le biais de techniques d'analyse contextuelle consiste
intgrer explicitement au calcul des poids une information lie au contexte de l'lment spatial
pondrer. L'analyse contextuelle est un outil largement utilis en traitement d'images

numriques dans les techniques de segmentation, de texture et de classification. Elle est galement d'usage dans d'autres applications spatiales relativement simples telles que l'interpolation (De Floriani et al., 1985) ou l'analyse des problmes de bordure (Stoyan and

Stoyan, 1990). Pour des modlisations complexes faisant intervenir des domees multivaries,
le potentiel de l'intgration de l'information contextuelle n'a pas t trs explor. La topologie est une caractristique des donnes spatiales saisies l'intrieur des SIG qui reprsente une structure de voisinage a laquelle il est possible d'adapter certaines fonctions de pondration. cet effet, on peut utiliser des interfaces qui relient le modle topologique vectoriel aux modles de pondration. Contrairement la spatialisation par la distance, la spatialisation par le voisinage ncessite souvent une expertise en programmation a l'intrieur du SIG si celui-ci est conu de manire a ce que cela soit possible.

2.5. Segmentation et pondration

L'outil de segmentation des images numriques, utilis classiquement dans la recherche des entits spatiales distinctes d'une image, peut constituer une technique de base pour effectuer

une pondration contextuelle des donnes spatiales : les poids calculs initialement partir des
scores, sans l'exploitation explicite de l'information contextuelle, peuvent tre sujets une spatialisation moyennant un processus d'agrgation des rgions voisines homognes des cartes de poids. II s'agit alors d'une spatialisation de la pondration a posteriori qui pourrait avoir pour avantage la redistribution des poids par fusion des entits voisines similaires et la

i rduction de la quantit d'information traiter i la seule information utile (par exemple, dans
le mode matriciel, si une zone est caractrise par I'homognit de ses valeurs thmatiques, on rduit le temps de traitement en la considrant comme une zone ayant un seul attribut plutt que de traiter chacun de ses pixels). L'outil de segmentation pourrait tre utilis en vue d'effectuer une spatialisation des poids a priori : dans ce cas, la segmentation est utilise afin d'identifier le contexte auquel une fonction de pondration peut tre applique au lieu de l'appliquer sur l'ensemble de la carte des scores. On calcule des poids partir des scores d'lments appartenant un mme contexte et on les spatialise par la suite. Les modles de spatialisation de la pondration a priori et a posteriori seront tudis au niveau du troisime chapitre dcrivant les algorithmes de pondration spatialiss dvelopps qui se basent principalement sur l'analyse contextuelle. Les outils de voisinage et de segmentation feront l'objet d'une revue a la prochaine section.

2.6. Outils d'analyse spatiale contextuelle 2.6.1. Revue des approches de voisinage dans le plan
A.

Gnralits

La faon de dfinir le voisinage dpend en premier lieu de la structure des donnes. Si les
donnes sont du type ponctuel, alors toutes les mthodes de voisinage dans un plan discontinu

peuvent tre utilises; ces mthodes sont gnralement bases sur la localisation des points et leurs distances relatives. Si les donnes sont du type linaire ou polygonal, la dtermination du voisinage doit se faire en tenant compte de la continuit du plan. Les mthodes de voisinage discontinues s'appliquent un ensemble de points rpartis dans le plan; elles associent chaque point les points qui ont un certain voisinage avec lui. La faon de considrer le voisinage difiere selon le critre utilis. Ahuja (1982) a fait l'inventaire des principaux critres
de voisinage :

critre bas sur une distance seuil entre les points (Patrick and Shen, 1971); critre bas sur le nombre de points voisins seuils (mthode des k voisins les plus proches, Koontz and Fukunaga, (1972)); critre bas sur l'arborescence minimale o les points sont relis par des arcs, les points voisins sont ceux qui appartiennent l'arbre dont la somme des arcs est la plus petite (Zhan, 1971); critre bas sur un graphe de voisinage relatif (Toussaint, 1980a) o deux points sont considrs voisins si leur distance euclidienne est infrieure au maximum de la distance euclidienne qui les spare de tout autre point; critre bas sur le graphe de Gabriel (Toussaint, 1980b) o deux points sont considrs voisins s'il n'existe aucun autre point compns dans le cercle de diamtre gal au segment reliant les deux points. Les mthodes de voisinage continues, par opposition aux mthodes prcdentes, utilisent le plan euclidien dans sa totalit. La mthode des diagrammes de Vorono, nots @V), (Vorono, 1908), connue aussi sous le nom de triangles de Delaunay, dtermine tous les points du plan qui sont voisins d'un point donn. Dans cette mthode, les points initiaux sont appels germes pour les diffrencier des autres points du plan. Le voisinage dfini par le schma de Vorono identifie les voisins des germes entre eux; de plus, il dfinit le germe voisin le plus proche de chaque point du plan. Cette caractristique permet d'utiliser les diagrammes de Vorono dans les problmes de voisinage pour tous les types de donnes (points, Lignes, polygones).

B.

Dfinition des diagrammes de VoronoP

Un diagramme de Vorono DV(G) de premier ordre relatif un ensemble G fom de p germes dans une rgion finie P du plan euclidien est dfini comme suit :

La figure 2.3 illustre la partition du pian P en des polygones de Vorono dfinissant ainsi le
voisinage de premier ordre relativement un ensemble de germes G. II existe d'autres types de diagrammes de Vorono tels que les diagrammes pondrs ou les diagrammes d'ordre lev que nous avons dcrit au niveau de l'annexe 4.

Figure 2.3 Diagramme de VoronoS

2.6.2. Revue des approches de segmentation des images numriques

La segmentation est utilise sur plusieurs catgories d'images numriques (images mdicales, images de tldtection, cartes thmatiques matricielles). Dans tout ce qui suit, le terme image englobe les diffrents types de donnes numriques pouvant tre sujets un processus de segrnentation. Toutefois, nous utiliserons le terme valeur thmatique la place de niveau de gris pour dsigner l'attribut d'un pixel. La segmentation est un outil qui subdivise l'espace d'une image en rgions caractrises par une homognit interne. La rgion est dfinie comme une zone de l'image dont les pixels ont des proprits communes. Il existe trois principales approches de segmentation qui sont le seuillage, la dtection de fiontires et la dtection de rgions (Fu and Mui, 1981). Les mthodes de seuillage sont bases sur les caractristiques des histogrammes des valeurs thmatiques ou sur certaines proprits locales telles que le gradient (rapport entre la diffrence des valeurs thmatiques de deux pixels et la taille du pixel). Les algorithmes de seuillage sont en gnral peu robustes au bruit qui accompagnent certaines images. Les segments rsultant du seuillage sont souvent a contours ouverts (Fu and Mui, 1981). Les mthodes de dtection de frontires se basent sur le fait que l'information intressante d'une image se situe habituellement sur les fiontires entre les rgions. Elles utilisent les techniques bases sur les oprateurs de gradient. Cette technique peut donner des fausses kontires ou des frontires non fermes (Keaig and Landgrebe, 1976); elle est sensible au bruit (Pavlidis and Tanimoto, 1975). Les mthodes de dtection d'objets se basent sur I'homogenit interne propre aux objets qui constituent l'image. Les algorithmes bass sur cette approche, connue sous le nom de croissance de rgions (region growing), permettent de dlirniter clairement les contours des diffrentes entits de l'image. Zucker (1976) a fait un survol des concepts de la croissance de rgions o l'on peut distinguer trois sous-approches :

- l'approche conjonctive dite segmentation par fusions;

- l'approche disjonctive dite segmentation par divisions;

- l'approche mixte dite segmentation par divisions-fusions.
Dans l'approche conjonctive, les premiers segments correspondent aux pixels ou des petits groupes de pixels. Les fusions successives s'oprent sur les lments adjacents et similaires qui respectent certains critres d'homognit. Des exemples de ce type d'algorithmes sont donns par Horowitz et Pavlidis (1976), Cannon et al. (1986) et Kim et Crawford (1 991).
Au niveau de l'approche disjonctive, I'initialisation se fait par une partition grossire voire par

toute l'image considre comme premier segment. Chaque partition est ensuite divise jusqu'

ce qu'elle satisfasse des critres d'homognit. Le principal avantage de l'approche

disjonctive rside dans son application des images o les entits sont parses (e. g. des image de chromosomes (Zucker, 1976)). Un exemple d'algorithme de segmentation par divisions est donn par Robertson et ai. (1 973). L'approche mixte consiste subdiviser l'image jusqu'a ce qu'il n'y ait plus de divisions possibles, ensuite effectuer des fusions. Les algorithmes de l'approche de segmentation par divisions-fusions ont comme avantage la rduction du temps de caicul car ils convergent vers

une segmentation acceptable rapidement; toutefois, ils ncessitent une grande quantit de
mmoire qui s'accroit exponentiellement avec la taille de l'image (Yu, 1982). Les diffrentes approches de segmentation par dtection de rgions ncessitent la dfinition de critres de dcision. Dans sa revue relative cette technique de segmentation, Zucker (1976) divise les critres en deux types :

des critres dits 'syntaxiques' qui sont gnralement bass sur les paramtres statistiques des segments; la majorit des algorithmes de segmentation utilisent de tels critres;

- des critres dits 'smantiques' qui utilisent une information concernant la classe
d'appartenance du segment examin. Les premiers travaux qui ont utilis cette approche sont ceux de Feldman and Yakimovsky (1974), Yakimovsky and Feldman (1973) et Yakirnovsky (1974).

L'utilisation de ces deux types de critres dpend du type de l'image et de l'objectif de la segmentation. Nous y reviendrons au niveau des chapitres 3 et 4.
2.7. Modles de spatialisation de la pondration par le voisinage et la segmentation

2.7.1. Mise en contexte

Les fonctions de pondration introduites au niveau de la section 2.3. sont bases sur des combinaisons des scores; l'information spatiale contextuelle n'intervient pas explicitement dans leur formulation. Nous proposons un moyen d'intgrer la dimension spatiale par des outils de voisinage et de segmentation ces fonctions et de les transformer ainsi en des fonctions de pondration contextuelles ayant la spcificit d'intgrer une information spatiale soit a posteriori, soit a priori (concepts introduits la section 2.5). Une reprsentation schmatique des deux scnarios de spatialisation des poids est donne par :

Scnario a posteriori : Scnario a priori :

Pondration

Segmentation

-Segmentation

wEeg Combinaisons

W , L

sSeB Pondration wSe, Combinaisons

W,,

I I I

Figure 2.4 Schma des sc6narios de ponderation

Dans le scnario de pondration a posteriori, les poids rsultent de l'application des fonctions

FP aux scores (quation (1 1)) qui sont par la suite spatialises par la segmentation. Dans le
scnario de spatialisation a priori, les poids sont calculs partir des scores par des fonctions de pondration adaptes au voisinage que l'on note FPV. D'un point de vue pratique, ceci consiste a calculer, partir de chaque score d'un lment spatial, le poids correspondant par

une fonction qui prend en considration les scores des lments prsents dans le contexte de
l'lment. L'effet d'une telle spatialisation est le suivant : si un lment spatial caractris par

un score lev est entour d'lments faibles scores, son poids sera diffrent du cas o il est
entour d'lments a scores moyens ou forts.

2.7.2. Modle formel de spatialisation de la poodration a priori par le voisinage

Considrons un ensemble Di qui reprsente une carte thmatique laquelle nous voulons appliquer une fonction de pondration selon le voisinage FPV.Soit Ri un ensemble qui dfinit des rgions ayant un certain voisinage dans le plan de coordonnes de l'ensemble Di des domees; soit ri, une rgion du plan des coordonnes de Di caractrise par un voisinage donn, et soit NP le nombre total de rgions de Ri (quation (24)). Une fonction de pondration par le voisinage (FPV) est dfinie relativement i l'intersection entre chaque l liment de l'ensemble de voisinage Ri et l'ensemble des donnes Di: elle est applique aux seuls scores des lments spatiaux appartenant ce contexte (figure 2.5)

Les rgions de l'ensemble Ri respectent les quatre caractristiques suivantes :

v=l

2. r , , connexe V v ;
4. non P(ri,, u ri,v)V u # v pour ri, et ri, adjacents.

La premire caractristique traduit le fait que l'ensemble des rgions

constitue la totalit de

l'espace image. La seconde caractristique veut dire que les rgions r i , ne se chevauchent pas,

m i elles sont connectes les unes aux autres. Les troisime et quatrime points caractrisent as
les rgions. Dans le contexte d'une structure matricielle des donnes, la rgion ri, est un ensemble de pixels voisins qui possdent les mmes caractristiques dfinies par la proprit P dterminant le critre de voisinage qui doit tre vrifi a l'intrieur des limites d'une rgion ri," et non vrifi entre deux rgions adjacentes. Nous dfinirons en dtail l'expression P lors du dveloppement algorithmique dans le chapitre 3. La fonction de pondration par le voisinage FPV applique l'ensemble Di dans la rgion q," est dfinie en appliquant la fonction FP (quation (1 1)) l'ensemble form des scores des

lments spatiaux appartenant simultanment a Di a la rgion ri,v;cet ensemble not S i , est et dfini par l'quation (26) et la fonction FPV est dfinie par l'quation (27).

La fonction de pondration par le voisinage FPV applique l'ensemble Di dans la rgion ri,v
est dfinie en appliquant la fonction FP (quation (11)) l'ensemble form des scores des lments spatiaux appartenant simultanment Di et la rgion ri,,; cet ensemble not S i , est

dfini par l'quation (26) et la fonction FPV est dfinie par l'quation (27).

Ensemble Si (m(i) types d'lments) Ensemble Ri (NP rgions)

lment dij de score sij

Ensemble S i ,(m(i,v) types d'lments)

Figure 2.5 Schma des ensembles

FPV : Si.v-f Wi,.

si,, + ai,, FP(s~,,,{s~,&c = E {1,2'...~j-1,j+l,...m(i,v)})

o m(i,v) : nombre de types d'lments spatiaux de Di dans la rgion ri,v. m(i,v) S m(i). Contrairement la fonction FP donne par l'quation (1 1), la fonction FPV calcule diffrents poids pour un mme score selon le contexte de l'lment spatial. L'ensemble Wi rsultant de

la pondration par le voisinage est exprim par :

L'ensemble final W des poids est trouv par l'expression de l'quation (12) utilise dans le , cas des fonctions FP.
2.7.3. Segmentation des donnes multiples

Nous avons tabli antrieurement (section 2.7.1) que l'intgration de la dimension spatiale (a
posteriori et a priori) un modle de pondration peut se faire par le biais de la segmentation.

A cet effet' nous avons envisag deux modes de segmentation :

une segmentation multiple note SEG-MIL, o l'ensemble des cartes de contraintes est
segment en une seule tape;

une segmentation individuelle note S E G - N , o chacune des cartes de contraintes est

segmente part.

Une reprsentation schmatique des deux processus de segmentation des cartes de contraintes

dans le cas d'une spatialisation des poids a priori est donne par la figure 2.6. Selon le mode

30

de segmentation (multiple ou individuelle), les cartes de poids obtenus par la spatialisation subsquente la segmentation varient. Nous examinerons ces deux modles au chapitre 4.

SEG-MLJL
SEG-W

Segmentation

sregPondration wScg
Pondration

I I

(Si} Segmentation {(Si),,)

{(Wi)segJ Combinaisons W ,

Combinaisons W , ,

Figure 2.6 Schema des processus de segmentation

2.8. Application de la spatialisation des poids au problme du plus court chemin

Les modles de spatialisation de la pondration peuvent s'appliquer aux diffrents types de mthodes d'intgration de donnes spatiales des fins d'amnagement ou de prospection. Dans le cadre de notre recherche, nous avons appliqu ces modles la rduction du cot d'un plus court chemin (PCC)sous des contraintes varies. En pratique, le PCC constitue une solution a diffrents types de problmes d'amnagement (lignes lectriques, conduites hydrauliques, rseau de chemin de fer, etc.) ou des problmes plus dynamiques tels que le choix d'un trajet optimal pour la circulation ou la navigation d'un robot dans un terrain. Le point commun tous ces problmes est que l'on cherche a rduire le cot d'un chemin sous diverses contraintes qui peuvent tre dfinies en fonction des donnes spatiales. A cet effet, deux aspects ont fait l'objet de notre tude : le plus court chemin en gnral, et ses particularits dans un contexte spatial.
2.8.1. Recherche d'un plus court chemin dans un graphe

Le problme classique de recherche du PCC utilise le principe de la maximisation d'une fonction 'profit' ou de minimisation d'une fonction 'cot'. Le moyen dvelopp pour rsoudre cette question se base sur le principe de la programmation dynamique qui, d'aprs la dfinition

donne par Denardo (1982), est un certain nombre d'outils utiliss dans la prise de dcision
squentielle OU le critre d'optimisation se retrouve dans toutes les tapes du problme. Les graphes constituent la structure dans laquelle se fait la recherche d'un PCC. Un graphe est

dfini par un ensemble de n d s connects les uns aux autres par des liens qui peuvent tre

orients ou non. Le cot de traverser un lien ou associ un nud est appel impdance. Les graphes dans lesquels s'applique un algorithme du PCC doivent tre du type orients (Le. il existe un sens unique entre les n d s ) , positifs (i.e. les impdances sont des valeurs relles positives) et connexes (i.e. il est toujours possible de relier entre eux deux n d s par une srie de liens). Un graphe est caractris par sa taille qui correspond au nombre de n d s et de liens.

La figure 2.7 schmatise un graphe avec ses composantes.

L'algorithme de base utilis pour la rsolution du problme du PCC a t propos pour la premire fois par Dijkstra (1959); il s'applique une panoplie de problmes d'optimisation dont la formulation revient a la recherche d'un PCC.Diffrentes variantes de l'algorithme de Dijkstra ont t dveloppes utilisant principalement des heuristiques qui adaptent I'algorithme de base aux diffrents domaines d'application (Nilsson, 1980). Au niveau de l'annexe 5 nous explicitons l'algorithme originel de Dijkstra.

Figure 2.7 - Schma d'un graphe

2.8.2. Recherche d'un plus court chemin dans un contexte spatial

Le problme du PCC dans un contexte spatial a fait l'objet de plusieurs recherches qui avaient
comme objectifs principaux, d'une part, de trouver la 'meilleure' faon de modliser les donnes reprsentant la zone de recherche du PCC et, d'autre part, de proposer des heuristiques pemettant de rduire le temps de calcul qui devient trs important quand la taille

du rseau de recherche augmente. Mitchell (1988) et Mitchell et Papadimitriou (1991) ont fait une revue des principales approches algorithmiques utilises pour trouver un PCC dans un contexte spatial. Les points ressortis de leur revue concernant la structure des donnes se rsument par le fait qu'il existe principalement deux structures de graphe :

- la structure matricielle o l'on assigne chaque pixel un poids, le centre du pixel est
considr comme un n d reli aux n d s voisins par des liens de mme longueur que la limite de rsolution des pixels. Les voisins d'un pixel peuvent tre au nombre de quatre (graphe de type 4) ou de huit (graphe de type 8);

- la structure polygonale ou vectorielle o les diffrentes rgions correspondent des

polygones; le graphe peut tre reprsent de deux faons :

- les rgions sont les n d s et les liens sont les limites entre les rgions correspondantes
adjacentes;

- les n d s correspondent aux centres des rgions et sont lis entre eux si les rgions
auxquelles ils appartie~ent sont adjacentes.

La structure matricielle est un cas particulier de la structure polygonale o toutes les rgions
ont une taille gale au pixel. Cette structure est la plus simple, mais elle est exigeante en temps

de calcul (Fredrnan and Ta , 'n

1984). En outre, la recherche d'un PCC selon la version

matricielle est accompagne d'un biais de numrisation inhrent au passage de la structure matricielle a la structure de graphe. En effet, l'approximation de la distance euclidienne sparant deux n d s dpend du nombre de voisins d'un pixel. Dans le cas d'un graphe de type

4, le dplacement de la trajectoire d'un pixel un autre ne se fait que selon des directions de

90, alors que dans le cas d'un graphe de type 8, on peut faire des dplacements de 45'.
Mitchell et Keirsey (1984) ont expliqu le biais de numrisation par le fait que l'abondance de changement dans une trajectoire implique une surestimation de la distance euclidienne. Des solutions empiriques ont t proposes pour pallier a cette erreur (Vossepoel and Smeulders, 1982). Deux approches de recherche de PCC selon le mode polygonal existent dans la littrature :

l'approche consistant a construire un graphe de visibilit dont les n d s correspondent aux sommets des obstacles (entits spatiales ayant les scores les plus levs) et les liens correspondent aux arcs reliant les n d s les uns aux autres (Ghosh and Mount, 1987); l'approche qui consiste construire la carte des PCC et ce, en subdivisant le terrain en des rgions ou les points d'une mme rgion ont la mme topologie, i.e. passent par la mme squence de sommets d'obstacles (Lee and Preparata, 1984; Mitchell, 1986).

Le mode vectoriel offre un temps de calcul plus rduit que le mode matriciel mais il peut
donner des tracs plus coteux.

Les problmes des PCC spatiaux auxquels les chercheurs essayent de trouver des solutions
peuvent se rsumer en trois points :

- l'amlioration du temps de calcul des algorithmes;

- la recherche d'une bonne reprsentation du terrain ventuellement par une hybridation
des structures de donnes matricielle et vectorielle;

- l'adaptation des algorithmes a la complexit de la ralit traduite entre autres par la

diversit des contraintes spatiales, par leur aspect dynamique, par l'incertitude qui entache certaines donnes spatiales et par l'aspect subjectif inhrent a l'affectation des impdances dans certains cas. Le premier point est d'ordre aigorithmique; diffrents travaux tentent de rduire le temps de calcul (e. g. Clarkson et al, 1987, Guibas et al, 1987). Les solutions qui peuvent tre apportes aux deuxime et troisime points sont d'ordre spatial. Le deuxime point relve principalement de la recherche de structures de donnes adquates pour bien reprsenter la ralit d'un terrain sans qu'elle soit trop coteuse en temps de calcul. A cet effet, des structures de donnes autres que la structure matricielle et vectorielle sont utilises telles que les structures multi-rsolutions (Metea and Tsai, 1987), la reprsentation hirarchique ou ttrarbre (Kambhampati and Davis, 1986) et les polygones de Vorono (Mitchell and Papadimitriou, 1991).

