Les données ont un contexte spatial et un contexte temporel : tout arrive quelque part à un moment donné dans le temps. Plusieurs outils, dont Hot Spot Analysis (Analyse de points chauds), Cluster and Outlier Analysis (Analyse de grappes et de valeurs aberrantes), Emerging Hot Spot Analysis (Analyse de points chauds émergents) et Spatially Constrained Multivariate Clustering (Agrégation multivariée spatialement contrainte), vous permettent d’exploiter de manière utile ces aspects de vos données. Lorsque vous considérez le contexte spatial et temporel de vos données, vous pouvez répondre à des questions telles que :
- Où se situent les hot spots spatio-temporels de la criminalité ? Si vous êtes un expert en criminalité, vous pouvez utiliser les résultats d'une analyse de points chauds spatio-temporelle pour vérifier que vos ressources de police sont affectées aussi efficacement que possible. Vous voulez qu'elles se trouvent au bon endroit au bon moment.
- Où sont les anomalies en termes de dépenses ? Si vous souhaitez mettre en évidence les fraudes, vous pouvez utiliser l’outil Analyse d’agrégat et de points aberrants afin d’examiner soigneusement les habitudes de dépense et y repérer les points aberrants dans l’espace et le temps. Un changement soudain dans les modes ou la fréquence des dépenses peut suggérer des activités suspectes.
- Quelles sont les caractéristiques des épidémies bactériennes ? Supposons que vous étudiiez des échantillons de salmonelle provenant d'exploitations laitières dans votre région. Pour déterminer les caractéristiques individuelles des épidémies, vous pouvez exécuter l’outil Spatially Constrained Multivariate Clustering (Agrégation multivariée spatialement contrainte) sur les données de vos échantillons en appliquant des contraintes d’appartenance à des groupes dans l’espace et dans le temps. Les échantillons proches dans l'espace et dans le temps sont très probablement liés à la même épidémie.
- Vos décisions ou les allocations des ressources étaient-elles efficaces ? Supposons que vous vouliez surveiller l'efficacité des nouvelles stratégies mises en place pour faire baisser la criminalité liée à la drogue dans votre ville. Vous pouvez faire appel à l’outil Points chauds émergents pour surveiller l’évolution des données d’événement, comme l’identification des emplacements représentant des points chauds nouveaux, qui s’intensifient ou s’atténuent dans les zones de criminalité liée à la drogue.
Plusieurs outils de la boîte à outils Spatial Statistics (Statistiques spatiales) évaluent chaque entité dans le contexte des entités voisines. Lorsque des relations de voisinage sont définies en termes d'espace et de temps, les analyses spatiales traditionnelles deviennent des analyses spatio-temporelles. Pour définir des relations de voisinage à partir des aspects spatio-temporels de vos données, utilisez l’outil Generate Spatial Weights Matrix (Générer la matrice de pondérations spatiales) et sélectionnez l’option Space time window (Fenêtre spatio-temporelle) comme valeur du paramètre Conceptualization of Spatial Relationships (Conceptualisation de relations spatiales). Spécifiez ensuite une distance seuil (Threshold Distance) et un intervalle de temps (Date/Time Interval Type (Type d'intervalle date/heure) et Date/Time Interval Value (Valeur d'intervalle date/heure)). Si, par exemple, vous spécifiez une distance de 1 kilomètre et un intervalle de temps de 7 jours, les entités trouvées dans un rayon de 1 kilomètre et à un intervalle d'horodatage de 7 jours les unes des autres, seront analysées ensemble. De même, les entités proximales situées à une distance maximum de 1 kilomètre les unes des autres mais qui ne se trouvent pas dans l'intervalle de 7 jours ne sont pas considérées comme des entités voisines.
