Fonctionnement de l’outil Raster to Weighted Points (Points pondérés de destination du raster)

Disponible avec une licence Spatial Analyst.

L’outil Raster to Weighted Points (Raster vers points pondérés) convertit une surface raster continue en un ensemble représentatif d’entités ponctuelles tout en préservant la distribution spatiale et la magnitude relative des valeurs sous-jacentes. Les rasters continus permettent de représenter des phénomènes spatiaux, tels que la densité, la probabilité, l’adéquation, le risque, l’accessibilité et les dégradés environnementaux. Toutefois, de nombreux processus analytiques, statistiques, de simulation et de Machine Learning fonctionnent sur des entrées vectorielles. Cet outil comble cette lacune en proposant une transformation structurée avec préservation des valeurs d’une structure de données raster en une structure ponctuelle.

Cet outil est conçu comme un mécanisme de représentation et d’échantillonnage et non comme un modèle prédictif ou inférentiel. Le raster reste la source d’information officielle. Les points en sortie sont une représentation dérivée qui autorise les processus en aval nécessitant des échantillons spatiaux discrets.

Comparer aux processus raster vers vecteur courants

Les outils existants d’échantillonnage ou de conversion de raster en vecteur conviennent à la conversion directe, à la cartographie catégorielle ou au maintien d’une couverture spatiale équilibrée. L’outil Raster to Weighted Points (Points pondérés de destination du raster) permet un échantillonnage proportionné, normalisé avec préservation des valeurs à partir de surfaces continues.

L’outil Raster to Point (Raster vers points) crée un point par cellule et ignore la magnitude, tandis que l’outil Create Random Points (Créer des points aléatoires) ignore les valeurs raster. L’outil Create Spatially Balanced Points (Créer des points spatialement équilibrés) optimise la dispersion mais ne conserve pas la magnitude des valeurs. En revanche, l’outil Raster-to Weighted Points (Points pondérés de destination du raster) préserve la configuration spatiale et les relations entre les valeurs, prend en charge la normalisation et permet un échantillonnage probabiliste et proportionnel pour la modélisation, la simulation et les processus de l’IA.

Le tableau suivant compare diverses caractéristiques entre plusieurs outils.

Caractéristique	Outil Raster to Point (Raster vers points)	Créer des points aléatoires, outil	Outil Créer des points spatialement équilibrés	Outil Raster to Weighted Points (Points pondérés de destination du raster)
Objectif principal :	Conversion directe des points cellule à cellule	Échantillonnage aléatoire uniforme	Couverture spatiale uniforme	Préservation des valeurs et échantillonnage de surface proportionnel à la magnitude
Utilise des valeurs raster :	Oui (en tant qu’attributs)	Non	Indirect	Oui (pilote la distribution spatiale, l’allocation et les attributs)
Préserve la structure des grilles raster :	Oui	Non	Non	Non
Préserve la magnitude :	Non	Non	Non	Oui
Proportionnel aux valeurs des cellules :	Non	Non	Non	Oui
Un point par cellule :	Toujours	Non	Non	Facultatif
Contrôle du nombre maximal de points :	Non	Oui	Oui	Oui
Prise en charge de la normalisation :	Non	Non	Non	Oui
Échantillonnage probabiliste :	Non	Non	Oui	Oui
Méthodes flexibles de placement des points :	Non (centre de cellule uniquement)	Non (aléatoire uniquement)	Espacement optimisé	Oui (plusieurs méthodes déterministes et stochastiques)
Distribution des valeurs entre les points en sortie :	Non	Non	Non	Oui
Gestion des cellules NoData :	Oui	Oui	Oui	Oui
Géométrie reproductible :	Oui	Non	Facultatif	Facultatif
Conçu pour une surface continue :	Limité	Non	Limitée (conversion requise en raster binaire)	Oui

Normalisation

Les valeurs raster peuvent représenter des éléments très différents, tels que des comptages, intensités, index, probabilités ou scores composites. Même si deux rasters représentent le même phénomène, leurs plages numériques et leurs distributions peuvent différer considérablement. Sans normalisation, ces caractéristiques numériques peuvent dominer l’allocation des points de manière involontaire, conduisant à une surreprésentation des valeurs extrêmes ou à une sous-représentation des écarts significatifs.

La normalisation détermine le mode d’interprétation des valeurs raster lors de la distribution, de l’allocation des points et dans les processus ultérieurs. Elle ne modifie pas le modèle spatial de la surface et ne déplace pas les points. Toutefois, elle influence directement le comportement des attributs ponctuels résultants dans les analyses en aval.

