Pour qu’une carte d’adéquation puisse être créée, les données qui définissent les critères doivent être préparées, transformées (mises à l’échelle), pondérées et combinées. À partir d’une carte d’adéquation, le meilleur emplacement pour la construction ou la préservation peut être identifié. Ce traitement additif pondéré est couramment utilisé, mais il est soumis à des contraintes inhérentes. L’environnement Evaluate (Évaluer) permet d’explorer ces contraintes et d’y répondre. Vous pourrez ainsi appliquer les résultats obtenus en toute confiance pour prendre des décisions de modélisation.
L’environnement Evaluate (Évaluer) se compose de plusieurs fenêtres, cartes et graphiques interactifs.
La fenêtre Evaluate (Évaluer) (en bas au centre dans l’image ci-dessous) comporte quatre onglets lorsque la carte d’adéquation est sélectionnée dans l’onglet Evaluate (Évaluer) (fenêtre Suitability Modeler [Modélisateur d’adéquation] dans l’image ci-dessous) et quatre volets lorsque la carte de localisation est sélectionnée. La fenêtre Evaluate (Évaluer) est divisée en deux volets. Le volet de gauche, pour l’onglet Overview (Vue d’ensemble), identifié par Explore model input and output (Explorer l’entrée et la sortie du modèle) dans l’image ci-dessous, contrôle la carte Evaluate suitability (Évaluer l’adéquation) et le volet de droite, pour l’onglet Overview (Vue d’ensemble), identifié par Explore influence of criteria (Explorer l’influence des critères) dans l’image ci-dessous, contrôle la carte Evaluate criteria (Évaluer les critères). Utilisez le volet de gauche pour explorer la composition des valeurs des critères transformés pondérés qui génèrent les valeurs d’adéquation. Utilisez le volet de droite pour examiner la façon dont un critère spécifique contribue au modèle. Vous pouvez explorer les contraintes inhérentes au traitement de modélisation d’adéquation au moyen d’un ensemble de statistiques.
Pour plus d’informations sur le mécanisme d’utilisation de l’environnement Evaluate (Évaluer), reportez-vous aux rubriques Onglet Évaluer dans Suitability Modeler et Fenêtre Évaluer dans Suitability Modeler.
Gestion des contraintes
Dans l’environnement Evaluate (Évaluer) de Suitability Modeler, vous pouvez utiliser divers onglets et volets pour identifier les contraintes liées à la modélisation d’adéquation et y répondre. Les sections qui suivent décrivent ces onglets et ces volets. Elles présentent l’objectif des onglets et des volets, indiquent quand les utiliser, les contraintes qu’ils permettent de gérer et les statistiques à appliquer, entre autres.
Il est important de comprendre la façon dont les critères interagissent, lors de l’exploration de cellules individuelles, de parcelles, d’observations ou des régions résultantes dans les volets Locate (Localiser). Pour vous aider, des statistiques sont disponibles dans les onglets et les volets.
Vue d’ensemble, onglet
Utilisez l’onglet Overview (Vue d’ensemble) pour évaluer un modèle. Cet onglet permet de tenir compte du fait que les entrées, les transformations et les pondérations peuvent être subjectives. Explorez la distribution spatiale des valeurs des critères de base et des critères transformés pondérés, ainsi que les cartes d’adéquation et de localisation finales, pour déterminer si les entrées spécifiées reflètent les préférences du sujet.
Contraintes de l’onglet Vue d’ensemble
Les statistiques se trouvent à droite dans le volet Explore influence of criteria (Explorer l’influence des critères) de l’onglet Overview (Vue d’ensemble). La liste suivante décrit diverses actions qui peuvent être effectuées pour explorer les contraintes gérées par l’onglet Overview (Vue d’ensemble).
- Examiner la distribution spatiale de chacune des valeurs des critères de base et des critères transformés pondérés à gauche dans le volet Explore model input and output (Explorer l’entrée et la sortie du modèle).
- Déterminer si certaines transformations en annulent d’autres (les emplacements possédant une valeur d’adéquation élevée pour un critère et faible pour un autre) ou si certains emplacements sont toujours privilégiés par rapport aux autres.
- Supprimer temporairement des critères et étudier l’effet sur la distribution spatiale dans le volet Explore influence of criteria (Explorer l’influence des critères). Examiner les résultats sous différents points de vue à l’aide des statistiques Suitability values (Valeurs d’adéquation), Remaining percent (Pourcentage restant) et Percent contribution (Contribution en pourcentage).
- Comparer les résultats obtenus en supprimant des critères aux valeurs d’adéquation initiales.
