Statistique

spatiale avec
R

T. Laurent

Introduction
Statistique spatiale avec R
Analyse
exploratoire Séminaire ODR
Cartographie
Graphiques
interactifs
Visualisation
Thibault LAURENT
Outils
spécifiques [Link]@[Link]
Géostatistique
Econométrie spatiale
Semis de points Toulouse School of Economics, CNRS
Modélisation
spatiale
Géostatistique
4 Septembre 2018
Econométrie spatiale
Semis de points

Interpolation
 Statistique
spatiale avec
R

T. Laurent
1 Introduction
Introduction

Analyse
exploratoire 2 Analyse exploratoire de données spatiales
Cartographie
Graphiques
interactifs
Visualisation 3 Outils spécifiques à la statistique spatiale
Outils
spécifiques
Géostatistique
Econométrie spatiale
4 Modélisation spatiale
Semis de points

Modélisation
spatiale 5 Méthodes d’interpolation de données surfaciques
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Remerciements et références

Statistique
spatiale avec Remerciements :
R

T. Laurent
Christine Thomas-Agnan et l’équipe Statistique de TSE.
Références :
Introduction

Analyse A. Baddeley (2010), “Analysing spatial point patterns in

exploratoire
Cartographie
R”, CSIRO.
Graphiques
interactifs R. Bivand, E. Pebezma et V. Gómez-Rubio (2013),
Visualisation

Outils
“Applied spatial data analysis with R”, Springer-Verlag, 2e
spécifiques édition.
Géostatistique
Econométrie spatiale
Semis de points
P.J. Diggle et P.J. Ribeiro (2007), “Model-based
Modélisation geostatistics”, Springer-Verlag.
spatiale
Géostatistique J. LeSage et R.K. Pace (2009), “Introduction to spatial
Econométrie spatiale
Semis de points
econometrics”, Chapman et Hall.
Interpolation C. Thomas-Agnan (2018), “Analyse statistique des
données spatiales”, UT1-Capitole.
 Contexte

Statistique
spatiale avec
R

T. Laurent
Un tableau de données :
Variables
Introduction
Individus 1 ... p
Analyse
exploratoire 1 x11 ... x1p
Cartographie
.. .. ..
Graphiques
interactifs . . ... .
Visualisation
n xn1 ... xnp
Outils
spécifiques Spécificité en statistique spatiale : chaque individu est
Géostatistique
Econométrie spatiale associé à une entité géographique.
Semis de points

Modélisation
Objectifs : utiliser à la fois l’information statistique et
spatiale
Géostatistique
géographique.
Econométrie spatiale
Semis de points =⇒ Apparition de nouvelles méthodes statistiques qui vont
Interpolation dépendre de la nature “spatiale” des données.
 Entité géographique : le point de vue de
l’informaticien
Statistique
spatiale avec
R
Représentation des données sous 2 modes : vecteurs (polygone,
T. Laurent point ou ligne brisée) ou raster (pixel).
Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Entité géographique : le point de vue du statisticien

Statistique
spatiale avec
R

T. Laurent Soit D le domaine d’étude dans l’espace et s la localisation

Introduction
géographique. Cressie (1993) suggère la classification des
Analyse données spatiales suivante :
exploratoire
Cartographie Données de type géostatistique : s varie continuement
Graphiques
interactifs dans D, mais les observations sont faites en un nombre fini
Visualisation
de points déterministes si de D.
Outils
spécifiques
Géostatistique
Données de type économétrie spatiale : comme en
Econométrie spatiale
Semis de points
géostatistique, la position n’est pas aléatoire. L’unité
Modélisation
géographique est de type surfacique.
spatiale
Géostatistique Données de type semis de points : la localisation de la
Econométrie spatiale
Semis de points
donnée est modélisée comme aléatoire.
Interpolation
 Exemple de données de type géostatistique

Statistique
spatiale avec
R Domaines d’applications : écologie, environnement,
T. Laurent climatologie, industrie pétrolière, etc.
Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation Etude de la contamination du sol sur une zone inondable. Données

observées en chaque point : concentration de zinc, cuivre, etc.
 Entité géographique : le point de vue du statisticien

Statistique
spatiale avec
R

T. Laurent Soit D le domaine d’étude dans l’espace et s la localisation

Introduction
géographique. Cressie (1993) suggère la classification des
Analyse données spatiales suivante :
exploratoire
Cartographie Données de type géostatistique : s varie continuement
Graphiques
interactifs dans D, mais les observations sont faites en un nombre fini
Visualisation
de points déterministes si de D.
Outils
spécifiques
Géostatistique
Données de type économétrie spatiale : comme en
Econométrie spatiale
Semis de points
géostatistique, la position n’est pas aléatoire. L’unité
Modélisation
géographique est de type surfacique.
spatiale
Géostatistique Données de type semis de points : la localisation de la
Econométrie spatiale
Semis de points
donnée est modélisée comme aléatoire.
Interpolation
 Exemple de données de type économétrie spatiale

Statistique
spatiale avec
R

T. Laurent
Domaines d’applications : statistique publique, secteur
immobilier, etc.
Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale Mesurer l’impact de la nature des sols sur la qualité des eaux (ANR
Semis de points
ModULand). Données agrégées au niveau de la commune.
Interpolation
 Entité géographique : le point de vue du statisticien

Statistique
spatiale avec
R

T. Laurent Soit D le domaine d’étude dans l’espace et s la localisation

Introduction
géographique. Cressie (1993) suggère la classification des
Analyse données spatiales suivante :
exploratoire
Cartographie Données de type géostatistique : s varie continuement
Graphiques
interactifs dans D, mais les observations sont faites en un nombre fini
Visualisation
de points déterministes si de D.
Outils
spécifiques
Géostatistique
Données de type économétrie spatiale : comme en
Econométrie spatiale
Semis de points
géostatistique, la position n’est pas aléatoire. L’unité
Modélisation
géographique est de type surfacique.
spatiale
Géostatistique Données de type semis de points : la localisation de la
Econométrie spatiale
Semis de points
donnée est modélisée comme aléatoire.
Interpolation
 Exemple de données de type semis de points

Statistique
spatiale avec
R

T. Laurent
Domaines d’applications : foresterie, épidémiologie, sismologie,
Introduction écologie, agriculture, etc.
Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Etude de la concentration spatiale des exploitations agricoles converties à
Econométrie spatiale l’Agriculture Biologique (ANR ModULand).
Semis de points

Interpolation
 Autres types de données spatiales : données
spatio-temporelles
Statistique
spatiale avec
R

T. Laurent Domaines d’applications : économie, écologie, etc.

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale Evaluer l’impact des dépenses en R&D sur l’innovation avec des données
Géostatistique de panel (Laurent et Moussa, 2015). Package spacetime (Pebezma et al.,
Econométrie spatiale
Semis de points
2012).
Interpolation
 Autres types de données spatiales : données de flux

Statistique
spatiale avec
R

T. Laurent
Domaines d’applications : transport aérien, geomarketing, etc.
Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale Etude de la dépendance spatiale des liaisons aériennes entre aéroports
Géostatistique
(travail en collaboration avec Airbus).
Econométrie spatiale
Semis de points

