{"id":1274,"date":"2015-04-10T09:07:56","date_gmt":"2015-04-10T07:07:56","guid":{"rendered":"http:\/\/www.sigterritoires.fr\/?p=1274"},"modified":"2018-10-18T09:17:06","modified_gmt":"2018-10-18T07:17:06","slug":"le-cube-spatio-temporel-darcgis-2-hot-spots-et-cold-spots","status":"publish","type":"post","link":"https:\/\/www.sigterritoires.fr\/index.php\/en\/le-cube-spatio-temporel-darcgis-2-hot-spots-et-cold-spots\/","title":{"rendered":"The ArcGis spatial temporal :2-hot and cold spots"},"content":{"rendered":"

In<\/span>\u00a0the\u00a0Previous article ( The ArcGis Spatial-Temporal Cube<\/a><\/span> : 1- discovery<\/a> ) we discussed how to create a spatial-temporal cube from a cloud of XYZ points.<\/span>
\n $\"Le$ <\/a>The points are<\/span> grouped into \u00a0\u00bb boxes \u00a0\u00bb (bins) corresponding to 3D pixels.<\/span>
\nWe have seen how to represent the<\/span> in<\/span> a 3D scene from ArcGis Pro.<\/span> In<\/span> this article we are going<\/span> how to analyze temporal trends in bins values, using<\/span> analysis of hot spots<\/span> emerging<\/span>Les points sont regroup\u00e9s en \u00ab\u00a0bo\u00eetes\u00a0\u00bb (bins) correspondant \u00e0 des pixels 3D.
\nNous avons vu comment le repr\u00e9senter dans une sc\u00e8ne 3D d’ArcGis Pro. Dans cet article nous allons voir comment analyser les tendances temporelles des valeurs des bins, en utilisant l’analyse des points chauds \u00e9mergents<\/strong>.
\n $\"cub20\"$ <\/a>
\n<\/em><\/p>\n

Le but de cet outil est d’identifier des tendances de regroupement des valeurs du cube construit \u00e0 partir de vos donn\u00e9es, ce qu’on peut appeler des \u00ab\u00a0agr\u00e9gats spatiaux\u00a0\u00bb.<\/p>\n

Pour la description \u00a0de la m\u00e9thode math\u00e9matique qui est derri\u00e8re cet outil \u00a0recherche (Getis-Ord Gi*) vous pouvez t\u00e9l\u00e9charger ici l’article de Getis et Ords<\/a>.<\/p>\n

Contentons nous ici de dire que la m\u00e9thode recherche, sur les trois axes, \u00e0 d\u00e9terminer si les valeurs d’occurrence des points dans votre cube peuvent \u00eatre consid\u00e9r\u00e9s, statistiquement, comme regroup\u00e9s (hot spots) ou non regroup\u00e9s (cold spots).<\/p>\n

