Retour sur les aspects spatiaux du manuel ElementR
Commenges H., Cura R., Mathian H.
UMR Géographie-cités
24 mai 2013
Manuel disponible sur : http://elementr.parisgeo.cnrs.fr
Retour sur la construction du manuel ElementR
L’analyse spatiale : une démarche exploratoire d’analyse des données géographiques
Flux de travail déductif
Flux de travail abductif
La cartographie comme élément de l’analyse exploratoire
pres enting knowns
public
human-map interaction high
reve low aling unkn
owns
private
visu aliza
tion com
muni catio
n
Cube de McEachren (1994)
Exemple d’un flux de travail exploratoire
Entités spatiales
Entités spatiales
Présentation de méthodes d’analyse spatiale
1. Introduction
2. Prise en main et manipulation des données 3. Programmation
4. Analyse univariée 5. Analyses bivariées 6. Analyses factorielles 7. Méthodes de classification 8. Analyse de graphes 9. Cartographie
10. Initiation aux statistiques spatiales
Analyse d’un semis de points
I Données: Ensemble de points localisés correspondant à des
réalisations d’un phénomène et non à des échantillonnage de points d’un phénomène continu
I
Localisation des impacts d’un volcan
I
Localisation et type d’accident: piéton adulte, enfant, vélo . . .
I
Localisation des collèges et % de réussite au brevet
I Approches globales: caractérisation globale du semis
I
Le semis peut-il être assimilé à un semis aléatoire ?
I
Comparaison de 2 semis.
I Approches locales
I
recherche des structures locales, des agrégats : analyse des
espacements entre les points et leurs voisins (identification des zones
de concentrations, Hotspots, clusters, . . . )
Analyse d’un semis de points
Analyse d’un semis de points : exemple de la localisation de commerces
6857500 6860000 6862500 6865000 6867500
645000 650000 655000 660000
long
lat
Répartition des supermarchés et magasins de chaussures à Paris
Analyse d’un semis de points : distribution des distances aux 5 plus proches voisins
Distance aux 5 plus proches magasins de chaussures (m)
Distance (m)
Fréquence
0 500 1000 1500
02004006008001000
Distance aux 5 plus proches supermarchés (m)
Distance (m)
Fréquence
0 500 1000 1500
050100150200250300
Analyse d’un semis de points : recherche d’agrégats
250m 500m
750m 1000m
Voisinage des supermarchés
Analyse d’un semis de points : recherche d’agrégats
250m 500m
750m 1000m
Voisinage des magasins de chaussures
Analyse d’un semis de points : recherche d’agrégats
250m 500m
750m 1000m
Voisinage des supermarchés
250m 500m
750m 1000m
Voisinage des magasins de chaussures
Analyse de l’autocorrélation spatiale
I Données : Ensemble de zones caractérisées par une mesure d’un phénomène
I
Taux de pénétration des cas de grippe
I
% d’abres tombés après la tempête par parcelle forestière
I
% de réussite au brevet au niveau communal
et définition d’une relation de voisinage entre les zones (contiguïté, distance entre centres . . . )
I Approches globales : caractérisation globale de l’organisation spatiale (Indice de Geary, de Moran)
I Approches locales : Identification des structures locales, des agrégats
I
identification des zones de concentrations, Hotspots, clusters, . . .
(LISA)
Analyse de l’autocorrélation spatiale
Analyse de l’autocorrélation spatiale : mesures globales
% d'ouvriers 0 4.005 6.11 9.925 45.45
% d'ouvriers en 1999 par IRIS
% d'ouvriers 0 4.005 6.11 9.925 45.45
% d'ouvriers en 2007 par IRIS
moran.test(x = irisParis$P_OUV_1999, listw = nb2listw(mIRISPARIS))
## Moran I statistic standard deviate = 29.8797, p-value < 2.2e-16
## Moran I statistic Expectation Variance
## 0.5039836 -0.0010142 0.0002856
moran.test(x = irisParis$P_OUV_2007, listw = nb2listw(mIRISPARIS))
## Moran I statistic standard deviate = 27.0988, p-value < 2.2e-16
## Moran I statistic Expectation Variance
## 0.4574299 -0.0010142 0.0002862
Analyse de l’autocorrélation spatiale : mesures locales
0 20 40 60 80
0 10 20 30 40
Autocorrélations spatiales selon le taux d'ouvriers
% d'ouvriers en 2009
% d'ouvr iers du v oisinage en 2009
751010102 751041401
751051809 751124622 751124677 751134901
751135119 751155801 751155908
751155920 751156009
751156010 751156021
751156023
751156099 751166277
751187102 751197413
751197488
751197610
751207917 920020307
920040702
920240202
920240501
920320103 920360103
920360502
920480107 920600105 920630103
920630602
920780101 920780103
920780107 930010301
930010302 930010303
930010401 930010402 930010503 930010801930010802
930010903 930011101
930011102
930011202
930011203 930050201
930050202 930050203
930050204
930050206
930050207 930050208
930050304 930050601 930050602
930050701
930050702
930050703 930050801
930050802 930050803 930050804 930050805
930060103 930070101
930070107 930070109 930070117
930070119 930070120 930070121
930080103 930080106
930080108
930080109 930080114
930080117 930080120
930100101 930100102930100103
930100107 930100108
930130101
930130106
930140101 930140102
930140104
930140105 930140107
930140109 930140110930140111 930140113
930270101 930270102
930270103 930270104
930270111 930270113 930270114930270115 930270117
930270118 930270119
930290402 930290801 930290803
930290804 930290901
930290902
930290904
930310203 930310404
930320114 930460116
930470101
930470102 930470103
930480502 930480704
930480801 930481002 930500111
930530116 930550102 930550201
930550202 930550402
930550501 930550502 930590107 930590108
930630101 930630102
930640113 930640118
930660301
930660401 930660502
930660601 930660602
930660701 930660702930660705
930660802
930660902 930660906930660908 930661004
930661102 930661104
930700106
930710102 930710103 930710104
930710105 930710106 930710107
930710112 930720103
930720112930720117
930730201 930730404
930780102
930780112 930790103 930790104
940280212 940010000940020205 940020204
940020206
940110103
940110105
940160102
940170702 940171101
940171103 940171202 940190106 940220201
940220202
940220205 940540102940540103
940650104 940680801
940730105 940730111
940770101 940770102 940770103
940780101
940780102
940780104
940780201 940780202
940780206
940810101 940810103
940810106 940810109
Analyse de l’autocorrélation spatiale : mesures locales
Différences entre taux d'ouvriers locaux et voisins
Low/Low High/High
