‹ retour au glossaire du SIG
Modélisation statistique de surfaces
Définition
La modélisation statistique de surfaces construit des surfaces continues à partir d’observations discrètes à l’aide de cadres statistiques plutôt que de méthodes purement géométriques. Parmi les exemples : le krigeage, les splines de plaque mince, les processus gaussiens et les modèles spatiaux bayésiens qui produisent des prédictions et des cartes d’incertitude. Ces approches permettent des covariables, de l’anisotropie et une variance non stationnaire, et sont très utilisées lorsque les surfaces pilotent des décisions.
Application
La météorologie modélise des champs de température et de précipitations ; les agences de l’environnement cartographient la pollution ; les géosciences estiment les teneurs de minerai ; la santé publique interpole des indicateurs de santé. Les cartes d’incertitude indiquent où ajouter des capteurs ou prélever des échantillons supplémentaires pour le plus grand gain d’information.
FAQ
Quel est le lien entre processus gaussiens et krigeage ?
Le krigeage ordinaire est un cas particulier de processus gaussien avec un noyau de covariance choisi ; les implémentations de processus gaussiens généralisent cela avec des noyaux flexibles et l’inférence bayésienne.
Quel rôle jouent les covariables dans l’amélioration des surfaces ?
Inclure le relief, l’occupation du sol ou la distance aux sources explique la variation systématique, ce qui réduit la variance résiduelle et affine les prédictions (krigeage universel ou régression-krigeage).
Comment éviter de lisser excessivement les pics et les transitions brutales ?
Utilisez des noyaux autorisant des longueurs de corrélation plus courtes près des fronts, ou partitionnez le domaine et ajustez des modèles locaux ; validez avec des points hors échantillon près des limites.
Quand vaut-il mieux investir dans davantage de données plutôt que dans un modèle plus sophistiqué ?
Les courbes d’apprentissage révèlent des rendements décroissants de la complexité du modèle lorsque l’échantillonnage est trop épars ; souvent, une meilleure couverture l’emporte sur la sophistication algorithmique.