La problmatique souleve par le troisime point rejoint les proccupations qui ont motiv notre travail. Avec la recherche de fonctions de pondration propices et une intgration explicite de la dimension spatiale ces fonctions, nous tentons de diversifier les scnarios de simulation de In complexit de la ralit, en particulier la complexit lie aux interrelations des diverses entits spatiales au niveau local (par le voisinage) et au niveau global (relation d'une entit avec tous les autres lments de la zone d'tude).
2.8.3.

Relation entre la segmentation et le plus court chemin

On peut partir du principe que le PCC entre deux points est la ligne droite (en termes de segmentation, c'est celui obtenu en considrant l'image comme un seul segment); toutefois, ce

PCC est souvent le plus coteux compte tenu des contraintes qui dterminent le cot. Le calcul d'un PCC dans un contexte spatial pourrait tirer profit d'une segmentation de l'espace d'tude.
En effet, la recherche de zones homognes influencerait, d'une part, les impdances des liens d'un graphe de recherche du PCC et, d'autre part, la sinuosit du trac. Uce pondration contextuelle combine a une segmentation des cartes de contraintes peut produire on graphe de recherche de PCC de taille rduite et dont les impdances refltent simultanment la tolrance des lments spatiaux aux contraintes ainsi que les relations de voisinage des lments.
2.9.
Conclusion

Dans ce chapitre, il a t qilestion de mettre aiu point les assises conceptuelles dveloppement algorithmique du prochain chapitre. Dans un premier temps, nous avons tudi les fonctions de pondration appliques des problmes d'valuation du type absolu et relatif. Nous avons ensuite tabli les particularits de l'intgration explicite de la dimension spatiale a ces fonctions par l'adaptation d'outils d'analyse spatiale contextuelle de segmentation et de voisinage appliques aux donnes ayant une structure matricielle. L'application qui servira a
l'tude des diffrentes approches de pondration est la recherche d'un plus court chemin. Nous

avons examin les particularits des mthodes de recherche de PCC dans un contexte spatial.

3.

Dveloppement algorithmique et analyse des donnes Introduction

3.1.

travers ce chapitre, nous prsentons un premier volet dcrivant la mthodologie gnrale utilise ainsi que les algorithmes adapts et dvelopps sur la base des concepts labors au chapitre prcdent. Le deuxime volet concerne la description des donnes qui ont servi l'exprimentation des diffrents scnarios de pondration appliqus a la recherche du plus court chemin en gnral et a l'optimisation d'un trac de lignes lectriques en particulier.
3.2. Mthodologie gnrale

La mthodologie de la recherche est compose de deux principales approches de spatialisation

de la pondration :

- une approche globale axe sur l'analyse des diffrentes fonctions de pondration sur
plusieurs types de cartes de scores variant par leurs caractristiques statistiques;

- une approche contextuelle base sur les concepts de voisinage et de segmentation.

Deux sous-approches contextuelles ont t tudies :

- l'approche de pondration contextuelle a posteriori : les poids calculs par les fonctions
de pondration sont spatialiss par la formation de rgions homognes selon un

processus de segmentation;

- l'approche de pondration contextuelle a priori o les fonctions de pondration dfinies

en fonction du voisinage sont utilises. Seuls, les scores des lments spatiaux appartenant un voisinage dfini ultrieurement inteMement dans le calcul des poids contextuels. Dans le cas o les fonctions de pondration sont adaptes diffrents niveaux de voisinage, nous appelons cette approche une pondration contextuelle adaptative.

Deux algorithmes ont permis d'tudier l'approche de pondration contextuelle :

tape 1 :

Spatialisation globale de la pondration Application aux cartes de scores artificielles individuelles Si -+ Wi

FP,, FPMeiga et FPM,

L

Application aux cartes de scores relles individuelles Si -b Wi tape 2 : Spatialisation contextuelle a posteriori de la pondration Application a l'ensemble des cartes de scores relles multiples S+W+W,

:tape 3 :

Spatialisation contextuelle a prion et adaptative des poids

L
T

Application aux cartes de scores artificielles individuelles

c
1

Si

+ Wi
.

Algorithme APCA

- - -.

- ... .

Application aux cartes de scores relles individuelles et multiples

Figure 3.1 Organigramme de la mthodologie gnrale

- un algorithme de segmentation par fusions qui a t dvelopp selon une structure

hirarchique optimisation par tapes (algorithme SHOE,Beaulieu, 1984) et que nous avons test pour examiner l'effet de la spatialisation des poids a posteriori;

- un algorithme de segmentation par divisions-fusions selon la structure des diagrammes de

Vorono que nous avons dvelopp entirement dans le cadre de cette recherche (Chakroun et al., 1997). Il est appel APCA (Algorithme de Pondration Contextuelle Adaptative). Les cartes de poids rsultant des diffrents modles de spatialisation sont utilises comme intrants a l'algorithme du PCC (Dijkstra, 1959) dans un contexte spatial. L'application des algorithmes s'effectue d'une part, sur des donnes simules et d'autre part, sur les donnes relles relatives l'tude de cas de l'optimisation du trac d'une ligne lectrique dans le secteur de la ville de Sherbrooke. L'organigramme de la figure 3.1 illustre les grandes tapes mthodologiques.

3.3. Approche de spatialisation globale de la pondration

Les fonctions de pondration FPy et FPM, (quations (13) et (15)) sont appliques sur des cartes de scores variant par leur distribution statistique. Dans le cas de fonctions de pondration algbriques appliques aux scores issus d'une valuation absolue, la valeur que prend le coefficient y conditionne le calcul des poids pour un mme ensemble de scores. Dans le cas d'une valuation relative, les poids calculs partir d'un vecteur driv de la matrice de contingence peuvent tre spatialiss de la mme faon avec le coefficient y. La spatialisation globale attribue chaque score une valeur unique de poids; la particularit spatiale inhrente
aux fonctions utilises provient des multiples faons utilises afin de discriminer les scores.

3.4. Algorithme SHOE applique h I pondration contextuelle a posteriori I

L'algorithme SHOE a t choisi afin d'exprimenter la mthode de spatialisation des poids a

posteriori. Nous avons effectu ce choix en fonction des critres suivants :

- sa simplicit relativement aux autres algorithmes de segmentation (Bni, 1986);

- le fait qu'il contient une panoplie de critres de fusion qui favorisent son adaptation
diffrents types d'images qu'elles soient prises par des capteurs (images de tldtection) ou simplement thmatique;

- la disponibilit du code pour effectuer d'ventuelles modifications : l'adaptation que nous

avons eu faire est de rendre les modules de lecture d'image du SHOE compatibles avec l'environnement de programmation en FORTRAN sous le systme d'exploitation VMS. L'outil de segmentation par hsions de SHOE a t utilis pour identifier des rgions homognes par leur poids. L'ensemble W des cartes de poids a servi comme intrant l'algorithme SHOE; les fusions se sont effectues relativement des critres du type statistique. chaque niveau de segmentation, on peut crer une carte de poids ou chacun des segments a un poids unique gal a la moyenne des poids initiaux des pixels formant le segment. 3.4.1. Description de l'algorithme SHOE L'algorithme SHOE s'applique sur des images multibandes (Le. image multispectrale dans le cas d'images de tldtection et cartes thmatiques multiples dans le cas de cartes de poids). L'espace image est initialement divis en des cellules de forme rectangulaire dont la taille est fixe par l'utilisateur. Les fusions se font en deux tapes :

- une premire tape effectue l'intrieur de chaque cellule;

une seconde tape effectue sur les segments de toute l'image.

Le critre utilis dans les deux tapes consiste en la fusion de la paire de segments la plus homogne de toute l'image a chaque itration. Les hisions s'arrtent quand le nombre de segments atteint vaut celui fix par l'utilisateur. Les tapes du SHOE sont : tape 1 : Initialisation

Dfinir les paramtres de la segmentation :

taille des cellules;

nombre de segments d'arrt des fusions dans les cellules;

nombre de segments d'arrt des fusions dans toute l'image.

- Pour chaque segment, calculer : - les paramtres descriptifs;

- la liste des voisins;

- les valeurs de mesure d'htrognit de chaque segment avec ses voisins.

tape 2 : tape 3 : tape 4 : Recherche de la paire de segments fusionner Mise jour de la liste des voisins et des caractristiques des segments
Arrt

- Si la condition d'arrt est vrifie, aller a la fin; - Sinon. aller a l'tape 2.

3.4.2. Critres de fusion de l'algorithme SHOE

La proprit P nonce la section 2.7.2. qui dfinit le critre de segmentation caractrise

d'une part l'homognit interne des rgions et, d'autre part, la dissimilitude entre deux rgions voisines distinctes. Dans I'algorithrne SHOE,P correspond un critre de similarit exprim par le calcul d'un cot de fusion des segments voisins. L'algorithme SHOE comprend plusieurs mesures de similarit des segments qui utilisent des statistiques caractrisant les segments la fin de chaque itration telles la moyenne, la variance et les valeurs thmatiques extrmes. La multiplicit de critres dans l'algorithme SHOE permet de prendre en considration les diffrents types d'images dont la segmentation constitue un pralable d'autres traitements (Bni, 1986). Nous avons retenu et test quatre mesures de similarit dans le cadre de notre application. Les quations (29) et (30) (Bni and Thomson, 1992) donnent deux expressions d'htrognit faisant intervenir les effectifs, les moyennes et les variances des poids de deux segments voisins v et u. Les deux autres mesures d'htrognit testes correspondent aux mmes expressions donnes par les quations (29) et (30) dpourvues du rapport (N,Nu)/(Nv+Nu). Ce rapport a pour effet de privilgier la fusion des petits segments en premier lieu (e. g. dans le cas de l'utilisation de la fonction INTERHETEROi (quation (29)), si un segment a deux

voisins ayant une mme valeur de moyenne et diffrant par leur effectif, le premier tre fusionn avec le segment initial est celui qui a l'effectif le plus faible). Le critre de fsion consiste fusionner la paire de segments qui a la mesure d'htrognit minimale.

MPi,v,hWi,": moyennes des poids des lments de Di appartenant respectivement aux

segments v et u;
VP,, VP, :

variances des poids des lments de tous les Di appartenant respectivement aux segments v et u; effectifs des segments v et u; poids de la carte D ; i nombre des cartes D . i

Nv, NU:
oj

n:

Les expressions explicites de MPiVv, MPi4,VPv et VP, seront donnes au niveau de la section

3.4.3.

Implantation et modification de l'algorithme SHOE

Le langage de programmation du SHOE est le FORTRAN 77 qui utilise des fonctionnalits

spcifiques de l7enviromementVMS. Le code tait notre disposition; cependant, nous avons d apporter des changements au niveau des fonctions de lecture et d'criture des images qui manquaient notre environnement de programmation.

3.5. Aigorithme de pondration contextuelle adaptative (APCA) 3.5.1. Caractristiques gnrales de 1' APCA Nous avons conu I'APCA dans l'optique de dveloppement d'un outil intgr de pondration et d'analyse spatiale contextuelle utilisant les techniques de segmentation d'images numriques. Une panoplie de fonctions de pondration et de modles de spatialisation a t intgre a I'APCA afin de l'adapter aux donnes multivaries sujettes un processus de pondration. L'outil de spatialisation des fonctions de pondration est la structure des diagrammes de Vorono (DV). Le choix de cet outil a t bas sur les cntres suivants :
- le fait que les DV soient une mthode intgre de voisinage et de segmentation;

- l'adaptation de la structure des DV diffrentes approches algorithmiques et l'existence

d'algorithmes caractriss par un degr de complexit moindre par rapport ceux des autres mthodes de voisinage (Okabe et al., 1992);

- la flexibilit dans la dfinition du voisinage diffrents niveaux (DV de diffrents ordres,

annexe 4), ce qui en fait un outil de choix dans un processus de simuiations;

- l'adaptation des DV aux structures matricielles et vectorielles des donnes.

Les deux derniers critres n'ont pas t considrs directement dans notre dveloppement mais ils ont motiv le diagnostic du potentiel de la structure des DV dans la spatialisation des fonctions de pondration.
3.5.2.

Segmentation d'images par des algorithmes de Vorono

La segmentation d'images par sa partition en polygones de Vorono s'inscrit dans l'approche mixte de segmentation par divisions-hisions (section 2.6.2). Ce type d'algorithmes a t dvelopp par Pavlidis (1977) et par Gagalowicz et Monga (1985) avec un accent sur l'incorporation de la croissance hirarchique des rgions. Il existe principalement deux approches algorithmiques de gnration des DV :

- l'approche rcursive connue sous le nom de Divide and Conquere)} proposes par
Shamos et H y (1975) : elle est base sur le paradigme fondamental en algorithmique o

stipulant qu'un problme est divis d'une manire rcursive en des sous-problmes; la solution du problme originel consiste fusionner les solutions des sous-problmes (Okabe et al., 1992);

- l'approche itrative propose par Green et Sibson (1975) permet de construire un nouveau
diagramme partir d'un diagramme dj existant. L'inconvnient majeur de l'approche rcursive rside dans le fait qu'elle ne peut s'adapter au problme de mise jour du DV par insertion ou par suppression de nouveaux points. Ainsi, les algorithmes de segmentation bass sur la structure des DV utilisent l'approche itrative pour raliser la croissance de rgions. Au niveau de la complexit de calcul, les deux algorithmes (rcursif et itratif) se valent (Chassery et Melkemi, 1989). L'approche itrative de segmentation a t amliore par Ohya et al., (1984) par l'adjonction
d'un traitement de reprsentation des donnes de type quaternaire (i. e. l'image est divise en

quatre parties gales, chaque partie est son tour divise en quatre sous-parties, etc.) ; une description de cette technique est donne dans l'annexe 6. Nous avons implant cet algorithme

comme outil de segmentation de I'APCA. L'algorithme itratif de Vorono est dcrit en dtail
dans l'annexe 6.
3.5.3. Description et implantation de I'APCA

A.

tapes de I'APCA

Les grandes tapes de I'APCA pour l'accomplissement des divers scnarios de pondration contextuelle a priori et a posteriori sont dcrites ci-dessous. Les dtails de I'APCA sont donns dans les sections 3.5.3.B.' C. et D. tape 1 : Initialisation

- Ensemencer le plan des cartes de scores avec un nombre de germes initiaux.

- Calculer le DV correspondant.

1
Oi u

Partition du plan des cartes de scores en DV et mise jour du DV

Division des polygones

Non

Application des fonctions de pondration FP ou FPV selon le scnario

3
4

Non

Fusion des polygones

Analyse et valuation des cartes des poids

paramtres des polygones

Figure 3.2 Ponderation contextuelle dans les diagrammes de VoronoY

tape 2 :

Phase itrative de division

Pour chaque polygone :

- vrifier le critre d'homognit interne des polygones; - introduire un nouveau germe proximit du germe du polygone htrogne;

mettre jour le diagramme de Voronoi,

tape 3 :

Calcul des poids contextuels

Pour chaque polygone :

- appliquer les fonctions de pondration (FP ou FPV) selon le scnario de pondration choisi
( a posteriori ou a priori);

- calculer les paramtres statistiques des scores et des poids;

- vrifier le critre d'htrognit entre les polygones.
tape 4 : Fusion et mise jour

- Identifier et fusionner les polygones voisins similaires.

- Mettre jour le diagramme de Vorono.

- Si le diagramme a chang, aller l'tape 3; sinon, aller la fin.

Le choix de la position des premiers germes d'initialisation se fait par un processus alatoire.
Le nombre de ces germes est fix par I'utilisateur. L'organigramme de la figure 3.2 schmatise
les grandes tapes de I'APCA. La prochaine section prsente les diffrentes tapes de I'AETA dcrites en pseudo langage.

B.
tape 1 :

APCA en pseudo langage

Initialisation

Construire D V W ) ; tape 2 :

Phase itrative de division

{pouri= 1 , n

(pourv= 1,NP

appel STA,(i, v);

1
{pour u = L , N(v) appel CRI-DIV(v,u);

Si (CRI-DN(v,u) vrifi), introduire un nouveau germe g,;

1
Mettre a jour DV(NP);
tape 3 :

Calcul des poids par spatialisation a posteriori ou a prion'

{pouri= 1 , n appel FP(i)

Si spatialisation a posteriori (

{pour v = 1, NP appel STA,(i,v) et STA,,,(i,v);

)

1 1
Si spatialisation a priori {
(pour v = 1, NP dterminer vois(v);
{pour i = 1 , n

appel FPV(i,vois(v)); appel STA,(i,v) et ST&(i,v);

Etape 4 :

Phase de fusion
{pour u = 1 ,N(v)

{pourv= 1,NP

appel CRI-FUS(v, u); si (CRI-FUS(v,u) vrifi), remplacer g et gu par g,, ,

l 1
Mettre jour NP et DV(NP);

Si DV(NP) a chang aller l'tape 3; sinon aller la fin. Les paramtres utiliss dans I'APCA ont la signification suivante :
1

indice d'un ensemble Di; nombre total des ensembles Di; indice d'un polygone de Vorono; nombre total de polygones dans une itration donne; une rgion dfinie par le voisinage d'un polygone v;
nombre total des voisins d'un polygone v;

n:

v:

NP:
vois(v) : N(v) :
u:

indice d'un polygone voisin d'un polygone v; diagramme de Vorono form de N polygones; P fonction de pondration applique tous les scores des lments de Di; fonction de pondration applique aux scores des lments
de Di appartenant vois(v);

DV(NP) : FP:

FPV :
STA, : STA, :

fonctions statistiques utilisant les scores; fonctions statistiques utilisant les poids; critre utilis dans la phase de division appliqu a v et son voisin u; critre utilis dans la phase de fusion appliqu v et son voisin u.

CRI-DN:
CRI-FUS :

Les fonctions CRI-DIVet CRI-FUS seront explicites la section D.

C.

Dtermination des poids contextuels dans L'APCA

Les fonctions de pondration algbriques et matricielles sont intgres a I'APCA pour calculer des poids selon les scnarios de spatialisation a posteriori, a priori et adaptative. Les poids

calculs par les fonctions FP et FPV chaque itration correspondent respectivement aux poids contextuels a posteriori et a priori. Les tapes ncessaires au calcul d'un poids spatialis
a posteriori d'un polygone v (poids not o,v) ou au calcul du poids spatialis a priori ,(),

(poids not oPn(v)), font appel a des paramtres statistiques calculs par les fonctions STA, et

STA,.
Nous avons dfini les paramtres statistiques des poids dans un polygone v par les quations
(3 1) (35) (paramtres calcuIs par la fonction ST&) et les paramtres statistiques des scores

dans un polygone v par les quations (36) a (40) (paramtres calculs par la fonction STA,).

,IW cvs, = MSV

o

Ni,j :
mi j :

nombre de pixels ayant Sij comme score; poids de l'lment di,j CPICUI~ FP OU par FPV; par

MPi," : moyenne des poids des lments de Di appartenant au polygone v; MSi," : moyenne des scores des lments de Di appartenant au polygone v; VPi,v: variance des poids des dments de Di appartenant au polygone v;

VSivV variance des scores des lments de Di appartenant au polygone v; :

MP, : moyenne des poids des lments de tous les Di appartenant au polygone v;
MSv : moyenne des scores des lments de tous les Di appartenant au polygone v; VP, : variance des poids des lments de tous les Di appartenant au polygone v; VSv : variance des scores des lments de tous les Di appartenant au polygone v;

CVP, : coefficient de variation des poids des lments de tous les Di appartenant au polygone
v;

CVS, : coefficient de variation des scores des lments de tous les Di appartenant au polygone
v.

Le calcul par FP du poids oij d'un lment spatial dij faisant partie d'un polygone v et ayant

un score sij, se fait selon l'quation (1 1); quel que soit le polygone auquel appartient l'lment
di,jYle rsultat de ce calcul est le mme. Par contre, le poids oij du mme lment spatial diJ,se trouvant dans un polygone v, calcul par FPV (quation (27)), differe selon les lments du voisinage. En outre, le calcul de poids contextuels spatialiss a priori par FPV,met en relief davantage la dissimilitude entre les scores que leurs valeurs absolues. Pour pallier cet aspect, il a fallu intgrer l'expression dterminant le poids d'un polygone upn(v)(quation (42)) un terme qui considre la valeur totale normalise du score du polygone, soit MSN,, pondre par le coefficient a,,. Ce coefficient permet de calculer un poids qui tient compte simultanment de la valeur absolue des scores et du contraste entre les scores dans le contexte du polygone. Dans un polygone v contenant plus d'un lment spatial, l'quation (43) permet le calcul d'une moyenne de scores d'un polygone comprise entre O et 1 et ce, en divisant la moyenne totale de scores par le score le plus lev dans le polygone, soit si,m(i,v,. poids contextuels Les spatialiss a posteriori (o,,(v)) quations (4 1) et (42).
et a priori (mp"(v)) sont donns respectivement par les

MSN, : moyenne des scores normalise du polygone v donne par l'quation (43);
a n: coefficient de pondration compris entre O et 1.

Dans le cas o un polygone contient un seul lment spatial, son poids o,(v)

est toujours

donn par l'quation (41), alors que son poids upn(v) sera donn par l'quation (44) (on normalise sa moyenne en scores, gale sa valeur en scores, par le score le plus fort ( s ~ , ~ ( ~ ~ ) de toute la carte; l'exemple du tableau 3.2 montre l'utilit d'un tel choix).

mpn(v)= MSN, =

i=n
i=l

[ui MSi,v)
Si,rn(i)

La figure 3.3 illustre un cas de superposition d'un DV relatif cinq germes sur une carte de
scores artificiels ayant quatre lments spatiaux distincts. Le tableau 3.1 montre la rpartition
des diffrents lments spatiaux dans les polygones et le tableau 3.2 rsume les paramtres

statistiques relatifs aux scores et aux poids calculs par la fonction de pondration F, P , l'utilisation d'une valeur faible de a , (, , , a,
= 0,l)

dans

les polygones de la figure 3.3. Les valeurs soulignes du tableau 3.2 montrent un cas ou

induit des poids qui ne varient pas dans le

mme sens que les moyennes en scores (comparaison des polygones 2 et 3). Nous notons que
le polygone 2 a un poids contextuel MPpnlev a cause de l'effet du contraste entre les scores des lments qui le composent.

