Analyse d'agrégats spatio-temporels

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, Cluster and Outlier Analysis et Analyse des regroupements, vous permettent d'exploiter utilement 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 analysez les phénomènes de criminalité, vous utiliserez les résultats de l'outil Hot Spot Analysis d'analyse spatio- temporelle pour vous assurer que les ressources policières sont allouées aussi efficacement que possible. Vous voulez qu'elles se trouvent au bon endroit au bon moment.
• Où sont les anomalies en termes de dépenses ? Pour identifier des fraudes, vous pouvez utiliser l'outil Cluster and Outlier Analysis afin d'examiner en détail des habitudes de dépense et de rechercher 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 Analyse des regroupements 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.

Plusieurs outils de la boîte à outils Spatial Statistics$$$ évaluent chaque entité dans le contexte de ses 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 l'aide de paramètres spatiaux et temporels, utilisez l'outil Generate_Spatial_Weights_Matrix et sélectionnez l'option SPACE_TIME_WINDOW comme valeur du paramètre Conceptualisation de relations spatiales. Spécifiez ensuite une Distance seuil et un intervalle de temps (Type d'intervalle de date/heure et Valeur d'intervalle de 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. C'est une méthode efficace pour révéler des tendances, mais 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 ? Une analyse quotidienne ou mensuelle ne serait-elle pas 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 de 7 jours par rapport à l'entité étiquetée Jan 31. Mais une seule d'entre elles est considérée comme voisine si les données sont analysées à l'aide de vues figées mensuelles.

Les vues figées de données peuvent séparer artificiellement des entités proches les unes des autres dans l'espace et le temps.

Lorsque vous définissez des relations entre entités à l'aide de la fenêtre SPACE_TIME_WINDOW, 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 entités sont évaluées en fonction de l'emplacement et de l'horodatage de l'entité cible. Dans l'exemple ci-dessus (A.), une fenêtre spatio-temporelle de 1 km et 7 jours permet de trouver 6 voisins pour l'entité étiquetée Jan 31.

Supposons que vous analysiez les feux de forêts survenant dans une région. Si vous exécutez l'outil Hot Spot Analysis en utilisant la conceptualisation par défaut, FIXED_DISTANCE_BAND, pour définir les relations entre entités, vous obtenez une carte indiquant l'emplacement des hots spots et des cold spots statistiquement significatifs des feux de forêts. Si vous effectuez de nouveau l'analyse, mais cette fois en définissant les relations spatiales en termes spatio-temporels à l'aide de l'option SPACE-TIME WINDOW, vous constaterez probablement que certaines zones de hot spots 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 hot spots 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 puissante de représentation des processus spatio-temporels. Les exemples suivants se concentrent particulièrement sur la visualisation d'agrégats spatio-temporels.

Animation

Pour animer vos agrégats spatio-temporels, activez le temps sur les entités résultantes, ouvrez le Curseur temporel dans la barre d'outils Tools et cliquez sur Lecture.. Définissez une fenêtre horaire qui vous permette de voir en un coup d'œil suffisamment de données. Si vous n'avez jamais créé d'animation auparavant, suivez les liens ci-dessous.

Définition d'une animationPrésentation rapide de la création d'animations

3D

Vous pouvez également voir les résultats d'une analyse d'agrégats spatio-temporels à l'aide d'une visualisation en trois dimensions. 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).

Pour créer une représentation en trois dimensions de vos données comme celle illustrée ci-dessus, vous devrez utiliser ArcGlobe (inclus dans l'installation standard d'ArcGIS for Desktop).

Effectuez d'abord l'analyse d'agrégats spatio-temporels dans ArcGlobe, puis créez un nouveau champ dans la classe d'entités en sortie pour refléter 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. Pour calculer ce laps de temps, utilisez un script VB et la fonction de date appelée DateDiff, comme indiqué ci-après.

Remarque :

Si vous ne parvenez pas à ajouter un nouveau champ dans la classe d'entités en sortie à cause d'un verrou, enregistrez votre document ArcGlobe et rouvrez-le, ou exportez la classe d'entités en sortie vers un nouveau jeu de données, ajoutez-le à votre document ArcMap, et affectez-lui des symboles identiques à ceux de la classe d'entités en sortie.

Classez ensuite chronologiquement vos entités afin d'identifier la date la plus ancienne. Vous utiliserez cette date pour calculer les nouvelles valeurs du champ TimeLapse. Cliquez avec le bouton droit sur le champ que vous venez de créer puis cliquez sur Calculatrice de valeurs de champs. Dans la calculatrice de valeurs de champs, cliquez sur Date pour sélectionner ce type de fonctions, puis sur DateDiff sur le côté droit de la calculatrice, comme cela est représenté dans l'illustration ci-dessous. Tapez DateDiff ( "d", "3/1/2011", [DateField] ), en remplaçant la chaîne de date par la date la plus ancienne dans votre classe d'entités et en spécifiant le nom de votre nouveau champ pour le paramètre [DateField] ("d" indique que l'intervalle de différence doit être en jours).

Approfondissement :

L'exemple ci-dessus utilise VB pour calculer les champs de date/heure. L'instruction Python équivalente est :

(datetime.datetime.strptime(!Date_Con!, "%m/%d/%Y ").date() - datetime.date(2011, 3, 11)).days

L'étape suivante consiste à modifier les propriétés d'affichage d'ArcGlobe afin que les entités de votre jeu de données apparaissent en hauteur. Pour ce faire, cliquez avec le bouton droit sur le nom de la classe d'entités et sélectionnez Propriétés. Dans la boîte de dialogue des propriétés, cliquez sur l'onglet Altitude. Dans la section Altitude à partir des entités, sélectionnez Utiliser une expression ou une valeur constante, puis cliquez sur le bouton de la calculatrice de valeurs de champs et spécifiez le champ que vous venez de créer à l'aide de la fonction DateDiff. ArcGlobe placera vos entités en hauteur en fonction de la valeur du champ TimeLapse. Si vous constatez que vos entités ne sont pas suffisamment élevées, essayez de multiplier la valeur du champ TimeLapse par une constante. La propriété Utiliser une expression ou une valeur constante, dans l'onglet Altitude, indiquera une valeur similaire à : [TimeLapse] *100, comme illustré ci-dessous.

Vous pouvez ensuite utiliser l'outil de navigation d'ArcGlobe pour orienter et visualiser les résultats de l'agrégat selon différents angles et points de vue. Vous obtiendrez une carte semblable à celle qui est représentée ci-dessous :