Onglet Critères
Utilisez l’onglet Criteria (Critères) pour examiner la façon dont les valeurs des critères transformés interagissent pour créer les valeurs d’adéquation.
Statistiques standard
Partir du principe général qu’une adéquation élevée est préférable n’est pas toujours la bonne approche. Les valeurs des critères d’origine et transformés qui ont été saisies sont perdues une fois qu’elles sont combinées. Deux emplacements peuvent avoir la même valeur d’adéquation et donc être égaux en termes de préférence dans l’approche additive pondérée. La sélection de l’un ou l’autre donnera le même résultat satisfaisant. Toutefois, connaître la composition des valeurs des critères transformés pondérés qui génèrent les valeurs d’adéquation peut avoir un impact déterminant sur votre sélection.
Exemple
Prenons l’exemple d’un modèle d’adéquation à trois critères pour l’installation d’une centrale solaire. Deux emplacements potentiels viables possèdent une valeur d’adéquation globale de 22. Cette valeur a été obtenue à partir des valeurs transformées pondérées de trois critères comme suit :
| Emplacement | Distance des lignes électriques | Pente | Gain de rayonnement solaire |
|---|---|---|---|
Un | 10 | 10 | 2 |
Deux | 7 | 7 | 8 |
Les deux emplacements possèdent la même valeur d’adéquation globale et peuvent donc sembler égaux en termes de préférence. Toutefois, la composition des valeurs des critères transformés pondérés ayant produit cette valeur d’adéquation est sensiblement différente. Si vous choisissez l’emplacement 1, le projet risque de ne pas produire autant d’énergie qu’il le devrait.
Cependant, envisagez l’impact d’une modification de la composition pour l’emplacement 1 en fonction des valeurs d’adéquation indiquées dans le tableau suivant :
| Emplacement | Distance des lignes électriques | Pente | Gain de rayonnement solaire |
|---|---|---|---|
Un | 2 | 10 | 10 |
Deux | 7 | 7 | 8 |
La valeur transformée pondérée du critère de distance des lignes électriques produit la valeur 2 et le gain de rayonnement solaire, la valeur 10. Par conséquent, l’emplacement 1 doit probablement être privilégié.
Identification de la composition
Pour comprendre la composition des valeurs de critères transformés pondérés pour la création des scénarios précédents, il faut répondre aux questions suivantes :
- Quel est la plage de valeurs des critères transformés pondérés en entrée ?
La plage est étendue dans l’emplacement 1 et réduite dans l’emplacement 2. Une plage réduite n’est pas toujours préférable. Elle peut être constituée de valeurs de critères faibles.
- Quelles sont les valeurs maximale et minimale ?
Pour l’emplacement 1, la valeur maximale est 10 et la valeur minimale est 2.
- Quel critère produit les valeurs maximale et minimale ?
Un jeu standard de statistiques disponibles dans l’environnement Evaluate (Évaluer) permet de répondre à ces questions.
Définition des statistiques standard
Cinq statistiques sont utilisées pour décomposer la combinaison des valeurs de critères transformés pondérés produisant les valeurs d’adéquation finales dans les situations décrites ci-dessus. Ces statistiques standard sont utilisées dans l’onglet Criteria (Critères) pour explorer la combinaison au sein des cellules. Elles sont utilisées dans l’onglet Summarize within (Synthétiser - À l’intérieur) pour déterminer la composition des valeurs des critères transformés pondérés dans des polygones (par exemple, des parcelles), dans les observations dans l’onglet Validate (Valider) et dans les régions résultantes dans les volets Locate (Localiser). Ces cinq statistiques sont les statistiques standard utilisées dans chaque onglet ou ensemble de volets.
Utilisez la statistique Range (Plage) pour déterminer la plage de valeurs pour chaque emplacement. Recherchez les situations dans lesquelles un critère doté d’une valeur d’adéquation élevée compense un critère à faible adéquation. Une plage étendue indique que les valeurs d’adéquation présentent des variations importantes. Cela peut ne pas être souhaitable
Les statistiques Highest value (Valeur la plus élevée) et Lowest value (Valeur la plus faible) indiquent les valeurs supérieure et inférieure de la plage. Les valeurs faibles dans les zones à plage étendue peuvent poser problème. Cela indique généralement une adéquation faible pour au moins un critère.
Utilisez les statistiques Highest criterion (Critère le plus élevé) et Lowest criterion (Critère le plus faible) pour identifier les critères qui produisent les valeurs les plus élevées et les moins élevées. Examinez les distributions spatiales de chacun d’eux. Vous devez vous préoccuper des zones où le critère le plus important pour le modèle présente les valeurs les plus faibles. Ces deux statistiques identifient les critères qui déterminent l’analyse, et où.