Tableau 3.1 Effectif de chaque score dans les polygones

polygone 1 polygone 2 polygone 3 polygone 4 polygone 5

score =1 O 1728 576 O O

score = 2 579 O 627 1098 O

score = 3
O

t28
24 O

score = 4 O O
6

total 579
1856

1305
993

2152

1233 2403 3 145

Tableau 3.2 - Paramtres des poids et des scores des polygones

M P ~ S MPpri

MS

MSN

wps

apri(opon = 0.1)

Wpri(apon= 0.5)

upri(apon = 0.9)

polygone 1 0,200 0,500 2,000 0,500 0,200 0,500 0,500 polygone2 0,114 0,284 1,138 0.379 0,114 Q2,24 0,332 polygone 3 O, 156 O, 156 1,562 0.390 O, 156 O. 179 0,273 polygone 4 0,308 0,514 3,086 0,771 0,308 0,540 0,643 polygone 5 0,332 0,474 3,316 0,829 0,332 0,510 0,652 MPps et MPPn sont les poids des polygones spatialiss a posterlori et a przori.

0,500 0,374 0,3 67 0,745 0,794

score =

score = 2
- - ---

- - --

Carte de scores (taille 96 lignes x 96 colonnes, m(i) = 4) Figure 3.3 Exemple numrique de calcul des poids contextuels

score = 3 score = 4

D .

Critres de segmentation de I'APCA

Les fonctions dsignes par CRI-DIV et CRI-FUS, introduites la section 3.5.3.B., correspondent respectivement aux critres de divisions et de fusions. Nous avons labor des heuristiques pour la formulation de ces critres afin que I'APCA soit adapt a diffrents types de donnes spatiales et aux besoins d'une segmentation qui a pour objectif la spatialisation de la pondration.

D1 ..

Critres de division

Deux types de critres de division ont t spcifis : l'un statistique et l'autre smantique (section 2.6.2). L'algorithme de dfinition de la fonction CRI-DIV est : (pourv= 1, NP appel INTRAHETERO(v); si INTRAHETERO(v) 2 seuil-div;
{

{pour u = 1, N(v)

trouver u tel que iNTRAHETERO(u) minimale

1
introduire g entre g et g selon un coefficient ajiV; , , ,

o seuil-div :
adivs

valeur du seuil de division. coefficient rel compris entre O et 1;

Le nouveau germe est insr entre le polygone htrogne v et son voisin u selon une distance entre g, et gngale la distance entre gvet g multiplie par le coefficient a d i v (figure 3.4). , Dans le cas smantique, I fonction d'htrogneit INTRAHETERO est choisie pour traduire la diversit d'lments spatiaux de toutes les cartes Di se trouvant dans le polygone examin, d'o l'expression de l'quation (44). Dans le cas d'un critre statistique, la variance permet de reprsenter l'htrognit du polygone (quation (45)).

Figure 3.4 - Disposition d'un nouveau germe dans le plan de l'image

INTRAHETERO,, (v) = VS,

INTRAHETEROwm fonction smantique de mesure d'htrognit interne d'un polygone; : INTRAHETEROso : fonction statistique de mesure d'htrognit interne d'un polygone;
Le choix de cette heuristique de division a t fait aprs avoir test une autre heuristique impliquant seulement le polygone htrogne (i. e. on insre le nouveau germe l'intrieur des limites du polygone htrogne). Vu que lors de I'insertion d'un nouveau germe dans un polygone, la structure des polygones voisins s'en trouve affecte, nous avons choisi de localiser le nouveau germe en fonction de la position du germe du polygone voisin le plus homogne (d'o la recherche de INTRAHETERO(u) minimale).

D.2.

Critres de fusion

Des critres de fusion de types statistique et smantique ont t inclus dans I'APCA.

L'algorithme du critre smantique de fusion est :

{pour v = 1, NP

appel INTRAHETEROrem(v); si INTRAHETERO,, (v) seui1-fus ;

{

(pour u = 1, N(v) trouver u tel que INTRAHETEROS,, (u) minimale;

1
Si IINTRAHETEROSem(u)-INTRAHETEROS,,(~)I4 seuil-fus2 remplacer g, et gupar g,;

L'algorithme du critre statistique de fusion est : (pourv= 1,NP appel [NTRAHETEROsU(~);

si INTRAHETEROsw(v)5 seuil-fusi;

{pour u = 1, N(v) trouver u tel que (INTRAHETEROsh(u) minimale et

I INTERHETEROSb(~,u) seuil-fus2;

1
remplacer gv et g. par g, selon un coefficient ar,;

1
1

seuil- fusl, seuil- fis2:

WUS :

valeurs des seuils des fusions. coefficient rel compris entre O et 1;

Le processus de localisation du germe g, (schmatis par la figure 3.4) est utilis afin de est remplacer les germes des deux polygones considrs homognes par un seul germe (adiv remplac par afu,). Les fonctions INTRAHETEROsem et MTRAHETERO,, sont donnes par les mmes expressions que celles utilises pour la fonction CRI-DIV. Les quations (46) et (47) correspondent deux types de fonctions statistiques d'htrognit entre polygones.

INTERHETERO (v, U) = ,

N" +Nu

IMS,

- MS,1

INTERHETERO, (v, u) = N v N u IcvS, -CVS,/

N v

+Nu

E,

Implantation de I'APCA

Le langage de programmation de I'APCA est le CIXView sous un environnement UNIX. Les fonctionnalits graphiques d'affichage des images brutes et segmentes y ont t incluses. La flexibilit du langage C en ce qui a trait la gestion dynamique de l'espace mmoire, a fait de lui un outil de choix pour l'implantation de I'APCA.

3.6. valuation du coUt d'un plus court chemin dans un contexte spatial
Les cartes de poids rsultant des diffrents modles de pondration sont utilises comme intrants l'algorithme du PCC dans un graphe structure matricielle. La source de chaque

PCC est le centre des cartes de scores et les destinations sont rparties sur les quatre coins des
cartes. L'annexe 7 dcrit le mode de calcul des impdances partir des poids.

L'valuation du processus de la pondration va porter essentiellement sur l'examen des cots de PCC issus des divers scnarios de pondration. Cette valuation se fera en comparant les cots des PCC calculs selon les diffrents algorithmes de spatialisation des poids aux PCC calculs par des outils plus conventionnels. A cet effet, nous avons utilis deux cas limites de dtermination d'un PCC dans un graphe matriciel :

- le cas o l'on n'utilise aucun processus de pondration contextuelle ni de segmentation

- le cas o le PCC est la ligne droite. ceci correspond une mthode qui fait abstraction
Dans le premier cas, la carte de scores est utilise comme intrant l'algorithme de Dijkstra.

Ceci permet d'obtenir un PCC ayant le cot en score le plus faible compar tous les autres cots en scores que l'on pourrait obtenir en utilisant une carte de scores non encore segmente. Nous noterons ce cot Sinfvu qu'il reprsente une limite infrieure et non pas un cot en scores minimal compar un hypothtique cot en scores obtenu suite une spatialisation des poids par le biais des pondrations et des segmentations. La longueur du trac ayant le cot en sera ,, scores Sinf, une des plus fortes, soit L, compte tenu de toutes les sinuosits du trac. Le second cas correspond une mthode qui fait abstraction totale des scores (les valeurs des impdances des liens du graphe sont toutes gales une constante). Le PCC rsultant de l'application de l'algorithme de Dijkstra est une ligne droite joignant le point de dpart au point d'arrive. Son utilit est qu'il donne un PCC qui a la longueur minimale de tous les
et chemins devant joindre deux points, soit Linf7 un cot en scores qui est forcment des plus

forts vu que la ligne droite ne tient compte d'aucune contrainte spatiale; on notera ce cot en scores Srup.

Pour chaque PCC calcul, nous dterminons sa longueur L et son cot en scores S calcul
selon l'quation (48). Vu que ces deux paramtres (S et L) varient d'une carte de scores une autre, nous avons utilis une mthode de standardisation permettant d'obtenir des cots exprims dans un mme intervalle (gnralement entre O et 1)' ce qui devra faciliter d'ventuelles comparaisons entre les scnarios de pondration appliqus diffrentes cartes de scores. Les valeurs standardises des cots en scores et des longueurs ainsi que des cots totaux sont donnes par les quations (49) (51).

Lors de l'exprimentation, on a pu observer que certains scnarios de pondration donnent des

PCC tels que le cot en scores est infrieur Sinr ou suprieur a Srup et la longueur est
suprieure L,.,; dans ces cas, on a des valeurs standardises infrieures O ou suprieures
1.

longueur du tronon du PCC traversant l'lment spatial dii; cot en scores du PCC longueur du PCC; valeurs limites infrieure et suprieure des cots en scores; valeurs limites infrieure et suprieure des longueurs; cot en scores standardis; longueur standardise; cot total standardis; coefficient de standardisation comptis entre O et 1.

Le coefficient astd permet l'utilisateur de donner plus d'importance au cot en scores ou la

longueur en fonction de la nature des contraintes et des besoins du projet.

3.7. Analyse des donnes

Nous allons analyser les donnes relatives au secteur d'tude de la rgion de Sherbrooke qui serviront pour une tude de cas d'optimisation du trac d'une ligne lecirique. D'autre part, nous prsenterons des donnes artificielles que nous avons dveloppes dans une optique d'effectuer des processus de simulation.
3.7.1. Donnes relles du site du secteur d'tude

A.

Description des dondes spatiales du secteur dVtude

La zone d'tude retenue pour appliquer la mthodologie dveloppe est relative au projet d'optimisation de tracs de lignes lectriques du secteur sud de Sherbrooke. Le temtoire d'tude couvre une superficie de 375,84 k d ; il est de forme rectangulaire mesurant 26,l Km dans le sens Nord-Sud et 14,4 Km dans le sens Est-Ouest; son centre correspond au centreville de Sherbrooke (figure 3.5). Nous avons identifi les besoins en donnes partir de I'examen de l'inventaire d'vaiuation fait par Hydro-Qubec (1990). Les donnes relatives au secteur de Sherbrooke sont toutes sous format matriciel; elles ont t produites par Le Groupe

S.M. (1991). Ces donnes ont t ramenes au mme systme de rfrence spatial UTM. La
classification des donnes brutes peut tre faite seion leur source. Les donnes thmatiques numrises sont des cartes thmatiques numrises a partir des cartes de contraintes relatives au projet. Elles reprsentent les lments spatiaux qui ont une rsistance par rapport au passage de lignes lectriques. Elles sont sous format matriciel avec 20 m de limite de rsolution spatiale. Les donnes thmatiques satellitales sont issues de la classification d'images satellitales du site de Sherbrooke; ces images correspondent a la combinaison de bandes issues des capteurs TM de Landsat et HRV de SPOT. Elles ont t comges gomtriquement; leurs limites de rsolution spatiale ont t ramenes a celle de la bande panchromatique de SPOT (10 m). Ces donnes sont utilises comme une source additionnelle d'information vu que la majorit des classes d'utilisation du sol mises en vidence par le processus de la classification figurent dans les diffrentes cartes de contraintes thmatiques numrises (tableau 3.4)

Les donnes relatives la topographie : certaines contraintes lies l'implantation de pylnes

des lignes lectriques sont d'ordre physiographique, c'est a dire, elles sont lies la
topographie du terrain. Dans l'analyse des besoins en donnes partir des inventaires faits par Hydro-Qubec, nous avons identifi deux types de contraintes qui peuvent provenir directement d'un modle numrique d'altitude (MNA) :

- la pente du terrain : plus la pente est leve, plus le terrain reprsente une rsistance
technique l'implantation des pylnes;

- la visibilit : elle traduit le degr d'altration

lectrique.

du paysage par le passage d'une ligne

La visibilit est associe des sites d'observation ou aux points d'altitude la plus leve du terrain. Plus les points partir desquels une zone est expose la visibilit sont nombreux, plus cette zone reprsente une rsistance forte au passage d'une ligne lectrique. Les donnes topographiques sont issues du MNA numris partir de cartes topographiques

au 1150000 avec une limite de rsolution spatiale de 50 m.

B.

Mode d'valuation d'impact des lignes lectriques

La notion de rsistance accorde chaque lment spatial relativement au passage de lignes lectriques est issue de la combinaison de l'impact apprhend d'un tel projet et de la valeur accorde l'lment spatial. Ces deux notions sont tablies selon des normes d'tudes environnementales et techniques (Hydro-Qubec, 1990). Leur combinaison a permis d'tablir une chelle de cinq niveaux de rsistance (trs forte, forte, moyenne, faible, trs faible). Cette chelle d'valuation est du type absolu. Les lments spatiaux qui ne sont pas seulement rsistants mais qui sont en plus protgs par une loi contre le passage d'une ligne lectrique ont une rsistance dite absolue ou contrainte. Toutes ces notions sont explicites au niveau de l'annexe 8.
C.

Mode d'affectation des scores

La traduction des rsistances d'une chelle qualitative en une chelle numrique de scores
peut se faire d'une manire arbitraire tout en respectant le fait qu'une rsistance leve doit

tre traduite par un score lev. L'chelle de conversion que nous avons utilise est donne par

le tableau 3.3. une mme valeur de rsistance, nous avons fait correspondre un intervalle de scores pour que deux lments spatiaux appartenant une mme carte D i et qui ont une mme rsistance, aient des scores diffrents mais de mme ordre de grandeur (ceci permet une plus
grande dynamique dans l'chelle des scores). Ainsi, nous accordons la valeur "score moyen"
un lment spatial s'il est le seul a avoir une valeur de rsistance donne; sinon, le score

attribu l'lment est donn par une valeur de l'intervalle des scores.

Tableau 3.3 Correspondance entre les r6sistnnces et les scores

Rsistance Trs forte Forte Moyenne Faible Trs faible

Symbole Intervalle des scores Scores moyens TF 1720 18 F 13 16 14 M 9 12 10 FBL 58 6 TFBL 14 2

D.
D.1.

Pr-traitements des donnes spatiales relatives au secteur d'tude Pr-traitements des donnes thmatiques

Nous avons trait les donnes thmatiques (numrises et satellitales) afin d'uniformiser leur
taille et leur limite de rsolution. La taille et la rsolution de ces cartes thmatiques ont t modifies pour concider avec celles des donnes issues du MNA qui a la limite de rsolution la plus faible de toutes les donnes (50 m). La figure 3.6 illustre les diffrentes cartes de contraintes thmatique

D2 ..

Pr-traitements des donnes topographiques

Les pr-traitements effectus concernent la conversion des valeurs du MNA de niveaux de gris

en altitude et la drivation d'une carte de pente et d'une carte de visibilit.

D.2.1.

Le modle numrique d'altitude

La conversion du M'NA de niveaux de gris entre O et 255 en mtres a t faite a partir de certains points de contrle prlevs sur la carte topographique de la rgion au 1/50000.

D.2.2.

La pente

La pente du terrain reprsente le taux de son inclinaison relativement a l'horizontale; elle est calcule au niveau de chaque pixel en prenant en considration la fentre 3x3 centre sur le pixel. Le calcul se fait a partir du gradient de l'altitude dans les sens des lignes et des colonnes; l'algorithme de calcul est donn par Burrough (1986). La pente de la zone d'tude (figure 3.7) est calcule en pourcentage; elle varie entre I et 73% comme le montre l'histogramme de la figure 3.8. Les valeurs de scores peuvent tre gales aux valeurs effectives de la pente (valeurs entires) car plus la pente est leve, plus la contrainte technique d'implantation de la ligne lectrique est leve.

D.2.3.

La visibilit

Le principe du calcul de la visibilit est le suivant : l'altitude de chaque cellule du MNA est compare celle de chaque point d'observation; la valeur attribue un pixel correspond au nombre de points d'observation partir desquels le pixel est visible. Le calcul de la visibilitt a t effectu partir de l'altitude (MNA) et des points d'observation les plus levs que nous avons dtermins l'aide du seuillage de l'histogramme : l'histogramme permet de dlimiter les plages de valeurs d'altitude les plus leves slectionnes et affiches l'cran, ce qui facilite la recherche des sommets. En tout, 29 sommets ont t identifis pour la zone d'tude. Les scores relatifs la visibilit sont accords selon le principe suivant : plus un pixel est visible partir d'un sommet, plus il reprsente une rsistance forte au passage d'une ligne lectrique qui altre la qualit visuelle du paysage. Les valeurs de visibilit varient entre 1 et 19 (Le. les pixels les plus exposs sont "vus" partir de 19 sommets). Les figures 3.7 et 3.8 montrent respectivement la carte de visibilit et sa distribution statistique.

D.3.

Inventaire des cartes des contraintes de la base de donnes

Le tableau 3.4 rsume l'ensemble des cartes de donnes et des scores qui leur sont attribus
sur la base de leur rsistance aux multiples contraintes (annexe 6).

m . .

I I . . .

(a) D7: Carte de pente

pente ou visibilit faible
pente ou visibilit moyenne

(b) Ds : carte de visibilit

pente ou visibilit forte

0 pente ou visibilit trs forte

chelle : +-
5 km

Figure 3.7 Cartes de pente et de visibilit du secteur d'ktude

(a)

Histogramme de la carte de pente

@)

Histogramme de la carte de visibilit

Figure 3.8 Histogrammes de la pente et de la visibilit du secteur d'tude

67

Tableau 3.4 - Donnes spatiales relatives aux contraintes et scores correspondants

-. - -- . .

Di DI: Affectation du sol

dij

Rsistance

Sij

D2: Agricole D3: Fort

D4: Particulier Dg: Urbain

Db: Utilisation du sol

Zone urbaine Zone industrielle Zone agricole Zone rurale de service Zone de dveloppement Espace vert Zone de villgiature Zone d'extraction Rseau hydrographique Espace ac tue1 Espace class E s ~ a c e class non Peuplement semencier Plantation Verger Zone inondable Zone d'rosion Espace rsidentiel Espace rsidentiel projet Espace commercial Espace industriel Espace industriel projet Institutions publiques Espace rcratif Sol nu Zone agricole type 1 Zone agricole type II Zone de friches Fort de feuillues Fort de resineux Zone de tourbes Espace urbain et rsidentiel Routes Gravire Rseau hydrographique

TF TF M
TF

M TF F
M FBL M

M
TF

1O 18
6

FBL
TF

F
TF F M TF F TF TF TFBL M M F F M F TF FBL F TF

18 14 19 16 1O 17 13 18 20 1 5 7 9 11 6 10 14 3 12 15

D7: Pente D8: Visibilit

E.

Analyse de la corrlation entre les cartes de scores

Quand plusieurs cartes sont utilises des fms de modlisaticn d'un phnomne spatial, il est utile d'examiner le niveau d'association spatiale entre elles. L'analyse de corrlation est un outil qui permet la quantification de cette association et de montrer, le cas chant, si elle est assez importante pour tre considre ou non au niveau de l'analyse ou de la modlisation. Il est toutefois important de souligner que malgr cet outil de quantification, la signification d'une valeur particulire de corrlation dans un sens de probabilit (Le. tester une hypothse nulle de corrlation un certain niveau de probabilit) est plus difficile dans le cas de donnes spatiales que dans le cas de donnes non spatiales. Ceci est d au fait que les donnes spatiales ne respectent pas souvent les conditions des modles statistiques classiques dont la principale est l'indpendance des chantillons (Bonham-Carter, 1994). Nous utiliserons toutefois l'outil de corrlation afin d'explorer s'il existe des donnes qui sont trs corrles, et par consquent, d'liminer la redondance et de gagner sur le temps de calcul.

II existe diffrentes mthodes de calcul du degr de corrlation selon le type d'chelle des
donnes (nominale, ordinale, ratio et intervalle). Pour le type de domees que nous avons (les ensembles de scores associs chaque ensemble de donnes), il est possible d'utiliser la mme expression de calcul de corrlation que dans le cas de domees continues telles que la 1 topographie, ou le niveau de gris d'une image satellite. 1 s'agit de l'indice de corrlation croise (cross correlation) qui calcule la corrlation entre deux cartes Diet DJayant le mme

nombre de pixels. L'expression de l'indice CORR(Di, DI) telle que propose par Goodchild
(1986) est donne par l'quation (52).

o
Pr attribut d'un pixel p de la carte Di;

PJ
PI

attribut d'un pixel p de la carte Dl; valeur moyenne des attributs de la carte DI; valeur moyenne des attributs de la carte DJ;
:

PJ

Npir

nombre de pixels de la carte Di ou de la carte DJ.

Quand le coefficient CORR est proche de 1, il existe une corrlation positive entre la carte X
et la carte Y (Le. on trouve le mme type de scores aux mmes endroits dans les cartes

X et

Y). Quand le coefficient CORR est proche de -1, alon il y a corrlation ngative entre la carte
X et la carte Y (i. e. on trouve des scores diffrents aux mmes endroits dans les cartes X et Y;
c'est par exemple le cas de la carte Sz compare la carte Si (tableau 3.5)).

partir de l'examen de l'indice de corrlation entre les diffrents ensembles de scores

(tableau 3 . 9 , il apparat que la carte de scores relative l'ensemble d'occupation des sols Sa issue de la classification d'images satellitales est la plus corrle avec le reste des cartes de scores (valeurs de corrlation positives), en particulier avec la carte SI qui reprsente

as l'ensemble d'affectation de sol. D n l'intgration des cartes de contraintes multiples, nous ne

considrerons pas la carte Sb.Toutefois, nous en ferons usage comme carte de contraintes individuelIe.

Tableau 3.5 Valeurs de corrlation entre les diffrentes cartes de scores

3.7.2. Donnes artificielles

A.

Objectifs de I'utilisation des donnes artificielles

Pour tester les modles de spatialisation globale et contextuelle de la pondration, nous avons utilis en premier lieu des cartes thmatiques artificielles dont les valeurs correspondent aux scores. Les arguments de l'utilisation des donnes simules sont rsums comme suit :

- vrifier, sur des exemples simples, I'effet de la spatialisation globale et contextuelle des
poids sur le rsultat de l'optimisation d'un plus court chemin; nous examinerons en particulier les aspects suivants :

- l'effet des diffrentes fonctions de pondration sur certains cas de figure de

distributions statistiques usuelles des scores,

- l'effet du voisinage sur les cartes de poids et sur le rsultat final de l'optimisation d'un
plus court chemin.