La normalisation prépare également des valeurs dérivées du raster pour les processus statistiques, de modélisation et de Machine learning. De nombreuses méthodes analytiques supposent que les entrées sont délimitées, comparables ou approximativement normalisées. Les valeurs raster brutes violent souvent ces hypothèses, conduisant à des modèles instables, des estimations de paramètres biaisées ou des interprétations trompeuses.

La normalisation est là pour garantir que l’allocation des points et l’analyse en aval reflètent l’intention analytique plutôt que des artefacts numériques bruts.

Objet de la normalisation

La normalisation convertit une valeur de cellule raster (x_i) en une valeur préparée (x_i′) qui sert ensuite à allouer des points et alimenter les attributs en sortie. Notamment, la normalisation préserve les principales propriétés structurelles du raster. L’ordre relatif des valeurs est généralement préservé, ce qui signifie que les zones de valeur supérieure restent plus élevées que celles de valeur inférieure. Le modèle spatial des régions hautes et basses reste inchangé. Seule l’influence relative des valeurs sur l’allocation et l’analyse est modifiée. Dans la pratique, la normalisation contrôle l’influence relative des différences entre cellules sur la densité de points et la pondération analytique, plutôt que l’existence même de ces différences.

Quand utiliser la normalisation

La normalisation est nécessaire si les valeurs raster en entrée ne conviennent pas à une allocation proportionnelle directe ou une analyse en aval. Cela se produit souvent lorsque les valeurs raster couvrent de vastes plages numériques. Par exemple, dans le cas d’une surface de densité avec des valeurs allant de 1 à 10 000, les cellules de valeur supérieure dominent l’allocation, même si les différences entre les valeurs élevées ne sont pas significatives du point de vue analytique. La normalisation modère cette dominance afin que les modèles spatiaux soient représentés de manière plus uniforme.

La normalisation est également importante pour les distributions fortement asymétriques ou à longue traîne, qui sont courantes dans la densité de population, la densité de criminalité, l’exposition et les surfaces d’écoulement. Dans de tels cas, la plupart des cellules reçoivent peu ou pas de points, tandis qu’un petit nombre de cellules extrêmes absorbent presque tous les points. La normalisation redistribue l’influence afin que l’écart modéré, mais significatif, ne soit pas perdu.

Si des points sont utilisés comme entrées de modèles statistiques ou de Machine Learning, la normalisation améliore la stabilité numérique, la comparabilité et l’interprétabilité. Beaucoup de modèles supposent implicitement des entrées normalisées ou délimitées ; les valeurs raster brutes violent souvent ces hypothèses et peuvent dégrader les performances de ces modèles.

Enfin, la normalisation est nécessaire lors de la combinaison ou comparaison de plusieurs rasters avec des unités ou échelles différentes, tels que la densité de population, les index d’accessibilité, les scores environnementaux ou les métriques de risque.

Quand éviter la normalisation

La normalisation doit être évitée si les valeurs raster possèdent déjà une signification probabiliste ou physique calibrée qui doit être préservée. Par exemple, si un raster représente des probabilités vraies ou des intensités validées empiriquement, la normalisation peut fausser l’interprétation.

La normalisation doit également être évitée si la magnitude absolue est essentielle. Si une cellule représente réellement deux fois la quantité d’une autre en unités réelles, la normalisation peut affaiblir cette relation et masquer des différences de magnitude significatives.

Si la préservation des unités d’origine pour les rapports ou l’interprétation est essentielle, la normalisation doit être utilisée avec prudence. Les entités ponctuelles en sortie contiennent à la fois des valeurs de cellule normalisées et d’origine, si la normalisation est appliquée.

Méthodes de normalisation

Le paramètre Normalization Method (Méthode de normalisation) permet de spécifier le mode de traitement des valeurs raster en entrée avant que l’outil ne génère les points en sortie. Chacune des options disponibles est décrite ci-dessous.

Aucune (aucune normalisation)

Les valeurs raster en entrée sont utilisées directement pour l’allocation des points et l’affectation des attributs. L’influence de chaque cellule est strictement proportionnelle à sa valeur d’origine. Les unités et la signification numérique du raster sont préservées sans transformation. Cette option suppose que le raster est déjà correctement mis à l’échelle, distribué et significatif du point de vue analytique pour un usage en aval.

Une surface de densité de noyau pour la criminalité ou les accidents de la route, ou des rasters de probabilité d’inondation générés par des modèles hydrologiques constituent des exemples d’entrées.