Interpolation
 Autres types de données spatiales : les réseaux

Statistique
spatiale avec
R

T. Laurent Domaines d’applications : biologie, marketing, etc.

● Count ●

● ● OldMan Geborand ● ●

● ● Champtercier
CountessDeLo ● ●

Introduction ● Napoleon ●

● Cravatte ●

● Myriel ●

Analyse
exploratoire ● ● MlleBaptistine Gribier ●

● ● ● MmeMagloire Scaufflaire
MmeDeR ●
●
●
●

Cartographie ● ● Labarre
Isabeau
MotherInnocent
●
● ●
●

● Gervais ●

Graphiques ● Fauchelevent ●

● ● ● Child1 ●
Champmathieu
Woman1 Chenildieu
●

interactifs ● ● Judge
●

● ●

● ● Jondrette
●
Child2 ●

● ● Brevet
Cochepaille ●
●

Visualisation ● ● MmeBurgon
● Valjean ●

● ● Montparnasse Bamatabois ●
●

● ● Brujon
● Gavroche Gueulemer
●

● ● ● MmeHucheloup ●

Babet JavertWoman2 Marguerite

●

●●
● ●

●
●

Outils ● ●● ● ProuvaireBossuet Claquesous Simplice

●

●
●

● BahorelEnjolras
● ●

● ●
● Toussaint ● ●
●

spécifiques ● ● ● ● Grantaire ●

Courfeyrac
Joly Eponine Perpetue
●
● ●

●
●

MmeThenardier
●

●● Feuilly Thenardier ● ●

● ● ● Combeferre ●
Cosette Fantine
●
●
●

● Mabeuf Marius
●

Géostatistique ●

● Gillenormand ●

● Anzelma
●●
●

Econométrie spatiale ● ● MlleGillenormandTholomyes Fameuil

Zephine ●
● ●
●

● ● ● ● Listolier
Dahlia ● ●

● MotherPlutarch LtGillenormand
● ● Magnon
●

●
●

Semis de points ● Pontmercy

Boulatruelle Blacheville
Favourite
● ●
●

●
●

● BaronessT ●

Modélisation ● MmePontmercy
●
●

MlleVaubois
spatiale
●

Géostatistique
Econométrie spatiale Laurent et Villa-Vialaneix (2011) : application de méthodes de la
Semis de points
statistique spatiale sur des réseaux.
Interpolation
 Les logiciels disponibles

Statistique
spatiale avec
R
Cartographie :
T. Laurent
QGIS : [Link]
Introduction
Statistique spatiale :
Analyse
exploratoire
Cartographie
environ 200 packages R (Septembre 2018) dont 17
Graphiques
interactifs
installés avec le logiciel. R. Bivand référence la liste des
Visualisation
packages sur : http:
Outils
spécifiques //[Link]/web/views/[Link]
Géostatistique
Econométrie spatiale Matlab et la toolbox d’économétrie spatiale écrite par
Semis de points
James P. LeSage
Modélisation
spatiale ([Link]
Géostatistique
Econométrie spatiale PySAL: librairie de fonctions sur l’analyse spatiale écrite en
Semis de points

Interpolation
Python ([Link]
 Statistique
spatiale avec
R

T. Laurent
1 Introduction

Introduction
2 Analyse exploratoire de données spatiales
Analyse
exploratoire Cartographie
Cartographie
Graphiques
interactifs
Graphiques interactifs
Visualisation Autres outils de visualisation
Outils
spécifiques
Géostatistique
Econométrie spatiale
3 Outils spécifiques à la statistique spatiale
Semis de points

Modélisation
spatiale 4 Modélisation spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
5 Méthodes d’interpolation de données surfaciques
 Cartographie

Statistique
spatiale avec
R

T. Laurent Qu’est ce qu’un “Coordinate Reference System” (CRS) ?

Introduction Choix d’une représentation de la terre : ellipsoı̈de Globale
Analyse (WGS 84, Clarke 1880, IAG GRS80, etc.) ou Locale
exploratoire
Cartographie (NTF, Nouvelle Triangulation de la France).
Graphiques
interactifs
Visualisation
Choix du système de coordonnées géographiques (points
Outils
de références pour longitude, latitude, etc.) pour exprimer
spécifiques
Géostatistique
les entités géographiques en longitude et latitude (λ, φ)
Econométrie spatiale (en degrés/minutes/secondes ou degrés décimaux).
Semis de points

Modélisation Choix d’un système de projection des coordonnées pour

spatiale
Géostatistique
minimiser les déformations, pouvoir calculer des distances
Econométrie spatiale
Semis de points
kilométriques, etc.
Interpolation
 Exemple

Statistique
spatiale avec
R

T. Laurent
Selon la source des données (IGN, Insee, etc.), les CRS
Introduction
(Coordinate Reference System) peuvent varier...
Analyse
exploratoire
Cartographie
Graphiques
interactifs 0° 6°E

7000000
5400000
Visualisation
50°N

Zone 30 Zone 31 Zone 32 48°N 49°

Outils
48°N

6600000
spécifiques 5000000
46.5°
46°N

Géostatistique
44°N

0 200 Km 44°
Econométrie spatiale

6200000
x=500000m
42°N

4600000

Semis de points −3° 0° +3° +6°

Modélisation 5°W 0° 5°E 10°E −200000 0 200000 600000 1000000 0e+00 5e+05 1e+06

spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Packages R pour la cartographie

Statistique
spatiale avec
R

T. Laurent
rgdal (faisant appel aux librairies GDAL et PROJ.4):
Introduction
import/export de fichiers de données spatiales, conversion
Analyse
exploratoire de coordonnées spatiales d’un CRS vers un autre.
Cartographie
Graphiques sp et sf (package récent qui adopte la norme “Simple
interactifs
Visualisation Features” et se rapproche d’une utilisation Tidyverse) :
Outils définition et méthodes de classes d’objet Spatial.
spécifiques
Géostatistique
Econométrie spatiale
raster : images de type raster.
Semis de points
rgeos : fonctions qui permettent de manipuler des entités
Modélisation
spatiale spatiales (union/intersection de polygones, buffer, calcul
Géostatistique
Econométrie spatiale
d’aires, etc.)
Semis de points

Interpolation
 Dessiner des cartes

Statistique
spatiale avec
R

T. Laurent Représenter l’information spatiale (polygone, point, ligne,

Introduction pixel) et statistique (qualitative ou quantitative) en même
Analyse temps : packages sp et sf.
exploratoire
Cartographie Traitement particulier pour les données de type raster :
Graphiques
interactifs
Visualisation
package raster permet d’optimiser les temps de calcul.
Outils Le statisticien peut influencer la lecture de la carte par le
spécifiques
Géostatistique choix de la représentation (carte choroplètes ou bubbles),
Econométrie spatiale
Semis de points
le choix de la méthode de discrétisation (méthode des
Modélisation quantiles, des K -moyennes, classes d’amplitude égales,
spatiale
Géostatistique
etc., package classInt), le choix des couleurs (package
Econométrie spatiale
Semis de points
RColorBrewer).
Interpolation
 Choix de la discrétisation

Statistique
spatiale avec
R

T. Laurent
equal quantile

● ● ● ●
Introduction ● ● ●
● ●●
●

● ● ●
● ●●
●

0.8

0.8
●● ●●
●● ●●
●●
● ●●
●
●●
● ●●
●
● ●

Analyse ● ●

Fn(x)

Fn(x)
● ●
●
● ●
●
●● ●●

0.4

0.4
● ●

exploratoire ●
●
●
●

●
●
●
●

● ●
● ●
Cartographie 0.0
●
●
●
●

0.0
● ●

Graphiques
0 5000 15000 25000 0 5000 15000 25000
interactifs
Visualisation x x

Outils K−means Jenks

spécifiques
● ● ● ● ● ●
●● ●●
Géostatistique ●●
● ●
●
●●
● ●
●
0.8

0.8
● ●
●● ●●
●●
● ●●
●
●● ●●
Econométrie spatiale ●
●
●
●
●
●
Fn(x)

Fn(x)
● ●
●● ●●
●
● ●
●
Semis de points
0.4

0.4
● ●
● ●
● ●
● ●
● ●
● ●

Modélisation ●
●
●
●
●
●
0.0

0.0
● ●

spatiale
0 5000 15000 25000 0 5000 15000 25000
Géostatistique
x x
Econométrie spatiale
Semis de points

