Impact du changement d'échelle sur l'étude des causes des feux de forêts du sud-est de la France
Résumé
The Modifiable Areal Unit Problem (MAUP) is a well-known issue related
to the influence of the spatial support on statistical observations. It occurs when
different spatial units making different spatial partitions are used and when the resulting
measures vary according to those partitions. In this paper, we first draw a state
of the art. Considering the particular problem of (up)scaling, we propose a method
to visualize the sensitivity of the spatial statistics to the support. We test this method
on forest fires in Southern France, handling a sample from the Promethée database.
From these data, we try to find the key explanatory variables. The results show that
the correlation coefficient varies significantly, depending on scale, and that we can
select variables and scales based on this variability. Then we propose two different
ways to deal with the MAUP: (i) by using geovisualization to assess and to improve
the robustness of the correlation analysis and to choose the pertinent information that
allows to minimize the sensitivity, (ii) by considering as pertinent the spatial partition
which is the farthest one from a random spatial distribution of the independent
variable
Le support spatial des données a potentiellement une forte influence sur le traitement statistique des observations. Cette problématique est connue en géographie sous le nom de Modifiable Areal Unit Problem (MAUP). Celle-ci survient lorsque différentes unités surfaciques peuvent être utilisées et que le résultat varie en fonction de ce choix. Dans cet article, nous présentons un état de l'art de ce problème. Considérant un des aspects du MAUP, à savoir l’influence du changement de niveau d’échelle, nous développons une méthode de visualisation de la sensibilité des statistiques à ce problème. Cette méthode est testée sur l’étude des feux de forêt du sud-est de la France, avec des données issues de la base Prométhée, à partir desquelles nous recherchons des variables explicatives. Nos résultats montrent des variations des coefficients de corrélation en fonction des niveaux d’échelle et la possibilité de sélectionner les variables et les niveaux d'échelle en fonction de cette variabilité. Nous proposons deux méthodes : (i) utiliser la visualisation de ces variations afin d’améliorer la robustesse de l’analyse de corrélation en sélectionnant les informations pertinentes selon leur sensibilité au MAUP, (ii) sélectionner un niveau d’échelle pour lequel le résultat est le plus différent possible d’une redistribution spatiale aléatoire de la variable dépendante.