Normalisation Min-Max

L’option de normalisation Min-max redimensionne les valeurs raster sur une plage fixe, généralement entre 0 et 1.

\(x' = \large \frac{x - x_{\min}}{x_{\max} - x_{\min}}\)

• où :

  \(x'\) est la nouvelle valeur normalisée.

  \(x\) est la valeur de la cellule d’origine.

  \(x_{\min}\) est la valeur minimale de l’ensemble du raster.

  \(x_{\max}\) est la valeur maximale de l’ensemble du raster.

La transformation préserve l’ordre relatif des valeurs tout en limitant l’influence des valeurs extrêmes. Les différences entre valeurs faibles et élevées restent visibles, mais aucune cellule ne peut dominer l’allocation uniquement à cause de l’échelle.

Cette méthode de normalisation convient bien aux rasters représentant des index ou des scores relatifs plutôt que des quantités physiques.

Les indices d’adéquation à l’utilisation du sol issus d’une évaluation multicritère et les scores d’accessibilité mesurant la proximité des services ou infrastructures constituent des exemples d’entrées.

Normalisation par score z

L’option de normalisation Z-Score (Score z) exprime les valeurs raster en fonction de leur écart par rapport à la moyenne.

\(x' = \large \frac{x - \mu}{\sigma}\)

• où :

  \(x'\) est la nouvelle valeur normalisée.

  \(x\) est la valeur de la cellule d’origine.

  \(\mu\) est la moyenne.

  \(\sigma\) est l’écart-type.

Les valeurs supérieures à la moyenne deviennent positives, les valeurs inférieures à la moyenne deviennent négatives et la magnitude reflète à quel point une valeur est inhabituelle par rapport à la distribution globale. Cette transformation met l’accent sur l’écart relatif plutôt que la magnitude absolue.

Cette méthode de normalisation s’avère particulièrement utile pour identifier les anomalies ou écarts par rapport aux conditions typiques et non préserver des relations proportionnelles.

Les rasters d’anomalies de température représentant les écarts par rapport aux moyennes à long terme et les surfaces résiduelles issues de modèles de régression ou de détection de changement constituent des exemples d’entrées.

Normalisation sigmoïde

L’option de normalisation Sigmoid (Sigmoïde) applique une fonction logistique aux valeurs normalisées.

\(x' = \large \frac{1}{1 + e^{-z}}\)

• où :

  \(x'\) est la nouvelle valeur normalisée.

  \(z\) est la valeur en entrée normalisée.

  \(e\) est le nombre d’Euler (environ 2,71828).

La transformation comprime les valeurs extrêmes hautes et basses tout en préservant la variation près du centre de la distribution. Elle réduit la sensibilité aux points aberrants et produit des transitions douces entre les zones à faible et forte influence.

Cette méthode de normalisation est appropriée si une transition graduelle est du point de vue analytique plus significative que des contrastes nets.

Les indices de vulnérabilité sociale où le risque augmente ou diminue progressivement et les dégradés d’exposition ou de sensibilité environnementale constituent des exemples d’entrées de cette transformation.

Normalisation Softmax

L’option de normalisation Softmax convertit les valeurs raster en une distribution de probabilité globale.

\(x_i' = \Large \frac{e^{x_i}}{\sum_{j=1}^{K} e^{x_j}}\)

• où :

  \(i = 1, \ldots, K\) identifie chaque cellule incluse dans la normalisation.

  \(x_i'\) est la nouvelle valeur normalisée de la cellule \(i\).

  \(x_i\) est la valeur d’origine de la cellule \(i\).

  \(x_j\) est la valeur d’origine de la cellule \(j\) dans la somme du dénominateur.

  \(K\) est le nombre total de cellules incluses dans la normalisation.

  \(e\) est le nombre d’Euler (environ 2,71828).

Toutes les valeurs deviennent positives et leur somme est égale à un ; les cellules se disputent l’influence sur l’ensemble du raster. Les cellules avec des valeurs supérieures reçoivent des pondérations disproportionnellement plus élevés par rapport aux valeurs inférieures. La normalisation Softmax force les pondérations à être mutuellement exclusives ; augmenter la probabilité d’une cellule diminue celle de toutes les autres.

Cette méthode de normalisation est particulièrement utile pour modéliser le choix, la préférence ou la vraisemblance plutôt que la magnitude.

Les surfaces de préférence ou d’attractivité d’un site pour la modélisation de la localisation d’installations et les surfaces de probabilité utilisées dans les simulations stochastiques ou multi-agents constituent des exemples d’entrées.