Interpolation
 Choix des couleurs

Statistique
spatiale avec
R

T. Laurent

GDP per inhabitant GDP per inhabitant

Introduction

Analyse
exploratoire
Cartographie
Graphiques GDP GDP
interactifs <=1500 <=1500
]1500;3850] ]1500;3850]
Visualisation ]3850;10500] ]3850;10500]
]10500;21550] ]10500;21550]
>21550 >21550
Outils
spécifiques
Géostatistique Représentation du PIB moyen par habitant dans les pays africains en 2013.
Econométrie spatiale
Semis de points
Source : CIA.
Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Carte choroplèthe VS Bubbles

Statistique
spatiale avec
R

T. Laurent

Introduction
GDP in Africa

Analyse pib
26500

exploratoire 8886
4429
2100
1629
1286
Cartographie 843
400

Graphiques
interactifs
Visualisation

Outils
pib
spécifiques 26500
13269

Géostatistique 4569
400
CIA

Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Graphiques interactifs (1)

Statistique
spatiale avec
R T. Laurent, A. Ruiz-Gazen et C. Thomas-Agnan (2012),
T. Laurent “GeoXp: an R package for Exploratory Spatial Data Analysis”,
Introduction Journal of Statistical Software.
Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points
GeoXp : une interface Tcl/Tk, une carte et un graphique. Téléchargeable
Interpolation
depuis [Link]
 Graphiques interactifs (2)

Statistique
spatiale avec
R Parmi les graphiques disponibles dans GeoXp, l’histogramme,
T. Laurent diagramme en barres, courbe de lorentz, variogramme
Introduction
empirique, diagramme de Moran, etc.
Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points 70% des brevets déposés l’ont été par les 20% des départements les plus
Interpolation “productifs” (représentés en jaune).
 Autres outils de visualisation (1)

Statistique
spatiale avec Utiliser des fonds de couverture aérienne, faire des animations :
R
packages ggmap, OpenStreetMap, animation, shiny, etc.
T. Laurent

Introduction ● Melilla
Saidia
●

Macedonia Berkane ● y1
Analyse Spain
Albania Ahfir
●

● Maghnia
● Tlemcen

Portugal y2
exploratoire Greece Oujda ●
● Sebdou

Cartographie Gibraltar
Jerada ●
Melilla Malta
Graphiques Ceuta Saidia
● El Aricha
y3
interactifs Rabat Tunisia
Ain−Beni−Mathar ●

Visualisation Figuig

●y4 Mecheria
Outils Morocco
Algeria
●

spécifiques Libya ● Naama

Géostatistique Tendrara ●
●y5
Econométrie spatiale ● Ain Sefra

Semis de points Mauritania Bouarfa ● y6

Modélisation Mali Niger

●

spatiale Senegal
Chad Figuig

Géostatistique
Econométrie spatiale
Semis de points
Exemple : positionnement optimal d’un nouveau poste de garde sur la
Interpolation
fontière Maroc/Algérie (Daouia et Van Keilegom, 2018). Voir animation
sur [Link]
[Link]
 Autres outils de visualisation (2)

Statistique
spatiale avec
R Utiliser des méthodes d’interpolation ou lissage des données
T. Laurent spatiales (packages spatstat, akima).
Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Interpolation/lissage de données météo 25 × 25km sur l’ensemble de la
Econométrie spatiale région Midi-Pyrénées : méthode du plus proche voisin, lissage non
Semis de points
paramétrique et lissage proportionnel à l’inverse de la distance. Projet dans
Interpolation
le cadre de l’ANR ModULand (Chakir et al., 2016).
 Statistique
spatiale avec
R

T. Laurent
1 Introduction

Introduction
2 Analyse exploratoire de données spatiales
Analyse
exploratoire
Cartographie
Graphiques
interactifs
3 Outils spécifiques à la statistique spatiale
Visualisation
Géostatistique
Outils
spécifiques Econométrie spatiale
Géostatistique
Econométrie spatiale
Semis de points
Semis de points

Modélisation
spatiale 4 Modélisation spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
5 Méthodes d’interpolation de données surfaciques
 Décomposition d’un champ aléatoire

Statistique
spatiale avec
R

T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques Xs = E(Xs ) + (Xs − E(Xs ))
interactifs
Visualisation

Outils
spécifiques Hétérogénéité spatiale : la répartition marginale de Xs
Géostatistique
Econométrie spatiale
varie avec s (E(Xs ) non constante).
Semis de points

Modélisation
Autocorrélation spatiale : les variables Xs et Xt sont
spatiale d’autant plus corrélées que la distance entre s et t est
Géostatistique
Econométrie spatiale petite (existence du moment d’ordre 2; fonction
Semis de points
d’autocovariance R(s, t) = Cov (Xs , Xt )).
Interpolation
 Autocorrélation spatiale

Statistique
spatiale avec
R
Exemple lorsque Xs prend ses valeurs dans {0, 1} :
T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques Autocorrélation spatiale : forte positive, forte négative,
Géostatistique
Econométrie spatiale absence.
Semis de points

Modélisation
spatiale
Outils pour apprécier l’aurocorrélation spatiale :
Géostatistique
Econométrie spatiale
le variogramme (empirique) en géostatistique.
Semis de points

Interpolation
le diagramme de Moran (+ tests) en économétrie
spatiale. Nécessite la création d’une matrice de voisinage.
 Homogénéité et interaction spatiale

Statistique
spatiale avec
R Pour les semis de points :
T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points
Homogénéité (notion d’ordre 1) : le nombre moyen de
Modélisation points par unité de surface est-il constant au travers du
spatiale
Géostatistique
domaine ?
Econométrie spatiale
Semis de points Interaction (notion d’ordre 2) : y-a-t-il de l’attraction ou
Interpolation de la répulsion entre les points ?
 Le variogramme

Statistique
spatiale avec
R Le variogramme d’un champ Xs vaut :
T. Laurent V (Xs , Xt ) = Var {Xs − Xt } (=2VarXs − 2R(s, t))
Introduction Exemple (“variogramme dit exponentiel”) :
Analyse
exploratoire
V (u) = τ 2 + σ 2 {1 − exp(− φu2 )}, avec u =|| s − t ||
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation Effet de pépite=τ 2 , seuil=σ 2 (VarXs ), φ contrôle la portée.

 Variogramme empirique

Statistique
spatiale avec
R 1 Soit le nuage de points (uij , vij ) où uij =|| si − sj || et
T. Laurent vij = 12 (xsi − xsj )2 .
Introduction 2 Variogramme empirique : pour différentes valeurs de u,
Analyse on fait la moyenne des vij t.q. uij ∈ [u − h2 ; u + h2 [.
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points
Exemple de variogramme empirique + version robuste (Cressie, 1993) avec
Interpolation
GeoXp. Choix de h : au moins 30 paires inclus dans [u − h2 ; u + h2 [.
 Choix d’un variogramme

Statistique
spatiale avec
R
Fonction vgm (package gstat) : choix de la forme du
T. Laurent
variogramme (exponentiel, sphérique, gaussien ou Matérn)
Introduction + choix des valeurs initiales de l’effet de pépite, portée et
Analyse
exploratoire
seuil.
Cartographie
Graphiques
Fonction [Link] : algorithme (Pebezma, 2004)
interactifs
Visualisation
qui calcule les paramètres optimaux pour que le
Outils variogramme s’ajuste le mieux (au sens des
spécifiques
Géostatistique
moindres-carrés) au variogramme empirique.
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Variogramme directionnel

Statistique
spatiale avec
R

T. Laurent
Cas anisotrope : le variogramme dépend de la direction de s~t.
Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation Exemple de variogramme directionnel avec le package gstat

spatiale
Géostatistique
(fonction variogram avec option alpha pour définir la
Econométrie spatiale
Semis de points
direction).
Interpolation
 Voisins / Poids / Matrice W

