Tutoriel classification d’images avec ArcMap: 2.5- Exploration des données

Les données de bandes multispectrales différentes ont souvent une corrélation très élevée et contiennent de l’information similaire. Par exemple, les capteurs de la bande 4 et 5 de Landsat MSS (vert et rouge respectivement) produisent des images d’apparence visuelle très semblable étant donné que la réflectance pour le même type de surface est presque identique. Des transformations d’images basées sur des traitements statistiques complexes des données multispectrales peuvent être utilisées pour réduire la redondance des données et la corrélation entre les bandes. L’analyse des composantes principales est une transformation de ce genre. Le but de cette transformation est de réduire le nombre de dimensions (nombre de bandes) et de produire une compression de l’information de plusieurs bandes dans un nombre plus restreint de bandes. Les « nouvelles » bandes qui résultent de cette compression statistique sont appelées composantes. Ce procédé vise à maximiser (statistiquement) la quantité d’information (ou variance) des données originales dans un nombre restreint de composantes. Par exemple, l’analyse des composantes principales, peut transformer des données provenant de sept bandes du capteur TM/Landsat (Thematic Mapper) de façon à ce que les trois principales composantes de la transformation contiennent plus de 90% de l’information contenue dans les sept bandes initiales. L’interprétation et l’analyse de ces trois composantes, en les combinant visuellement ou numériquement, est plus simple et plus efficace que l’utilisation des sept bandes initiales. L’analyse des composantes principales ou d’autres transformations complexes peuvent être utilisées comme techniques de rehaussement visuel pour faciliter l’interprétation ou pour réduire le nombre de bandes qui seront fournies comme données d’entrée à une procédure de classification numérique.

Continuer la lecture de « Tutoriel classification d’images avec ArcMap: 2.5- Exploration des données »

Calculer des moyennes locales sur des polygones de Voronoï avec Qgis

Les cartes de Voronoï sont construites à partir d’une série de polygones formés autour de l’emplacement de chaque point d’échantillonnage.

Les polygones de Voronoï sont créés de sorte que chaque emplacement dans un polygone soit plus proche du point d’échantillonnage présent dans ce polygone que de tout autre point d’échantillonnage.

Dans l’article  sur l’analyse exploratoire des données, nous avons vu comment utiliser Geostatistical Analyst d’ArcGis pour construire et analyser les polygones de Voronoï.

Dans cet article nous verrons comment obtenir les mêmes résultats avec QGis. Continuer la lecture de « Calculer des moyennes locales sur des polygones de Voronoï avec Qgis »

Gestion intégrée du littoral- 1-Analyse des données spatiales et analyse spatiale des données

L’été étant un moment propice pour lever un peu le pied et remettre les idées en place, avant d’attaquer une nouvelle saison pris par les urgences du quotidien, je vous livre une série d’articles avec quelques réflexions sur l’utilisation des outils d’analyse spatiale dans mon domaine de préférence: la gestion intégrée des zones côtières.
Comme le titre le laisse entrevoir, les concepts et les mots de cette belle discipline qu’est la géomatique, sont construits tout autant sur des nuances que sur des exactitudes, sur la rigueur et la souplesse.
De temps en temps, il peut être bénéfique de prendre de la hauteur et de remettre un peu d’ordre dans le cadre conceptuel de nos pratiques quotidiennes. Continuer la lecture de « Gestion intégrée du littoral- 1-Analyse des données spatiales et analyse spatiale des données »

Analyse exploratoire des données pour la géostatistique:analyse de la tendance

Après l’article Introduction à l’analyse exploratoire des données pour la géostatistique , nous  abordons chacun des outils disponibles pour réaliser l’analyse exploratoire des données spatialisées. Nous avons vu les histogrammesles QQ-Plots, et les cartes de Voronoï. Nous verrons maintenant comment rechercher des tendances dans nos données. Continuer la lecture de « Analyse exploratoire des données pour la géostatistique:analyse de la tendance »

Analyse exploratoire des données pour la géostatistique:les diagrammes de Voronoï

Après l’article Introduction à l’analyse exploratoire des données pour la géostatistique , nous  abordons chacun des outils disponibles pour réaliser l’analyse exploratoire des données spatialisées. Nous avons vu les histogrammesles QQ-Plots, nous verrons maintenant les cartes de Voronoï. Continuer la lecture de « Analyse exploratoire des données pour la géostatistique:les diagrammes de Voronoï »

Analyse exploratoire des données pour la géostatistique:les QQ-plot

Après l’article Introduction à l’analyse exploratoire des données pour la géostatistique , nous  abordons chacun des outils disponibles pour réaliser l’analyse exploratoire des données spatialisées. Nous avons vu les histogrammes, nous verrons maintenant les QQ-Plots. Continuer la lecture de « Analyse exploratoire des données pour la géostatistique:les QQ-plot »

Introduction à l’analyse exploratoire des données pour la géostatistique

Voici une petite série d’articles motivés par une question un peu vaste d’un étudiant qui utilise Geostatistical Analyst d’ArcGis : comment interpréter le QQplot, trend analyst et la variogramme?. Que ce soit avec Geostatistical Analyst ou tout autre outil de géostatistique, on est censés commencer, avant toute interpolation , par l’analyse exploratoire des données. Pourquoi? Tout simplement parce que les outils de géostatistiques assument un certain nombre de caractéristiques des données et que si ces assomptions ne s’appliquent pas à notre jeu de données, nos résultats seront faux. Nous verrons donc ici sur quels principes s’appuient les outils géostatistiques et comment utiliser les outils d’analyse exploratoire pour corroborer les hypothèses nécessaires. Continuer la lecture de « Introduction à l’analyse exploratoire des données pour la géostatistique »