Tutoriel SCP:réussir un classement supervisé avec calcul de texture(4)-ACP des dix bandes de r.texture

Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous avons vu dans un article précédent le traitement classique des trois bandes RVB des images photographiques de drone sur une zone littorale. Dans l’article suivant nous avons vu le traitement après calcul des valeurs de texture de ces mêmes images.

Le traitement que nous allons voir ici n’a, généralement, du sens que si le nombre de bandes disponibles et important. Mais il peut s’avérer utile avec un nombre réduit de bandes, 4 par exemple.

Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(4)-ACP des dix bandes de r.texture »

Equations intégro-différentielles (IDE) pour les nuls

Chapitre 1 – Les bases de la modélisation IDE

Plantons le décor : d’une manière ou d’une autre, nous avons rassemblé un lot de données qui nous intéressent. Mais une fois qu’on a nos données, le problème se pose : que peut-on faire avec ?

Nos observations sont réparties sur un territoire, on va produire des cartes pour mieux voir comment se distribuent les valeurs.

Nous avons de données chronologiques, nous pouvons faire une animation des différentes cartes pour chaque période mesurée.

Malgré la satisfaction quand on arrive à produire des cartes et des animations bien conçues, il n’est pas rare de garder un sentiment de frustration de ne pas aller plus loin, de ne pas rester à ce qui se passe, mais à rentrer dans le pourquoi ça se passe.

Dès qu’on veut comprendre le ou les phénomènes qui sont à l’origine de nos données on aborde le domaine de la modélisation des données.

Continuer la lecture de « Equations intégro-différentielles (IDE) pour les nuls »

Comparaison et sélection de modèles intégro-différentiels (IDE): exemple d’application des scripts QGis/R.

Dans deux premiers articles (Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R et Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R(suite)) nous avons vu comment calculer et ajuster un modèle intégro-différentiel à un ensemble de données spatio-temporelles, en utilisant R et QGis

Dans un troisième article, Comparaison et sélection de modèles intégro-différentiels (IDE): les principes, nous avons vu comment envisager la validation des modèles calculés et ajustés lors des deux premiers articles, et son corollaire, comment calculer des scores sur chaque version du modèle de manière à pouvoir choisir celui qui prédit le mieux les valeurs observées. Puis, dans l’article précédent, Comparaison et sélection de modèles intégro-différentiels (IDE): mode d’emploi des scripts QGis/R, nous avons vu le mode d’emploi des interfaces des scripts.

Dans cet article, le dernier de la série, nous allons suivre un exemple pratique avec les données des deux premiers articles.

Continuer la lecture de « Comparaison et sélection de modèles intégro-différentiels (IDE): exemple d’application des scripts QGis/R. »

Comparaison et sélection de modèles intégro-différentiels (IDE): mode d’emploi des scripts QGis/R.

Cet article est le mode d’emploi des scripts R pour QGis mis à votre disposition. Il a été mis à jour pour prendre en compte les modifications apportées à la version 1.3 des scripts.

Dans deux articles précédents (Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R et Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R(suite))nous avons vu comment calculer et ajuster un modèle intégro-différentiel à un ensemble de données spatio-temporelles, en utilisant R et QGis.

Dans l’article précédent, Comparaison et sélection de modèles intégro-différentiels (IDE): les principes, nous avons vu comment envisager la validation des modèles calculés et ajustés lors des deux premiers articles, et son corollaire, comment calculer des scores sur chaque version du modèle de manière à pouvoir choisir celui qui prédit le mieux les valeurs observées.

Nous verrons ici comment utiliser les scripts avec l’option validation du modèle, et, dans le prochain article, un exemple pratique avec les mêmes données des deux premiers articles.

Continuer la lecture de « Comparaison et sélection de modèles intégro-différentiels (IDE): mode d’emploi des scripts QGis/R. »

Comparaison et sélection de modèles intégro-différentiels (IDE): les principes.

Dans deux articles précédents (Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R et Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R(suite))nous avons vu comment calculer et ajuster un modèle intégro-différentiel à un ensemble de données spatio-temporelles, en utilisant R et QGis.

Pour le même ensemble d’observations nous avons vu que l’on pouvait jouer sur différents paramètres, principalement en calculant un noyau du modèle invariant dans l’espace ou un noyau variant dans l’espace.

Les différents résultats de modèles apparaissent, à priori, aussi plausibles les uns comme les autres. Nous verrons dans cette article comment évaluer la qualité du modèle pour pouvoir décider lequel retenir.

Continuer la lecture de « Comparaison et sélection de modèles intégro-différentiels (IDE): les principes. »

Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R(suite)

Dans l’article précédent, nous avons considéré le cas d’un noyau spatialement invariant, c’est-à-dire le cas où le noyau m(s,r;θp) n’est qu’une fonction de r s . Dans cet article, nous considérons le cas où un ou plusieurs des paramètres θ sont variables spatialement. De tels modèles sont nécessaires lorsque le processus spatio-temporel présente, par exemple, une dérive qui varie selon l’espace.

Mais il faut des données…

Pour modéliser de telles données, nous avons besoin d’un grand nombre de points temporels,disons au moins 15. Cela est important, car il est difficile d’obtenir des estimations raisonnables des paramètres spatialement répartis, à moins que les données couvrent une grande partie du domaine spatial pendant au moins quelques points de temps consécutifs.

Continuer la lecture de « Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R(suite) »

Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R

En écologie on se retrouve, très souvent, face à des processus qui sont liés à l’espace mais aussi qui évoluent dans le temps. Nous sommes maintenant habitués à l’analyse spatiale qui est devenu à la portée du plus grand nombre grâce aux SIG, tels QGis. Nous sommes beaucoup moins habitués à l’analyse temporelle qui est moins prise en compte par les SIG.

Analyse spatio-temporelle

Que dire alors de l’analyse spatio-temporelle, c’est à dire de l’analyse simultanée d’un processus variant dans l’espace et dans le temps? Comme pour l’analyse spatiale, un premier niveau pour aborder le processus qui nous intéresse est l’analyse exploratoire des données. Un deuxième niveau nous amène à essayer de comprendre les paramètres qui contrôlent le processus pour remplir les trous dans les données et réduire le « bruit » de nos observations. Enfin, au plus haut du traitement, nous pouvons modéliser statistiquement le processus et obtenir un outil qui nous permette une vision complétée de nos données (boucher les trous dans l’espace et le temps de nos observations), de trier les paramètres du processus et de quantifier leur importance, et finalement, de prévoir l’état futur de notre processus.

Continuer la lecture de « Modélisation spatio-temporelle avec une équation intégro-différentielle (IDE) avec QGis et R »

Tutoriel SCP:réussir un classement supervisé avec calcul de texture(3)-bandes RVB+calculs de texture

Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous avons vu dans l’article précédent le traitement classique des trois bandes RVB des images photographiques de drone sur une zone littorale.

Dans cet article nous allons voir le traitement après calcul des valeurs de texture de ces mêmes images.

Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(3)-bandes RVB+calculs de texture »

Tutoriel SCP:réussir un classement supervisé avec calcul de texture(2)-bandes RVB

Dans cette série d’articles nous utilisons le plugin SCP de QGis pour effectuer un classement supervisé avec calcul de texture. Nous allons voir trois traitements différents pour la même zone littorale:

  • le traitement classique des trois bandes RVB des images photographiques de drone
  • le traitement après calcul des valeurs de texture de ces mêmes images
  • le traitement après calcul des composantes principales des valeurs de texture
Continuer la lecture de « Tutoriel SCP:réussir un classement supervisé avec calcul de texture(2)-bandes RVB »