Statistique
spatiale avec
R

T. Laurent
Voisins de type Poids de type
“rook” “row-normalized”
Introduction
s1 : s2 s1 : 1
Analyse
exploratoire s2 : s1 , s3 , s4 s2 : 0.33, 0.33, 0.33
Cartographie
Graphiques
s3 : s2 s3 : 1
interactifs
Visualisation s4 : s2 , s5 s4 : 0.5, 0.5
Outils s5 : s4 s5 : 1
spécifiques
Géostatistique
 
Econométrie spatiale
Semis de points
0 1 0 0 0
Modélisation
0.33 0 0.33 0.33 0 
spatiale
 
Géostatistique  0
W = 1 0 0 0
Econométrie spatiale  0 0.5 0 0 0.5
Semis de points

Interpolation 0 0 0 1 0
 Voisins / Poids / Matrice W

Statistique
spatiale avec
R

T. Laurent
Voisins de type Poids de type
“queen” “row-normalized”
Introduction
s1 : s2 , s4 s1 : 0.5, 0.5
Analyse
exploratoire s2 : s1 , s3 , s4 s2 : 0.33, 0.33, 0.33
Cartographie
Graphiques
s3 : s2 , s4 s3 : 0.5, 0.5
interactifs
Visualisation s4 : s1 , s2 , s3 , s5 s4 : 0.2, 0.2, 0.2, 0.2
Outils s5 : s4 s5 : 1
spécifiques
Géostatistique
 
Econométrie spatiale
Semis de points
0 0.5 0 0.5 0
Modélisation
0.33 0 0.33 0.33 0 
spatiale
 
Géostatistique  0
W = 0.5 0 0.5 0
Econométrie spatiale  0.2 0.2 0.2 0 0.2
Semis de points

Interpolation 0 0 0 1 0
 Matrices de voisinage avec R (package spdep)

Statistique
spatiale avec
R

T. Laurent
1 On créé une liste de voisins (objet nb) :
Introduction
Méthodes basées sur la géométrie des unités spatiales :
Analyse
exploratoire contiguı̈té des polygones : si et sj sont voisins s’ils
Cartographie partagent une frontière commune (fonction poly2nb).
Graphiques
interactifs triangularisation de Delaunay (fonction tri2nb).
Visualisation
Méthodes basées à partir d’un calcul de distance :
Outils
spécifiques les k plus proches voisins (fonction knn2nb).
Géostatistique voisins si distance inférieure à une distance seuil c
Econométrie spatiale
Semis de points
(fonction dnearneigh).
Modélisation
spatiale
2 On choisit les poids à associer aux voisins (objet listw) :
Géostatistique poids binaires, normalisés en ligne, etc.
Econométrie spatiale
Semis de points

Interpolation
 Visualisation de la structure de voisinage sous R (1)

Statistique
spatiale avec
R

T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale Pour des données surfaciques (ici des sous-comptés (“counties”) de l’état de
Semis de points
New-York), on considère les centroı̈des ou autres points de référence
Interpolation
(localisation des hôtels de ville, etc.) pour appliquer une triangularisation
de Delaunay.
 Visualisation de la structure de voisinage sous R (2)

Statistique
spatiale avec
R

T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points
Pour le choix des distances : distance euclidienne à vol d’oiseau, distance
Interpolation réelle parcourue, temps de parcours, etc.
 Test de “Join Count” (package spdep)

Statistique xi est la valeur dans {0, 1} (={W , B}) de X sur le site si ; wij
spatiale avec
R est la valeur de la matrice de voisinage W entre le site si et sj .
T. Laurent

Introduction 1 On définit les statistiques observées suivantes (Cliff et Ord,

1981) : BB = 12 i,j wij xi xj , WW = 12 i,j wij (1 − xi )(1 − xj )
P P
Analyse
et BW = 21 i,j wij (xi − xj )2 .
exploratoire
P
Cartographie
Graphiques
interactifs 2 Sous hypothèse de “non-free sampling” (tirage sans remise), on
Visualisation
a le choix entre un test exact ([Link]) ou un test de
Outils
spécifiques
permutation . ([Link] et [Link]).
Géostatistique
Econométrie spatiale Observed criminality in Columbus Randomized criminality in Columbus

Semis de points Criminality Join Count Statistic Criminality Join Count Statistic
low BB=34 low BB=27
high WW=52 high WW=28
Modélisation BW=29 BW=60

spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Test de “Join Count” : exemple

Statistique
spatiale avec
R

T. Laurent

Introduction
On teste ici H0 = {absence d’autocorrélation spatiale}.
Permutation test for BB join count statistic
Analyse
exploratoire kernel density function estimates
Observed BB Join count statistic
Permutation : 999
p−value : 0.14
0.10

Cartographie
Graphiques
0.08

interactifs
Visualisation Tableau de résultat des tests exacts
0.06

Joincount Expected Variance z-value

Density

Outils BB 34.00 29.34 18.64 1.08

0.04

spécifiques WW 52.00 26.99 17.65 5.95

Géostatistique BW 29.00 58.67 26.04 -5.81
0.02

Econométrie spatiale Remarque: les tests sur BB et WW donnent des résultats opposés.
Semis de points
0.00

Modélisation 20 25 30 35 40 45 50

spatiale Simulated BB join count statistic

Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Tests pour variables continues (package spdep)

Statistique
spatiale avec
R xi est la valeur dans R de X sur le site si .
P
wij (xi −x̄)(xj −x̄)
T. Laurent
Le test du I de Moran. Soit I = Pn ij P 2 ,
ij wij i (xi −x̄)
Introduction
on a le choix entre un test exact (Cliff et Ord, 1981) ou un
Analyse
exploratoire test de permutation (fonctions [Link] et [Link]).
Cartographie
Graphiques Autres tests possibles : le C de Geary ([Link]), le G
interactifs
Visualisation de Getis-Ord ([Link])
Outils
spécifiques
Permutation test for Moran’s I statistic Permutation test for Geary’s C statistic
Géostatistique
kernel density function estimates Permutation : 999 kernel density function estimates Permutation : 999
Econométrie spatiale Observed Moran's I statistic p−value : 0.001 Observed Geary's C statistic p−value : 0.003
4

Semis de points
3

Modélisation
Density

Density

spatiale
2

Géostatistique
1

Econométrie spatiale
0

Semis de points
−0.2 −0.1 0.0 0.1 0.2 0.3 0.4 0.7 0.8 0.9 1.0 1.1 1.2 1.3

Simulated Moran I statistic Simulated Geary's C statistic

Interpolation
 Diagramme de Moran

Statistique
spatiale avec
R

T. Laurent
Nuage de points de WX en fonction de
X.
Moran plot of variable income
Introduction
Si W normalisée en ligne, WX est la Spatial outliers
high−low
Spatial cluster
high−high

3
● ●
● low−high ● low−low

Analyse

W x scale(Income)
32
47 ●

“moyenne de X observée sur les

2
17 ● ●
40 ●
exploratoire

1
●
●●●
●
●
●● ● 42 ●

voisins”. ●
●● ● ●
●● ● ●
20 ●

0
● ●
●● ●
●● ●
Cartographie ●
●
●
●
●●
● ●●
●
●●
●

−1
● ●

Graphiques Potentially influential observations

−2
interactifs Découpage en 4 quadrants autour de −2 −1 0 1 2 3
Visualisation
(X̄ , X̄ ) : HH (High-High), LL
scale(Income)

Outils Cluster map Significant LISA cluster map

spécifiques (Low-Low), HL et LH. Cluster Cluster

H−H H−H
H−L H−L
Géostatistique L−L L−L

Econométrie spatiale
Autocorrélation spatiale globale forte : L−H L−H

17

Semis de points pente de la droite de régression (I de 20

40
32

42

Modélisation Moran) élevé. 47

spatiale
Géostatistique LISA (Anselin, 1995) : détection
Econométrie spatiale
Semis de points
d’autocorrélation spatiale locale (Ii et
test locaux).
Interpolation
 Processus de Poisson

