Rapport de stage - Planet Action

Maitrise de la cohérence des processus
de production pour la mise en place
d’une base de données géographiques
des études, qui, en fonction de leur spécificité introduisent quantité de paramètres (lieu, dimension
temporelle, variables en entrée, qualité, etc.) donnant lieu à des résultats très variés. Les incertitudes
apparaissent à différents niveaux et peuvent être présentés comme suit.
On notera tout d’abord le niveau individuel, ce que l’on attribue aux caractéristiques intrinsèques de
chaque donnée. Tout comme les images satellites utilisées en télédétection, chaque source de données
présente ses erreurs, biais et incertitudes. Elles font intervenir différents facteurs aux impacts plus ou
moins connus, suivant la nature de chacune d’elle.
Ensuite, les erreurs spatiales ne peuvent se résumer qu’à un simple chiffre. Prenons l’exemple d’un
DEM dont l’erreur moyenne est de l’ordre de ±10 m. Pour spécifier cette valeur en un point du DEM,
on a en fait besoin de la distribution complète des probabilités, c'est-à-dire de tous les paramètres qui
ont été intégrés. Des tests ont montré qu’en faisant varier les valeurs du DEM suivant cette erreur
moyenne, les résultats des valeurs de pente peuvent être très différents, que seule la géostatistique est
capable de mettre en évidence grâce à des analyses statistiques des variations des propriétés spatiales
(Kitanidis, 1997). Mais peut-on raisonnablement demander à un géomaticien d’avoir les mêmes
connaissances qu’un géostatisticien pour réaliser une étude des propagations d’erreurs et incertitudes
dans un SIG ? (Atkinson et Foody, 2002). La communauté géomaticienne développe dans ce sens des
concepts comme le « error-aware GIS » qui stocke et traite la qualité de chacune des informations
entrées dans la base de données (Duckham, 2000, Qiu & Hunter, 2002, Atkinson et Foody, 2002).
Cependant, en l’absence de demande plus soutenue de la part de la communauté sur la qualité des
données spatiales et l’établissement de documents standards pour les reporter, dans la plupart des cas,
les méta-informations sur la précision spatiale manquent ou restent limitées, sans description des
erreurs de variations spatiales (Canters et al, 2002). Ce seul exemple sur les DEM suffit à prendre
conscience de l’ampleur du phénomène.
Le cas de multiples données incertaines en entrée ouvre une dimension encore plus large sur la
variation des incertitudes relatives. Heuvelink (2000) prend l’exemple du modèle d’acidification des
sols « SMART2 » (Kros et al, 1999) pour illustrer ces problèmes. Développé pour analyser la manière
dont les particules atmosphériques entrainent l’acidification des sols et comment, en retour, celle-ci
affecte la qualité de l’eau souterraine, ce modèle est construit à partir d’études générales sur les sols et
de cartes de végétation non précises. De plus, les processus mis en place pour la cartographie
impliquent de transformer des informations cartographiques spécifiques à ces sols et à la végétation
vers des paramètres pour le modèle, ce qui détériore grandement la qualité des entrées pour
« SMART2 ». Pour évaluer la précision de ce dernier, une étude est entreprise pour analyser comment
les incertitudes des sources de la carte et la transformation des données se propagent dans la sortie du
modèle. 11 variables synthétiques reconnues comme incertaines sont ainsi testées, nécessitant la prise
en compte des erreurs probables de distribution au sein des variables, les fonctions de corrélations
spatiales entre paramètres, et des précisions faisant appel au jugement d’experts. L’étude montre qu’au
regard de la complexité du phénomène pointé et du nombre de paramètres intervenants, cette
évaluation est possible dans une certaine mesure. Elle requiert par contre de très hautes compétences
en géostatistiques. L’auteur reconnaît encore une fois qu’il n’est pas possible de relever ce type de
défis sans être armé de solides connaissances en statistiques pour qu’une telle étude soit pertinente.
Les problèmes d’échelle sont également considérables dans une base de données d’informations
géographiques hétérogènes. Qu’elles soient spatiales ou temporelle, elles diffèrent généralement
suivant chaque entrée du SIG, laissant ainsi apparaître des questions complexes quant à la cohérence
de mise en relation de chacune d’elle. Peut-on faire cohabiter des données météorologiques de 10 Km
de résolution synthétisant plusieurs jours d’informations avec une image satellite optique à haute
résolution de 2,5 m ? On ne peut que reposer la question d’une autre manière : l’information que je
souhaite extraire de mon jeu de données, aussi hétérogène soit-il, sera-t-elle assez pertinente et fiable
au regard des sources d’informations à disposition ? Et la réponse à celle-ci dépend encore une fois de
Rapport Fivel Master 2 TGAE – Année 2010-2011 Page 12