Professional Documents
Culture Documents
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
Bell 8 Howell Information and Leaming 300 North Zeeb Road, Ann Arbor, MI 48106-1346 USA
8W-527-0600
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
Septembre 1998
National Library
Acquisitions and Bibliographie Services
395 Wellington Street Ottawa ON K1A 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
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.
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
...........................................................
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.
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.
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 ...........................
4.4.
90
91 91 93
4.4.1.
4.4.2.
98 104
108
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 .................................................................................
4.6.
120
123
125
127
127
5.
5.1.
5.2.
129
6.
13 1
Schma des scnarios de pondration ........................................ Schma des ensembles ......................................................... Schma des processus de segmentation ...................................... Schma d'un graphe
............................................................
...............
..................
....................................................
...................
..........................
Histogrammes de la pente et de la visibilit du secteur d'tude ................................................................ Exemples de cartes de scores artificielles ....................................
.....
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
Matrice de comparaison Mi relative l'ensemble de contraintes Di ........ Effectif de chaque score dans les polygones
16
..................................
............................
50 51
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
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 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
Ri
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
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
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
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.
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
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
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.
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
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;
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
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.
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.
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.
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
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.
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
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 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.
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.
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 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.
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
form d'lments spatiaux nots dij. Un lment di peut avoir des caractristiques physiques
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
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
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
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)).
comparaison des lments spatiaux deux a deux relativement chacune des contraintes du projet. Nous allons expliciter les deux types de fonctions.
2.3.1.
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:
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.
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
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.
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
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 .
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.
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.
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.
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.
toute l'image considre comme premier segment. Chaque partition est ensuite divise jusqu'
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
Pondration
Segmentation
-Segmentation
wEeg Combinaisons
W , L
W,,
I I I
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.
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)
v=l
2. r , , connexe V v ;
4. non P(ri,, u ri,v)V u # v pour ri, et ri, adjacents.
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).
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
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.
une segmentation multiple note SEG-MIL, o l'ensemble des cartes de contraintes est
segment en une seule tape;
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
{(Wi)segJ Combinaisons W ,
Combinaisons W , ,
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.
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);
- 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
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 :
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.
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.
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
- une approche globale axe sur l'analyse des diffrentes fonctions de pondration sur
plusieurs types de cartes de scores variant par leurs caractristiques statistiques;
- 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;
tape 1 :
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 :
c
1
Si
+ Wi
.
Algorithme APCA
- - -.
- ... .
- 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;
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
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.
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.
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;
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
- Calculer le DV correspondant.
1
Oi u
Non
3
4
Non
tape 2 :
- vrifier le critre d'homognit interne des polygones; - introduire un nouveau germe proximit du germe du polygone htrogne;
tape 3 :
- appliquer les fonctions de pondration (FP ou FPV) selon le scnario de pondration choisi
( a posteriori ou a priori);
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 :
Initialisation
Construire D V W ) ; tape 2 :
(pourv= 1,NP
1
{pour u = L , N(v) appel CRI-DIV(v,u);
1
Mettre a jour DV(NP);
tape 3 :
Si spatialisation a posteriori (
1 1
Si spatialisation a priori {
(pour v = 1, NP dterminer vois(v);
{pour i = 1 , n
Etape 4 :
Phase de fusion
{pour u = 1 ,N(v)
{pourv= 1,NP
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 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,).
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;
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
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.
score = 3
O
t28
24 O
score = 4 O O
6
total 579
1856
1305
993
2152
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.
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 .
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)
1
introduire g entre g et g selon un coefficient ajiV; , , ,
o seuil-div :
adivs
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)).
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.
1
Si IINTRAHETEROSem(u)-INTRAHETEROS,,(~)I4 seuil-fus2 remplacer g, et gupar g,;
1
remplacer gv et g. par g, selon un coefficient ar,;
1
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
+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 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).
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.
A.
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)
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 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
B.
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.
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.
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 ..
Les pr-traitements effectus concernent la conversion des valeurs du MNA de niveaux de gris
D.2.1.
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.
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 . . .
chelle : +-
5 km
(a)
@)
67
dij
Rsistance
Sij
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
E.
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
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)).
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 du voisinage sur les cartes de poids et sur le rsultat final de l'optimisation d'un
plus court chemin.
B.
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.
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
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)
(b)
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
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.
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 correspondants.
10
13
16
19
22
25
18
31
34
37
40
43
46
(a)
Carte DIS
: Distribution de Poisson
(b)
(c)
Carte
: Distribution quelconque
(a)
(b)
(c)
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.
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
J1
16
(c)
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.
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
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 .
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,&)
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
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
-
sx
SY
nx
ny
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.
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
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.
syrn-pente : m(i) = 16
Lrd
sym-pente :m(i) = 9
Cr[d
sstd
Lad
Cs,,
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.
4.4.
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
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)
(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.
- 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;
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.
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,
(a)
(b)
(a)
(b)
(c)
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
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
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
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.
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
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.
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
Fusions statistiques
W ,
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.
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
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.
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)
@)
(a)
. .
.-
- .
@)
Nombre dc scgmaits
(c)
chelle :
1
5 km PCC de I'APCA
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
contextueile a priori et adaptative afin d'optimiser les traitements qui ncessitent la dfinition
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.
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.
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.
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.
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.
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
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.
PCC 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
,45
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
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)
10
11
b)
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
(c)
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)
Nombre de segments
(b)
Nombre de segmts
(a)
Nombre:de segments
(b)
et adaptatif
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.
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
ceux obtenus par la fonction FPVFi (Le. ASstd 5%); cette tendance s'inverse pour un nombre >
(a)
Nombre de segments
@)
-0,20 1
Nombre de segments
(a)
Nombre de segments
(b)
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.
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)
Nombre de segments
m
(b)
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.
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.).
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.
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
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 ' ~
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.
Yu, S. (1982) A pyramidal-based segmentation method. Image Understanding Research, U.S.C., Intelligent System Group, Los Angels, p. 65-80.
Zhan, C. T. (1971) Graph-theoretical methods for detecting and describing Gestalt clusters.
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 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.
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.
Les dfinitions suivantes sont donnes par Saaty (1980) et Saaty (1987).
1
e2
a2 1
a,,
& .
,..
...
...
...
...
...
a.. 'J
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
o
k:
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
D'aprs Saaty (1987, p172), CR ne doit pas dpasser 10% pour avoir une cohrence acceptable.
145
1.
Un diagramme de Vorono simple peut tre dfini dans le plan P relativement un ensemble
de germes G par :
2.
3.
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)).
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
...M.
- 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
(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
W. W ,~ ,
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
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
- Un impact apprhend est fort lorsqu'un lment : - est dtruit ou fortement modifi par I'implantation du projet;
occasionne des difficults techniques notables pour I'implantation du projet sans remettre, cependant, en cause la faisabilit conomique ou technique 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'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 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:
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
nx
ny
t~i.11
DL
: degr de libert.
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