Statistique
spatiale avec
R Soit un domaine D et {x1 , ..., xn } un semis de points suivant un
T. Laurent
processus de Poisson homogène :
Introduction

Analyse
exploratoire il existe un réel λ > 0 tel que pour
Cartographie
Graphiques tout borélien A de D, N(A) (le nombre
interactifs
Visualisation de points observés sur A) suit une loi
Outils de Poisson de moyenne λ | A |, où | A |
spécifiques
Géostatistique
désigne l’aire de A.
Econométrie spatiale
Semis de points sachant que N(A) = n, les n points du
Modélisation processus qui sont dans A forment un CSR (Complete Spatial
spatiale
Géostatistique
échantillon de la loi uniforme sur A. Randomness) simulé : les points
Econométrie spatiale sont indépendants et sont
Semis de points fonction rpoispp de spatstat. répartis sur D ([0, 1] × [0, 1] par
Interpolation défaut) au hasard.
 Estimation de l’intensité

Statistique
spatiale avec N(D)
R Dans le cas d’un processus homogène, λ̂(u) = |D| .
T. Laurent
Dans le cas d’un processus inhomogène (i.e. présence
Introduction d’hétérogénéité spatiale), on P
peut utiliser un estimateur
Analyse
exploratoire
non paramétrique : λ (u) = ni=1 e(xi )k(xi − u), où k est
∗

Cartographie le noyau gaussien et e(xi ) un terme de correction de bord.

● 1 PAN
● 2 PAN
● 3 PAN
● 4 PAN
Graphiques
interactifs
2800

Visualisation

2060
0.0025
●● ●
● ● ●●
2600

●● ● ●●●
●
●● ●● ● ●

Outils ●●
● ●
●●

0.001 0.0011
●● ● ●
● ●● ● ●●
●
●

2040
● ● ● ● ● ●●
●●●●●● ● ● ● ● ●●
●
● ●
● ●
● ●●

0.002
spécifiques ● ● ●●● ● ●● ● ● ● ● ●
●
● ● ●
2400

● ● ● ●●
●
●●
●●● ● ●
● ● ● ● ●
● ● ● ●
●● ●
●
●●
● ●
●● ● ● ●● ● ●●● ●● ● ● ●● ●
● ● ● ● ● ● ● ● ●

2020
● ● ● ● ● ●●
● ● ● ● ● ● ● ●
● ●●●● ●
●● ●

latitude in kilometer
K=8.2e−12 (40 km)
Géostatistique ● ●
● ●
● ●

0.0015
● ● ● ● ●●
●
● ●● ●
●●● ●● ● K=0.000027 (20 km)
● ●
2200

● ● ● ● ●
●●
●● ● ● ● ●●

2000
Econométrie spatiale ●
● ●
●
●
● ●
●
●
●●
● ●
● ●●
● ● u* ●

8e−04
● ● ●
●
● ●
● ● ● ● ● ●● ●

0.001
● ● ●●●
●
Semis de points ●
● ● ●●

1980
●● K=0.0011 (10 km)
2000

● ●
● ●
● ●
● ● ●
● ●
● ● ● ● ● ● ●
● ●
●● ● ●●
● ●
● ●
● ●
● ● ● ●
● 5e−04
Modélisation ● ●
● ●● ● ● ●●● ● ●
●●●
●
● ● ●
●

1960
● ●● ● ●● ●●
●
● ● ●● ● ●
●● ● ● ●● ●

6e−04
● ● ● ●
●
1800

● ●● ● ●
● ● ● ● ●●●
●

spatiale ● ●●
● ●
●●
●

1940
●●
0

760 780 800 820 840 860

Géostatistique 200 400 600 800 1000 1200
1600

Econométrie spatiale longitude in kilometer

Semis de points

Interpolation
Lissage non paramétrique de l’intensité des phénomènes spatiaux non
identifiés (fonction [Link] de spatstat). Projet en collaboration
avec le CNES.
 Test d’homogénéité spatiale pour semis de points
(1)
Statistique
spatiale avec
R Test basé sur les quadrats ([Link] de spatstat):
T. Laurent
1 On découpe D en m quadrats.
Introduction 2 On compte le nombre de points observés et attendus si les
Analyse
exploratoire
données étaient distribués selon un processus de Poisson
Cartographie
Graphiques
homogène (“Complete Spatial Randomness”).
On applique un test de χ2 à m − 1 degrés de liberté.
interactifs
Visualisation 3
Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Test d’homogénéité spatiale pour semis de points
(2)
Statistique
spatiale avec
Test basé sur des simulations :
R
1 On réalise M simulations d’un processus de Poisson
d’intensité λ = N(D)
T. Laurent
|D| .
Introduction
2 On calcule une caractéristique d’ordre 2 du processus pour
Analyse
exploratoire chaque simulation. Exemple : la fonction K de Ripley
|D| P
Cartographie
Graphiques
estimée par K̂ (r ) = N(D)(N(D)−1) i,j (di,j <=r ) ei,j .
1
interactifs
Visualisation 3 On trace les enveloppes de ces courbes.
Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
La fonction K associée aux données n’est pas incluse dans l’enveloppe ce
qui amène à rejeter l’hypothèse de CSR (fonctions Kest et envelope).
 Statistique
spatiale avec
R

T. Laurent
1 Introduction

Introduction
2 Analyse exploratoire de données spatiales
Analyse
exploratoire
Cartographie
Graphiques
interactifs
3 Outils spécifiques à la statistique spatiale
Visualisation

Outils
spécifiques 4 Modélisation spatiale
Géostatistique
Econométrie spatiale Géostatistique
Semis de points
Econométrie spatiale
Modélisation
spatiale Semis de points
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
5 Méthodes d’interpolation de données surfaciques
 Le Krigeage

Statistique
spatiale avec
R Soit y1 , ..., yn les valeurs observées d’une variable Y sur les
T. Laurent
sites s1 , ..., sn .
Introduction Objectif : estimation d’une valeur non observée y0 sur le
Analyse
exploratoire
site s0 .
Estimateur de la forme Ŷ (s0 ) = ni=1 λi Y (si ), avec
Cartographie
P
Graphiques
interactifs
P
Visualisation i λi = 1.
Outils
spécifiques λ̂i obtenus en résolvant un système d’équations qui
Géostatistique diffèrent selon l’hypothèse faite sur Y :
Econométrie spatiale
Semis de points Krigeage simple : Y est stationnaire de moyenne connue.
Modélisation Krigeage ordinaire : Y stationaire de moyenne inconnue.
spatiale
Géostatistique
Krigeage universel : Y non-stationaire (avec une
Econométrie spatiale
tendance).
Semis de points

Interpolation Nécessite le choix d’un modèle de variogramme γ.

 Exemple de Krigeage

Statistique
spatiale avec
R Calcul des prédictions + variances de prédictions
T. Laurent (contrairement aux méthodes de lissage non paramétrique
Introduction et interpolation spatiale).
Analyse
exploratoire
Fonctions krige de gstat et spplot de sp pour la
Cartographie représentation cartographique
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation

Exemple de krigeage ordinaire en utilisant un variogramme sphérique.