Normalisation Log

L’option de normalisation Log permet de réduire l’asymétrie en compressant les valeurs élévées.

\(x' = \large \frac{\ln(x + C) - \ln(C)}{\ln(x_{\max} + C) - \ln(C)}, \quad C = |x_{\min}| + 1\)

• où :

  \(x'\) est la nouvelle valeur normalisée.

  \(x\) est la valeur de la cellule d’origine.

  \(x_{\min}\) est la valeur minimale de l’ensemble du raster.

  \(x_{\max}\) est la valeur maximale de l’ensemble du raster.

  \(C\) est la constante de décalage définie comme \(|x_{\min}| + 1\).

  \(\ln\) est le logarithme naturel.

La transformation atténue la domination des valeurs extrêmes tout en préservant l’ordre de classement et le modèle spatial global. Elle est particulièrement efficace pour les rasters présentant une distribution à traîne longue ou les valeurs couvrant plusieurs ordres de magnitude.

Cette méthode de normalisation permet de révéler des variations significatives entre des valeurs basses et modérées qui seraient autrement éclipsées par les valeurs extrêmes.

Les rasters de densité de population dans les régions métropolitaines et la surface de concentration de pollution ou d’exposition constituent des exemples d’entrées.

Normalisation Sum-to-one (Somme égale à un)

L’option de normalisation Sum-to-one (Somme égale à un) permet de convertir les valeurs raster en pondérations proportionnelles.

\(x_i' = \Large \frac{x_i}{\sum_{j=1}^{K} x_j}\)

• où :

  \(i = 1, \ldots, K\) identifie chaque cellule incluse dans la normalisation.

  \(x_i'\) est la nouvelle valeur normalisée.

  \(x_i\) est la valeur de la cellule d’origine.

  \(\sum_{j=1}^{K} x_j\) est la somme de toutes les valeurs de cellule d’origine incluses dans la normalisation.

La valeur de chaque cellule représente sa part de la valeur raster totale, afin que l’allocation et l’analyse préservent explicitement la masse. Les valeurs obtenues peuvent être interprétées comme des proportions ou des probabilités.

Cette méthode de normalisation est particulièrement utile si la quantité totale représentée par le raster doit être conservée entre les points en sortie.

Les rasters de densité de population et d’emploi utilisés pour la modélisation de la demande, l’allocation des ressources ou la surface de demande de service constituent des exemples d’entrées.

Arbre de décision des méthodes de normalisation

Le diagramme ci-après permet de déterminer la méthode de normalisation qui convient le mieux à votre analyse.

Distribution des points

L’allocation a pour objectif de distribuer un nombre total de points fixe sur le raster de manière à refléter la magnitude relative des valeurs des cellules. Le processus d’allocation est global : toutes les cellules raster valides se disputent une part du nombre total de points en fonction de leurs valeurs.

Soit \(V_i\) la valeur raster de la cellule \(i\) et \(V_T = \sum_{i=1}^{K} V_i\), la somme des valeurs des cellules raster sur toutes les cellules valides. Cela représente la masse totale ou l’influence de la surface.

\(P_{\max}\) est le nombre maximal de points demandés pour l’ensemble du raster. C’est le nombre maximal de points que vous définissez et non une limite par cellule.

Le nombre attendu de points attribués à chaque cellule est calculé comme suit :

\(P_i = P_{\max} \times \large \frac{V_i}{V_T}\)

• où :

  \(i = 1, \ldots, K\) identifie chaque cellule de raster valide.

  \(P_i\) est le nombre attendu de points alloués à la cellule \(i\).

  \(P_{\max}\) est le nombre maximal de points demandés pour le raster.

  \(V_i\) est la valeur raster de la cellule \(i\).

  \(V_T\) est la valeur totale du raster sur toutes les cellules valides.

Exemple

Soit un raster avec quatre cellules valides et les valeurs suivantes :

Cellule	Valeur (\(V_i\))
A	40
B	30
C	20
D	10

Valeur totale :

\(V_T = 40 + 30 + 20 + 10 = 100\)

Si vous demandez un maximum de 50 points :

\(P_{\max} = 50\)

L’allocation de points attendue pour chaque cellule est :

\(P_A = 50 \times \large \frac{40}{100} \normalsize = 20\)

\(P_B = 50 \times \frac{30}{100} \normalsize = 15\)

\(P_C = 50 \times \frac{20}{100} \normalsize = 10\)

\(P_D = 50 \times \frac{10}{100} \normalsize = 5\)

Dans ce cas, chaque allocation est un nombre entier et chaque cellule reçoit donc exactement ce nombre de points. Dans la plupart des cas réels, cependant, \(P_i\) n’est pas un entier. L’outil résout les allocations fractionnelles en utilisant un arrondi déterministe ou probabiliste.

