Définition et procédure générale pour la cartographie d’aptitude

Dans le contexte de l’analyse d’aptitude, il est nécessaire de faire une distinction entre deux cas d’étude typiquement traités : la sélection de site et la recherche de site (Malczewski, 2004).

87

L’objectif de la sélection de site est d’identifier le meilleur site pour une activité spécifique parmi un ensemble des sites potentiellement reconnus. Dans ce type d’analyse, toutes les caractéristiques (telles que la localisation, la taille, les attributs, ect..) sont connues. Le problème consiste à évaluer les caractéristiques et à attribuer un rang à tous les sites candidats de façon à déterminer celui ayant le score le plus important. Lorsqu’il n’y a pas un ensemble de sites prédéterminés, il s’agit d’un problème de recherche de site, dont les limites doivent être définies.

L’objectif du deuxième type d’analyse est d’identifier explicitement les limites du meilleur emplacement. Cette analyse est basée sur la délimitation d’un territoire d’étude qui peut être subdivisée en un ensemble d’unités observables. L’analyse d’aptitude demande le classement et l’agrégation des unités observables selon leur potentialité par rapport à un objectif spécifique ; elle fournit les caractéristiques spatiales des unités selon les critères de recherche. (Diamond et Wright, 1988). Les approches SIG aux problématiques d’analyse d’aptitude trouvent leurs origines dans les techniques de superposition effectuées au moyen de calques, utilisées initialement par les paysagistes américains au début du 20eme siècle (Steinitz et al., 1976; Collins et Al., 2001). L’introduction de la modélisation spatiale et des techniques d’algèbre des cartes dans la cartographie assistée par ordinateur, a été un avancement fondamental dans les méthodes d’analyse d’aptitude (Tomlin, 1999). Elément central de l’algèbre des cartes pour la résolution de problèmes de potentialité a été l’analyse de superposition. L'idée de base de Tomlin est que les rasters peuvent être soumis à des opérations de type algébrique dont les résultats seront aussi des rasters. Son algèbre décrit des opérations arithmétiques sur des cellules, des groupes de cellules, ou des classes d'objets dans l'ensemble des cellules (portée locale, focale, zonale ou globale).

En général, il existe deux méthodes d'analyse de superposition :

- la superposition d'entités (superposition de points, lignes ou polygones).

- la superposition de rasters. Dans la superposition de rasters, chaque cellule de chaque couche référence le même emplacement géographique. En conséquence, elle permet l'association des caractéristiques de nombreuses couches dans une seule couche. Habituellement, les valeurs numériques sont attribuées à chaque caractéristique, ce qui permet l'association mathématique des couches et l'attribution d'une nouvelle valeur à chaque cellule dans la couche en sortie.

Certains types d'analyse de superposition se prêtent à l'une ou l'autre de ces méthodes. L'analyse de superposition pour trouver des endroits répondant à certains critères est souvent plus efficace si elle fait appel à la superposition de rasters (source ESRI).

88

La superposition de couches matricielles (raster) a été formalisée à travers deux types d’opérations : les opérateurs Booléens, d’intersection (AND) et d’union(OR) et la combinaison linéaire pondérée (weighed linear combination) (WLC).

Dans la combinaison des cellules de deux couches matricielles, avec l’opérateur AND, si les deux valeurs en entrée sont vraies (différentes de zéro), la valeur en sortie est égale à 1 ; si l'une des deux entrées, ou les deux, est fausse (égale à zéro), la sortie est égale à 0. Avec l’opérateur OR si l'une des valeurs en entrée, ou les deux, sont vraies (différentes de zéro), la valeur en sortie est égale à 1 ; si les deux valeurs en entrée sont fausses (zéro), la sortie est égale à 0.