 Modèles d’économétrie spatiale (package spdep)

Statistique
spatiale avec
R
Contexte “usuel” :
T. Laurent
On cherche à expliquer une variable Y par un ensemble de
Introduction
variables exogènes X .
Analyse
exploratoire L’analyse des résidus des modèles classiques (par exemple
Cartographie
Graphiques
interactifs
régression MCO) révèle la présence d’autocorrélation
Visualisation spatiale dans les résidus (diagramme et test de Moran
Outils
spécifiques
pour résidus).
Géostatistique
Econométrie spatiale
Objectif : prendre en compte l’autocorrélation spatiale
Semis de points
dans le modèle.
Modélisation
spatiale Choix de modèles possibles : LAG et SDM (fonction
Géostatistique
Econométrie spatiale lagsarlm), SEM (fonction errorsarlm), CAR
Semis de points
(spautolm), etc.
Interpolation
 Exemple : Laurent et Moussa (2015)

Statistique
spatiale avec
R

T. Laurent Variable à expliquer Y : le nombre de brevets déposés par

Introduction
département à l’EPO (European Patent Office).
Analyse Variables explicatives : dépenses en R&D dans les
exploratoire
Cartographie
établissements privés, densité de population, PIB, etc.
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation Forte autocorrélation spatiale de la variable dépendante.

 Modèle de type “Spatial Lag”

Statistique
spatiale avec
R
Y = ρWY + X β + , avec  ∼ N (0, σ 2 I )
T. Laurent
Ce modèle prend en compte dans l’espérance de Y à la
Introduction
fois les variables exogènes X et la moyenne de Y dans les
Analyse
exploratoire zones voisines.
Cartographie
Graphiques
interactifs
ρ (ρ ∈ [0, 1[), β, et σ sont estimés par maximum de
Visualisation vraisemblance ou la méthode des moments généralisés.
Outils
spécifiques Différents tests sur les paramètres et la présence
Géostatistique
Econométrie spatiale
d’autocorrélation spatiale dans les résidus (Wald, rapport
Semis de points
de vraissemblance, multiplicateurs de Lagrange).
Modélisation
spatiale Décomposition des effets marginaux (LeSage et Pace,
Géostatistique
Econométrie spatiale 2012) en effets directs, indirects et totaux (fonction
Semis de points
impacts).
Interpolation
 Diffusion spatiale des spillovers

Statistique
spatiale avec
R

T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Illustration de la diffusion spatiale des spillovers. A du sens uniquement
Visualisation
pour les modèles de type LAG et SDM.
Outils
spécifiques W-Order Direct indirect total
Géostatistique
Econométrie spatiale W0 0.35032 (***) 0 0.35032 (***)
Semis de points
W1 0 0.03792 (*) 0.03792 (**)
Modélisation W2 0.000838 0.00326 0.00410
spatiale
Géostatistique
W3 0.000030 0.00041 0.00044
Econométrie spatiale W4 0.000005 0.00004 0.00005
Semis de points P4
q=0 Wq 0.3511 (***) 0.04158 (**) 0.3927 (***)
Interpolation
 Prédiction en économétrie spatiale

Statistique
spatiale avec
R

T. Laurent
Goulard, Laurent et Thomas-Agnan (2017) :
Introduction
Predictor Out-of-sample predictors formulae
Analyse BP BP
ŶO TC
= ŶO − Q̂−1 Q̂ × (YS − ŶSTC )
exploratoire OO OS
TC TC
ŶO = [(I − ρ̂W)−1 Xβ̂]O
Cartographie
1
Graphiques TS 1 ŶoTS = Xo β̂ + ρ̂WoS YS
interactifs BPW 0 0
BPW ŶO TC
= ŶO + Σ̂OS WOS (WOS Σ̂SS WOS )−1 (WOS YS − WOS ŶSTC )
Visualisation
BPN TC −1 TC
BPN ŶO = ŶO − Q̂OO Q̂OJ (YJ − ŶJ )J for J set of indices of neighbors of O
Outils 1
   
WSS WSo XS
spécifiques TC 1 ŶoTC = row o of {In +1 − ρ̂ }−1 β̂
S WoS Woo Xo
Géostatistique
BP 1 TC 1 −1 TC1
Econométrie spatiale BP 1 Ŷo = Ŷo − Q̂oo Q̂oS (YS − ŶS )
Semis de points BP 1 1 1
1
BPW Ŷo W = ŶoTC +˚ ˆoS W0 (WoS Σ̂SS W0 )−1 (WoS YS − WoS ŶTC )
oS oS S
1
Modélisation 1 BPN TC −1 TC1
BPN Ŷo = Ŷo − Q̂oo Q̂oJ (YJ − ŶJ )J for J set of indices of neighbors of o
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Modélisation de l’intensité

Statistique
spatiale avec
R
Processus de Poisson inhomogène : λ(u) = e Z (u)β
T. Laurent Les covariables Z doivent être observées sur les semis de
Introduction
points et d’autres locations u ∈ D (d’où la nécessité de
Analyse lisser ou interpoler les variables explicatives).
exploratoire
Cartographie Le processus peut être marqué :
Graphiques
interactifs y = {(x1 , m1 ), ..., (xn , mn )}, xi ∈ D, mi ∈ M.
Visualisation
Variable 1: Density of population Variable 2: Nuclear risk

12000
Outils

12
10000
spécifiques

10
8000

8
6000
Géostatistique

6
4000

4
Econométrie spatiale

2000

2
0

0
Semis de points

Modélisation Variable 3: Contaminated sites Variable 4: Rate of moisture

100
spatiale

50

80
40
Géostatistique

60
30

40
Econométrie spatiale

20

20
10
Semis de points

0
Interpolation
Modélisation de l’intensité des PAN de type Poisson inhomogène avec des covariables de type
anthropologie/environnement.
 Résultats

Statistique
spatiale avec Estimation des coefficients du modèle :
R

T. Laurent coefficients std p-value sign.

(Intercept) -8.998 0.220 <0.001 ***
Introduction log(pop) 0.308 0.052 <0.001 ***
log(1 + conta) 0.630 0.074 <0.001 ***
Analyse log(1 + nuclear) 0.406 0.119 <0.001 ***
exploratoire wetlands 0.026 0.011 0.015 *
Cartographie
Graphiques
interactifs
Prédictions : λ̂(u) = e Z (u)β̂
Résidus : λ∗ (u) − λ̂(u)
Visualisation