- assister le choix de certains paramtres de I'algonthrne quand on l'applique des cartes

relles;

- produire un nombre suffisant de cartes thmatiques pour effectuer d'ventuels tests

ncessitant un nombre minimum d'observations, tels les tests statistiques.

B.

Mode de fabrication des cartes artificielles

Nous avons choisi la forme des lments spatiaux des cartes comme des polygones de Vorono. Ce choix n'est pas impratif pour effectuer tous les tests avec les donnes artificielles, mais il facilite certains tests. Les tapes globales ncessaires la confection des cartes sont :

- fixer la taille des cartes, leur rsolution et le nombre de polygones qui reprsentent les
diffrentes lments spatiaux;

- gnrer des polygones de Vorono et associer un attribut chaque polygone par le biais
d'une fonction de gnration de nombres alatoires;

- transformer la carte de valeurs alatoires en une carte ayant une certaine distribution
statistique des scores par la redistribution de la frquence des scores.

La figure 3.9 illustre des exemples de cartes artificielles qui seront utilises dans le prochain chapitre.

Carte avec 100 polygones

---

Carte avec 300 polygones

Figure 3.9 Exemples de cartes de scores artificielles Discussion et conclusion

Dans ce chapitre, nous avons dvelopp les algorithmes qui permettent d'tudier les diffrents modles relatifs l'intgration de la dimension spatiale la pondration des donnes multivaries. Les outils intgrs a ces algorithmes relvent des mthodes d'analyse spatiale contextuelle et des mthodes de voisinage. L'algorithme SHOE a t adapt pour effectuer une spatialisation contextuelle a posteriori des poids. L'algorithme APCA a t dvelopp en vue d'effectuer les diffrentes approches de spatialisation de la pondration ( a posteriori, a priori et adaptative). Les cartes de poids rsultant des diffrents modes de spatialisation sont utilises comme intrant a l'algorithme de PCC de Dijkstra appliqu a un graphe matriciel. Dans le second volet de ce chapitre, les donnes qui vont servir l'exprimentation ont t analyses. Nous avons fait une description des pr-traitements effectues sur les donnes relles correspondant l'tude de cas de l'optimisation du trac d'une ligne lectrique relative au secteur de la rgion de Sherbrooke. En outre, nous avons produit des donnes simules consistant en des cartes de contraintes artificielles qui serviront l'tude de certains aspects conceptuels et exprimentaux des approches proposes.

4. Analyse des r~sultats 4.1. Introduction

Dans le prsent chapitre, nous effectuons l'analyse et l'interprtation des rsultats. Chacune des approches proposes est applique sur un certain type de donnes. Les algorithmes adapts et dvelopps sont valus individuellement; ensuite nous effectuons une comparaison des rsultats obtenus suite l'utilisation des diffrents modles de pondration appliqus la recherche d'un PCC. Les rsultats des analyses concernent aussi bien les donnes artificielles que les donnes relles.

4.2. Analyse de la signification des cots 4.t.l. Objectif

Le calcul des cots des PCC standardiss proposs dans le chapitre 3 (quations (49) (5 1)) se
fait partir de la comparaison des cots en scores et des longueurs aux valeurs limites suprieure et infrieure. Nous avons essay de relier ces cots aux valeurs des scores afin de parvenir valuer si un gain de cot (e. g. de 10% ou de 50%) entre deux scnarios de pondration est significatif ou non en terme de scores; les scores tant des entits que l'on peut relier des cots effectifs exprims en dollars par exemple. Pour ce faire, nous avons effectu une srie de tests visant trouver? si elle existe, une relation entre la variation du cot d'un

PCC (ASrtd et ALltd) et la variation des scores As.

4.2.2. Principe du test d'valuation des cots
Pour effectuer une analyse des cots standardiss des PCC,il est important de diversifier les

cartes de scores (diffrentes distributions statistiques des scores et diffrentes valeurs de m(i)),
afin de chercher l'existence d'une ventuelle relation entre les variations des cots en scores et et des longueurs standardiss (Srtd Lsd) et celles des scores et ce, indpendamment des donnes utilises. cet effet, nous avons produit des cartes de scores notes ALEi,m(i, selon des processus alatoires indpendants les uns des autres. En tout, sept cartes ont t produites avec des valeurs de m(i) variant entre 5 et 40, ce qui correspond a la gamme la plus vraisemblable de variations des lments spatiaux des cartes thmatiques qui reprsentent les contraintes

lies des projets d'arnnagemmt. A partir de chacune des cartes ALEimmci), a gnr de on nouvelles cartes notes ALEi,m(iphOU AS est une valeur constante ajoute tous les scores de la carte originelle. Cette opration consiste a effectuer, sur une mme carte d'lments, des valuations distinctes qui aboutissent des scores diffrents mais proportionnels (e. g. des apprciations d'valuateurs qui different par une valeur constante de scores). La fonction de pondration FPFi (quation (13)) a t applique sur l'ensemble des cartes de scores pour en driver des cartes de poids qui ont servi par la suite comme intrant l'algorithme de Dijkstra

afin de produire des PCC.Pour chacun des PCC calculs relativement une carte de scores
ALEi,m(iph,nous avons dtermin les diffrences des cots en scores et des longueurs selon les standardiss par rapport ceux d'un PCC calcul de la carte originelle ALEi,m(i, quations suivantes :

Pour chacune des cartes ALEi,m(i) ALEi,m(i)+h, avons calcul les valeurs limites des et nous cots en scores et des longueurs (i. e. S,,,, Sinf> et Linf) pour les fins de standardisation. Lsup 4.2.3. Analyse et interprtation des rsultats du test d'6valuation des cots

Les rsultats sont rsums au niveau de la figure 4.1 qui illustre les variations ASstdet ALrrden
fonction de As (variation des scores) pour les sept valeurs de m(i). Diffrents modles de rgression ont t tests pour analyser le type de relation entre ASstd et As d'une part, et ALsrd
et As d'autre part. L'approximation de la relation entre la variation des cots en scores et la

variation des scores par une fonction linaire a donn les coefficients de dtermination les plus

levs pour des valeurs de m(i) comprises entre 10 et 40. La variation de la longueur ALstden
fonction de As est plutt alatoire, ce qui se traduit par le fait qu'une augmentation des scores n'entrane ni une augmentation ni une diminution systmatiques de la longueur standardise d'un PCC.L'quation (55) traduit la relation linaire entre ASstd et As.

[a)

en Variation des ASstd fonction de la variation des scores

Variation des scores As

(b)

Variation des ALstden fonction de la variation des scores

Figure 4.1 Analyse de la signification des coOts des PCC

A et B sont des coefficients qui dpendent de la carte de scores utilise.

Nous avons not qu'au fur et mesure que la valeur de m(i) augmente, la pente A de la droite reliant ASrtd AS (quation (55)) va en diminuant. Le graphique de la figure 4.2 reprsente les valeurs de A en fonction de m(i) et l'quation (56) correspond la fonction d'approximation de la relation entre A et m(i) pour des valeurs de m(i) comprises entre 10 et 40.

L'allure dcroissante de la fonction donne par l'quation (56) suggre que, plus les cartes de scores sont caractrises par la diversit de leurs lments spatiaux (valeur de m(i) leve), plus une faible variation de SStdse traduit par une forte variation de scores. Autrement dit, un gain de cot en scores de 10% observ sur une carte ayant un m(i) donn n'a pas la mme importance, compar un mme gain observ sur une carte ayant un m(i) plus lev; dans ce dernier cas, le gain (ASrtd) est plus significatif.

Lon de l'utilisation de n cartes de scores caractrises par la diversit des lments spatiaux
qui les composent, il convient de prendre en considration le rsultat de ce test quand on compare plusieurs processus de pondration et leur impact sur le cot d'un PCC.A cet effet, nous devons calculer un cot en scores relatif, soit S,td.,i, tenant compte de la pente A(m(i)) qui dtermine le degr de signification d'une interprtation d'une variation de cots en scores par rapport celle des scores. L'quation (57) permet de calculer un cot en scores relativement celui de la carte la moins diversifie de l'ensemble des cartes examines (i. e. carte i ayant le m(i) minimal).

1 0

15

20

25

30

35

40

45

N o r h de typs d l h t s spatiaux di) artes ALE,,i) des

Figure 4.2 Variation de la pente A en fonction du

nombre de types d'lments

Les sections suivantes porteront sur l'analyse comparative des cots des PCC issus des diffrents scnarios de pondration. Nous utiliserons pour tous ces rsultats une seule valeur
de a,,d (astd 0,5) afin de calculer un cot total standardis ou la longueur et le cot en scores =

ont la mme importance. Notre valuation de l'effet des diffrentes approches de pondration se fera relativement la comparaison conjointe des cots en scores (SSld SEld-ml)des cots OU et totaux standardiss Cstd.
4.3. Analyse de la spatialisation globale de la pondration

Les fonctions de pondration algbriques FP, et matricielles FPM, sont appliques sur des cartes de scores artificielles et relles pour produire des cartes de poids; ensuite l'algorithme de Dijkstra a permis le calcul des PCC a partir des cartes de poids obtenues. Nous n'avons pas effectu de tests d'analyse de cots au niveau de ces tests; nous nous sommes plutt bass sur une comparaison relative des cots des PCC obtenus par les diffrentes fonctions de pondration. Les cartes de scores artificielles utilises sont du mme type que celles illustres par la figure 3.8.

4.3.1. Effet de la composante spatiale globale sur des cartes de scores artificielles

A.

Cas de distributions statistiques diverses

Les fonctions de pondration FP, (quation (13)) ont t appliques pour trois valeun de y
(0,5; 1 et 2; fonctions de pondration dont la tendance a t illustre par la figure 2.1) sur trois

cartes de scores notes DISi,m(i> de mme taille et variant par la distribution statistique de leurs scores (figure 4.3). Le tableau 4.1 rsume les rsultats des coiits standardiss des PCC obtenus. Tableau 4.1 Caractristiques des PCC rsultant de la pondration globale

DISI,m(I, : Poisson

DIS2,m(2)Uniforme :

DIS3,m(31 : Quelconque

L'examen du tableau 4.1. montre que la fonction FP, qui permet d'obtenir le PCC avec les plus faibles Srid,Lsidet CSld,varie selon la distribution statistique de la carte de scores. Les variations des cots observes sont dues aux diffrents scnarios de pondration produits chacun par une fonction de pondration qui a un potentiel de discrimination des scores dpendant de la valeur de y. Par exemple, pour des distributions statistiques de Poisson, la fonction de pondration FPw5 a produit un PCC avec un Cstdrduit de moiti par rapport au

PCC driv par la fonction FPFl.

La transformation des poids d'une chelle relle ou les valeurs varient entre O et 1 une
chelle entire entre O et 255 s'est faite selon une transformation linaire. Nous avons

maintenu ce processus de r-chantiilo~agepour transformer toutes les valeurs de poids

relles en valeurs entires. La figure 4.4 illustre les distributions statistiques des cartes de poids obtenues suite l'application des trois fonctions FP, sur la carte de scores DISi,m(rn(il et les

PCC correspondants.

10

13

16

19

22

25

18

31

34

37

40

43

46

Valeur des scores

(a)

Carte DIS

: Distribution de Poisson

(b)

Carte DISLJODistribution uniforme :

Valeur der scotcr

(c)

Carte

: Distribution quelconque

Figure 4.3 Histogrammes des cartes de scores artificielles

ViLur da p i & rrrkul& pu F, P,

(a)

Histogramme et PCC issus de l'application de FPFI sur

(b)

Histogramme et PCC issus de l'application de FPflJ sur DIS ,ds

(c)

Histogramme et PCC issus de l'application de FPF2 sur DISl,ds

Figure 4.4 Histogrammes des cartes de poids et PCC correspondants

La fonction FPF2 produit des poids qui sont concentrs dans un intervalle rduit (figure 4.4.c);
ainsi, la carte de poids est quasiment une carte de valeurs constantes, ce qui explique que la longueur du PCC est la plus faible et que son cot en scores est le plus lev. La fonction

FPFo,s compare FPFi a permis de rduire la longueur du PCC sans augmenter son cot en
scores.

B.

Cas de distributions symtriques

Pour examiner de plus prs la relation entre l'effet discriminant d'une fonction FP, et la distribution statistique des donnes initiales, nous avons appliqu les fonctions FP,o15 et FPF2 sur une carte de scores note DIS4,m(J) ayant une distribution de Poisson et sur son symtrique

OU DISslmcsl chacun des scores est obtenue selon l'quation (58). Le tableau 4.2 rsume le
rsultat de ce test.
Tableau 4.2 Caractristiques des PCC drivs des cartes a distributions symtriques

Le pouvoir de discrimination de la fonction FPwV5dans l'intervalle des faibles scores qui sont les plus frquents au niveau de la carte DIS41m(4(J,y a engendr un PCC avec le plus faible Cstd compar celui du PCC issu de l'application de FPF2. Le pouvoir de discrimination de la fonction FPF2dans l'intervalle des scores levs de DISsm(sl a produit un PCC de plus faible cot. Ainsi, d'aprs cet exemple et les exemples prcdents, il apparat que le rehaussement
des poids des lments ayant les scores les plus abondants contribue rduire le cot total

d'un PCC.Dans les prochaines sections, nous procdons d'une part vrifier cette observation

sur un exemple de carte de contraintes relles (carte de la pente) et, d'autre part, a une validation statistique de l'effet de la spatialisation globale sur la rduction du cot d'un PCC
4.3.2. Application de la spatialisation globale sur les cartes de scores relles

La carte de pente de la rgion d'tude dcrite comme la carte D7 dans le tableau 3.3 a t utilise pour tudier l'effet des fonctions FP, appliques la recherche d'un PCC sous la contrainte technique relative la pente du secteur d'tude de Sherbrooke. Les valeun des scores de cette carte correspondent aux valeun de pente entires exprimes en pourcentage. La pente est une caractristique physique du terrain de type continu (valeurs exprimes sur chelle ratio), il sera possible de diviser l'intervalle des scores de diffrentes manires de faon a obtenir diffrentes cartes de pente variant par leur valeur de m(i). La figure 4.5 illustre trois cartes de pente correspondant a la sous-zone de la rgion d'tude o m(i) prend trois valeurs distinctes (41, 16 et 9); le choix de ces trois valeurs a t fait d'une manire arbitraire de sorte qu'on ait diffrents degrs de diversit d'lments spatiaux. Pour ces trois valeurs, la distribution statistique des scores est bien reprsente par une loi de Poisson. Le tableau 4.6 rsume les rsultats de l'application des trois FPy ou y prend respectivement les valeurs 0,5, 1 et 2 comme dans la section prcdente. On remarque que, comme dans le cas des cartes artificielles ayant une distribution de Poisson, la fonction FPMV5 gnr les PCC a ayant les plus faibles cots totaux et ce, pour les trois valeurs de m(i).

Tableau 4.3 Caractristiques des PCC calculs sur les cartes de pente
-

Pente : m(i) = 41

Pente : m(i) = 16

Pente : m(i) = 9

Vrlcur des scom de Ir c;mc de pcnic de m(i)

J1

Valeur des scores de la carte de pente de m(i)

16

(c)

Histogramme et image de la carte de pente de m(i) = 9

Figure 4.5 Cartes de pente et leur distribution

4.3.3. Validation statistique de l'algorithme de spatialisation globale

Les tests impliquant diffrentes fonctions de pondration sur les cartes de scores artificielles et relles ayant une distribution statistique de Poisson ont montr que la fonction FP*j engendre les PCC de moindres cots totaux Crtd.NOUSavons procd une validation statistique de cette observation. Le choix de cartes ayant des distributions statistiques de Poisson pour faire l'objet d'un test statistique prend en considration que de nombreuses donnes spatiales telles que les MNA et les caractristiques topographiques qui en sont issues obissent a une loi de Poisson. Le test statistique a consist faire une comparaison des cots des PCC obtenus suite l'application des deux fonctions (FPMB5 FPFi) sur diffrentes cartes de scores, que nous et qui noterons POIi,m(i>, ont les mmes dimensions et la mme distribution statistique (Poisson) et qui diffrent par le nombre de types d'lments spatiaux qu'elles contiennent. Dans la section suivante, nous procdons un survol de notions statistiques que nous avons utilises pour valider l'effet de la spatialisation globale. Ces notions concernent les tests sur la diffrence des moyennes d'chantillons indpendants. L'annexe 9 donne les dtails des quations utilises.
A.
Rappels statistiques

Deux types de distributions statistiques peuvent servir afin de vrifier des hypothses sur la diffrence des moyennes d'chantillons indpendants. La distribution de la loi z est utilise lorsque les variances des deux populations sont connues, et la distribution de la loi t, connue sous le nom de distribution de Student, est utilise dans le cas ou les variances des populations

ne sont pas connues (Gilbert, 1978). L'usage de chacune de ces distributions suppose que les
populations ont une distribution normale. Si on ne connat pas les distributions des populations, l'on peut augmenter la taille des chantillons (au moins 30 observations pour chaque chantillon); dans ce cas, la distribution de la diffrence des moyennes des deux chantillons devient approximativement nomale.

Pour trouver un intervalle de confiance ou pour effectuer un test d'hypothse, il faut comparer les valeurs de la loi z ou de la loi t donnes par des tables celles calcules partir des observations d'chantillonnage. Les tests utilisant les variables z ou t permettent de vrifier une hypothse nulle note Ho et une hypothse alternative dite aussi hypothse rivale note Hi. Le test est effectu avec un niveau de signification not gnralement a qui correspond la probabilit de commettre une erreur en rejetant l'hypothse nulle Ho alors qu'elle est vraie. L'annexe 9 dcrit les diffrents paramtres statistiques des lois z et t.

B.

Application du test de Student la spatialisation globale de la pondration

Nous tentons de vrifier si la fonction FPHVspermet d'avoir des cots de PCC rduits d'une faon significative, compars ceux obtenus par la fonction FPFI quand elles sont appliques sur des cartes de scores ayant une distribution de Poisson. Vu que les caractristiques des populations dont sont issus les chantillons tests sont inconnues (distribution et variance), nous avons utilis le test de Student. L'hypothse nulle Ho (quation (59)) suppose qu'il n'y a
pas de diffrence entre les moyennes des coiits calculs par les deux fonctions et l'hypothse

rivale Hi (quation (60)) stipule que les coiits des PCC issus de l'application de FPFi sont suprieurs a ceux issus de I'application de FPFOb5 des cartes de scores distribution de sur Poisson.

Nous dsignons par px et p~ les moyennes des populations des cots des PCC issus de l'application respective des deux fonctions FPFi et FPH5 sur les cartes de scores POIi,m(i). Comme l'hypothse rivale Hi est une ingalit, le test de Student unilatral est utilis (Annexe
9)-

Nous avons gnr des cartes de scores POIi,m(il selon des processus alatoires indpendants

afin de respecter la condition d'indpendance d'chantillons ncessaire lors de l'utilisation du

test de Student. En tout, une trentaine de cartes ont t gnres pour avoir un nombre assez

important d'observations de sorte que l'hypothse de normalit de la distribution de la diffrence des moyennes de deux chantillons soit vrifie. Les traitements effectus sur chacune des cartes POIi,m(i) consistent appliquer les deux fonctions FPFi et FPw5, et calculer les PCC partir de chacune des cartes de poids obtenues. Vu que les cartes de scores varient par les valeurs de m(i), nous avons procd l'application du test de Student d'une part sur la comparaison des cots totaux issus de Sridet, d'autre part, sur ceux issus des cots relatifs Sstd-ml expressions de Ssd.,i sont calcules selon l'quation (57); nous avons utilis Les les valeurs de pente A(m(i)) donnes par l'quation (56).

C .

Interprtation des rsultats du test de Student

Le tableau 4.4 rsume les rsultats des cots standardiss obtenus par l'application des deux
Nous avons compar CSfd(X) fonctions de pondration FPFi et FPFo5 sur les cartes POIi,m(ii. Csfd(Y) C,fd.,i(X) a Csld.Rl(Y); Csld-Tel la mme expression donne par l'quation (5 1) et les ont o l'on remplace Ssldpar Ssfd-<cl. test de Student effectu consiste a comparer les cots Le totaux absolus (tableau 4.5) et relatifs (tableau 4.6). L'examen du tableau 4.4 montre que la valeur moyenne de S,ld.,l(X) est infrieure la valeur moyenne de Sstd-relC() tandis que la valeur moyenne de L,&)

i est suprieure i la valeur

moyenne de LStd(Y). Pour effectuer le test de Student sur la diffrence des moyennes de cots totaux des PCC, nous allons considrer trois valeurs du coefficient de standardisation a,,d pour voir dans quelle mesure une rduction du cot total d'un PCC par la spatialisation globale s'applique davantage a une rduction de longueur plutt qu'a celle du cot en scores. La comparaison des valeurs de bai dans les tableaux 4.5 et 4.6 montre que le fait de considrer un cot en scores standardis relatif Srtd-rcl un cot en scores standardis Sstd,peut changer OU significativement l'interprtation du test de Student. Le rsultat le plus fiable est celui du cas relatif o l'on compare les cots des PCC avec un mme niveau de signification. Dans ce cas, l'hypothse Ho(il n'y a pas de diffrence entre les cots des PCC calculs par FPF1 et FPw3)
est accepte pour des valeurs de a S f d suprieure ou gale 0 7 ce qui veut dire que si l'on ';

donne plus d'importance aux cots en scores au dtriment de la longueur d'un PCC, la spatialisation globale des poids par la fonction n'amliore pas significativement le cot total.