Le r\u00e9sultat de la m\u00e9thode consiste en:<\/p>\n

\n
une valeur appel\u00e9e p-value qui est la\u00a0valeur de probabilit\u00e9 pour que la distribution spatiale des points soit due au hasard. Si p-value est grand, cela veut dire qu’il est tr\u00e8s probable que la distribution dans les pixels 3D autour de ce point soit simplement le r\u00e9sultat du hasard. Une valeur de p-value basse, au contraire, indique qu’il est tr\u00e8s probable que le regroupement ne soit pas du au hasard et donc que ce soit le r\u00e9sultat d’un ph\u00e9nom\u00e8ne particulier.<\/li>\n
une valeur appel\u00e9e z-score qui est une valeur de d\u00e9viation standard. Ce n’est pas une autre valeur ind\u00e9pendante de la p-value, c’est une valeur compl\u00e9mentaire.<\/li>\n<\/ul>\n
Si vous observez une valeur faible de p-value vous vous direz qu’il a de fortes probabilit\u00e9s pour que le ph\u00e9nom\u00e8ne observ\u00e9 soit significatif. Oui mais, fortes comment? Le z-score vous indique que si cette valeur se situe \u00e0 plus\u00a0de trois \u00a0\u00e9carts type de la moyenne vous avez moins de 1% de chances de vous tromper. Si elle se situe entre 2 et 3, vous aurez 5% et si elle se situe entre 1 et 2 vous en aurez 10%. C’est donc \u00e0 vous, en fonction du sujet et de vos connaissances, de d\u00e9terminer le seuil de risque acceptable pour votre hypoth\u00e8se.<\/p>\n
<\/p>\n
$\"relation$ <\/a>Nous allons continuer l’exemple de l’article pr\u00e9c\u00e9dent en utilisant le cube r\u00e9alis\u00e9. Pour effectuer l’analyse; vous lancez l’autre commande disponible dans la bo\u00eete \u00e0 outils Outils d\u2019exploration des mod\u00e8les spatio-temporels, Analyse des points chauds \u00e9mergents.<\/strong><\/em><\/p>\n
$\"cub21\"$ <\/a>Les trois premiers champs sont simples, cube en entr\u00e9e, couche en sortie et, pour l’instant, dans Variable d’analyse vous n’avez le choix que de COUNT<\/strong>.<\/p>\n
Par contre, les deux champs suivants peuvent pr\u00eater \u00e0 confusion. En effet, lors de la construction du cube, dans l’\u00e9tape pr\u00e9c\u00e9dente, il y avait deux champs similaires. Ces champs permettaient de regrouper les points par pixel 3D. Nous avions d\u00e9fini des pixels de 40km en X et Y et de 12 heures en Z (temps).<\/p>\n
Ici il ne s’ag\u00eet pas du tout de \u00e7a. Ici vous devez indiquer (ou laisser la commande les calculer par d\u00e9faut) qu’est ce que vous consid\u00e9rez comme voisinage d’un pixel 3D. Est-ce que des pixels situ\u00e9s \u00e0 200 km sont voisins ou pas? Est-ce que des pixels s\u00e9par\u00e9s par deux jours sont consid\u00e9r\u00e9s comme voisins ou pas?<\/p>\n
En fonction de vos r\u00e9ponses (ou non r\u00e9ponses) les r\u00e9sultats ne seront pas les m\u00eames.<\/p>\n
Si vous ne remplissez pas les champs, le calcul du voisinage XY par d\u00e9faut est un peu obscur, par contre en Temps la valeur par d\u00e9faut est de 1.<\/p>\n
Une fois la commande achev\u00e9e, vous retrouvez la nouvelle couche affich\u00e9e dans votre vue 2D avec la classification suivante:<\/p>\n
<\/p>\n
$\"r\u00e9sultat$ <\/a><\/p>\n
Pour s’y retrouver dans les r\u00e9sultats, tout d’abord, vous avez deux groupes:<\/p>\n
\n
un groupe de \u00ab\u00a0hot spots\u00a0\u00bb (points chauds), l\u00e0 il se passe quelque chose<\/li>\n
un groupe de \u00ab\u00a0cold spots\u00a0\u00bb (points froids), l\u00e0 il ne se passe pas.<\/li>\n
un troisi\u00e8me \u00ab\u00a0groupe\u00a0\u00bb regroupe les pixels 3D qui n’ont pas pu \u00eatre class\u00e9s en hot ou cold, les \u00ab\u00a0No trend detected\u00a0\u00bb.<\/li>\n<\/ul>\n
Apr\u00e8s, pour chaque type (hot ou cold) vous trouverez les pixels 3D class\u00e9s selon:<\/p>\n
New spot<\/strong> : le dernier pixel 3D de la s\u00e9rie temporelle appara\u00eet comme un point chaud ou froid, tandis que dans tout le reste des pas de temps cet endroit ne l’\u00e9tait pas. Ce sont des points \u00e0 surveiller dans les prochaines s\u00e9ries temporelles pour v\u00e9rifier s’ils sont bien des points significatifs ou pas.<\/p>\n
Consecutive\u00a0 Spot<\/strong>: dans la s\u00e9rie temporelle il y a une suite de pas de temps significatifs et cons\u00e9cutifs. Cette s\u00e9rie repr\u00e9sente moins de 90% des pas de temps.<\/p>\n
Intensifying spot<\/strong>: Plus de 90% des pas de temps sont significatifs et les valeurs croissent avec le temps. Les derniers pixels sont plus forts que ceux du d\u00e9but. Le dernier pas de temps est significatif.<\/p>\n
Persistent\u00a0 Spot<\/strong>: plus de 90% des pas de temps sont significatifs mais on ne descelle pas de tendance \u00e0 l’augmentation ou \u00e0 la diminution dans la s\u00e9rie temporelle.<\/p>\n