Outils
spécifiques
Géostatistique
Cartographie des résidus :
Pearson residuals

Econométrie spatiale ● ● 0

5
●
● ●●
1
0

0.5 ●
●

Semis de points ● ●● ●●
1
0

●2 0
●
● ●0● ●●
●
● ● 0
2.5 3 3
0
0●
●
● 4●●
●
1.5

1.5
1

● ● ● ●● ●
2.5
5 ●● ●2 1●
−0. ●−0.5 0 2
● 3 4 ●
0

4
● ● ● 0 3.5 0
● 0.5 ● ●
● 1 0 ● ●
● ●●● ●
2.5

1 ●0
● ●
● ●0 1
●●●
0.5

2 ●0
1 ● ●

Modélisation
−0.5 0.5● 2
0
● 1.5 ●
0

0 0 ● ●
● ● ● −0.5
0.5

1.5

● ● ●
● ●● ● 2.5 ●
1.5

●
1

● ● ●●●
● ● 2
● 0 0 ●●● ●
0● ●● 1.5
1 ●
● 0
1.5

1 0 ●● ●
0

0 −0
●0●● ● 2
1.5

● ● ● ● ● ● .5
0 ●
1

● 0 0
0

● ●
1.5
0.5

0●● ● ●1 2
● ● ● ●
2.5

1.5 1 ● 0 ● ● ● ● 0●
1 ● ● ● ● 1 ●

spatiale
● ● ● ●
0 ● ● 0
● ●●
1.5

0 ● 2 ●

3
0 0.5
0

● ● ●1 0 ●0
0

● ● ● ● 0 0 0
● ● ●
● ● ●● ● ● 0
● ●
0

1 ●
0

0 0 ●
● ●
●
1.5
0

●
0

0
●−0.5 ● ●
0.5

−0.5 ● ● ●●
● ● ● ● ●
●
0
0.5

● ● 0 0
● ●

Géostatistique 0
●0.5
● −0.5
●
●

● ● 1
●
0.5
●
1

0 ●
1

●
●
●
0.5

●
● ●0 ●
● ● ●
0
0

0 0
● ●0 ●
●
0

● ●
0

0
0.5

●● ●
0

Econométrie spatiale 0
1.5 ● ●
●
0

● ● ● ● ● ●●
●
● .5 ●● ● ●
−0.5

● ● −0 ● −0.5
1 ● ●
0.5 ● 1
●
0 0.5 1
0.5

● ●
● ●● 0
−0.5

0.5 ● 2

Semis de points ● −0.5

● ● ●1 0 ●
● −0.5 ● ●
●● 1.5 ● 0.5
● ● ● ●
1
0 ● ●
0.5

1.5
2.5 ● 0
● ● ● ●● 0.5 ●
● ●
0 3 1.5 1
● ●
0.5 ● ●
2

2 0.5 0
0

0 1 ●
2.5

2 ●●● ●
● ● 0.5 1 ●
0 ● ● ● ● ●● ● 0● ● 0.5
0

0.5 ● 1 ● ● ●
● ●
2.5

● 1.5 2 3 ●●
● ●
0

1● 0 ●

Interpolation
● ●
0

−0.5 ● ● ● 0.5 ●
● 2
● 0 ● ● 0.5 ●0 ●●
1

● ● 0 ●
0.5

● 0●
●
● ●
0.5

●1
0

●0
0.5

● ● ● ● ● ● ●●
0.5 ●
0 ● 2
1

0.5

●
0

● ●
3

1 1.5 ●
0

1 ●0
●
●
0.5
●
−1
 Ecriture générale d’un modèle de processus
ponctuels
Statistique
spatiale avec
R

T. Laurent Modèles de type : λ(u, x) = exp(ψ T B(u) + φT C (u, x))

(Baddeley et Turner, 2000), avec θ = (ψ, φ) les paramètres à
Introduction
estimer.
Analyse
exploratoire
Cartographie
B(u) dépend seulement de location u et représente la
Graphiques
interactifs
tendance ou l’effet des covariables.
Visualisation
C (u, x) représente les interations stochastiques et la
Outils
spécifiques dépendance entre les points du processus.
Géostatistique
Econométrie spatiale
Semis de points
Estimation des paramètres par pseudo-maximum de la
Modélisation
vraisemblance.
spatiale
Géostatistique
Les modèles de Gibbs : Poisson, Strauss, Geyer, etc.
Econométrie spatiale
Semis de points Fonction ppm de spatstat.
Interpolation
 Modélisation de l’intensité des parcelles en CAB

Statistique
spatiale avec
R
Projet en cours (ANR ModULand) : prendre en compte le fait
T. Laurent
que les agriculteurs se mettant au bio peuvent tenter leurs
Introduction
voisins de s’y mettre.
Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale Observations de zones avec une forte intensité spatiale de parcelles en
Géostatistique conversion AB. Objectif : prendre en compte des covariables
Econométrie spatiale
Semis de points
environnementales (zones protégées, etc.) et le phénomène d’attraction.
Interpolation
Modèles envisagées de type Geyer.
 Conclusion Partie 1

Statistique
spatiale avec
R

T. Laurent
Une multitude de domaines d’application.
Introduction
Nécessite des compétences pluridisciplinaires (notamment
Analyse
exploratoire en géomatique).
Cartographie
Graphiques
interactifs
Plusieurs méthodes possibles (pas forcément
Visualisation
incompatibles) en fonction de la nature “spatiale” des
Outils
spécifiques données et des objectifs.
Géostatistique
Econométrie spatiale Logiciel R couvre la grande majorité des champs
Semis de points
d’application de la statistique spatiale
Modélisation
spatiale Projets en cours : utilisation du bootstrap spatial,
Géostatistique
Econométrie spatiale modélisation de données de flux.
Semis de points

Interpolation
 Statistique
spatiale avec
R

T. Laurent
1 Introduction
Introduction

Analyse
exploratoire 2 Analyse exploratoire de données spatiales
Cartographie
Graphiques
interactifs
Visualisation 3 Outils spécifiques à la statistique spatiale
Outils
spécifiques
Géostatistique
Econométrie spatiale
4 Modélisation spatiale
Semis de points

Modélisation
spatiale 5 Méthodes d’interpolation de données surfaciques
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Problématique et références

Statistique
spatiale avec
Objectif : transférer les données observées sur des zones
R surfaciques (source) vers d’autres zones (target).
T. Laurent
T2
S1 T1 T3
Introduction
S2 T4
T5 T6
Analyse
exploratoire S3
Cartographie T7 T9
T8
Graphiques
interactifs
Visualisation

Outils
spécifiques
Références:
Géostatistique Do Van Huyen, Christine Thomas-Agnan, Anne Vanhems (2015).
Econométrie spatiale
Semis de points
Spatial reallocation of areal data: a review, RERU.
Modélisation Do Van Huyen, Christine Thomas-Agnan, Anne Vanhems (2015).
spatiale
Géostatistique
Accuracy of areal interpolation methods: Count data, Spatial
Econométrie spatiale Statistics.
Semis de points

Interpolation
Do Van Huyen, Christine Thomas-Agnan, Anne Vanhems (2015)
Testing areal interpolation methods with US census 2010 data,
Région et Développement.
 Notations (unités spatiales)

Statistique
spatiale avec
R

T. Laurent {Si }i=1,2,...,I : sources,

Introduction {Tj }j=1,2,...,J : targets,
Analyse
exploratoire
{Aij } : intersection entre Si et Tj , Aij peut être vide
Cartographie (i = 1, 2, ..., I , j = 1, 2, ..., Ji ).
Graphiques
interactifs
Visualisation
A15
Outils A25
spécifiques
Géostatistique
Econométrie spatiale A35
Semis de points S1

S2
Modélisation
spatiale
S3
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Notations (unités statistiques)

Statistique
spatiale avec
R

T. Laurent Variable d’intérêt: Y . On connaı̂t Y sur les sources ys et

on souhaite la transférer sur les targets yt . Si on note Ω le
Introduction
domaine entier et {Ωk }k les sous-domaines de Ω, alors Y
Analyse
exploratoire est dit:
Cartographie
P
Graphiques
extensive si YΩ = k YΩk (ex : population),
P
interactifs
Visualisation
intensive si il existe des wk t.q. YΩ = k wk YΩk où ∃k
Outils
t.q. wk 6= 1 (ex : densité de population)
spécifiques
Géostatistique Information auxiliaire: X (réseaux routiers, etc.)
Econométrie spatiale
Semis de points
accessible au niveau des targets, ou bien des intersections
Modélisation (variable quantitative).
spatiale
Géostatistique Zones de contrôle : l’information auxiliare est qualitative
Econométrie spatiale
Semis de points (usage des sols).
Interpolation
 Nombre de logements sur 8 communes (1)

Statistique
spatiale avec
R

T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Nombre de logements sur 8 communes (2)

Statistique
spatiale avec
R

T. Laurent

Introduction

Analyse
exploratoire
Cartographie
Graphiques
interactifs
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Hypothèses au choix

Statistique
spatiale avec
R Aggrégation ou désagrégation ?
T. Laurent
S1

T1
S2
Introduction
T2
S3
Analyse
exploratoire T3
Cartographie
Graphiques
interactifs
Visualisation
YAij = YSi , Y est-elle uniforme sur les sources (variable
Outils intensive) ?
spécifiques
Géostatistique YAij = YTj , Y est-elle uniforme sur les targets (variable
Econométrie spatiale
Semis de points intensive) ?
Modélisation
spatiale
La distribution de Y est-elle connue ? Par exemple, si Y
Géostatistique
Econométrie spatiale
est une variable de comptage, Y peut suivre une loi de
Semis de points Poisson, et si Y est continue, une loi normale.
Interpolation
Propriété pycnophylactique?
 Les principales méthodes