Par contre, si on calcule le cot global d'un PCC en donnant la mme importance aux cots en

scores qu' la longueur, ou moins d'importance cette dernire, on peut affirmer, avec un niveau de confiance de 95%, que la spatialisation globale rduit significativement le cot total

d'un PCC calcul a partir d'une carte de contraintes ayant une distribution de Poisson.
Tableau 4.4 Cots et longueurs standardiss des PCC du test de Student

Moyenne Ecart-type

0,104 0,132

0,947

0,278

0,148 0,199

0,284
0,168

0,381 0,379

0,615 0,709

Tableau 4.5 Param4tres du test de Student dans le cas des cots absolus

Paramtres

X Y
Sx

aStd=0,9 O, 188 0,162 0,136

a,,,=0,7 0,357 0,f89 O 155 ,

a,,,=0,5 0,525 0,2 16 O, 184

I aStd=O, 0,863 0,27 1 0,258

ny

DL
fca~

tiab(u=5 %) H accepte

30 55 0,618 1,650 Ho

30
60 4,065

1,650

30 58 7,072 1,650

30 50 10,68 1 1,650

Ht

HI

HI

Tableau 4.6 Paramtres du test de Student dans le cas des cots relatifs

H accepte

Les paramtre utiliss dans les tableaux ont les significations suivantes :

X
-

: moyenne des observations de la variable X

: moyenne des observations de la variable Y

sx
SY

: cart type des observations de la variable X;

: cart-type des observations de la variable Y;

nx
ny

:nombre d'observations de la variable X; : nombre d'observations de la variable Y;

kai tub

: valeur de Student calcule; : valeur de Student tabulaire; : degr de libert; : coefficient de standardisation de l'quation (5 1);

DL

a,,d

Les expressions de calcul de bal et de DL sont donnes par les quations (2) et (3) de l'annexe
9.

4.3.4. Fonctions de pondration comparatives et pondration globale

Toutes les fonctions de pondration tudies antrieurement sont bases sur les combinaisons algbriques des scores selon l'expression gnrale donne par l'quation (12). L'utilisation d'une fonction de pondration matricielle FPM n'a pas encore t examine en spatialisation globale. Nous avons analys en particulier l'effet de la fonction de pondration utilisant le vecteur propre relatif la valeur propre maximale comme meilleur estim du vecteur poids (Saaty, 1980)' soit FPMeigen (quations (16) et (17)), compare F M (y = I et y = 2) Py (quation (15)). Les quations (18), (19) et (20) ont servi pour calculer les composantes des matrices de comparaison partir des scores absolus des cartes artificielles. Les trois fonctions FPMeigen7 FPMFi et FPMF2 ont une tendance telle que les scores les plus forts sont rehausss; nous les avons donc appliques sur des cartes de scores de distribution symtrique celle de Poisson. Le choix de cartes ayant une telle distribution statistique des scores a t fait en tenant compte de l'effet de spatialisation globale des fonctions examines sur des distributions statistiques symtriques celles de Poisson (section 4.3.1 ,B). Les rsultats prsents au tableau 4.7 ne laissent pas entrevoir qu'il y a un effet possible de la cohrence apporte par la fonction FPMeisn la rduction du cot d'un PCC,compars a ceux issus de l'application de sur

F M qui ne prennent pas en considration la cohrence. Le Py

cot total le plus faible est

observ avec la fonction FPMFi pour les deux cartes de scores utilises. Les deux fonctions

FPMF2 et FPMeip donnent des PCC avec de fortes longueurs (Lstd> 1); ceci est d au fait
qu'elles ont toutes les deux un potentiel de discrimination des scores plus important que celui de la fonction FPMFi. Ainsi, un important effet de discrimination d'une fonction de pondration peut engendrer des PCC plus coteux.

Tableau 4.7 Caractristiques des PCC issues de l'application de FPM

syrn-pente : m(i) = 16
Lrd

sym-pente :m(i) = 9
Cr[d

sstd

Lad

Cs,,

4.3.5. Commentaires et recommandations sur la spatialisation globale des poids

Les rsultats des tests prsents aux sections 4.3.1 4.3.4 ont rvl que le cot d'un PCC est conditionn par la fonction de pondration utilise. Nous avons calcul des poids par des fonctions qui ont un pouvoir de discrimination tel que les scores des lments les plus frquents dans la carte soient rehausss. Ainsi, nous avons pris en considration une information spatiale du type globale relative a l'abondance de l'lment pondr. Dans le cas o on a not une rduction du cot total du PCC par un scnario de pondration global (cas de la fonction FPM3 applique sur des scores distribus selon la loi de Poisson), nous avons remarqu que cette rduction est accompagne d'une rduction de la longueur du PCC. Ce scnario de pondration a donc permis de trouver un compromis - entre une faible longueur et un cot en scores relativement rduit - que d'autres scnarios de pondration conventiomels n'ont pas mis en vidence. La constance de l'effet d'une spatialisation globale sur la rduction
du cot d'un PCC a t dmontre par le biais du test statistique de Student dans le cas de

cartes de contraintes dont les scores sont distribus selon la loi de Poisson. Cependant, nous avons observ des cas o l'effet de discrimination a augment le cot des PCC (section 4.3.4), et ce par une amplification de la longueur du trac (et donc de sa sinuosit); l'effet de discnmination de la fonction de pondration est tel qu'il y a eu un rehaussement major des scores abondants au dtriment des scores les moins frquents. Suite ces observations, il s'avre ncessaire de dfinir des limites de l'effet discriminant d'une fonction de calcul de poids applique une distribution donne afin de parvenir a un scnario de pondration qui permet une rduction du cot total d'un PCC.Ceci suppose d'exprimenter une vaste gamme de coefficients y sur chaque type de carte de contraintes et d'analyser les cots des PCC

rsultants. La spcification d'un domaine de dfinition du coefficient y devrait rendre la solution propose moins fastidieuse et ce, en limitant la variation du rapport (AsIAa,) (figure
4.6) un intervalle dont les limites correspondent des tolrances fixes au pralable. Les

valeurs des tolrances peuvent varier d'une carte de contraintes a une autre pour rpondre aux besoins des utilisateurs, comme elles peuvent varier dans la mme carte en fonction des
frquences des scores afin de raliser l'effet de spatialisation global discut antrieurement.

Figure 4.6 Variation des poids en fonction de la variation des scores

4.4.

Analyse de la spatialisation contextuelle aposferiori de la pond4ration

Au niveau de cette section, nous analysons l'effet de I'intgration de la dimension contextuelle d'un lment aux fonctions de pondration. Nous avons utilis deux schmas de segmentation

produits par l'algorithme SHOE et I'APCA.

4.4.1. Remarques prliminaires La spatialisation contextuelle a posteriori de la pondration consiste en la recherche de rgions homognes partir des cartes de poids o chaque pixel a comme valeur thmatique un poids issu du score de l'lment spatial auquel il appartient. Les rgions sont ensuite caractrises par un poids unique issu de la combinaison des poids des pixels qui les constituent. Les deux algorithmes SHOE et APCA ont t appliqus sur l'ensemble des donnes relles not S relatif aux cartes de scores dcrits dans le tableau 3.3 et qui, par ailleurs, ne sont pas fortement corrls (i.e. S i ,S2, S3, S5, S7 et S8). La spatialisation contextuelle s'est opre S4, sur les poids calculs par la fonction FPFi qui n'a pas d'effet de spatialisation globale sur le calcul des poids. Nous avons utilis une sous-rgion de la zone d'tude o il y a le plus de diversit d'lments spatiaux de toutes les cartes thmatiques. Les dimensions de la carte S sont de 288 colonnes x 280 lignes et sa limite de rsolution est de 50 m. Les coefficients de pondration ai relatifs chaque carte de contraintes Si peuvent tre issus des besoins de l'utilisateur qui juge qu'une carte est plus importante qu'une autre. Dans notre application, nous avons suppos que toutes les cartes des contraintes ont la m&meimportance. La standardisation des caractristiques des PCC obtenus (S, L et C) s'est effectue relativement aux valeurs limites suprieure et infrieure de la carte somme des Si appartenant
S.

4.4.2. Application du test d9valuationdes cots des PCC aux cartes rkelles L'application de l'approche de pondration contextuelle a posterion sur l'ensemble S a comme objectif de trouver une solution de moindre cot pour le problme de recherche de trac de lignes lectriques dans la rgion de Sherbrooke. Cette approche de pondration ainsi que les autres approches conventionnelles et celles nouvellement dveloppes seront compares sur une base d'valuation des cots des PCC qui, dans ce cas, reprsente le trac de la ligne lectrique. Pour ce faire, nous avons appliqu la mthode d'analyse des cots dveloppe la section 4.2 la carte de scores somme des cartes de scores de S.

(a)

Variation des ASstden fonction de la variation des scores

(b)

Limites des intervalles des scores o la relation entre ASstd A est linaire et s

Figure 4.7 Analyse des coQts en scores des PCC sur les cartes du secteur d'tude

Le rsultat est donn par la figure 4.7. Le graphique 4.7 (a) montre que pour des variations As comprises entre O et 15, on observe une augmentation de ASstd, alors que pour des variations As suprieures 15, il y a diminution de ASsid.Pour expliquer une telle tendance, on se ramne au mode de calcul d'un cot en scores standardis (quation (49)) : pour des scores levs, la diffrence entre le cot en scores S et la limite infrieure Sinrdevient faible comparativement la diffrence entre les limites infrieures et suprieures. Par consquent, nous nous sommes limits a l'intervalle des scores [0,20] de variation de scores As pour attribuer une variation d'un cot en scores a une variation de scores. Dans cet intervalle, nous avons pu faire l'approximation de la relation entre ASrtdet As par une fonction linaire avec un coefficient de dtermination de 0'7. Ainsi, nous considrons une variation de cots en scores significative si elle se trouve entre 5% et 25%.
4.4.3. Pondration contextuelle a posteriori par l'algorithme SHOE

A.

Caractristiques et paramtres de l'algorithme SHOE

L'utilisation de l'algorithme SHOE ncessite la spcification des paramtres suivants :

- dimensions de Ia carte multi-poids;

- taille des cellules ou se font les premires fusions; - fonction d'htrognit entre segments voisins appartenant une mme cellule; - fonction d'htrognit entre segments de toute l'image;

nombre de segments ou on arrte les fusions dans les cellules;

- nombre de segments ou on arrte les fusions dans toute l'image.

A chaque niveau de fusion spcifi par le nombre final de segments, nous obtenons une carte
, , segmente unique W a partir de la carte multi-poids W rsultant de la transformation des
scores de l'ensemble des cartes de S. La caractrisation de chaque segment se fait par la moyenne des poids des pixels qui le forment (quations de la section 3.5.3, C). Quelques tests prliminaires consistant a segmenter des cartes artificielles de taille rduite et a afficher le rsultat l'cran ont montr que le rsultat est meilleur quand les cellules sont de

grande taille et quand le nombre de segments o l'on arrte les fusions dans les cellules est lev (la taille maximale de cellules dans une image de 512 lignes par 512 colonnes est de 16 lignes par 16 colonnes et le nombre maximum d'arrt des fusions de la premire tape est de 10000). Nous entendons par meilleur rsultat des segments caractriss par une plus grande homognit interne.

B.
B 1. .

Analyse et interprktation des rsultats de la pondration par l'algorithme SHOE Analyse des fonctions d'hktrognitb de l'algorithme SHOE

Les fusions par les fonctions d'htrognit INTERHETEROi ou INTERHETERO* (quations (29) et (30)) mnent des schmas de segmentation semblables la fin de l'tape des fusions dans les cellules cause d'un nombre de segments encore trs lev. Par contre, pour l'tape des fusions des segments dans toute l'image, le rsultat change selon qu'on utilise la fonction iNTERHETEROi ou INTERHETERO?. Dans les deux tapes, l'utilisation d'une section 3.4.2) des fonctions d'htrognit avec et sans le facteur des effectifs (NvNu/Nv+Nu, donne des schmas trs diffrents. La figure 4.8. illustre le rsultat correspondant 400 segments a partir de l'ensemble des cartes de poids par l'utilisation de la fonction

INTERHETER02 (quation (30)) avec et sans le terme du rapport des effectifs des segments
fusionns. Suite ces comparaisons, nous avons maintenu les deux fonctions d'htrognit avec le facteur relatif aux effectifs.

B.2.

Analyse des coats des PCC de la pondration par l'algorithme SHOE

Chacune des cartes de poids issues de la segmentation par le SHOE,selon les deux critres d'htrognit retenus, a t utilise comme intrant l'algorithme de Dijkstra. La figure 4.9 montre les rsultats des diffrences de Sstd,Lrtd Crtdentre les segmentations utilisant les deux et fonctions d'htrognit INTERHETEROl et INTERHETER02. L'interprtation du graphique 4.9.(b) montre que pour des partitions ayant un nombre de segments compris entre 40 et 200, la fonction d'htrognit qui permet d'obtenir un PCC de cot en scores et de longueur faibles est la fonction INTEFUIETEROI.Pour un nombre de segments infrieur 40,

on observe une fluctuation dnotant une trs grande htrognit intra-polygonale.

(a)

Segmentation avec INTERHETERO, (400 segments)

(b)

Segmentation avec INTERHETER02sans le terme d'effectifs (400 segments) chelle : * + 5km

Figure 4.8 Segmentation des cartes de poids de la zone d9Ctudepar 19algorithmeSHOE

(a)

Variation de Ssidet de Lrtddes PCC

(b)

Variation de ASstdet de ALrtddes PCC

(c)

Variation de ACstd PCC des

Figure 4.9 Caractristiquesdes PCC issus de la segmentation par I'algorithme SHOE

Nous avons tabli plus haut (section 4.4.2) qu'une variation significative du cot en scores
(Snd) d'un PCC recherch a partir de l'ensemble des donnes relles se situe dans l'intervalle

[5%,25%]. Nous observons que la segmentation par la fonction iNTERHETEROi donne des

cots en scores significativement rduits (ASrtd

17%) compars a ceux issus de la

segmentation par la fonction INTERHETEROz dans l'intervalle de segments [40,70]. Une variation proportiomelle des cots totaux des PCC est galement observe pour ce mme intervalle de segments a cause du fait que cette fonction d'htrognit a permis le calcul de

PCC dont les cots en scores et les longueurs ont t rduits simultanment.
Les cartes de poids segmentes selon les deux fonctions d'htrognit sont illustres par la

figure 4.10 (pour un mme nombre de segments valant 50); les PCC correspondants y ont t
superposs. Nous remarquons que la majorit de segments figurent dans les deux images; cependant, l'examen en dtail rvle que certains segments existent dans l'une et pas dans l'autre (e. g. le segment dlimit en rouge sur la carte segmente selon la fonction

MTERHETEROi).Cette diffrence, visiblement minime, au niveau du schma des deux

segmentations, a compltement rorient le parcours du trac causant ainsi une diffrence significative au niveau de son cot. Ainsi, d'une fusion une autre, on peut obtenir des PCC

trs diffrents.
4.4.4. Pondration contextuelle a posteriori par I'APCA

L'APCA dcrit en pseudo langage la section 3.5.3, B est l'algorithme gnral de pondration
contextuelle par les deux approches de spatialisation a posteriori et n priori. Selon le cadre de son application, nous avons utilis certaines de ses tapes ou les quatre tapes afin de diversifier les scnarios de pondration. La pondration contextuelle a posteriori par I'APCA est applique l'ensemble des cartes de poids W issu de la transformation des cartes de scores de S. Nous avons utilis les quatre tapes de l'algorithme afin de produire une pondration

chaque niveau de segmentation.

A.

Caractristiques et paramtres de I'APCA

L'utilisation de I'APCA en pondration contextuelle a posteriori ncessite la spcification des paramtres suivants :

taille de l'image; nombre de germes ncessaires pour crer une partition initiale en diagrammes de Vorono; fonction alatoire gnrant la position des premiers germes; coefficient de pondration ai attribu chaque carte Wi; critre de division statistique ou smantique; critre de fusion statistique ou smantique; choix des seuils de division et de fusion.
Analyse et inter~retation rsultats de la pondration par I'APCA des
B. 1.

Analyse des critres de segmentation de I'APCA

L'APCA segmente une carte selon le principe des divisions-fusions. Les cntres de segmentation dfinissent les caractristiques finales des partitions et sont, a ce titre, essentiels pour la suite des traitements. Nous avons examin les diffrents types de critres statistiques et smantiques dfinis la section 3.5.3, D. La combinaison de ces critres a t applique sur la carte d'lments spatiaux reprsentant l'ensemble des units d'affectation du sol de la zone d'tude (Di, figure 3.5(a)). La segmentation a t initialise par un nombre de gemes gal
2000. Les rsultats sont illustrs par la figure 4.1 1. La segmentation selon les critres de

division, aussi bien smantique que statistique, fait ressortir les frontires entre les diffrentes entits spatiales. Le critre de division smantique permet d'obtenir les contours des entits lmentaires qui constituent l'image. Le critre de fusion produit des polygones fins la oii il y a une grande htrognit et des polygones grossiers ailleurs. Avec les cntres statistiques de divisions-fusions, on doit donner des seuils adaptatifs : la valeur des seuils varie d'une itration l'autre selon les statistiques des polygones; autrement, la segmentation s'arrte a un nombre trs lev de polygones. A titre d'exemple, un seuil adaptatif de fusion peut tre gal

la moyenne entre les valeurs minimales et maximales de la fonction INTERHETERO.Avec

les critres smantiques de divisions-fusions, nous n'avons pas eu besoin d'adapter les seuils au fur et a mesure des itrations, mais plutt au type des donnes (i. e. on fixe une valeur seuil initiale utilise a toutes les itrations).

(d) Division statistique Fusion smantique 854 germes

( e ) Division statistique Fusion statistique 1879 germes

(f) Fusion smantique 803 germes

chelle :

+ + 5 km

Figure 4.1 l(2) Segmentation de la carte d'affectation du sol par les diffrents crithes de 19APCA

Les rsultats de ces segmentations ont rvl que les critres utiliss permettent d'obtenir diffrents schmas de partition. Selon l'objectif poursuivi, nous pouvons choisir les critres appropris. Dans notre cas, I'APCA est un algorithme de pondration des donnes thmatiques; par consquent, les entits lmentaires des cartes de scores ou de poids ne constituent pas l'information recherche. En outre, un nombre trs lev de segments ne contenant qu'un seul lment spatial risque de produire un PCC trs sinueux. Nous avons donc maintenu dans la suite des traitements le critre de fusion smantique qui permet de conserver l'htrognit sans aller dans les dtails des entits lmentaires (figure 4.1 1 (0). Dans le cas o la segmentation par le critre smantique de fusions s'arrte un nombre de segments trs lev (ce qui risque de se produire vu qu'on n'utilise pas de seuils adaptatifs), nous pouvons envisager deux types de fusion: on commence par un critre de fusion smantique et on enchane avec un critre de fusion statistique pour accrotre la taille des polygones.
B.2.

Application des critres de segmentation aux cartes des contraintes relles

Nous avons commenc par segmenter l'ensemble des cartes S par les critres de hsion smantique en partant d'un nombre de germes lev (2000). Le schma des oprations effectues est donn par la figure 4.12. Cette segmentation s'arrte a un nombre de segments relativement lev (1 159 germes). La figure 4.13 illustre le rsultat de la segmentation. Nous avons poursuivi par des fusions du type statistique appliques sur l'ensemble des cartes de poids W,,, segment.

Fusions smantiques

sSC8 Pondration wscg

Fusions statistiques

W ,

Figure 4.12 tapes de la pondration contextuelle des cartes de contraintes

Les seuils adaptatifs utiliss consistent choisir, chaque itration, les valeurs minimales de la fonction d'homognit intra-polygonale (INTRAHETERO) et des fonctions d'htrognit inter-polygonale (INTERKETERO). Les poids contextuels u posteriori des

polygones sont utiliss dans la caractrisation des fonctions d'htrognit qui dterminent les critres de fusion statistiques (i. e. on a remplac dans les expressions des quations (46) et
(47) les paramtres statistiques des scores par ceux des poids contextuels a posteriori).

Echelle :

+ + 5km

Figure 4.13 - Rsultats des fusions des cartes de scores du secteur d'tude par I'APCA

B.3.

Analyse des cots des PCC de la pondration par I'APCA

Nous avons test les deux fonctions d'htrognit donnes par les quations (46) et (47) lors

de l'utilisation du critre de fusion statistique. Le calcul des PCC s'est fait a partir des cartes
de poids rsultant des deux fonctions. Les rsultats des variations des cots en scores et des

longueurs (Sstd et Lnd) chaque niveau de segmentation, en utilisant les deux fonctions d'htrognit, sont donns par la f i g w 4.14. Une variation significative (Le. comprise entre
5% et 25%) entre les cots Sstd des PCC issus des deux fonctions a t observe pour

diffrents niveaux de segmentation. La fonction INTERHETER04 donne des valeurs de Sstdet

de Cstdmoins levs que la fonction iNTERHETER03 dans la majorit des niveaux de

segmentation. Toutefois, on observe des fluctuations analogues celles observes avec les

fonctions d'htrognit du SHOE. Ceci est inhrent au fait qu'il suffit d'une seule fusion pour que le PCC change significativement de trajectoire. Par consquent, on ne peut juger de l'efficacit d'une fonction d'htrognit, quant a la rduction du cot d'un PCC, d'une manire absolue. La seule recommandation consiste a essayer une panoplie de fonctions d'htrognit afin de maximiser les chances de rduction du cot d'un PCC.

4.4.5. Comparaison des rsultats des deux algorithmes SHOE et APCA

Les cots totaux CStd PCC issus de l'application des deux algorithmes aux donnes relles des font l'objet de la figure 4.15(a). Toutes les valeurs standardises des cots en scores et des longueurs sont comprises entre O et 1, ce qui s'explique par le fait que la segmentation des cartes de poids permet de rduire simultanment le coiit en scores et la longueur d'un PCC. On observe que pour la majorit des niveaux de segmentation, I'APCA a donn des cots totaux rduits par rapport a ceux du SHOE. La figure 4.15(b) montre les dtails de la diffrence des cots en scores et des longueurs; ces rsultats correspondent aux fonctions d'htrognit qui ont donn les PCC les moins coteux dans le cas des deux algorithmes. Nous remarquons que le SHOE produit des cots en scores des PCC significativement plus bas que ceux de I'APCA et que les longueurs des PCC issus de I'APCA sont plus faibles que celles des PCC du SHOE. Ces diffrences peuvent trouver une explication dans le type de segmentation de chacun des deux algorithmes. En effet, la principale dissimilitude dans les schmas de segmentation des deux algorithmes rside dans la forme et la taille des segments. Dans le cas de I'APCA, les segments sont des polygones convexes et semblables du point de vue forme et taille (figure
4.13); par contre, dans le cas du SHOE, la taille et surtout la forme des segments varient

considrablement. La figure 4.16 illustre les tracs d'un PCC issus de la segmentation par le SHOE (400 segments) et d'un PCC issus de I'APCA pour un nombre gal de polygones. D'aprs ces rsultats, des segments semblables ont tendance rduire la longueur du PCC. Suite cette comparaison, nous pouvons conclure que les schmas de segmentation des deux algorithmes constituent des outils complmentaires dans la recherche d'un PCC; cette observation est illustre au niveau de la figure 4.15@) o pour tous les niveaux de segmentation, la diffrence des cots en scores des PCC issus des deux algorithmes est ngative, alors que celle des longueurs est positive.

