Approches de l'analyse de superposition
Il existe différentes approches pour effectuer une analyse de superposition. Chaque approche implémente des permutations par rapport aux étapes de l'analyse de superposition générale.
- Définir le problème.
- Décomposer le problème en sous-modèles.
- Identifier les couches significatives.
- Reclassifier ou transformer les données au sein d'une couche.
- Pondérer les couches en entrée.
- Ajouter ou combiner les couches.
- Analyser.
Les trois principales approches de superposition proposées sont la Superposition pondérée, la Somme pondérée et la Superposition floue. Chaque approche repose sur des principes et des hypothèses différents. L'approche la mieux appropriée dépend du problème de superposition à résoudre. Chaque approche est résumée ci-après.
Superposition pondérée
Dans l'analyse de superposition pondérée, une série d'outils peut venir en complément de l'outil Superposition pondérée pour respecter les étapes de l'analyse de la superposition générale décrites précédemment. L'outil Superposition pondérée échelonne les données en entrée sur une échelle définie (graduée par défaut de 1 à 9), pondère les rasters en entrée et les regroupe. Les emplacements les plus favorables pour chaque critère en entrée sont reclassés en fonction de valeurs plus élevées, comme 9. Dans l'outil Superposition pondérée, la somme des poids attribués aux rasters en entrée doit être égale à 100 %. Les couches sont multipliées par le facteur approprié, et pour chaque cellule, les valeurs résultantes sont regroupées. La superposition pondérée suppose que l'existence de facteurs plus favorables donne des valeurs plus élevées dans le raster en sortie, ce qui permet d'identifier ces emplacements comme étant les meilleurs.
Somme pondérée
L'analyse de superposition de type Somme pondérée suit les mêmes étapes que l'analyse de superposition décrite précédemment. Avec l'outil Somme pondérée, associé à d'autres outils de Spatial Analyst, il est possible d'implémenter une analyse de superposition additive. Pour utiliser l'outil Somme pondérée, les valeurs des couches en entrée doivent avoir fait l'objet d'une reclassification. A la différence des poids dans l'outil Superposition pondérée, la somme des poids attribués aux rasters en entrée peut correspondre à n'importe quelle valeur et n'est pas forcément égale à un total spécifique. Lors de l'ajout des rasters en entrée, les valeurs en sortie de l'outil Somme pondérée résultent directement de l'addition des sommes issues de la multiplication de chaque valeur par les poids. A la différence de la Superposition pondérée, les valeurs ne sont pas rééchelonnées sur une échelle définie. La résolution attributaire des valeurs saisies dans le modèle est ainsi conservée. La fonction Somme pondérée repose sur l'idée que l'abondance des facteurs favorables est le gage de valeurs plus élevées dans le raster en sortie final, ce qui permet d'identifier ces emplacements comme étant les meilleurs.
Superposition floue
L'analyse de la superposition floue est fondée sur la théorie des ensembles. La théorie des ensembles est une branche des mathématiques qui permet de quantifier la relation d'appartenance des phénomènes à des ensembles spécifiques. En général, dans la superposition floue, un ensemble correspond à une classe.
Globalement, la superposition floue suit les étapes de l'analyse de superposition générale décrite plus haut mais diffère par rapport à la signification des valeurs reclassées et des résultats issus de la combinaison de critères multiples. Les trois premières étapes, Définir le problème, Décomposer le problème en sous-modèles et Identifier les couches significatives, sont identiques. A l'instar des fonctions Superposition pondérée et Somme pondérée décrites précédemment, l'analyse de la superposition floue reclasse ou transforme les valeurs des données sur une échelle commune, sachant que les valeurs transformées définissent la possibilité d'appartenance à un ensemble spécifique. Ainsi, les valeurs de pente sont transformées en possibilité d'appartenance à un ensemble d'aptitude favorable (suivant une échelle graduée de 0 à 1, où la valeur 1 indique l'appartenance définitive à l'ensemble). Dans les fonctions Superposition pondérée et Somme pondérée, les valeurs se trouvent sur une échelle de rapport de préférence, les valeurs les plus élevées étant les plus favorables, à la différence des possibilités d'appartenance comme c'est le cas dans la fonction Superposition floue.
Etant donné que les valeurs transformées représentent les possibilités d'appartenance à des ensembles, dans l'analyse de la superposition floue, les rasters en entrée ne sont pas pondérés. A l'étape Ajouter et combiner de l'analyse de superposition générale, la fonction Superposition floue diffère des fonctions Superposition pondérée et Somme pondérée. En effet, l'analyse de la superposition floue quantifie la possibilité d'appartenance à des ensembles spécifiés pour chaque emplacement à partir de plusieurs rasters en entrée.