Les cellules NoData sont exclues du calcul et n’apportent ni valeur ni points. Si le paramètre Limit one point per cell (Limiter à un point par cellule) est sélectionné, l’allocation est plafonnée de sorte que chaque cellule reçoive au plus un point, quelle que soit sa valeur.

Avantages des méthodes de distribution des points

La distribution des points contrôle la configuration spatiale du jeu de données ponctuelles en sortie et non l’allocation (quantité). Différents objectifs analytiques nécessitent différents agencements spatiaux pour éviter l’agrégation d’artefacts, garantir la reproductibilité ou protéger les informations sensibles.

Le placement n’est pas seulement une question de visualisation. Il peut modifier les résultats en aval dans les processus vectoriels même si les comptages sont identiques car de nombreuses opérations dépendent des distances point à point et de la géométrie locale (analyse d’agrégation, distance par rapport au point le plus proche, zonage de Voronoi, attribution de réseau, jonction spatiale avec contraintes de distance, etc.) En pratique, les méthodes de placement sont un ensemble de contrôles permettant de gérer quatre objectifs concurrents :

• Reproductibilité Cet objectif permet de garantir que les mêmes emplacements de points sont générés à chaque exécution de l’outil avec des entrées identiques.

• Incertitude et réalisme de la simulation Cet objectif permet de représenter les emplacements inconnus à l’intérieur de la cellule en distribuant les points dans la cellule et non en les fixant en un seul point.

• Séparation spatiale Cet objectif permet de réduire les superpositions de points et l’agrégation artificielle si plusieurs points sont placés dans une même cellule.

• Confidentialité et obscurcissement Cet objectif permet d’empêcher que les points soient interprétés comme des emplacements exacts tout en préservant les modèles spatiaux globaux.

La distribution des points détermine l’emplacement des points à l’intérieur d’une cellule raster une fois que le nombre de points a déjà été décidé. Elle n’affecte pas le nombre de points attribués à une cellule ; elle n’en contrôle que la géométrie. Cette distinction est cruciale : l’allocation préserve les relations entre les valeurs dans la surface, tandis que le placement contrôle le comportement de cette représentation dans l’analyse vectorielle.

Soit \(P_i\) le nombre de points alloués à la cellule raster \(i\). Si \(P_i = 1\), le choix du placement a un impact négligeable. Toutefois, à mesure que \(P_i\) augmente, les décisions de placement influencent fortement l’espacement des points, l’agrégation, la reproductibilité et la validité de l’analyse spatiale en aval.

Il existe différentes méthodes de placement car aucune stratégie unique ne convient à tous les objectifs analytiques. L’outil offre donc plusieurs options de placement afin que vous puissiez choisir une méthode correspondant aux hypothèses d’incertitude, de précision et d’intention analytique.

Méthodes de distribution des points

Il existe des méthodes de distribution des points pour garantir que la géométrie des points en sortie correspond à l’hypothèse analytique du processus. Si un seul point est créé par cellule, le choix du placement est généralement sans importance. À mesure que le nombre de points par cellule augmente, il devient essentiel de choisir une méthode de distribution appropriée pour éviter l’agrégation artificielle, les mauvaises interprétations ou les biais analytiques.

La section ci-après fournit des détails sur les méthodes de distribution des points disponibles et la meilleure manière de les utiliser dans vos processus.

• Cell center (Centre de cellule) : tous les points alloués à une cellule sont placés au centre géométrique de cette cellule. Cette méthode est simple, déterministe et entièrement reproductible. Elle est la plus appropriée si un seul point par cellule est généré et que l’alignement et la simplicité des cellules sont plus importants que le réalisme spatial à l’intérieur de la cellule.

  Utilisez cette option si un point par cellule est attendu ou que la position exacte à l’intérieur de la cellule n’est pas pertinente. Le placement au centre de la cellule est idéal pour des résultats simples et reproductibles où la précision spatiale à l’intérieur de la cellule n’est pas requise.

• Random (Aléatoire) : les points sont placés de manière aléatoire à l’intérieur des limites des cellules à l’aide d’une distribution uniforme. Cette méthode suppose que le phénomène représenté par le raster est susceptible de se produire n’importe où dans la cellule. Le placement aléatoire est utile si l’emplacement exact à l’intérieur de la cellule est inconnu, lors de la représentation de l’incertitude ou lors de l’anonymisation des informations sensibles. Les résultats ne sont pas reproductibles à moins qu’une valeur initiale aléatoire fixe ne soit utilisée (disponible via l’environnement).