Contrairement aux opérations Booléennes, la WLC est une méthode compensatoire ( à critère unique de synthèse, selon l’école américaine –Keeney, 92-) : elle demande la standardisation des couches raster représentant les critères d’analyse, l’attribution d’importances relatives à ces couches avec des poids (coefficients multiplicatifs) et ensuite la combinaison (addition) des couches pour obtenir un score final d’aptitude pour chaque cellule (pixel). La cellule avec le résultat algébrique le plus haut indique le meilleur emplacement. Dans ce sens, la WLC permet de compenser, sur une même cellule, une valeur faible, induite par un critère, par une valeur plus forte, induite par un autre critère. La Figure 11 illustre schématiquement le principe de la WLC.

Figure 11 Schéma d’agrégation de couches par méthodes WLC. (sources : ESRI support, 2009)

89

Ces deux opérations ont été pendant longtemps les techniques les plus simples et les plus adoptées. La première raison de leur popularité réside dans la facilité de leur implémentation dans les environnements SIG avec les modules de l’algèbre des cartes. Aussi, ces techniques sont relativement compréhensibles et intuitives pour des utilisateurs non spécialistes.

Néanmoins, plusieurs aspects critiques affectent leur application. D’un point de vue méthodologique, la critique majeure concerne la simplification de la complexité du processus décisionnel, due à l’attention portée aux faits-caractéristiques- (qui peuvent être concrètement représentés dans les SIG) plutôt qu’à la combinaison des faits et des jugements (ce qui est plus difficilement représentable dans les SIG). Cette carence a été compensée par l’intégration des méthodes de décision multicritères dans les SIG. Parmi ces derniers, on considère les nombreuses variantes de la WLC, telles que les méthodes du point idéal (Jankowski, 1995), de l’analyse des concordances (Joerin, 2001), le processus d’analyse hiérarchique (Banai, 1993) et surtout les moyennes des poids ordonnés (Ordered Weighted Avearging, OWA, Jiang and Eastman , 2000) qui, grâce à un ensemble d’opérateurs, permettent de développer une variété de stratégies allant de la prise de risque la plus faible, ou pessimiste, (basé sur la combinaison AND) à la plus optimiste (basée sur la combinaison OR) en passant par un palier intermédiaire de risque (la WLC). Malgré les efforts méthodologiques menés pour améliorer la résolution de problèmes spatiaux multicritères, d’un point de vue cognitif la mise en œuvre de ces méthodes d’analyse est affectée par plusieurs difficultés.

1. La première est liée à la nature imprécise et ambigüe de la donnée d’entrée des procédures spatiales multicritères : or, en dépit de cet acquis, la procédure assume que les données sont précises et très peu d’alertes sur la propagation des erreurs (Hevelink, 1989) sont donnés à l’utilisateur. L’écueil est sur la maitrise de la qualité de la donnée géographique à traiter.

2. La deuxième difficulté est liée à la normalisation des couches-critères selon une échelle d’évaluation commune (par exemple : de valeurs de 1 à 9) à toutes les couches : le choix de cette échelle de valeur se fait grâce à la connaissance des méthodes de transformation de représentations géographiques (Beguin et Pumain, 2007). La plus connue et la plus utilisée est la méthode linéaire, même si sa popularité n’est pas justifiée par des arguments théoriques ou empiriques (Jiang and Eastman, 2000). L’écueil est sur la connaissance des méthodes de classification et de normalisation de la donnée géographique.

3. La troisième difficulté est apportée par la grande variété de méthodes et de règles qui caractérisent les stratégies décisionnelles et par les champs de validité de ces règles.

90

Notamment, parmi les règles d’attribution des poids aux critères il n’y en a pas une qui soit unanime et prépondérante. La modélisation des situations décisionnelles qui aiderait dans le choix des méthodes, n’est pas effective, sauf dans quelques prototypes de cartographie décisionnelle (Chakhar, 2005). L’écueil est ici stratégique et la littérature montre (Malczewski, 2004) que très peu d’utilisateurs opèrent leurs choix en connaissance de cause.

Ces difficultés d’appropriation des méthodes et techniques de l’analyse spatiale multicritère sont soulignées également par Malczewski(2006) : nous présentons une synthèse de son article ci –après.