(a)

Variation de Sstd de Lslddes PCC avec les fonctions d'htrognit et

@)

Variation de Csld PCC avec les fonctions d'htrognit des

Figure 4.14 Caractristiques des PCC issus de la spatialisation par L'APCA

des poids des cartes du secteur d'hde

(a)

Variation de ASrtddes PCC

. .

.-

- .

@)

Variation de ASstd de usid et des PCC

Nombre dc scgmaits

(c)

Variation de SSdet de LSddes PCC

Figure 4.15 Caractristiques des PCC issus de la segmentation par

l'algorithme SHOE et I'APCA

chelle :

1
5 km PCC de I'APCA

PCC de l'algorithme SHOE PCC sans segmentation

Figure 4.16 Tracs des PCC rsultants des scnarios de pondration

sans segmentation et avec segmentation

4.4.6. Conclusion sur la pondration contextuelle a posteriori

L'intgration de la dimension spatiale contextuelle a posteriori aux poids a t possible l'aide d'outils de segmentation appliqus aux cartes de poids bruts. La segmentation a permis de diviser l'espace en rgions homognes. Ceci a eu comme principal effet sur le PCC une rduction de sa longueur et une augmentation de son cot en scores par rapport un cas de calcul d'un PCC sans segmentation; l'effet conjugu de ces variations s'est traduit par la rduction du cot total d'un PCC par rapport aux scnarios de pondration sans segmentation. Nous avons appliqu deux schmas de segmentation diffrents : le premier donne des segments variant considrablement par leur forme et leur taille et le second fournit des segments sous forme de polygones de Vorono convexes et de taille semblable. Dans le cas de la segmentation par I'APCA, nous avons obtenu des PCC de longueur rduite comparativement a ceux obtenus par le SHOE; le cot en scores des PCC de I'APCA est plus lev que dans le cas du SHOE.Ainsi, il y a complmentarit entre les deux schmas de segmentation. Dans le cas des deux algorithmes, nous avons observ des fluctuations de la variation des cots des PCC d'une partition a une autre due aux ventuels changements radicaux de la trajectoire d'un PCC entre deux schmas de segmentation semblables mais non identiques. Par consquent, il est difficile, voire impossible, de faire converger I'outil de spatialisation des poids a posteriori vers le cot minimal d'un PCC.
4.5. Analyse de la sprtialisation contextuelle a priori de la pondration 4.5.1. Introduction et contexte d'utilisation

Dans cette section, nous examinons l'apport de la dimension spatiale intgre a priori au processus de la pondration par le biais du voisinage d'une entit spatiale. Seul, 1'APCA est utilis dans cette approche vu que nous I'avons dvelopp dans une optique de pondration des donnes spatiales. L'algorithme SHOE,dont l'utilisation tait possible pour la pondration contextuelle a posteriori, ne peut tre facilement adapt pour une pondration contextuelle a
priori vu la lourdeur de sa structure modulaire et la rigidit du langage dans lequel il est cod

(FORTRAN)qui ne permet pas une manipulation flexible de l'espace mmoire. La gestion

dynamique de la mmoire est importante au niveau du codage de l'algorithme de pondration

contextueile a priori et adaptative afin d'optimiser les traitements qui ncessitent la dfinition

d'une fonction de pondration par segment.

Tous les rsultats rapports dans cette section sont relatifs l'application de la fonction de
pondration FPFi qui n'a pas l'effet de spatialisation globale discut la section 4.3. L'exprimentation de l'algorithme de spatialisation contextuelle a priori des poids s'est faite en premier lieu sur des cartes de scores artificielles; ensuite, nous avons procd vrifier son applicabilit sur les cas rels des donnes relatives au site d'tude.
4.5.2.

Application de I'APCA aux cartes de scores artificielles

Le voisinage au sens de Vorono du premier ordre (quation (23), figure 2.3) a t considr
pour tudier l'impact d'une pondration contextuelle a priori par le biais des fonctions FPV dfinies par l'quation (27). A cet effet, nous avons produit des cartes de scores spcifiques pour rpondre aux besoins de ces simulations et nous avons ajust l'algorithme APCA en consquence.
A.

Caractristiques des cartes de scores

Les cartes des scores artificielles qui ont servi Ion de ces simulations sont composes d'lments spatiaux qui correspondent des polygones de Vorono (figure 3.7). Le voisinage considr pour appliquer les fonctions de pondration se limite aux voisins immdiats d'un polygone. Nous avons produit quatre cartes de scores de mme taille (i .e le mme nombre de lignes et de colonnes pour la mme limite de rsolution) et variant par la taille et le nombre de

leurs lments spatiaux (10% 150, 200 et 300 polygones). Vu que nous avons utilis un
voisinage de Vorono de premier ordre, cette technique de simulation considrant diffrentes tailles d'lments spatiaux dans un mme espace image permet de simuler diffrents niveaux de voisinage pour une mme rgion d'tude.

B.
B.1.

Paramtres de I'APCA Paramtres de la segmentation

Le choix d'lments spatiaux ayant la forme de polygones de Vorono a pemis de simplifier l'application de 1'APCA. En effet, on a pu considrer un schma de segmentation ou les limites concident avec les frontires des lments spatiaux des cartes de scores en choisissant les germes d'ensemencement qui ont servi la fabrication de ces cartes pour initialiser la segmentation. Ainsi, la phase de division de 1'APCA devient non ncessaire vu que chaque polygone correspond un seul lment spatial. D'autre part, puisque le but de cette simulation est la comparaison de la pondration diffrents niveaux de voisinage qui ont t crs artificiellement; nous n'avons pas eu besoin d'utiliser la phase de fusion de I'APCA. Par consquent, seules, les phases d'initialisation et de calcul des poids contextuels ont t appliques. Le voisinage considr (not vois@) introduit a la section 3.5.3, B (algorithme en pseudo langage)) est dfini par les voisins de premier ordre du polygone v. Pour comparer le cas contextuel au cas non contextuel, nous avons effectu deux types de simulations sur chacune des cartes de scores : l'une avec la fonction FPVFI et l'autre avec la fonction FPFi. Les cartes de poids issues de chaque scnario de pondration ont t utilises comme intrant l'algorithme de recherche d'un PCC.
B.2.

Paramtres de la ponderation contextuelie a priori

Le calcul des poids contextuels par la fonction FPVFI ncessite un ajustement du coefficient

a, introduit dans l'quation (42) qui permet de considrer conjointement la valeur absolue ,
du score et sa valeur relative par rapport aux scores des lments avoisinants. La dtermination d'un coefficient unique ou optimis n'est pas une tche facile vu qu'il dpend , , des donnes. L'alternative retenue a consist a tester quelques valeurs de a et a juger de I'importance du nombre de cas o les poids contextuels des dments spatiaux ne refltent pas leurs vrais scores. A cet effet, nous avons fait varier les valeurs de a entre O et 1 et, , , chaque fois, on calcule le nombre de paires de polygones o il n'y a pas concordance entre les poids contextuels et les valeurs des scores (i. e cas semblables aux valeurs soulignes dans le tableau 3.2).

C.

Analyse et interprtation des rsultats

Le tableau 4.8 rsume les rsultats de cette simulation pour quatre valeurs de a (0,9; 0,5; , , 0,l et 0) sur les quatre cartes de scores variant par la taille de leurs polygones (figure 4.17).

Tableau 4.8 Caractristiques des PCC issus de l'application de FPFi et FPVFl sur des images diffrant par la taille de leurs tWrnents spatiaux

300 -0,010 0,017 0,004 -0,002 0,012 0,005 -O,l3 1 -0,396 -0,264 -0,107 -0,507 -0,307 NP : nombre de polygones dans une carte de scores

ASrtdr ALstdet ACstdsont donnes par les quations (61) a (63).

Les valeurs positives de A dans le tableau 4.8 montrent qu'une pondration contextuelle a
priori par la fonction FPVFi gnre des PCC avec des cots en scores, des longueurs et des

cots totaux rduits par rapport ceux obtenus par une pondration par la fonction FPFi. Nous avons remarqu que pour les quatre valeurs de a, les diffrences des paramtres des PCC ,, (ASstd, ALstdet ACstd) tendance gnralement diminuer au fur et mesure que le nombm ont

P d'lments spatiaux N augmente, c'est a dire que le voisinage considr devient rduit par
rapport la taille de la carte de scores. La valeur de a qui permet d'avoir une pondration , , contextuelle, telle que A ait les plus fortes valeurs possibles, varie selon les cartes.

Carte de scores a 100 polygones

Cane de scores 150 polygones

C'arte de scores a 200 polygones

Carte de scores 300 polygones

PCC contextuel

PCC non contextuel

Figure 4.17 - Tracs des PCC contextuels et non contextuels sur les cartes de scores artificielles

La figure 4.17 montre les tracs des PCC issus des scnarios de pondration contextuelle et
non contextuelle superposs aux cartes de scores. Nous remarquons que dans les cas des cartes ayant respectivement des nombres de polygones gaux 100 et a 150, le scnario contextuel a produit des tracs moins sinueux et de moindres cots en scores, et dans les deux autres cas (i. e 200 et 300 polygones), les longueurs des tracs et les cots en scores des PCC issus des deux scnarios sont comparables. La tendance dcroissante de la valeur ACrrdlaisse envisager que l'tendue du voisinage considre dans le calcul des poids a un effet sur le cot du PCC; toutefois, cette dduction ne peut tre confirme d'une manire absolue; elle doit tre taye

par d'autres simulations qui considrent des niveaux de voisinage plus importantes. Un
diagramme de Vorono d'ordre plus lev que le premier ordre (annexe 4) sera un outil de choix dans de telles simulations. Dans le cas de donnes relles, la pondration contextuelle adaptative qui fera l'objet de la section 4.6 sera utilise afin d'tendre le voisinage par des fusions successives et le calcul des poids contextuels chaque niveau de voisinage.
4.5.3. Caractristiques de la pondration contextuelle a priori par le voisinage

Dans cette section, nous procdons une analyse des caractristiques de la pondration contextuelle par le voisinage par rapport une pondration non contextuelle. L'effet du voisinage sur le calcul des poids contextuels consiste attribuer un poids a un lment spatial en tenant compte de son propre score et des scores de ses voisins. Contrairement aux mthodes de pondration dcrites antrieurement, la spatialisation contextuelle des poids n'est pas une fonction qui attribue chaque score un poids unique a cause du fait que le mme lment peut avoir des poids diffrents selon son voisinage. Cette caractristique se traduit par une plus grande dynamique des valeurs des poids. La figure 4.18 montre les histogrammes de la distribution des poids rsultant de l'application sur une mme carte de scores des fonctions

FPFi et FPVFi. La mme fonction de r-chantillonnage a et6 utilise pour transformer les
valeurs des poids de l'intervalle de valeurs relles [0,1] l'intervalle des valeurs entires
[0,255]. La distribution des poids calculs par la fonction FP (figure 4.18.p)) a une forme de

I Poisson tout comme la carte de scores D S

,45

(figure 4.1 8(a)) du fait que la transformation des

scores en poids ainsi que le r chantillonnage correspondent tous les deux un processus

linaire. Par contre, l'histogramme de la carte de poids issue de la fonction FPV est diffrent de celui de la carte des contraintes. Suite ces observations, nous avons examin les

statistiques des cartes de poids obtenues par trois fonctions de pondration (FPVFa5, FPVFi et

FPVF2) appliques sur dix cartes de scores artificielles qui different par la diversit de leurs
lments spatiaux (i. e. diffrentes valeurs de m(i)) et par la distribution statistique des scores). Nous avons cherch a expliquer les variations des cots de PCC par les variations des paramtres statistiques usuels des cartes de poids (moyennes, variances, coefficient de variation). Dans le cas de sept cartes sur dix, le cot standardis total est rduit quand la valeur absolue de la diffrence entre le coefficient de variation de la carte des poids et la valeur 0,5 est faible (tableau 4.9). De plus amples investigations devraient tre effectues pour permettre de conclure quant la constance d'une telle relation et aux conditions de sa validit; dans ce cas, elle pourrait tre utile afin de dterminer d'ventuels cntres de convergence vers l'ensemble des solutions o L'on obtiendrait des rductions de cots des PCC issus du scnario de pondration par le voisinage.
Tableau 4.9 Variation des coe~cieots variation des cartes des poids et des cots de

totaux des PCC

p .

image 1

C 3rd

CV

ICV-O,j( image6

C srd

CV

ICV-0,51

.
C~
t d

image3

CV

/CV-O,5I i m a g e 8

C SI^

CV

ICV-0,51

image4

C~

t d

CV

ICV-0,51 i m a g e 9

c id

CV

(CV-0,51

I
(a)

Valeur des scores

Histogramme de la carte DISi,4s : distribution de Poisson

10

11

Valcur des pi& calculCs par F, P ,

b)

Histogramme de la carte de poids calculs par FPFi

300

250
% !

tao
150
100

50
O

11

16

21

26

31

36

4I

46

51

56

61

66

71

76

81

86

91

96

Vateut des poids cakuIts par F V , P,

(c)

Histogramme de la carte de poids calculs par FPVFI

Figure 4.18 Effets de la spatialisation contextuelle sur la distribution des poids

4.6. Analyse de la spatialisation contextuelle adaptative de la pondration

4.6.1. Introductioa et contexte d'application

Les rsultats des simulations relatives a la spatialisation contextuelle a priori de la pondration sur les cartes de scores artificielles ont montr que selon le niveau de voisinage, les fonctions

FPV peuvent engendrer des PCC dont le cot est infrieur ceux des PCC rsultants des
fonctions FP. Les cartes de scores artificielles sur lesquelles nous avons appliqu le concept de pondration contextuelle a prion' ont t conues dans l'optique d'utiliser le voisinage de Vomno de premier ordre. L'application de la pondration par le voisinage sur des cas rels ncessite une nouvelle faon de considrer le voisinage qui contient l'information contextuelle
inclure dans le calcul des poids. Dans le cas de cartes de scores relatives au secteur d'tude,

nous avons considr le voisinage entre les lments spatiaux d'un mme polygone (i. e. vois(v)
=

v). La spatialisation contextuelle a priori applique aux domees relles est une

spatialisation adaptative qui commence par le calcul des poids contextuels relatifs un voisinage restreint que l'on tend au fur et mesure des fusions.
4.6.2. Caractristiques et paramtres de 19APCA

Tout comme dans le cas de la pondration contextuelle a posteriori par I'APCA, les critres de segmentation retenus sont ceux qui effectuent des fusions selon un critre smantique suivies de fusions selon un critre statistique. La segmentation en polygones de Vorono selon ces critres permet d'utiliser le voisinage intra-polygonal comme contexte; les fonctions de pondration y sont appliques, vu que le contenu d'un polygone n'est pas restreint un seul lment spatial comme ce serait le cas si on utilisait un critre de division smantique. Notons toutefois que l'utilisation de critres de divisions-hisions smantiques pourrait tre d'un intrt en pondration contextuelle a prion' et adaptative si l'on se servait des DV d'ordre plus lev qu'un DV simple. Les paramtres de segmentation de I'APCA en pondration contextuelle adaptative sont les mmes que ceux utiliss en pondration contextuelle a posteriori (section 4.4.2). Pour avoir des schmas de segmentation identiques entre les scnarios de spatialisation adaptative et a

posterion, nous avons utilis les expressions des fonctions d'htrognit utilisant les scores (quations (46) et (47)). Ce choix permet de comparer les rsultats des deux scnarios de pondration diffrents et non pas de deux schmas de segmentation diffrents. Les paramtres de la pondration contextuelle, en particulier a, sont tests comme prcdemment (section ,, 4.5.2, B.2). Nous avons analys la pondration contextuelle (adaptative et a posteriori) en premier lieu sur des cartes de scores individuelles (Le. recherche d'une ligne lectrique optimale a partir d'une seule carte de contraintes); ensuite, nous avons intgr l'ensemble des cartes de contraintes correspondant au passage des lignes lectriques dans le secteur d'tude.
46.3. Pondration contextuelle adaptative de cartes de scores individuelles

Pour exprimenter l'effet de la dimension de voisinage sur la pondration, nous avons choisi d'appliquer I'APCA sur chacune de deux cartes de contraintes caractrises par la mme diversit de scores (i. e. mme valeur de m(i)) et variant par la distribution statistique de leurs lments spatiaux qui se traduit par le fait que l'une a des Irnents spatiaux pars et I'autre a
des lments spatiaux diversifis dans un mme voisinage. Ces deux cartes sont relatives aux

ensembles DI(ensemble d'affectation de sol issu d'une carte thmatique numrise) et D6 (ensemble d'utilisation du sol issu d'images satellitales classifies) (figure 3.5 (a) et 3.5.(d)). Les figures 4.19 et 4.20 illustrent les rsultats de l'application de I'APCA (spatialisation des poids a posteriori et spatialisation adaptative) sur les deux cartes de scores. Pour la carte Si caractrise par des lments spatiaux pars, quel que soit le niveau de la segmentation, le cot total du PCC est le plus faible quand la fonction FPFi est utilise. Pour la carte Ss, qui a une plus grande varit d'lments spatiaux dans un mme voisinage, le cot total des PCC est plus faible dans la plupart des niveaux de segmentation utilisant la fonction de pondration par le voisinage (FPV,,). L'examen dtaill des cots en scores et des longueurs (figures 4.19 (b) et 4.20@)) rvle que le scnario de pondration adaptative fournit des PCC moins coteux en termes de scores mais plus sinueux que les PCC du scnario de spatialisation des poids a posteriori. La rduction du cot total des PCC du scnario contextuel appliqu sur la carte Sa est tributaire d'un compromis issu d'une importante diminution du cot en scores compare l'augmentation de la longueur du trac.

Nombre dc segments

(a)

Variation de Cstd PCC entre les scnarios a posteriori et a prion des

Nombre de segments

(b)

Variation de Sstd de Lstddes PCC entre les scnarios a postenon et o priori et

Figure 4.19 CarartCristiques des PCC issus de la spatialisation des poids de la

carte d'affectation du sol par 19APCA

Nombre de segmts

(a)

Variation de Crid PCC entre les scnarios a posteriori et adaptatif des

Nombre:de segments

(b)

Variation de Ssldet de Lstddes PCC entre les scnarios nposteriori

et adaptatif

Figure 4.20 Caractristiques des PCC issus de 1 spatialisation des a

poids de la carte d9utilisationdu sol par 19APCA

4.6.4.

Pondration contextuelle adaptative de cartes de scores multiples Application de divers modes de segmentation

A.

Les deux modes de segmentation SEG-MUL et SEG-IND(section 2.7.3) ont t appliqus a l'ensemble de cartes de scores relles S. Le processus SEG-MU, produit une carte de poids unique correspondant au rsultat de la segmentation et de l'application des fonctions de pondration aux segments rsultants. Le processus SEG-IND produit une carte de poids relative chacune des cartes de contraintes; la carte de poids finale est la moyenne des cartes de poids individuelles. Le graphique de la figure 4.21 montre une comparaison des cots totaux des PCC obtenus par un scnario de pondration adaptative (i. e. l'application de la fonction FPVFI chaque niveau de segmentation) selon les deux processus de segmentation

(SEG-MULet SEG-IND). diffrence entre les cots des PCC selon les La

deux processus

n'est pas stable; cependant, le mode de segmentation individuel a permis d'obtenir les PCC de moindres cots diffrents niveaux de segmentation. La principale diffrence entre les deux modes rside dans le fait que la segmentation avec SEG-INDest effectue sur chacune des cartes de contraintes selon ses propres critres de fusion. Nous allons maintenir le mode de segmentation individuelle dans la suite des comparaisons avec d'autres scnarios de pondration du moment qu'il a fournit les PCC de moindres cots dans une majorit de partitions.

B.

Comparaison des scknarios de ponderation adaptative et aposteriori

Le mode de segmentation choisi est celui de SEG-MD pour effectuer les deux types de pondration contextuelle a p~srerioriet adaptative en appliquant respectivement les fonctions

FPFl et FPVFI l'ensemble des cartes de contraintes dans chacune des partitions. Le graphique de la figure 4.22(a) illustre une comparaison des cots totaux des PCC obtenus suite
l'application des deux fonctions de pondration. D'aprs ces rsultats, pour des voisinages

restreints (i. e. nombre de polygones compris entre 180 et SO), la fonction FPFI a permis d'avoir, dans certaines partitions, des de polygones compris entre 70 et 30.
COfits

en scores significativement rduits compars

ceux obtenus par la fonction FPVFi (Le. ASstd 5%); cette tendance s'inverse pour un nombre >

(a)

Variation de Cotd PCC entre deux modes de segmentation des

Nombre de segments

@)

Variation de Srtdet de Lstddes PCC entre deux modes de segmentation

Figure 4.21 Caractristiques des PCC issus de la spatialisation des

poids par 1'APCA selon deux modes de segmentation

-0,20 1
Nombre de segments

(a)

Variation de Cstd PCC entre les scnarios a posteriori et adaptatif des

Nombre de segments

(b)

Variation de Sstd de Lstddes PCC entre les scnarios a posteriori et

et adaptatif
Figure 4.22 Caracthistiques des PCC issus de la spatialisation des
poids par 19.4PCAselon les scharios aposterioB et adaptatif

Les observations prcdentes sont analogues celles des simulations sur des cartes artificielles (section 4.5.2) o nous avons not qu'un scnario de pondration contextuelle a priori a produit des PCC plus ou moins coteux par rapport au scnario de pondration non contextuelle et ce, selon le niveau de voisinage considr. Le graphique 4.22(b) donne la diffrence des cots en scores et des longueun entre les deux types de pondration diffrents niveau de segmentation; la rduction du cot total d'un PCC issus du scnario de la pondration contextuelle adaptative (intervalle de polygones compris entre 30 et 70) est tributaire d'un compromis entre un trac plus sinueux et moins coteux en termes de scores.