Statistiques spécifiques
Il existe des statistiques spécifiques qui sont propres à l’onglet Criteria (Critères). Ces statistiques sont répertoriées à droite dans le volet Explore criteria values (Explorer les valeurs des critères).
La statistique Percent contribution (Contribution en pourcentage) indique dans quelle mesure un critère contribue aux valeurs d’adéquation finales. La statistique From mean (Par rapport à la moyenne) indique dans quelle mesure un critère est supérieur ou inférieur à la valeur moyenne. Si un emplacement présente une contribution en pourcentage élevée, que le critère est supérieur à la moyenne et que son adéquation est élevée, le critère est pertinent pour l’emplacement et le sujet.
Pour un critère spécifique, la statistique Lowest in highest suitability (Le plus élevé de l’adéquation la plus faible) indique où les valeurs transformées pondérées faibles se trouvent dans les emplacements à adéquation élevée. Si le critère le plus important pour l’analyse n’a pas une valeur élevée dans les zones à adéquation élevée, cela peut poser problème. Pour un critère spécifique, la statistique Highest in highest suitability (Le plus élevé de l’adéquation la plus élevée) indique où les valeurs transformées pondérées élevées se trouvent dans les emplacements à adéquation élevée. Ces emplacements doivent probablement être privilégiés.
Pour un critère spécifique, la statistique Highest in lowest suitability (Le plus élevé de l’adéquation la plus faible) indique où les valeurs transformées pondérées élevées se trouvent dans les emplacements à adéquation faible. Si ce critère est important pour le sujet, malheureusement, ces emplacements ne seront probablement pas sélectionnés. Pour un critère spécifique, la statistique Lowest in lowest suitability (Le plus faible de l’adéquation la plus faible) indique où les valeurs transformées pondérées faibles se trouvent dans les emplacements à adéquation faible. Ces emplacements ne seront pas pris en compte, ce qui est normal compte tenu de la composition des critères.
Onglet Synthétiser - À l’intérieur
Utilisez l’onglet Summarize within (Synthétiser - À l’intérieur) lorsque l’unité décisionnelle est différente des cellules raster. Par exemple, si les unités décisionnelles sont basées sur les parcelles, vous devez identifier la meilleure parcelle en fonction du gain d’adéquation.
Les sections qui suivent décrivent les actions pouvant être effectuées à partir de cet onglet pour gérer les contraintes.
Statistiques standard
Comme indiqué dans la section ci-dessus consacrée à l’onglet Criteria (Critères), plusieurs statistiques standard permettent d’explorer la composition des valeurs des critères transformés pondérés qui génèrent les valeurs d’adéquation. Au lieu d’explorer la composition des valeurs des critères transformés pondérés pour les emplacements des cellules, comme dans l’onglet Criteria (Critères), dans l’onglet Summarize within (Synthétiser - À l’intérieur), les statistiques standard sont utilisées pour analyser la composition des valeurs transformées pondérées au sein de chaque unité décisionnelle, telle qu’une parcelle.
Les statistiques standard sont disponibles à gauche dans l’onglet Explore suitability within zones (Explorer l’adéquation dans les zones) pour l’analyse des parcelles. Ces statistiques sont les suivantes : Range (Plage), Standard deviation (Écart type), Highest value (Valeur la plus élevée), Lowest value (Valeur la plus faible), Most influential criterion (Critère le plus influent) et Least influential criterion (Critère le moins influent).
Utilisation des statistiques standard
Prenons l’exemple d’un modèle de centrale solaire, pour lequel le gain de rayonnement solaire peut être le critère le plus pertinent. Pour déterminer si toutes les zones d’une parcelle reçoivent un gain de rayonnement satisfaisant, utilisez les statistiques Range (Plage) ou Standard deviation (Écart type). Si la plage est faible dans les zones à adéquation élevée, la majorité de la parcelle recevra un gain de rayonnement solaire satisfaisant.
Statistiques spécifiques
Il existe des statistiques spécifiques qui sont propres à l’onglet Summarize within (Synthétiser - À l’intérieur).
Une contrainte principale peut être basée sur la surface. Pour chaque parcelle, vous souhaitez connaître le niveau de gain d’adéquation. Pour ce faire, vous pouvez calculer la statistique Sum (Somme) à gauche dans le volet Explore suitability within zones (Explorer l’adéquation dans les zones). Toutefois, la contribution à l’adéquation des parcelles plus étendues est généralement plus importante. Utilisez l’option Zone area (Surface des zones) pour afficher la surface de chaque parcelle.
