Dans certains cas, les données ne sont pas continues (altitude, pente, distance…), mais discrètes, c’est-à-dire constituées de classes.
Chaque pixel correspond alors à une catégorie : un type de sol, un usage du sol, un niveau de risque, etc.
Ces rasters “catégoriels” sont très fréquents en analyse spatiale, mais ils posent un problème :
comment les intégrer dans une analyse multicritère floue alors qu’ils ne contiennent pas de valeurs numériques continues ?
C’est là qu’intervient le module Classes → Fuzzy du plugin FuzzyAttributes (version 2).
Le principe
Plutôt que de travailler directement avec les classes (1, 2, 3… ou “forêt”, “urbain”, “eau”), on cherche à exprimer pour chacune d’elles dans quelle mesure elle satisfait un critère donné.
Exemples :
- Pour un critère “zones favorables à l’infiltration”,
- les sols sableux → satisfaction 0.9
- les sols argileux → satisfaction 0.3
- les zones urbaines → satisfaction 0.1
- Pour un critère “risque d’érosion”,
- les pentes fortes → 0.8
- les forêts → 0.2
Le résultat est un raster flou, dans lequel chaque pixel prend une valeur entre 0 et 1 représentant le degré de satisfaction du critère.
Étapes dans le plugin FuzzyAttributes
- Menu :
Classes → Fuzzy - Sélectionnez un raster catégoriel (monobande, de type entier).
- Le plugin lit les valeurs uniques présentes dans la couche.
- Pour chaque classe, saisissez le degré d’appartenance flou (entre 0 et 1).
Vous pouvez aussi charger une table de correspondance depuis un fichier CSV existant. - Choisissez un nom pour le raster flou de sortie (ex.
fzy_classes.tif). - Cliquez sur Créer raster flou.
Bonnes pratiques
- La cohérence dépend du critère étudié : une même classe peut être favorable dans une analyse, défavorable dans une autre.
- Évitez les valeurs 0 et 1 absolues sauf certitude totale : la logique floue permet justement d’exprimer les nuances.
- Documentez vos correspondances : elles peuvent être enregistrées dans un fichier CSV ou une table du GeoPackage pour être réutilisées.
Un exemple concret
Objectif :
Créer une carte de convenance pour l’installation de ruches à partir du raster CORINE Land Cover.
Principe :
Chaque type d’occupation du sol (forêt, prairie, zone agricole, urbain, etc.) reçoit un degré de satisfaction entre 0 et 1 selon son intérêt apicole.
Étape 1 : Source de données
Vous pouvez télécharger le raster CLC directement ici :
https://land.copernicus.eu/pan-european/corine-land-cover/clc2018
Formats disponibles : GeoTIFF, 100 m de résolution.
Vous pouvez ensuite le découper à votre emprise d’étude (par exemple la Corse).
Étape 2 : Correspondance des classes
Voici une table de correspondance exemple pour l’évaluation apicole :
| Code CLC | Libellé simplifié | Degré de convenance apicole (μ) | Justification |
|---|---|---|---|
| 111–142 | Zones urbaines / artificialisées | 0.1 | Très faible, peu de ressources florales naturelles |
| 211–244 | Zones agricoles (cultures, mosaïques agricoles) | 0.6 | Présence de prairies et cultures mellifères possibles |
| 311–313 | Forêts (feuillus, conifères, mixtes) | 0.8 | Riches en essences mellifères selon la saison |
| 321–324 | Végétation naturelle (broussailles, maquis, etc.) | 0.9 | Très favorable, floraison étalée, peu de perturbations |
| 331–335 | Espaces ouverts, plages, zones rocheuses | 0.3 | Peu de fleurs, conditions difficiles |
| 411–423 | Zones humides | 0.4 | Milieux instables, parfois riches mais fragiles |
| 511–523 | Plans d’eau / mer | 0.0 | Non propice évidemment |
Étape 3 : Transformation floue
Avec le plugin FuzzyAttributes → module Classes → Fuzzy :
1-Charger le raster CLC (reclassé ou original).
2-Définir la table de correspondance ci-dessus (codes et μ).
3-Générer le raster flou fzy_corine.tif.
4-Visualiser : les zones favorables (μ proches de 1) apparaîtront plus claires.
Étape 4 : Interprétation
- On obtient une carte continue de convenance apicole, au lieu d’un patchwork de classes rigides.
- Elle peut ensuite être combinée avec d’autres critères flous :
- proximité de l’eau (besoin d’abreuvement)
- altitude / pente
- distance aux routes (accessibilité)
- absence de cultures traitées
Une agrégation floue de ces critères produira une carte multicritère d’implantation optimale des ruches.
En résumé
Transformer un raster de classes en raster flou, c’est passer d’une logique “catégorique” à une logique “graduelle” — on quitte le “tout ou rien” pour représenter le degré de pertinence de chaque classe vis-à-vis d’un objectif.