Au delà des vues figées de périodes
Afin de comprendre les tendances spatiales et temporelles de vos données, une stratégie courante consiste à les diviser en une série de vues figées de périodes. Vous pouvez, par exemple, créer des jeux de données distincts pour la première, la deuxième, la troisième, la quatrième et la cinquième semaine. Vous avez ensuite la possibilité d'analyser chaque semaine séparément et de présenter les résultats de votre analyse sous la forme d'une série de cartes ou d'une animation. Bien que cette méthode soit efficace pour révéler des tendances, la façon dont vous divisez les données est quelque peu arbitraire. Si vous analysez vos données de semaine en semaine, par exemple, comment décidez-vous du moment où effectuer la coupure ? Doit-elle se produire entre dimanche et lundi ? Peut-être devriez-vous considérer les données du lundi au jeudi, puis du vendredi au dimanche ? Existe-t-il une raison spéciale d'analyser les données par intervalles d'une semaine ? Peut-être qu’une analyse quotidienne ou mensuelle serait plus efficace. Les implications peuvent être importantes si la division (la séparation des événements du dimanche de ceux du lundi, par exemple) sépare des entités qui devraient être liées. Dans l’exemple ci-dessous, 6 entités se trouvent dans une fenêtre spatio-temporelle de 1 kilomètre et 7 jours par rapport à l’entité intitulée Jan 31 (31 janvier). Toutefois, une seule d’entre elles est considérée comme voisine si les données sont analysées avec des vues figées mensuelles.
Lorsque vous définissez des relations entre entités à l'aide de la fenêtre Fenêtre spatio-temporelle, vous ne créez pas de vue figée des données. Toutes les données sont utilisées dans l'analyse. Les entités proches les unes des autres dans l’espace et dans le temps sont analysées ensemble car toutes les relations entre les entités sont évaluées par rapport à l’emplacement et à l’horodatage de l’entité cible. Dans l’exemple ci-dessus, (A.), une fenêtre spatio-temporelle de 1 kilomètre et 7 jours trouve 6 voisins pour l’entité intitulée Jan 31 (31 janvier).
Supposons que vous analysiez les feux de forêts survenant dans une région. Si vous exécutez l’outil Analyse de points chauds en utilisant la conceptualisation Fixed distance band (Canal de distance constante) pour définir les relations entre entités, vous obtenez une carte indiquant l’emplacement des points chauds et des points froids statistiquement significatifs des feux de forêts. Si vous répétez l’analyse, mais cette fois en définissant les relations spatiales par rapport à une fenêtre spatio-temporelle, vous constaterez probablement que certaines zones de points chauds sont saisonnières. Lorsque vous comprenez cette caractéristique temporelle des feux de forêts, vous être mieux préparé à allouer des ressources pour lutter contre les incendies.
Visualisation des résultats spatio-temporels
Les cartes de densité indiquent les zones de haute intensité en rouge et celles de basse intensité en bleu. Dans l'illustration ci-dessous, par exemple, les zones rouges indiquent les endroits d'où proviennent le plus grand nombre d'appels d'urgence. Les zones bleues représentent les endroits faisant l'objet de peu d'appels d'urgence. Comment ajouter des informations sur la dimension temporelle des appels d'urgence à la carte ci-dessous ? Comment cartographier efficacement des phénomènes tels que des épidémies, une série de crimes, les conséquences de l’utilisation d’une nouvelle technologie ou les variations saisonnières des tempêtes ?
La représentation tridimensionnelle de données (emplacement x et y, plus temps) est difficile à réaliser sur une carte bidimensionnelle. Notez que dans l’exemple ci-dessous, vous ne pouvez pas savoir qu’il existe deux points chauds distincts (proches dans l’espace, mais séparés dans le temps) tant que vous ne visualisez pas les données en trois dimensions. En extrudant les entités en fonction d'un champ temporel, il est plus facile de distinguer les entités reliées par le temps de celles que le temps sépare.
Il existe au moins deux méthodes de visualisation du résultat d'analyses spatio-temporelles. La visualisation tridimensionnelle est efficace dans une zone d'étude plus petite en présence d'un nombre limité d'entités. Cette approche permet de présenter des relations spatio-temporelles sur une seule carte. L’animation constitue une autre méthode de représentation des processus spatio-temporels. Les exemples suivants se concentrent particulièrement sur la visualisation d'agrégats spatio-temporels.