Pour comparer les parcelles les unes aux autres, vous devez normaliser la somme de l’adéquation par surface. Utilisez la statistique Sum normalized by area (mean) (Somme normalisée par surface [moyenne]) pour calculer la valeur d’adéquation moyenne de chaque parcelle. Les parcelles dotées des moyennes supérieures sont probablement celles qui présentent les valeurs d’adéquation les plus élevées.
Outre la surface, la valeur peut constituer une contrainte importante. Par exemple, si vous avez un budget à respecter et que vous voulez déterminer quelle parcelle coûte le plus cher, utilisez l’option Zone value (Valeur des zones).
Pour ajuster la valeur de la parcelle et l’adéquation totale par rapport à la surface, utilisez la statistique Value per suitabiilty unit (Valeur par unité d’adéquation). Lorsque les contraintes d’identification de la meilleure parcelle comprennent plusieurs facteurs tels que la surface minimale requise, le budget maximal et le niveau de qualité, utilisez la statistique Area, value, mean thresholds (Seuils de surface, de valeur, de moyenne) du volet Explore suitability within zones (Explorer l’adéquation dans les zones). Cette statistique identifie les parcelles candidates qui respectent les trois seuils spécifiés.
Si le coût de construction de la centrale solaire vous préoccupe, vous devez savoir si les parcelles envisagées contiennent des pentes escarpées, masquées par les transformations et les pondérations. Pour ce faire, vous pouvez utiliser le volet Explore criteria within zones (Explorer les critères dans les zones). Sélectionnez la pente comme critère de base et appliquez la statistique Highest value (Valeur la plus élevée). Comparez les parcelles contenant des pentes importantes aux parcelles candidates à l’aide de la statistique Area, value, mean thresholds (Seuils de surface, de valeur, de moyenne) décrite ci-dessus.
Vous voulez déterminer si un critère spécifique est le plus pertinent pour le sujet. Par exemple, quelle est la plage de valeurs transformées pondérées dans chaque parcelle ? Quelles sont les valeurs maximale et minimale ? Quelle est la somme des valeurs transformées pondérées représentant la contribution du critère à la parcelle ? L’exploration d’un critère à l’aide du volet de droite permet de déterminer où ce critère est le plus pertinent pour le sujet.
Onglet Valider
Utilisez l’onglet Validate (Valider) si vous disposez d’observations sur le terrain du sujet qui peuvent permettre de déterminer si le modèle est de bonne qualité.
Les sections qui suivent décrivent les actions pouvant être effectuées à partir de cet onglet pour gérer les contraintes.
Statistiques standard
Comme indiqué dans la section ci-dessus consacrée à l’onglet Criteria (Critères), plusieurs statistiques standard permettent d’explorer la composition des valeurs des critères transformés pondérés qui génèrent les valeurs d’adéquation. Au lieu d’explorer la composition des valeurs des critères transformés pondérés pour les emplacements des cellules, comme dans l’onglet Criteria (Critères), dans l’onglet Validate (Valider), les statistiques standard sont utilisées pour analyser la composition des valeurs transformées pondérées au sein de chaque observation. Vous pouvez identifier les critères qui apportent le plus d’adéquation à chaque observation de point ou de polygone.
Les statistiques standard sont disponibles à gauche dans l’onglet Explore suitability within observations (Explorer l’adéquation dans les observations) pour l’analyse des observations. Ces statistiques sont les suivantes : Range (Plage), Standard deviation (Écart type), Highest value (Valeur la plus élevée), Lowest value (Valeur la plus faible), Most influential criterion (Critère le plus influent) et Least influential criterion (Critère le moins influent).
Statistiques spécifiques
Il existe des statistiques spécifiques qui sont propres à l’onglet Validate (Valider).
Pour des observations de points, comme dans un modèle d’adéquation pour les ours, vous souhaitez savoir si les emplacements connus pour héberger des ours, se trouvent dans les zones à adéquation élevée. Pour le déterminer, vous pouvez utiliser la statistique Suitability values (Valeurs d’adéquation) du volet Explore suitability within observations (Explorer l’adéquation dans les observations). La couleur des points d’observation sur la carte correspond à la valeur d’adéquation de l’emplacement. Les points verts indiquent que l’observation correspond aux emplacements dont l’adéquation prévue est élevée. Cela signifie que les prévisions de votre modèle sont justes. Les points rouges indiquent que les observations présentent une adéquation prévue faible. Cela correspond aux emplacements où le modèle peut être faux. Toutefois, les ours ont peut-être des raisons de traverser ces zones. Ils peuvent par exemple se déplacer vers un nouvel habitat.