  Utilisez cette option si l’incertitude, la simulation ou la protection de la vie privée est importante.

• Circular (Circulaire) : les points sont placés uniformément autour d’un centre de cercle à l’intérieur de la cellule. Cette méthode garantit que plusieurs points sont séparés visuellement et spatialement tout en restant proches du centre de la cellule. Elle est déterministe et évite la superposition qui se produit avec le placement au centre si plusieurs points sont générés. Le placement circulaire est avant tout une commodité géométrique plutôt qu’un modèle statistique de distribution spatiale.

  Utilisez cette option si plusieurs points sont attendus et que vous souhaitez une géométrie reproductible et espacée uniformément.

• Fibonacci Lattice (Treillis de Fibonacci) : les points sont distribués selon une suite à faible discrépance en fonction du nombre d’or pour obtenir un espacement presque uniforme. Cette méthode minimise l’agrégation et le biais directionnel sans former de grille rigide. Elle est déterministe et produit des points bien espacés même si de nombreux points sont placés dans une même cellule. Le placement selon la méthode Fibonacci Lattice (Treillis de Fibonacci) est utile si la séparation spatiale est importante, mais que le caractère aléatoire n’est pas souhaité.

  Utilisez cette option si plusieurs points par cellule sont attendus et qu’un espacement uniforme est important pour l’analyse.

• Fibonacci Spiral (Spirale de Fibonacci) : les points sont placés le long d’un modèle en spirale qui s’étend vers l’extérieur du centre de la celulle à l’aide d’un espacement basé sur le nombre d’or. Cette méthode produit un espacement quasi uniforme tout en maintenant un modèle structuré et reproductible. Par rapport aux treillis de Fibonacci, la spirale met l’accent sur la distribution radiale à partir du centre et est bien adaptée à la clarté visuelle et un espacement constant si le nombre de points est important.

  Utilisez cette option si vous préférez un placement déterministe avec un espacement lisse et à expansion uniforme.

• Equal-area Voronoi (Surface équivalente – Voronoï) : la cellule est sous-divisée en régions de même superficie et un point est placé dans chaque région. Cette méthode maximise la séparation spatiale entre les points par construction et évite à la fois la superposition et l’agrégation. Elle est déterministe et bien adaptée aux analyses axées sur la distance ou de voisinage où une proximité artificielle entre les points peut biaiser les résultats.

Arbre de décision des méthodes de distribution des points

Le diagramme ci-après permet de déterminer la méthode de distribution des points qui convient le mieux à votre analyse.

Comprendre les valeurs des attributs en sortie

Chaque entité en sortie inclut les valeurs attributaires suivantes :

• La valeur de la cellule raster d’origine

• La valeur distribuée

• La valeur normalisée (si appliquée)

Le champ OriginalValue enregistre la valeur de la cellule raster en entrée. Chaque point en sortie hérite de la valeur raster d’origine de la cellule à partir de laquelle il a été généré. Si plusieurs points sont créés à partir d’une même cellule, tous ces points portent la même valeur raster d’origine.

Ce champ est utile si les valeurs raster représentent des quantités ou index significatifs, que les points sont des représentations symboliques et non des fractions ou que l’analyse en aval nécessite l’échelle de valeurs d’origine.

Si une méthode de normalisation est sélectionnée, chaque point se voit attribuer la valeur normalisée de sa cellule source. Le nom exact du champ dépend de la méthode de normalisation sélectionnée. Il accepte les valeurs suivantse : Norm_Log, Norm_ZScore, Norm_Sigmoid, Norm_Sum_to_1, Norm_Softmax ou Norm_Min_Max.

Comme pour les valeurs d’origine, tous les points générés à partir d’une même cellule reçoivent la même valeur normalisée. Cette option est utile si des valeurs normalisées sont requises directement comme attributs pour la modélisation, la comparaison ou les processus de Machine Learning. Cela garantit la cohérence entre l’allocation de points et les attributs de points.

Le champ DistributedValue enregistre la valeur distribuée. Si plusieurs points proviennent d’une même cellule, la contribution de la cellule est répartie également entre tous les points. Si une cellule génère \(p_i\) points, chaque point reçoit une valeur de \(\frac{1}{p_i}\), de sorte que la somme des valeurs distribuées à l’intérieur de la cellule soit égale à un.