Animation
Si vous souhaitez animer vos agrégats spatio-temporels, activez le temps pour les entités de résultats et cliquez sur Play (Lecture) pour visualiser les données temporelles à l’aide du curseur temporel.
3D
Vous pouvez également observer les résultats d’une analyse d’agrégat spatio-temporel par visualisation en 3D. Avec cette méthode, le temps devient la troisième dimension. Les entités ponctuelles sont extrudées pour représenter la progression temporelle. Dans l'illustration en trois dimensions ci-dessus, par exemple, les événements les plus anciens sont les plus proches du sol, et les plus récents sont les plus élevés (ils semblent plus près de la personne qui les regarde).
Vous pouvez créer une représentation 3D de vos données, telle que celle présentée ci-dessus, dans une scène 3D. Vous trouverez ci-après des instructions pour afficher vos résultats d’analyse d’agrégats spatio-temporels dans AllSource.
Remarque :
Reportez-vous à la rubrique Visualisation du cube spatio-temporel en 3D pour connaître les stratégies d’utilisation des outils de la boîte d’outils Space Time Pattern Mining (Exploration des modèles spatio-temporels) en vue d’obtenir des analyses spatio-temporelles et une représentation 3D dans AllSource.
Commencez par exécuter votre analyse d’agrégats spatio-temporels. Vous pouvez ensuite visualiser les résultats en procédant comme suit :
- Ouvrez une scène. Pour ouvrir une scène, dans l’onglet Insert (Insertion), cliquez sur New Map (Nouvelle carte) et sélectionnez New Local Scene (Nouvelle scène locale).
Ouvrez la table attributaire de votre couche d'entités en sortie et triez les entités par date afin d'identifier la date la plus ancienne. Créez un champ nommé DateDiff pour calculer les valeurs de laps de temps qui seront utilisées pour projeter la hauteur de chaque entité. Dans le cas de cet exemple, les hauteurs sont basées sur le nombre de jours qui se sont écoulés depuis que le premier événement s'est produit dans le jeu de données.
Utilisez un script Python pour calculer les valeurs de laps de temps. Cliquez avec le bouton droit de la souris sur le champ que vous venez de créer et choisissez Calculate Field (Calculer le champ). Dans la fenêtre Geoprocessing (Géotraitement), renseignez les paramètres et le bloc de code comme indiqué ci-dessous en remplaçant la date du bloc de code par la date la plus ancienne pour les entités de votre couche d’entités en sortie.
- Définissez la surface d'altitude sur zéro. Puisque le temps est utilisé comme axe vertical pour la visualisation de la sortie, il est important que toutes les entités aient la même hauteur de ligne de base dans un souci de précision de l’interprétation. Pour ce faire, vous devez fermer les services d'altitude par défaut en cliquant en dehors des couches du sol (Ground) qui sont affichées dans le groupe Elevation Surfaces (Surfaces d'altitude) de la fenêtre Contents (Contenu).
Remarque :
Lors du prochain ajout d’une nouvelle scène, les surfaces par défaut sont automatiquement renseignées. - Cliquez avec le bouton droit de la souris sur la couche d’entités en sortie, sélectionnez Properties (Propriétés) et accédez à l’onglet Elevation (Altitude). Modifiez la valeur du paramètre Features are (Les entités sont) en le définissant sur At an absolute height (À une hauteur absolue) et définissez ce champ comme étant le champ DateDiff que vous avez créé. Vous devrez probablement tester différentes valeurs Vertical Exaggeration (Exagération verticale) pour créer la visualisation qui fonctionne le mieux pour vous.
Reportez-vous à la rubrique Navigation pour en savoir plus sur la navigation et l’exploration de votre scène 3D.
Remarque :
Si vous utilisez des données ponctuelles d'incident, il est préférable de les agréger et de les visualiser à l'aide d'un cube spatio-temporel. La rubrique Visualisation du cube spatio-temporel décrit les stratégies permettant de visualiser les résultats de l’analyse des modèles spatio-temporels dans une structure de données de cube netCDF.
Vous avez un commentaire à formuler concernant cette rubrique ?