4.6.5. Mixage de la spatialisation globale et contextuelle des poids

Dans cette section, nous examinons l'effet de l'utilisation conjointe d'une fonction qui a pour
effet une spatialisation globale qu'on se propose d'adapter un contexte spatial reli au sur voisinage. Pour ce faire, nous avons appliqu les fonctions FPFos et FPVFoV5 la carte de sachant partir des analyses prcdentes (section 4.3.2) que le coefficient de pente (D7) discrimination y gal 0'5 (quation (13)) a un effet de spatialisation globale te1 que le cot d'un PCC rsultant de la carte de pente se trouve rduit par rapport au cas o l'on n'utilise pas de processus de spatialisation globale. Le but de ce test est d'examiner l'effet d'une spatialisation par le voisinage de la fonction FPFot5. La figure 4.23 illustre les comparaisons de cots totaux des PCC issus des diffrents scnarios de pondration. Le premier graphique (figure 4.23.(a)) montre que pour tous les niveaux de segmentation examins, il y a une rduction du cot total des PCC par l'adaptation de la fonction de pondration FPFos au voisinage. La figure 4.23 (b) compare les cots totaux des PCC issus des fonctions FPVFi et
FPVFo3. Nous notons que les cots totaux des PCC rsultants de l'application d'une fonction

ayant un effet de spatialisation globale (i. e. FPHt5) sont rduits par rapport ceux de la fonction de pondration linaire. Dans le cas des deux graphiques, la diffrence entre les cots totaux n'est pas constante (fluctuations discutes antrieurement). Malgr ce fait, nous avons not tous les niveaux de segmentation que les cots des PCC issus d'une carte de contrainte relative a la pente du terrain sont rduits par l'utilisation conjointe de la spatialisation globale et de la spatialisation contextuelle adaptative.

Nombre de segments
1

(a)

Variation de Cstd PCC entre les scnarios a posteriori et adaptatif des

Nombre de segments
m

(b)

Variation de Cstd PCC entre la spatialisation adaptative par des

deux fonctions de pondration

Figure 4.23 Caract6ristiques des PCC issus de la spatialisation

des poids de la carte de pente par 19APCA

4.7. Commentaires et recommandations sur la spatialisation contextuelle a priori et

adaptative des poids L'intgration du voisinage d'une entit spatiale au calcul de son poids a t tudie sur des cas simuls et sur des cas rels. Dans le cas de contraintes artificielles, pour une mme zone d'tude, nous avons simul diffrents niveaux de voisinage auxquels nous avons adapt les fonctions de calcul des poids. Une rduction du cot de PCC rsultant a t observe sur les

cartes oii le niveau de voisinage est tendu relativement aux dimensions de la carte; dans le cas
o le voisinage considr est restreint, nous n'avons pas observ une diffrence notable entre les PCC des deux scnarios. Puisque les conditions d'application des fonctions de pondration (contextuelle et non contextuelle) sont les mmes, on peut conclure que la diffrence des cots des PCC est due l'effet de la dimension spatiale intgre au calcul des poids. Dans le cas des contraintes relles, nous avons obtenu des rsultats analogues ceux des cas simuls; en particulier, une rduction du cot total des PCC observe quand I'information contextuelle intgre o priori est relative des voisinages tendus. Une explication intuitive de l'effet de l'intgration explicite du voisinage la pondration peut tre donne comme suit : dans le cas d'un voisinage tendu, l'intgration du contexte aux fonctions de pondration confre aux poids une information refltant les interactions possibles
l'chelle locale et menant a un scnario de pondration tel que le PCC rsultant est meilleur

en termes de cots compar un PCC issu d'une pondration non contextuelle. Par contre, pour des voisinages restreints, l'information contextuelle devient trop locale, et donc insuffisante, pour reflter toutes les interactions possibles d'un lment spatial avec son contexte. D'un point de vue analytique, I'examen des caractristiques des cartes de poids obtenues partir d'un scnario de pondration contextuelle appliqu aux cartes de contraintes artificielles, a rvl que la dynamique de variation des poids est large ( un mme Iment spatial, diffrents poids lui sont attribus selon son contexte, (figure 4.1 7)). Cette caractristique de la pondration contextuelle explique le fait que d'une manire gnrale, on a observ que le scnario contextuel gnre des tracs de PCC plus sinueux, traduisant le fait que le PCC privilgie, dans ce cas, le passage par des rgions ayant des entits spatiales moins contrastes.

Par contre, un scnario de pondration non contextuelle confre deux rgions ayant les
mmes scores, les mmes poids et ce, quelle que soit la diversit de leurs entits spatiales respectives; ce qui gnre des PCC potentiellement moins sinueux.

L'examen des caractristiques statistiques des cartes de poids contextuels a en outre permis
d'expliquer, dans 70% de cartes de contraintes simules examines, la variation du cot d'un

PCC par la variation du coefficient de variation de la carte de poids. Nous pourrons investir
davantage dans la recherche de telles relations afin de comprendre l'effet de la dimension spatiale sur la gnration de scnarios de recherche de PCC plus avantageux que les schmas de recherche conventionnels.

5.

Conclusion

5.1.

Conclusions gnrales

La prsente recherche visait en premier lieu le dveloppement d'une approche de pondration des donnes multisources reprsentant les contraintes relatives aux projets d'amnagement. L'tude des multiples aspects de l'intgration explicite de la dimension spatiale aux diffrentes tapes du processus de la pondration a constitu la pierre angulaire du travail. A cet effet, un cadre conceptuel bas sur la thorie des ensembles a t utilis pour reprsenter les donnes spatiales, leurs caractristiques et les interrelations qui les rgissent. Cette reprsentation a en outre servi comme cadre formel de l'intgration de la dimension spatiale aux diffrentes fonctions de pondration appliques sur les cartes de contraintes partir desquelles on cherchait rduire le cot total d'un plus court chemin. Deux concepts de spatialisation des poids ont t tudis; l'un est bas sur une intgration de l'information spatiale du type global, l'autre utilise une information locale lie au voisinage des lments spatiaux pondrs. L'utilisation de fonctions de pondration algbriques et matricielles rgies par un potentiel de discrimination entre les scores qui traduisent les contraintes a constitu l'approche de spatialisation globale. Le poids d'une entit spatiale est dtermin par des fonctions qui ont un pouvoir de discrimination tel que les scores les plus frquents sont rehausss. Dans certains cas, ce scnario de spatialisation des poids a permis de trouver un compromis - entre une faible longueur du PCC et son cot en scores - qui a rduit le cot total du PCC compar aux cots obtenus par des scnarios de pondration conventionnels. Outre son application des cartes de contraintes relles, l'approche globale de spatialisation des poids a fait l'objet d'une validation statistique par le test de Student o les chantillons utiliss correspondent aux PCC calculs partir de cartes de contraintes artificielles. D n d'autres cas de figures, la as discrimination des poids a eu un effet tel que les PCC rsultant sont plus coteux. Suite ces observations, nous avons recommand de dfinir les limites de discrimination d'une fonction de pondration de sorte que l'effet de spatialisation globale recherch n'effectue pas un rehaussement amplifi des scores les plus abondants au dtriment des scores les moins frsuents.

La pondration contextuelle des poids est effectue moyennant l'intgration d'une information spatiale locale aux fonctions de pondration et ce, par des outils de voisinage et de segmentation. Deux scnarios de pondration sont proposs : la spatialisation des poids a
posteriori et la spatialisation des poids a priori. Deux algorithmes de segmentation ont permis

d'effectuer la spatialisation des poids. L'algorithme SHOE (Segmentation Hirarchique Optimisation par tapes) est utilis afin d'effectuer la spatialisation contextuelle a posteriori des poids par le biais de fusions des segments ayant des poids similaires. L'algorithme APCA (Algorithme de Pondration Contextuelle Adaptative) est dvelopp comme outil intgrant les diffrentes approches contextuelles de spatialisation des poids tudies dans cette recherche. La segmentation par I'APCA se fait selon des divisions-fusions dans une structure de diagrammes de Vorono. Les cartes de poids issues des contraintes mlatives au passage de lignes lectriques dans la rgion de Sherbrooke sont utilises comme intrants aux deux algorithmes pour tester 1'eMet de la spatialisation des poids a posteriori. Dans les deux schmas de segmentation, nous avons obtenu une diminution du cot total d'un PCC compar au scnario de pondration ou les poids ne sont pas spatialiss. Nous avons not cependant d'importantes fluctuations de variations de cots entre des segmentations assez semblables. Les approches de segmentation des deux algorithmes se sont avres complmentaires quant la rduction du cot total d'un

PCC;cette complmentarit est due principalement aux diffrents schmas de segmentation des deux algorithmes. Les polygones convexes de Vorono gnrent les tracs de PCC les moins sinueux permettant ainsi d'atteindre un compromis entre une faible longueur et un tout
en termes de contraintes rduit.

La spatialisation contextuelle a priori des poids est effectue par les outils de voisinage et de
segmentation de I'APCA. Nous avons simul sur des cartes de contraintes artificielles diffrents niveaux de voisinage avec l'utilisation de diagrammes de Vorono de premier ordre;
chaque niveau de voisinage, nous avons adapt les fonctions de pondration. L'application

de la pondration contextuelle a priori aux cas rels est une pondration contextuelle adaptative oh les fonctions de pondration sont mises jour chaque niveau de voisinage considr. L'effet de l'intgration du voisinage au calcul des poids a gnr des poids variant

sur une large dynamique de valeurs du fait que les rgions similaires par leurs scores mais dissemblables par leur homognit sont pondres diffremment. Par consquent, les tracs des PCC obtenus par les scnarios contextuels sont gnralement plus sinueux que les tracs issus de scnarios de pondration conventionnelle. Dans le cas o le voisinage intgr dans le calcul des poids est relativement tendu, les cots totaux des PCC sont plus faibles et ce,
malgr leur plus fortes longueurs.

A partir de la comparaison des diffrentes approches de spatialisation des poids (i. e.

l'approche globale, l'approche contextuelle a posteriori et l'approche contextuelle a priori),

on a remarqu que la diminution du cot d'un PCC est ralise quand il y a compromis entre
sa longueur et son cot en scores. La spatialisation globale s'est avre profitable quand on prend en considration les particularits de la distribution des frquences des scores. Le potentiel de la pondration contextuelle par le voisinage rside dans le fait qu'il existe plus d'une faon d'intgrer l'information contextuelle au calcul des poids; dans notre cas, nous avons utilis celle qui met l'accent sur le contraste entre les entits spatiales, mais on peut envisager d'autres fonctions utilisant des paramtres englobant un maximum d'information locale (e. g. paramtres statistiques, gradients, etc.).

En guise de conclusion gnrale, l'intgration explicite de la dimension spatiale aux modles

de pondration a un potentiel dans l'amlioration des outils d'aide a la dcision et ce, par le biais de simulation de diverses scnarios lis directement la spcificit des donnes spatiales.
5.2.
Implications de la spatiasation de la pondration sur l'analyse multicritre

La recherche effectue s'inscrit dans le cadre d'aide la dcision pour solutionner des
problmatiques d'ordre spatial. Ce domaine peut tre divis en deux sous-domaines : l'analyse multivarie, essentiellement quantitative, et l'analyse multicritere qui comporte une part qualitative. Les approches dveloppes dans ce travail relvent du sous-domaine de I'analyse multivarie et visent a dterminer un trac optimal d'une ligne lectrique en prenant en considration l'ensemble de contraintes pralablement tablies par Hydro-Qubec. Il est cependant important de souligner que le problme d'optimisation du trac d'une ligne lectrique, comme tout autre problme d'amnagement, fait intervenir une panoplie de

contraintes dictes par un ensemble d'intervenants allant de l'institution charge d'excuter le projet jusqu'aw intervenants les plus farouchement opposs, en passant par les groupes d'intervenants socio-conomique, politique, etc. Ds lors, on ne peut prtendre apporter une solution unique au problme qui rpondra aux besoins de ces diffrents acteurs. Les outils dvelopps dans cette recherche utilisant les contraintes formules par un seul intervenant ont permis d'avoir des solutions de tracs de moindre cots parmi les solutions rsultant des diffrents scnarios de pondration. Pour tenir compte de l'ensemble des contraintes du projet, les seuls outils bass sur l'analyse spatio-thmatique multivarie deviennent insuffisants pour parvenir a une solution unique au problme. A cet effet, une analyse multicritre subsquente doit tre mene pour dsigner la solution retenir parmi les diffrentes choix de solutions trouves partir des contraintes de chacun des intervenants considres part. Ainsi, les outils de spatialisation dvelopps dans ce travail se situent a un niveau d'analyse antrieur par rapport a une analyse multicntre.

6. Rfrences

Ahuja, N. (1982) Dot pattern processing using Vorono neighborhoods. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI 4, no 3, p. 336-343.
An, P. (1992) Spatial reasoning and integration techniques for geophysical and geological

exploration data. Thse de doctorat, Universit du Manitoba, Manitoba, 280 p. Bana, R. (1993) Fuzziness in G S : contributions fiom the analytic hierarchy process. I International Joumal of Geographical Information Systems, vol. 7, no 4, p. 3 15-329. Beaulieu, I. M. (1984) Hierarchical picture segmentation by step-wise optimization. Thse de doctorat, Universit d'Ottawa, Ottawa, 200 p.
Bni, G. B. (1986) Segmentation d'images de haute limite de rsolution pour fin d'inventaire

agricole au Canada : Adaptation et dveloppement d'algorithmes. Thse de doctorat. Universit Laval, Qubec, 182 y. Bni, G. B. and Thomson, K. P. B. (1992) Hierarchical image segmentation using local and adaptive similarity d e s . International Joumal of Remote Sensing, vol. 13, no 8, p. 1559- 1570. Bonham-Carter, G. F. (1994) Geographic information systems for geoscientists : modelling with GIS.Cornputer Methods in Ceosciences, vol. 13, 398 p. Burrough, P. A. (1986) Principles of geographical information systems for land resources assessment. Oxford University Press, New Yrok, 50 p. Burrough, P. A. (1989) Fuvy mathematical methods for soi1 survey and land evaluation.
Journd of Soi1 Science, vol. 40, p. 477-492.

Burrough, P. A. (1990) Methods of spatial analysis in GIS. International Journal of Geographical Information Systems, vol. 4, no 4, p. 22 1-223. Burrough, P. A. (1992) Development of intelligent geographical information systems. International Joumal of Geographical Information Systems, vol. 6, no 1, p. 3 15-329. Burrough, P. A., MacMillan, R. A., and Van Deursen, W. (1992) Fuzzy classification methods for determining land suitability from soi1 profile observations and topography. Journal of Soi1 Science, no 43, p. 193-210. Cannon. R. L., Dave, J. V., Bexdek, J. C. and Trivedi, M. M. (1986) Segmentation of a Thematic Mapper image using the fuzzy c-mean clustering algorithm. IEEE Transactions on Geoscience and Remote Sensing, vol. 24, no 3, p. 400-408. Carrire, J. (1997) Atlas interrgional. in Atlas du Qubec et de ses rgions, Universitti du Qubec Montral, http://www.unites.uqarn.cdatlasquebec/. Chaicroun, H., Bni, G. B., O'Neill, N. T. et Dsilets, J. (1994) Optimisation de trac de ligne lectrique : apport des systmes d'information gographique. Compte rendu du colloque Tuniso-Canadien sur les systmes d'information gographique, Tunis, 1-2 Novembre, p.
29-36.

Chakroun H., Bni, G. B. and O'Neill, N. T. (1997) Spatial analysis weighting algorithm using Vorono diagrams. Accept au International Journal of Geographical Information Science. Chassery, J. M. et Melkemi, M. (1991) Diagnmme de Vorono appliqu la segmentation d'images et la dtection d'vnements en imageries multisources. Traitement du Signal, vol.

8, no 3, p. 155-163.

Chou Y. and Minnich, R. A. (1990) Spatial autocorrelation of wildfire distribution in the idyllwild quadrangle, San Jacinto mountain, California. Photogrammetric Engineering and Remote Sensing, vol. 56, no 11, p. 1507-1513. Clarkson, K., Kapoor, S. and Vaidya, P. (1987) Rectilinear shortest paths through polygonal obstacles in 0(n1og2n) time. Proceedings of 3rd annual ACM Conference on Computational Geornetry, Waterloo, Ontario, p. 25 1-257. De Floriani, L. Falcidieno, B. and Bienovi, C. (1985) Delaunay-based representation of surfaces defined over arbitrarily shaped domains. Computer Vision, Graphics and Image Processing, vol. 32, p. 127-140. Denardo, E. V. (1982) Dynamic prograrnming : models and applications. Pertinence-Hall.,

New Jersey, 2 19 p.
Dijkstra, E.W. (1959) A note on two problems in connection with gnphs. Numensche Mathematik, no 1, p. 269-27 1. Feldman, J. A. and Yakimovsky, Y. (1974) Decision theory and artificial intelligence. 1. A. semantics-based region analysis. Artificial Intelligence, no 5 , p. 349-371. Fotheringharn, A. S. and Roprson, P. A. (1993) GIS and spatial analytic problems. International Journal of Geographical Information Systems, vol. 7, no 4, p. 3 15-329.

Fredrnan, M. and Tarjan, R. (1984) Fibonacci heaps and their uses in improved network
Annual IEEE Symposium on Foundations of optimization algorithrns. Proceedings of the 2sth Computer Science, p. 338-346.

Fu, K. S. and Mui, J. K. (1981) A survey on image segmentation. Pattern Recognition, vol. 13,
no 1, p. 3-16.

Gagalowicz, A. and Monga 0. (1985) Un algorithme de segmentation hirarchique. congres RFIA, Grenoble, AFCET-INRIA ditions, p. 163-177.

skK

Ghosh, S. K. and Mount, D. M. (1987) An output sensitive algorithm for computing visibility graphs. Proceedings of the 28" annual IEEE Symposium on Foundations of Computer Science, Los Angels, California, p. 11-19. Gilbert, N. (1978) Statistiques. ditions HRW, 384 p. Goodchild, M. F. (1986) Spatial autocorrelation. Catmog, vol 47, Geo Books, Norwich, 34 p. Goodchild, M. F. (1987) A spatial analytic perspective on geographical information systems. International Journal of Geographical Information Systems, vol. 1, no 4, p. 327-334. Goodman, S. E. and S. T. Hedetniemi (1977) Introduction to the design and analysis of algorithms. Mc Graw-Hill Computer Science Senes, 371 p. Green, P.J., and Sibson, R. (1975) Computing Dirchlet tesselation in the plan. Computer Journal, vol. 21, p. 168-173. Guibas, L., Hershberger, I. Leven. D., Sharir, M. and Tadan, R. (1987) Linear time algorithms for visibility and shortest path problems inside simple polygons. Algorithmica, no 2, p. 309-

Heuvelink, G. B. and Burrough, P. A. (1993) Error propagation in cartographie modelling using boolean logic and continuous classification. International Journal of Geographical Idormation Systems, vol. 7, no 3, p. 23 1-246. Horowitz, S. L. and Pavlidis, T. (1976) Picture segmentation by tree traversal algorithm. Journal of ACM, vol. 23, no 2, p. 368-388.

Hydro-Qubec,

Vice-prsidence

Environnement

(1990)

Mthode

d'valuation

environnementale lignes et postes, rapport interne, 32 1 p. Kambharnpati, S. and Davis, L. S. (1986) Multiresolution path planning for mobile robots.

IEEE Journal of Robotics and Automation, vol. RA-2, no 3, p. 135-145.

Kettig, R. L. and Landgrebe, D. A. (1976) Classification of multispectral data by extraction and classification of homogeneous objects. IEEE Transactions on Geoscience Electronics, vol.
14, no 1, p. 19-25.

Kim, K. and Crawford, M. (1991) Adaptive pararnetric estimation and classification of

remotely sensed imagery using a pyramidal structure. IEEE Transactions on Geoscience and Remote Sensing, vol. 29, no 4, p. 48 1-493. Koontz, W. L. G. and Fukunaga, K. (1972) A non-parametric valley seeking technique for cluster analysis. IEEE Transactions on Computers, vol. C-2 1, p. 171-178. Le Groupe S.M. (1991) tude de cadrage, alimentation du secteur sud de Sherbrooke, poste 120-25 kV et ligne d'alimentation 120 kV. Rapport interne no 91-5025-6 1-0000, 85 p. Lee, D. T. and Preparata, F. P. (1984) Euclidean shortest paths in the presence of rectilinear boundaries. Networks, no 14, p. 393-4 10. Metea, M. B. and J. J. P. Tsai (1987) Route planning for intelligent autonomous land vehicles using hierarchical terrain representation. Proceedings of the IEEE International Conference on Robotics and Automation, Raleigh, p. 1947-1952. Mitchell, J. S. B. and Keirsey, D. M. (1984) Planning strategic paths through variable terrain data. SPIE, Application of Artificial Intelligence, vol. 485, p. 172-179.

Mitchell, J. S. B. (1986) Planning shortest paths. Thse de doctorat, Universit Stanford, Californie, sans nombre de pages. Mitchell, J. S. B. (1988) An algorithmic approach to some problems in terrain navigation. Artificial Intelligence, no 37, p. 171 -201. Mitchell, J. S. B., Papadimitriou, C. H. (1991) The weighted region problems : finding shortest paths through a weighted planar subdivision. Journal of the Association of Computing Machinery, vol. 38, no 1, p. 18-73. Nilsson, N. J. (1980) Principles of Artificial Intelligence. Tioga Publications, Pa10 Alto, California, 476 p. O'Brien, L. G. (1989) The statistical analysis of contingency table designs. CATMOG, vol.
5 1, Norwich : Environmental Publications, sans nombre de pages)).

Ohya, T ,hi, M., and Murota, K. (1984) A fast Vorono diagram algonthrn with quatemary . tree bucketing. Information Processing Letters, vol. 18, p. 227-23 1. Okabe, A., Boots, B. and Sugihara, K. (1992) Spatial tessellations : concepts and applications of Vorono diagrarns. Wiley Editions, 532 p. Patrick, E. A. and Shen, L. (1971) Interactive use of problem knowledge for clustenng and decision making. IEEE Transactions on Cornputers, vol. C-20, p. 2 16-222. Pavlidis, T. and Tanimoto, S. (1975) Texture identification by a directed split-and-merge procedure. Conference on Computer Graphics, Pattern Recognition and Data Structure, Los Angels, p. 20 1-203. Pavlidis, T. (1977) Structural pattern recognition. Springer Verlag Editions, sans nombre de pages.