Cette option est conçue pour les processus dans lesquels les points représentent des fractions d’un total et non des copies symboliques d’une valeur. Elle est particulièrement utile pour l’échantillonnage proportionnel, les processus préservant la masse et l’analyse par simulation.

Sortie multipoint

Le paramètre Create multipoint output (Créer une sortie multi-points) contrôle le mode de stockage des points provenant d’une même cellule raster. Il n’affecte pas le mode d’allocation ou de placement.

Si ce paramètre est sélectionné, tous les points générés à partir d’une même cellule sont stockés sous forme d’une entité multi-point. Les valeurs attributaires sont stockées au niveau des entités et s’appliquent collectivement à tous les points de composants. Cette option permet de réduire le nombre d’entités tout en préservant les relations entre les valeurs. Elle est utile si l’identité au niveau de la cellule est plus importante que l’identité de chaque point.

Utilisez cette option si :

• vous gérez des sorties comportant un très grand nombre de points ;

• vous conservez une structure d’une entité par cellule ;

• vous transmettez la géométrie à des processus qui prennent en charge le multi-point.

Si ce paramètre n’est pas sélectionné, chaque point est stocké comme une entité ponctuelle individuelle. Les points en sortie provenant d’une même cellule sont des entités indépendantes avec des valeurs attributaires identiques ou distribuées. Cette option offre une flexibilité maximale pour l’analyse vectorielle, les jointures spatiales, les calculs de distance et les processus de Machine Learning qui attendent des enregistrements de points individuels.

Utilisez cette option si :

• l’analyse en aval fonctionne sur des points individuels ;

• une analyse axée sur la distance ou de voisinage est requise ;

• les processus de Machine Learning attendent un enregistrement par point.

Meilleures pratiques et avertissements

Les sections ci-après décrivent les points importants à prendre en compte pour l’utilisation de cet outil.

Comprendre la signification du raster en entrée

Avant d’utiliser cet outil, comprenez ce que représentent les valeurs raster. Elles peuvent décrire des comptages, densités, probabilités, index ou scores composites. Chacune a des implications différentes en termes de normalisation, de distribution et d’interprétation.

Par exemple, les rasters représentant des probabilités calibrées ou des grandeurs empiriques peuvent ne pas nécessiter de normalisation. Appliquer la normalisation sans comprendre la sémantique des rasters peut produire des résultats numériquement corrects, mais trompeurs du point de vue analytique.

Utiliser la normalisation en fonction de l’intention analytique

Sélectionnez la valeur du paramètre Normalization Method (Méthode de normalisation) en fonction de l’utilisation des points et pas seulement de la plage numérique des valeurs raster.

Si l’objectif est la représentation proportionnelle, comme la distribution de la population ou de la demande, l’option de normalisation Sum-to-one (Somme égale à un) ou Min-Max est souvent appropriée. Si l’objectif est la détection d’anomalies ou l’écart relatif, l’option de normalisation Z-Score (Score z) peut être plus appropriée.

Être prudent avec les valeurs extrêmes et les distributions asymétriques

Avec des rasters très asymétriques, un petit nombre de cellules peuvent dominer l’allocation de points. Cela peut refléter les données sous-jacentes, mais peut également masquer une variation significative dans les régions à valeur modérée.

Les options de normalisation Log ou Sigmoid (Sigmoïde) peuvent réduire cette dominance tout en préservant les modèles spatiaux globaux. Toutefois, une compression excessive des valeurs peut sous-représenter les zones légitimement extrêmes. L’équilibre entre la préservation des valeurs extrêmes et la révélation de modèles plus vastes dépend des objectifs analytiques.

Choisir des méthodes de distribution des points en fonction de l’analyse et non de l’apparence

Les méthodes de distribution des points influencent le comportement des points dans les analyses vectorielles ultérieures et pas seulement leur apparence visuelle. Si plusieurs points sont placés dans une même cellule, de mauvais choix de placement peuvent introduire une agrégation artificielle qui affecte les statistiques axées sur la distance, l’analyse de voisinage ou les jointures spatiales.

Le placement aléatoire représente mieux l’incertitude et peut prendre en charge les processus préservant la confidentialité. Des méthodes structurées, telles que le placement avec la suite de Fibonacci ou la surface équivalente de Voronoï, sont recommandées si plusieurs points par cellule sont attendus et que la séparation spatiale est importante.

Prendre en compte la reproductibilité et le caractère aléatoire

De par sa conception, le placement aléatoire introduit la variabilité. Cela est utile pour la simulation, l’analyse d’incertitude ou l’anonymisation, mais peut compliquer la reproductibilité.