Pour les observations de points, si un ensemble de points aléatoires est utilisé, il est intéressant de comparer les moyennes entre les points observés et aléatoires. Dans la statistique Random points (Points aléatoires, le moyenne des observations doit être supérieure à la moyenne des points aléatoires. Si tel n’est pas le cas, il est possible que les prévisions du modèle soient erronées.
Si vous disposez d’observations pour un modèle d’adéquation pour les ours et que ces observations s’appliquent à trois individus différents, vous voudrez savoir si les valeurs d’adéquation moyennes de chaque ours sont différentes. Dans le volet Explore suitability within observations (Explorer l’adéquation dans les observations), définissez Field defining observations (Champ définissant les observations) sur les catégories d’ours. La statistique Category comparison (Comparaison de catégories) permet de déterminer si certains ours, ceux dont la moyenne est la plus élevée, effectuent des choix plus judicieux par rapport à votre modèle.
La statistique Most influential criterion (Critère le plus influent) indique quel critère est le plus important pour chaque observation. Cela peut fournir des informations sur les facteurs auxquels les ours réagissent.
Utilisez Range (Plage) ou Standard deviation (Écart type) dans le volet Explore suitability within observations (Explorer l’adéquation dans les observations) pour déterminer si les ours choisissent des emplacements associés à des valeurs de critères transformés pondérés différentes. Cela peut indiquer que les prévisions de votre modèle sont erronées. Le comportement attendu est que les ours restent dans les zones les plus adéquates. Toutefois, d’autres facteurs peuvent entrer en ligne de compte. Par exemple, ils peuvent traverser des zones peu adéquates pour se rendre dans des zones plus adéquates.
Vous pouvez analyser les observations relatives au critère spécifique à droite dans le volet Explore criteria within observations (Explorer les critères dans les observations). Vous pouvez sélectionner le critère qui a le plus d’influence et analyser son effet sur les ours lorsqu’ils se déplacent dans le paysage.
Volets Localiser
Utilisez l’onglet Locate (Localiser) pour déterminer la qualité des régions finales identifiées par le modèle d’adéquation.
Les sections qui suivent décrivent les actions pouvant être effectuées à partir de cet onglet pour gérer les contraintes.
Statistiques standard
Comme indiqué dans la section ci-dessus consacrée à l’onglet Criteria (Critères), plusieurs statistiques standard permettent d’explorer la composition des valeurs des critères transformés pondérés qui génèrent les valeurs d’adéquation. Au lieu d’explorer la composition des valeurs des critères transformés pondérés pour les emplacements des cellules, comme dans l’onglet Criteria (Critères), dans l’onglet Locate (Localiser), les statistiques standard sont utilisées pour analyser la composition des valeurs transformées pondérées au sein de chaque région identifiée.
Les statistiques standard sont disponibles à gauche dans le volet Explore suitability within regions (Explorer l’adéquation dans les régions) pour l’analyse des régions. Ces statistiques sont les suivantes : Range (Plage), Standard deviation (Écart type), Highest value (Valeur la plus élevée), Lowest value (Valeur la plus faible), Most influential criterion (Critère le plus influent) et Least influential criterion (Critère le moins influent).
Statistiques spécifiques
Il existe des statistiques spécifiques qui sont propres aux volets Locate (Localiser).
Vous pouvez examiner la distribution des valeurs d’adéquation dans chaque région à l’aide du graphique de l’onglet Evaluate (Évaluer). Plus la dispersion est limitée pour chaque ligne, moins il y a de variabilité dans cette région. Cela indique que la région est homogène en termes de préférence et qu’elle contient des valeurs élevées. Il s’agit généralement du scénario privilégié.
Vous pouvez voir le nombre de cellules dans chaque région à l’aide de la statistique Count (Nombre) identifiée dans le tableau Statistics by region (Statistiques par région) de l’onglet Evaluate (Évaluer). Vous pouvez également voir les statistiques des valeurs d’adéquation pour chaque région, à savoir Total, Average (Moyenne), Median (Médiane), Highest (Le plus élevé) et Lowest (Le plus faible).
D’autre part, pour les régions obtenues, vous pouvez voir les statistiques CoreArea, CoreSum et Edge (Tronçon). Ces valeurs se trouvent également dans le tableau Statistics by region (Statistiques par région) de l’onglet Evaluate (Évaluer). En fonction des besoins du sujet, vous pouvez analyser les régions qui seront privilégiées. Par exemple, un animal sauvage tel qu’un ours préfèrera probablement les régions où les statistiques CoreArea et CoreSum sont les plus élevées, pour des raisons de sécurité.
Vous avez un commentaire à formuler concernant cette rubrique ?