Robertson, T. V., Swain, P. H. and Fu, K. S. (1973) Multispectral image partitioning tree. 73 - 6 (LARS Wonnation Note 071373) School of Electrical Engineering, Purdue University, sans nombre de pages.
Saaty, T. L. (1980) The Analytic Hierarchy Process. New

York : Mc Graw-Hill. 287 p.

Saaty, T. L. (1987) The analytic hierarchy process-What is it and how it is used ?

Mathematical Modelling, vo1.9, no 3-5, p. 161-176. Scholten, H. J. (1992) Spatial analysis and geogmphic information systems : a challenge for the 1990's. First Tydac European Spans Users Conferencz, Amsterdam. 36 p. Shafer, G. (1976) A mathematical theory of evidence. Princeton University Press, New Jersey, sans nombre de pages)). Shmos, M.I., and Hoey, D. (1975) Closest point problems. Proceedings of the ~ 6 Annual ' ~

E E E Symposium of Foundations of Computer Sciences, p. 151-162.

Simos, J. (1990) valuer l'impact sur 1'environnement. Presses Polytechniques et Universitaires Romandes, 26 1 p. Stoyan, D. and Stoyan, H. (1990) Exploratory data analysis for planar tesselleations : structural analysis and point process models. Applied Stochastic Models and Data Analysis, ~01.6, 13-25. p. Toussaint, G.T. (1980a) The relative neighborhood graph of a finite plmarset. Pattern Recognition, vol. 12, p. 261-268. Toussaint, G.T. (1980b) Pattern recognition and geometric complexity. Proceedings of the sth International Conference on Pattern Recognition, Florida, p. 1324-1347.

Upton, G. I. G. and Fingleton, B. (1989) Spatial data analysis by example. Volume 2 : Categorical and Directional Data, Chichester, Wiley Editions, sans nombre de pages)). Voogd, H. (1983) Multicriteria evaluation for urban and regional planning. London : Pion Editions, 367 p. Vorono, G. (1908) Nouvelles applications des paramtres continus a la thorie des formes quadratiques. Deuxime mmoire, recherche sur les paralllodres. Journal fur die Reine und Angewandte Mathematik, p. 198-287. Vossepoel, A. M. and Smeulders, A. W. M. (1982) Vector code probability and metrication error representation of straight lines of finite length. Computer Graphics and Image Processing, vol. 20, p. 347-364.

Wang, S. Q. and Unwin., D. J. (1992) Modelling landslide distribution on loess soils in

China : an investigation. International Journal of Geographic Information Systems, vol. 6, no 5, p. 391-405. Wrigley, N. (1985) Categorical data analysis for geographers and environmental scientists. Harlow : Lomgman Editions, 392 p. Yakimovsky, Y. and Feldman, J. (1973) A semantics-based decision theory region analyzer. Second International Joint Conference on Pattern Recognition, p. 580-588. Yakimovsky, Y. (1974) On the recognition of complex structures : cornputer software using artificial intelligence applied to pattern recognition. 3* international Joint Conference on Pattern Recognition, p. 345-3 53.

Yu, S. (1982) A pyramidal-based segmentation method. Image Understanding Research, U.S.C., Intelligent System Group, Los Angels, p. 65-80.

Zadeh, L. A. (1965) Fuzzy sets. Information and Control, vol. 8, p. 338-353.

Zhan, C. T. (1971) Graph-theoretical methods for detecting and describing Gestalt clusters.

IEEE Transactions on Cornputers, vol. C-20, p. 68-86.

Zucker, S. W. (1976) Region growing : childhood and adolescence. Cornputer Graphic and Image Processing, no 5, p. 382-399.

Annexe 1 Exemple d'application de la rgle de Bayes ih la pondration Le prsent exemple se rapporte une pondration utilisant la rgle de Bayes (Wang and Unwin, 1992). Soient C les classes d'occurrence d'un phnomne spatial, Fi les facteurs responsables, et CFij , les catgories du facteur Fi. Pour des fins d'illustration, considrons l'exemple de la cartographie des risques de glissement de terrain. Les facteurs, les catgories des facteurs et les classes d'occurrence peuvent tre par exemple: F. : type de sol, pente, prcipitations;

CFij: sol argileux, sol rocailleux, sol sablonneux;

C,:

risque trs lev, risque moyen, nsque faible.

L'application du thorme de Bayes au problme de la pondration consiste tenir compte de

la distribution spatiale des catgories en calculant la probabilit d'occurrence d'une catgorie

CFij se trouvant dans une certaine classe C de risque. Ceci se fait en se basant sur une , connaissance a phon a partir du procd qui utilise la logique boolenne. Dans ce cas, la probabilit d'occurrence d'une catgorie est :

L'occurrence d'une classe de nsque n'est pas utilise comme vnement (comme c'est le cas dans une classification par maximum de vraisemblance par exemple) mais c'est plutt le degr d'association d'une catgorie CFij a une classe C qui sera considr comme l'vnement dont , on cherche estimer la probabilitk en se basant sur une connaissance pralable. Le calcul des probabilits de la partie droite de l'expression (1) se fait en se basant sur la cartographie du risque par la logique boolenne. A l'aide de ces probabilits, il est possible de calculer un indice de risque de chaque catgorie qui sera considr comme le poids de la catgorie.

Annexe 2 - Types des donnes spatiales

Ces dfinitions sont recueillies a partir des notes de cours (Mthodes quantitatives en gographie))(Dpartement de gographie et tldtection, Universit de Sherbrooke). Les donnes doivent tout d'abord tre caracttrises selon qu'elles sont qualitatives ou quantitatives, selon qu'elles constituent une srie numrique continue ou discrte, et selon l'chelle de variation qui leur est propre. Le niveau de mesure qualitatif correspond l'chelle de variation ordinale, tandis que le niveau quantitatif correspond aux chelles de variation d'intervalle et de rapport. Les dfinitions suivantes permettent de distinguer entre les diffrentes chelles. L'chelle de variation nominale : situe chaque observation dans une catgorie qualitative d'un classement. Cette chelle permet de distinguer chaque observation ou chaque variable rattache une observation ou une catgorie. L'chelle de variation ordinale : place chaque observation en ordre, en rang selon un critre spcifi. Cette chelle permet de dire ce qui vient avant et aprs une observation ou

une catgorie selon le critre spcifi. Toutefois, on ne peut dfinir la distance entre les
obsexvations. L'chelle de variation d'intervalle : consiste spcifier de faon quantitative la distance qui spare deux catgories. Cette distance est indique par une valeur quantitative base sur une origine arbitraire. Une telle chelle permet d'indiquer la distance prcise, l'tendue entre chaque catgorie, mais ne permet pas d'effectuer de calculs sur les valeurs elles mmes. Exemple : chelle de temprature o le degr zro est arbitraire. L'chelle de variation de rapport (ratio) : consiste a spcifier de faon quantitative la distance qui spare deux catgories. Cette distance est indique par une valeur quantitative

base sur une origine, sur un zro qui n'est pas arbitraire, donc qui indique l'absence de
valeur. cette chelle, il est possible d'appliquer des calculs de rapport entre les quantits et de leurs appliquer des mesures statistiques.

Annexe 3 Calcul des poids par la mCthode du vecteur propre

Les dfinitions suivantes sont donnes par Saaty (1980) et Saaty (1987).

Soit A une matrice de comparaison de la forme:

1
e2
a2 1

a,,

& .

,..
...

...

...
...

...
a.. 'J

a," aIn ain

A=

ei

ai 1

...

...

ei est un lment de l'ensemble des lments comparer et ai, est une valeur qui signifie que ei

est a, fois plus important que e,.Si nous dsignons par X un vecteur indicateur des poids globaux d'importance des lments, le produit de la matrice A par le vecteur X (A.X) reprsente un vecteur dont chaque composante (A.X)i donne un indice global de l'importance
de l'lment ei par rapport aux autres dments. Si les valeurs ai, sont issues de mesures

prcises des caractristiques des lments ei et ej ( par exemple leurs poids en grammes wi et w,), alors la matrice A devient:

Une telle matrice est dite cohrente car la condition donne par l'quation (1) est vrifie.

Une matrice cohrente de rang n admet comme valeur propre principale n. Le vecteur X des poids des lments d'une matrice cohrente est alors gal a son vecteur propre principal w (quation (2)).

Si nous n'avons pas d'chelle de mesure telle que les valeurs aij puissent rpondre la condition de cohrence (ce qui est souvent le cas dans des problmes d'valuation), la solution
notre problme devient celle de l'quation (4) ou hm- est la valeur propre maximale de la

matrice A'=(at..) (les valeurs aij de la matrice d'valuation A sont transformes en aqijtel que a'..=1/atij J1 .

A'w'= hmw'

OU encore

I:

la matrice identit.

Le choix du vecteur propre relatif la valeur propre maximale comme solution dans le cas d'une matrice incohrente a t justifi par Saaty comme suit : si X est un vecteur estim des poids, la multiplication itrative de X par A/h- permet d'avoir de nouveaux estims tels que

le rsultat final converge un multiple du vecteur propre principal; ce qui peut s'crire

mathmatiquement comme le montre l'quation (5).

o
k:

nombre d'itrations; constante.

c:

Il existe d'autres moyens pour dterminer un vecteur poids a partir de la matrice de contingence (Saaty, 1980, p 19), mais la condition de cohrence fait que le meilleur moyen est celui du vecteur propre de la matrice issu de sa valeur propre maximale. La valeur hm est toujours suprieure au rang de la matrice n. Pour une matrice proche de la condition de cohrence, hmx est proche de n. Ainsi, Saaty a dfini un indice de cohrence CI (quation (6)) (ConsistencyIndex) qui mesure le degr de cohrence de la matrice.

Si RI (quation (7) (Random Inder) est une valeur moyenne de CI calcule pour une matrice
de mme taille que A mais qui a t gnre d'une manire alatoire, alors le ratio de

cohrence CR (ratio consistency) est dfini par:

D'aprs Saaty (1987, p172), CR ne doit pas dpasser 10% pour avoir une cohrence acceptable.

145

Annexe 4 Diffkrents types de diagrammes de VoronoY

1.

Diagrammes de Vorono simples

Un diagramme de Vorono simple peut tre dfini dans le plan P relativement un ensemble
de germes G par :

2.

Diagrammes de Vorono pondrs

Si a chaque point gi de G on associe un poids a i , on dfinit un diagramme pondr V, de la

mme faon qu'un diagramme simple tout en prenant en considration les poids relatifs des germes. La dfinition d'un DV pondr multiplicatif est comme suit:

3.

Diagrammes de Vorono d'ordre lev

Pour toute paire de points g,, gj de P, on dfinit V(gi, g) comme tant la zone d'influence de gi , et g. ou, en d'autres termes, les points dont la distance a gi et gj sont toutes les deux infrieures 1
la distance de tout autre point de P. Ce diagramme est appel DV d'ordre 2.

On peut tendre la dfinition I'ordre 3,4 voire k. Dans ce cas, on parle de DV d'ordre k. Pour ce faire, on dsigne par Gi(k) le sous-ensemble de G des k points numrs relativement gi (quation (7)).

oug.. E G, i = 1, n e t j =1, k. J'

Le DV d'ordre k, V(Gi(k)) est dfini comme suit:

Annexe 5 Algorithme de Dijkstra

L'algorithme de Dijkstra s'applique un graphe orient (i.e. un sens unique entre les nuds du rseau), positif (Le. les poids ou les distances sont des valeurs relles positives) et connexe (Le. il est toujours possible de relier entre eux deux nuds par une srie d'arcs). Nous prsentons l'algorithme de Dijkstra tel qu'il a t donn par Goodman et Hedetniemi (1 977). Soient les paramtres suivants pour caractriser le graphe:
V,
: le neud de dpart du graphe;

W M N

: le nud terminal du graphe; : le nombre de nuds dans le graphe; : le nombre d'arcs dans le graphe;

A(I,J): la distance de l'arc reliant le nud 1 au nud I; A(1,J) = l'infini s'il n'existe pas d'arc reliant 1 J; A(1,I) = O pour tout [=Il ...M. L'algorithme comprend 5 tapes. tape i

- Donner des tiquettes tous les nuds. - Reprer le nud de dpart Vo : le nud V, devient MARQU.
tape 2

- Initialiser les variables

DIST(U) DIST(V.) tape 3
= A(Vo ,U)pour U = 1,

...M.

O et PROCHAIN = V (V, devient EXAMIN). ,

- Itrec
tant que le nud W n'est pas EXAMIN (i.e. PROCHAIN + W) procder aux tapes 3 et 4.

tape 4

- Dterminer la plus petite valeur D I S T U pour tous les nuds U non encore EXAMINS.
- DIST(U) = Min [ DISTO; DIST(NEXT) + A(NEXT, U ] ).
tape 5

Reprer le nud U qui rpond la condition de l'tape 4, soit U EXAMIN.

- Le nud U qui est alors EXAMIN va devenir le PROCHAIN (PROCHAIN = U) .

Annexe 6 Algorithme itratif de partition en diagrammes de VoronoP

Nous dcrivons dans cette annexe l'algorithme itratif de gnration de diagrammes de Vorono donn par Ohya et al., (1984). Cet algorithme permet la gnration d'un diagramme de Vorono DV(n) a partir d'un ensemble de n points se trouvant dans une aire carre note S

(S = { (x,y) 1 O < x, y 5 1}). La mthode consiste gnrer un DV(3) pour les trois points dont
les coordonnes sont donnes par les quations (1) (2) et (3). L'initialisation avec ces trois points garantit que le DV obtenu ne sera pas infini. Ensuite, le DV est mis jour en calculant

DV(4), DV(5),. ...DV(l),. ..DV(n). La remise jour du diagrarme par l'insertion d'un nouveau
germe est dite mthode d'incrmentation quaternaire (figure 1). Ainsi, le calcul du DV se fait selon un processus d'incrmentation. La structure selon l'arbre quaternaire permet d'ordonner les germes chaque itration (figure 2).

Algorithme
tape Trouver l'entier positif k tel que 4ksoit le plus proche de n. Diviser S en 4k blocks. Construire l'arbre quaternaire. tape 2

Renumroter les germes par l'ordonnancement quaternaire.

tape 3 - Construire DV(3) relatifs aux points pi, pz et m.

tape 4

Pour 1 = 4,5, ...n :

- trouver pi (1 < i I1-1) le plus proche de p;

- trouver les points d'intersection wi et w de la bissectrice des points z

et pi avec les limites

de V(pi) (figure 1); - construire la squence (wiw2, wzw>, ...,

W. W ,~ ,

wmwi) correspondant aux segments

formant les limites du prsent diagramme; - mettre a jour l'arbre quaternaire de la nouvelle structure et renommer le diagramme rsultant DV1. tape 5

Retourne DV = DV(n).

Figure 1 Mise h jour d'un DV par insertion d'un germe pt(tir de Okabe e al., 1992) t

Figure 2 Points distribus alatoirement et l'arbre quaternaire correspondant (tir de

Okabe et al., 1992)

Annexe 7 Caractristiques d'un graphe matriciel

L'algorithme du plus court chemin (PCC) de Dijkstra dans le cas d'un graphe matriciel s'applique a une carte de poids dont les nuds sont les centres des pixels connects par des liens (figure 1). Chaque lien a une impdance qui reprsente le cot de le traverser. Cette impdance est drive partir des poids des pixels dont les centres sont relis par le lien et partir du sens du mouvement entre les deux centres. Si le mouvement d'un centre i l'autre se fait dans le sens des quatre voisins directement connects au pixel, l'impdance du lien permettant le dplacement du pixel 1 au pixel 2 est donn par l'quation (1). Si le mouvement se fait dans le sens de la diagonale, l'impdance du lien entre les pixels 1 et 3 est donne par l'quation (2).

Lien entre les pixels d'impdance q Lien entre les pixels d'impdance a,

Figure 1 - Graphe matriciel d'une image de 4x4 pixels utilis dans le calcul du PCC

Annexe 8 - Mthode d96valuation d'impact d9Hydro-Qubec

Les rsistances tablies par Hydro-Qubec en matire d'valuation environnementale et technique sont issues de la combinaison des trois niveaux majeurs d'impact apprhends et de cinq valeurs accordes l'lment (Hydro-Qubec, 1990). La notion d'impact apprhend correspond la proprit d'un lment des milieux naturel, humain ou du paysage, d'tre modifie la suite de l'implantation d'une ligne ou d'un poste et d'tre la source de difficults techniques pour I'implantation du projet. Les trois niveaux d'impact apprhends sont dfinis comme suit dans les prochains points.

- Un impact apprhend est fort lorsqu'un lment : - est dtruit ou fortement modifi par I'implantation du projet;

- occasionne des difficults techniques majeures pour I'implantation du projet qui

augmentent significativement son cot ou diminuent l'efficacit et la fiabilit du rseau;

- Un impact apprhend est moyen lorsqu'un lment :

- est altr par l'implantation du projet; cette altration diminue la qualit de l'lment
sans mettre en cause son existence l'intrieur du trac du rseau ou de l'emplacement du poste;

occasionne des difficults techniques notables pour I'implantation du projet sans remettre, cependant, en cause la faisabilit conomique ou technique du projet;

- Un impact apprhend est faible lorsqu'un lment :

est quelque peu modifi par l'implantation du projet;

- occasionne des difficults techniques mineures pour l'implantation du projet ayant peu
ou pas de rpercussions sur les cots de ralisation du projet ou sur la fiabilit du rseau. La notion de valeur accorde l'lment est base sur un jugement global exprimant sa valeur intrinsque, sa raret, son importance, sa situation dans le milieu ainsi que la lgislation. Cette valuation est base sur une pondration de la valeur accorde l'lment par les spcidistes,

par l'quipe d'environnement et par le public. Les cinq niveaux de valeurs sont dfinis comme
suit dans les prochains points.

- La valeur de l'lment est lgale ou absolue lorsqu'un lment est protg, ou en voie de
l'tre par une loi qui interdit ou contrle rigoureusement l'implantation du projet, ou qu'il est trs dificile d'obtenir des autorisations gouvernementales pour implanter le projet.

- La valeur de l'lment est forte lorsqu'il prsente des caractristiques exceptionnelles dont
la conservation ou la protection font l'objet d'un consensus.

La valeur de l'lment est moyenne lonqu'il prsente des caractristiques dont la

conservation ou la protection reprsentent un sujet de proccupation importante sans faire l'objet d'un consensus gnral.

La valeur de l'objet est faible lorsque sa conservation ou sa protection sont l'objet d'une faible proccupation.

- La valeur de l'objet est tres faible lorsque sa conservation ou sa protection ne sont pas
l'objet de proccupation de la part du public ou des spcialistes.

La combinaison des trois niveaux d'impact apprhends et des cinq degrs de valeur permet
d'obtenir six degrs de rsistances.

La contrainte ou rsistance absolue rfere a un lment protg par une loi rgissant
l'implantation de l'quipement envisag, de sorte que cet lment doit absolument tre vit. Elle caractrise galement un lment qui cre des difficults techniques quasi insurmontables ncessitant, pour les rsoudre, des investissements trop importants.

La rsistance tres forte rfre iun lment qui ne peut tre touch qu'en cas d'extrme
ncessit. Au plan technico-conomique, la rsistance tres forte reprsente un espace qui ne doit tre occup qu'en cas d'absolue ncessit, en raison des dificults techniques et conomiques majeures auxquelles serait expose l'implantation de l'quipement dans ces espaces.

La rsistance forte rfre un lment viter dans la mesure du possible en raison de

l'importance que lui conferent sa valeur etlou sa fragilit intrinsque, ou en raison du risque des difficults techniques gnratrices de cots supplmentaires importants.

La rsistance moyenne rfre un lment qui peut, avec certaines rserves au plan
environnemental ou technico-conomique, tre retenu pour l'implantation du projet. L'lment de rsistance moyenne impose, cependant, l'application de mesures d'attnuation particulires ou implique des investissements additionnels.

- La rsistance faible rfre un lment auquel il est possible de toucher moyennant des
restrictions environnementales ou technico-conomiques minimales.

- La rsistance trs faible rfre a un lment auquel il est possible de toucher sans
restrictions ou qui n'entranera aucun inconvnient d'ordre technico-conomique.

Annexe 9 - Caract6ristiqnes des lois z et t La source des notions statistiques suivantes est Gilbert (1 978).
Les distributions des lois z et t permettent de vrifier des hypothses sur les diffrences des moyennes d'chantillons indpendants. Dans le cas de la loi z, la valeur tabulaire
z,b

est

trouve partir de a ( chaque niveau de signification, correspond une valeur z). Dans le cas de la loi t, il faut tenir compte du degr de libert en plus du niveau de signification pour trouver la valeur tabulaire tut,. Il convient de noter que lors de l'utilisation de la loi t, les expressions de et du degr de libert varient selon que les deux populations ont la mme est donne par l'quation (1). variance ou non. L'expression gnrale de f ,i (ou de

X: Y:

moyenne d'un chantillon de la variable X; moyenne d'un chantillon de la variable Y; moyenne de la population de la variable X; moyenne de la population de la variable Y;

px : py:

ocx-u, : cart-type des diffrences des moyenne des chantillons X et Y.

L'expression de est la mme que celle de bai, la diffrence entre les deux lois rside dans

l'expression de calcul de cr(x.~>. Dans le cas o les deux populations n'ont pas la mme variance, ce qui reprsente le cas le plus gnral, les expressions donnes par les quations (2) et (3) correspondent respectivement a
de Student et au degr de libert.

o
Sx
SY

: cart-type de l'chantillon de la variable X;

: cart-type de l'chantillon de la variable Y;
: effectif de l'chantillon de la variable X; : effectif de l'chantillon de la variable Y;
: valeur de Student calcule;

nx
ny

t~i.11

DL

: degr de libert.

La figure 1 montre l'intervalle d'acceptation et de rejet de l'hypothse nulle Ho dans le cas

d'un test bilatral (Hi est une galit) et d'un test unilatral (Hi est une ingalit).

Zone d'acceotation de H n

..

. .

aire = a

(a) Test unilatral de Student

Figure 1 Intervalles d'acceptation et de rejet des hypothses par le test de Student