Les résultats peuvent différer d’une série à une autre, sauf s’ils sont contrôlés par le paramètre d’environnement à l’aide d’une valeur initiale fixe. Un placement déterministe garantit la reproductibilité et est préférable si les résultats doivent être audités, comparés entre différents scénarios ou réutilisés dans des processus de production.

Interpréter les points comme des représentations et non des observations

Les points générés par cet outil sont des représentations d’une surface continue et non des observations ou événements directs. Leurs emplacements sont déterminés par la logique d’allocation et de distribution et non par des phénomènes mesurés à des coordonnées exactes.

Traiter les points en sortie comme des données observées, telles que des incidents ou des mesures, peut conduire à des conclusions erronées.

Être prudent avec le paramètre Limit One Point per Cell (Limiter à un point par cellule)

Le paramètre Limit One Point per Cell (Limiter à un point par cellule) simplifie les sorties mais supprime l’information de magnitude en réduisant la variation en une représentation binaire de présence ou d’absence.

Cette option est utile pour certains processus de classification ou d’échantillonnage, mais elle supprime la possibilité de représenter les différences d’intensité entre les cellules.

Utiliser les valeurs des cellules d’origine pour l’interprétation et la validation

La conservation des valeurs des cellules d’origine dans les attributs en sortie permet d’améliorer la transparence et de prendre en charge la validation. Elle prend également en charge l’audit, le reporting et le diagnostic des modèles en aval.

Applications possibles

Voici quelques applications possibles de cet outil :

• Les surfaces de densité de criminalité peuvent être converties en points représentatifs pour prendre en charge la planification des patrouilles et l’allocation des ressources tout en préservant l’intensité spatiale. Les points résultants permettent la modélisation et les tests de scénarios sans révéler les emplacements exacts des incidents.

• Les rasters d’exposition à la maladie ou de risque d’infection peuvent être échantillonnés en points probabilistes pour la modélisation épidémiologique et l’évaluation des risques. Ces points conservent des modèles d’exposition relatifs et s’intègrent parfaitement aux données vectorielles démographiques ou environnementales.

• Les surfaces de densité de population peuvent être transformées en points de demande synthétiques pour l’analyse des transports et des infrastructures. Chaque point représente une partie de la population sous-jacente, pour une modélisation de la demande et l’accessibilité basée sur le réseau.

• Les rasters d’adéquation de l’habitat peuvent être convertis en points représentatifs pour la modélisation de la distribution des espèces et la planification de la protection de l’environnement. Les points conservent leur adéquation relative, mais peuvent s’intégrer aux données de terrain et modèles prédictifs.

• Les surfaces d’index ou d’anomalies climatiques peuvent être échantillonnées en points normalisés pour la modélisation spatiale et les processus de Machine Learning. Cela permet la détection efficace des modèles, les prévisions et l’analyse d’incertitude à l’aide de processus vectoriels.

Résumé

L’outil Raster to Weighted Points (Raster vers points pondérés) offre une manière plus structurée et scientifique de convertir des surfaces raster continues en entités ponctuelles représentatives tout en préservant les modèles spatiaux et les relations entre les valeurs.

En combinant la normalisation optionnelle, l’allocation proportionnelle des points et des stratégies flexibles de placement des points, cet outil contribue à garantir que les points en sortie reflètent la surface sous-jacente de manière numériquement stable et significative du point de vue analytique. Cela permet d’intégrer des informations raster continues dans des processus vectoriels tels que la modélisation, la simulation, l’analyse d’incertitude et l’analyse spatiale avancée, sans perdre les caractéristiques spatiales ou quantitatives qui rendent la surface informative.

Références supplémentaires

• Baddeley, A., Rubak, E., & Turner, R. (2015). Spatial Point Patterns: Methodology and Applications. CRC Press.

• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

• Diggle, P. J. (2013). Statistical Analysis of Spatial and Spatio-Temporal Point Patterns. CRC Press.

• González, Á. (2010). "Measurement of Areas on a Sphere Using Fibonacci and Latitude–Longitude Lattices." Math Geosci, 42, 49–64. https://doi.org/10.1007/s11004-009-9257-x

• Jain, A. K., Nandakumar, K., & Ross, A. (2005). Score normalization in multimodal biometric systems. Pattern Recognition.

• Niederreiter, H. (1992). Random Number Generation and Quasi-Monte Carlo Methods. SIAM.

Rubriques connexes

• Vue d’ensemble du jeu d’outils Density (Densité)