Général
Les géographes parmi d'autres scientifiques recherchent des modèles géographiques en espérant que cela les aidera à mieux comprendre les processus qui ont produit ces modèles. Comme vous l'avez montré, ce processus commence par la cartographie des emplacements où se situent les phénomènes. Souvent, les cartes que vous avez produites ci-dessus sont connues sous le nom de cartes à points .
Distribution spatiale
Lorsqu'un lecteur examine une telle carte, il essaie de trouver la distribution spatiale (ou l'arrangement spatial ou géographique) de la variable d'intérêt et s'il existe une sorte de modèle. Habituellement, il existe quatre types de distribution définis pour la carte de motif de points (que vous avez également dessinée ci-dessus). Ceux-ci sont:
- groupé
- Ordinaire
- Aléatoire
- régulier / uniforme / dispersé
De Wikipédia :
En plus de l'investigation visuelle, il faut souvent utiliser l'analyse de la fréquence ou de la densité des points à travers une région (réalisée à l'aide de l' analyse quadrat ) ou de la distance entre les points adjacents (réalisée à l'aide de l' analyse du plus proche voisin ).
Problème d'unités modifiables
Vous avez également mentionné le problème des unités de surface modifiables (également appelé problème des unités modifiables ).
En analyse spatiale, quatre problèmes majeurs interfèrent avec une estimation précise du paramètre statistique: le problème de frontière, le problème d'échelle, le problème de modèle (ou d'autocorrélation spatiale) et le problème d'unité de surface modifiable (Barber 1988)
Je pense que c'est pertinent dans cet exemple, mais je voudrais également mentionner quelques autres problèmes:
Problème de frontière
Un problème de frontière dans l'analyse est un phénomène dans lequel les modèles géographiques sont différenciés par la forme et la disposition des frontières qui sont tracées à des fins administratives ou de mesure.
Pour un exemple simple, si vos points représentent un certain nombre de personnes d'un certain groupe ethnique, selon les limites utilisées, vous pourriez avoir une vue différente sur la répartition des points entre, par exemple, les districts de recensement.
Si les points sont situés à proximité les uns des autres mais sont situés dans différents districts de recensement, vous pouvez avoir une fausse compréhension de la répartition, car cela indiquerait une répartition uniforme du groupe ethnique dans cette zone d'étude. En revanche, si vous utilisiez d'autres limites, vous pourriez obtenir une autre vue qui indique une concentration surfacique significative du groupe éthique. En fin de compte, vous pourriez être confus si vous observez la ségrégation ethnique ou l'intégration ethnique.
Problème d'unités modifiables
Cela peut être discuté sous deux aspects - en termes d '"échelle" et de "forme".
Problème d'échelle
Les valeurs de diverses statistiques descriptives peuvent varier de manière systématique lorsque vous utilisez de plus en plus de données surfaciques agrégées.
Une illustration simple: chaque cellule est notre zone de polygone avec le nombre de points.
6 10 3
5
2
6
4
12
3
5
8
12
4
12
1
3
Ensuite, nous agrégons les polygones pour obtenir un nombre moyen de points:
8 4
4
8
4
10
8
2
Et encore une fois:
6
6
6
6
Hé, nous avons une distribution uniforme! En un mot: l'agrégation spatiale tend généralement à minimiser la variation indiquée sur une carte.
Pour un autre exemple vraiment simple, cela dépend vraiment à quelle échelle vous regardez vos points. Regardez l'image Wikipedia pour le motif de points; la distribution normale peut sembler groupée lorsque vous effectuez un zoom arrière sur votre carte numérique.
Problème de forme
Nous aurions pu agréger les polygones du tableau ci-dessus en utilisant des verticales ou des horizontales (joignant des voisins contigus nord-sud plutôt que des voisins est-ouest). Cela signifie que diverses définitions de zone peuvent avoir un impact significatif sur les valeurs de votre distribution de données et de vos statistiques descriptives.
Le problème du modèle
En bref, les méthodes mentionnées ci-dessus ne sont pas très efficaces pour évaluer le type de problème qu'un humain lirait facilement sur une carte. Pour pouvoir distinguer les modèles surfaciques et les distributions ponctuelles, il faudrait utiliser les méthodes d' autocorrélation spatiale ).