Diminishing Spot<\/strong> : Plus de 90% des pas de temps sont significatifs et les valeurs diminuent avec le temps. Les derniers pixels sont plus faibles que ceux du d\u00e9but. Le dernier pas de temps est significatif<\/p>\n
Sporadique\u00a0 Spot<\/strong>: moins de 90% des pas de temps sont significatifs. Les pas de temps significatifs sont intercal\u00e9s entre des pas de temps non significatifs. Si les pas de temps significatifs sont des hot spots, il n’y a pas dans la s\u00e9rie des cold spots, et vice-versa.<\/p>\n
Oscillant\u00a0 Spot<\/strong>: moins de 90% des pas de temps sont significatifs. Comme pour le pr\u00e9c\u00e9dent les pas non significatifs sont intercal\u00e9s parmi les pas significatifs. Par contre, dans les pas significatifs on observe des points chauds et des points froids.<\/p>\n
Historical\u00a0 Spot<\/strong>:La p\u00e9riode la plus r\u00e9cente n’est pas significative, mais au moins quatre-vingt dix pour cent des intervalles de temps ont \u00e9t\u00e9 des points chauds ou froids statistiquement significatifs.<\/p>\n
Ces r\u00e9sultats s’appliquent \u00e0 chaque s\u00e9rie temporelle du cube, c’est \u00e0 dire \u00e0 chaque colonne de celui-ci. Sa repr\u00e9sentation est donc, forc\u00e9ment en deux dimensions.<\/p>\n
Par contre, chaque pas de temps peut \u00eatre significatif ou pas, et ce, selon un, deux ou trois \u00e9carts types. Nous pouvons donc visualiser ces r\u00e9sultats avec l’outil de Visualisation 3D du cube spatio-temporel (voir cet outil dans l’article pr\u00e9c\u00e9dent<\/a>)<\/p>\n
Vous devez avoir une fen\u00eatre 3D (Scene) dans votre projet. Si vous n\u2019en avez pas, cliquez sur Ins\u00e9rer->Nouvelle Scene<\/p>\n
Vous devez enlever la r\u00e9f\u00e9rence \u00e0 une couche d\u2019\u00e9l\u00e9vation. En effet, si vous ne le faites pas, les colonnes du cube seront affich\u00e9es par rapport au niveau du sol et vous perdrez en visibilit\u00e9 de la correspondance des diff\u00e9rents pas de temps.<\/p>\n
Dans la fen\u00eatre du geoprocesseur, lancez la commande de visualisation 3D.<\/p>\n
$\"visualiser$ <\/a><\/p>\n
Par rapport \u00e0 la m\u00eame commande lanc\u00e9e dans l’article pr\u00e9c\u00e9dent, comme ici nous avons fait une analyse des points chauds, dans la fen\u00eatre \u00ab\u00a0Display variable\u00a0\u00bb, en plus de COUNT nous trouvons \u00ab\u00a0Hot and Cold spot results\u00a0\u00bb, que nous s\u00e9lectionnons.<\/p>\n
Le r\u00e9sultat de la commande s’affiche:<\/p>\n
$\"r\u00e9sultat$ <\/a><\/p>\n
et la fen\u00eatre de l\u00e9gende permet de voir quelles sont les classes affich\u00e9es:<\/p>\n
$\"classification$ <\/a>Les points chauds en rouge, les points froids en bleu, avec une intensit\u00e9 qui donne la confiance des r\u00e9sultats: un \u00e9cart type = 90%, deux \u00e9carts type = 95%, trois \u00e9carts type = 99%.<\/p>\n
Avec ces deux articles vous avez de quoi commencer \u00e0 vous essayer \u00e0 l’analyse spatio-temporelle. Nous y reviendrons dans un futur article sur les diff\u00e9rentes technique de pr\u00e9-traitement des donn\u00e9es pour qu’elles puissent \u00eatre trait\u00e9es avec ces deux outils.<\/p>\n
<\/p>\n","protected":false},"excerpt":{"rendered":"
In\u00a0the\u00a0Previous article ( The ArcGis Spatial-Temporal Cube : 1- discovery ) we discussed how to create a spatial-temporal cube from a cloud of XYZ points. The points are grouped into \u00a0\u00bb boxes \u00a0\u00bb (bins) corresponding to…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"give_campaign_id":0,"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"sfsi_plus_gutenberg_text_before_share":"","sfsi_plus_gutenberg_show_text_before_share":"","sfsi_plus_gutenberg_icon_type":"","sfsi_plus_gutenberg_icon_alignemt":"","sfsi_plus_gutenburg_max_per_row":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[1456,1458,1460],"tags":[1462,1453,1464,1466,1468,1470,1472,1474],"class_list":["post-1274","post","type-post","status-publish","format-standard","hentry","category-arcgis-en","category-arcgis-pro-en","category-outils-divers","tag-3d-en","tag-arcgis-en","tag-cold-spot-en","tag-cube-en","tag-hot-spot-en","tag-point-chaud-en","tag-point-froid-en","tag-spacio-temporel-en"],"aioseo_notices":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p6XU0A-ky","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/1274","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/comments?post=1274"}],"version-history":[{"count":0,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/posts\/1274\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/media?parent=1274"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/categories?post=1274"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sigterritoires.fr\/index.php\/wp-json\/wp\/v2\/tags?post=1274"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}