Statistique
spatiale avec
R

T. Laurent

Introduction
“Point in polygon method” (PIP).
Analyse
exploratoire
Cartographie
“Dasymetric methods”: allocation proportionnelle à une
Graphiques
interactifs
variable auxiliaire (ex: surface, longueur des routes)
Visualisation
(DAW, DAX).
Outils
spécifiques Régression sur variable(s) auxiliaire(s) (ex: longueur des
Géostatistique
Econométrie spatiale routes, classification des sols) (REG).
Semis de points

Modélisation
Lissage avec ou sans la propriété pycnophylactique.
spatiale
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Point-in polygon PIP

Statistique
spatiale avec
R

T. Laurent Référence : Sadahiro (2000).

Introduction
Seulement pour des données de comptage.
Analyse Un point “représentatif” est choisi pour chaque source. La
exploratoire
Cartographie valeur source associée à un point est assignée à la target
Graphiques
interactifs auquelle le point appartient.
Visualisation

Outils
spécifiques
Géostatistique
Econométrie spatiale
Semis de points

Modélisation
spatiale
Géostatistique
Econométrie spatiale
Semis de points
Ne satisfait pas la propriété pycnophylactique.
Interpolation
 Méthode proportionnelle à l’aire (DAW)

Statistique
spatiale avec
R

T. Laurent
Référence : Sadahiro (1999), Bloom et al. (1996), etc.
(méthode implémentée par défaut sur MapInfo).
Introduction
Si |A| dénote la surface de la région A,
Analyse
exploratoire 1 si Y est extensive (ex : donnée de population) , la donnée
Cartographie
Graphiques
source est allouée aux intersections proportionnellement
interactifs
Visualisation
aux aires :
|Ast |
Outils ŶAst = YS
spécifiques |Ss | s
Géostatistique
Econométrie spatiale 2 si Y est intensive (ex : densité de population), Y est
Semis de points
supposée uniforme sur les sources:
Modélisation
spatiale
Géostatistique ŶAst = YSs
Econométrie spatiale
Semis de points

Interpolation Satisfait la propriété pycnophylactique.

 Méthode dasymétrique avec variable auxiliaire X
(DAX)
Statistique
spatiale avec
R

T. Laurent
Référence : Voss et al. (1999), Reibel (2004)
Introduction Idée similaire à DAW en remplaçant l’information sur l’aire
Analyse
exploratoire
par X (NB : X , supposée connue au niveau des
Cartographie intersections).
Graphiques
interactifs 1 si Y et X sont extensives, on fait l’hypothèse que la
Visualisation
donnée source y peut être affectée au niveau des
Outils xA
spécifiques intersections de façon proportionnelle à x : ŶAst = st ySs
Géostatistique
P xSs
Econométrie spatiale
Semis de points
où xSs = t xAst .
2 si Y est intensive, on doit utiliser la propriété qui permet
Modélisation
spatiale de passer d’une variable extensive à intensive.
Géostatistique
Econométrie spatiale Satisfait la propriété pycnophylactique.
Semis de points

Interpolation
 Méthode dasymétrique sur des zones de contrôle
(DAC)
Statistique
spatiale avec Référence : Mennis and Hultgren (2006).
R
Utilise une information subjective sur des zones de
T. Laurent
contrôle en faisant l’hypothèse que les intersections sont
Introduction
emboı̂tées dans les zones de contrôle
Analyse
exploratoire Si Y est une donnée de comptage :
Cartographie
Graphiques
interactifs
|Ast |D̂c(st)
Visualisation
ŶAst = ySs P
Outils
spécifiques
l |Asl |D̂c(sl)
Géostatistique
Econométrie spatiale
où D̂c est une valeur de densité sur les zones de contrôle c
Semis de points
(donnée par un expert ou estimée statistiquement) :
Modélisation
spatiale P
Géostatistique ys
Econométrie spatiale D̂c = P s , s ∈ c,
Semis de points
s |Ss |
Interpolation
où s ∈ c peut avoir plusieurs significations (inclusion,
centroid, pourcentage de couverture).
 Régression sans variable auxiliaire

Statistique
spatiale avec
R Référence : Goodchild et al. (1992)
T. Laurent
Objectif : sous certaines hypothèses, dériver un système
Introduction d’équation qui lie Y sur les sources à Y sur les targets et
Analyse utiliser un OLS pour le résoudre.
exploratoire
Cartographie 1 si Y est extensive, l’hypothèse est que Y peut être allouée
Graphiques
interactifs aux itersections proportionnellement à leur surface :
Visualisation

Outils X X |Ast |
spécifiques YSs = ŶAst = ŶTt
Géostatistique
t t
|Tt |
Econométrie spatiale
Semis de points

Modélisation 2 si Y est intensive avec des poids de surface, l’hypothèse

spatiale
Géostatistique
est que Y soit uniforme sur les targets
Econométrie spatiale
Semis de points X |Ast | X |Ast |
ySs = ŶAst = ŶTt
Interpolation
t
|Ss | t
|Ss |
 Régression avec variables auxiliaires

Statistique
spatiale avec
R

T. Laurent
Référence : Flowerdew et Green (1992).
Introduction Y intensive. Au moins deux variables auxiliaires.
Analyse
exploratoire Sous hypothèse que Y est uniforme sur les targets:
Cartographie
Graphiques
1 Ecrire la relation
Pentre Y sur P les sources et Y sur les
interactifs
Visualisation
targets: YSs = t wst YAst = t wst YTt où wst sont
Outils
connus.
spécifiques 2 Faire a régression de Y sur les targets sur les X sur les
Géostatistique
Econométrie spatiale
targets YT = XT β pour obtenir la régression de Y sur les
Semis de points
sources vers X sur les targets YS = WXT β, estimer les
Modélisation
spatiale
coefficients.
Géostatistique 3 A partir des coefficients estimés et des X sur les targets,
Econométrie spatiale
Semis de points
obtenir les valeurs ajustées des Y sur les targets.
Interpolation
 Autres méthodes

Statistique
spatiale avec
R

T. Laurent

Introduction Modèle de Poisson pour des données de comptage avec

Analyse information auxiliaire au niveau des target (EM algorithm).
exploratoire
Cartographie Modèle de régression incluant de l’autocorrélation spatiale
Graphiques
interactifs
Visualisation
(Murakami and Tsutsumi, 2011).
Outils Méthodes bayésiennes avec autocorrélation spatiale
spécifiques
Géostatistique (Mugglin et al., 2000) ou sans (Mugglin et Carlin, 1998).
Econométrie spatiale
Semis de points Méthode d’interpolation pycnophylactique (Tobler, 1979).
Modélisation
spatiale Krigeage de type Poisson (Goovaerts, 2006).
Géostatistique
Econométrie spatiale
Semis de points

Interpolation
 Résumé des méthodes

Statistique
spatiale avec
R

T. Laurent
MET Target var. Y Auxiliary var. X Control zones
Introduction Nature Add. assumptions Dimension Nature Support
DAW Extensive Homogeneous none none none none
Analyse Intensive on sources
exploratoire DAX Extensive none 1 Extensive intersection none
Cartographie or intensive
Graphiques Intensive
interactifs
DAC Extensive Homogeneous 1 categorical control yes
Visualisation on controls
Intensive Homogeneous
Outils
on controls
spécifiques
REG Extensive Homogeneous none none none none
Géostatistique
wo aux.
Econométrie spatiale
Intensive on targets
Semis de points
REG Extensive none >= 1 Extensive target none
Modélisation w. aux or intensive
spatiale Intensive weight area >= 1 Extensive target none
or intensive
Géostatistique
PIP Extensive none none none none none
Econométrie spatiale
Semis de points

Interpolation