A Maya predictive model
A study on the use of Geographic Information Systems in a multi-scale archaeological project
Previous page Table of content Next page

C. Implementation with the regional sites

La méthode localement utilisée est maintenant appliquée aux 212 points disponibles à l'échelle régionale pour les cinq paramètres présentés, avec une cellule unitaire de 300 m de côté, soit 0.09 km². Au vu du faible nombre de points en comparaison de la taille de la zone d'étude, il est nécessaire d'abaisser le niveau de confiance exigé pour accepter les poids, qui est ramené à un pour cette partie.

1. Analysis of the weights

i. EORB (500 m)

Un calcul des poids en considérant les dix classes d'évidence précédemment définies ne donne aucun résultat satisfaisant, même avec une confiance acceptable de 1 (~85%) qui pourrait être plus adaptée à cette échelle. Il apparaît que les classes 1 à 4 (moins de -5 mètres) et 7 à 10 (plus de 5 m) couvrent des superficies beaucoup plus petites que les classes 5 et 6, elles sont donc groupées pour un nouvel essai. Les résultats n'étant pas plus concluants, un dernier essai est effectué avec seulement deux classes : élévation supérieure à la moyenne (codée « 1 »), et élévation inférieure à la moyenne (codée « -1 »).

Cette dernière reclassification donne un résultat satisfaisant avec un type categorical. Il apparaît qu'un poids négatif baissant les probabilités est donné à la classe d'évidence représentant une élévation inférieure à la moyenne de la base considérée, alors que l'autre hérite d'un poids positif.

ENBR categorical
ClasseW+W-ContrasteConfiancePoids
-1-0.110.11-0.23-1.63-0.11
10.11-0.110.231.630.11

Un essai avec une ENBR calculée au moyen d'un rayon de base plus important (1 000 m) conduit à la même classification. Les poids sont cependant légèrement différents et la confiance est moins importante avec ce paramètre.

ii. SRTM

Le modèle d'élévation à disposition comporte de très nombreuses classes, avec des valeurs allant de - 11 mètres à 1 118 mètres. Cela exclut d'utiliser un type categorical sans reclassification préalable. Un entraînement ascending définit une valeur de coupure à 612 mètres, et un calcul en categorical après reclassification donne une valeur de confiance de 2,35.

SRTM
ClasseW+W-ContrasteConfiancePoids
00.04-2.312.352.350.04
612-2.310.04-2.35-2.35-2.31

Les autres essais de reclassification ne sont pas concluants.

iii. Topographic slope

La pente topographique est testée en utilisant un type ascending du fait du nombre très important de classes (182) et de leur organisation. Une limite de classe apparaît à 28%, valeur intéressante puisque le modèle local faisait apparaître une coupure à 33% (Table 5).

Pente topographique
ClasseW+W-ContrasteConfiancePoids
00.02-1.781.811.80.02
28-1.780.02-1.81-1.8-1.78

Après reclassification et calcul en mode categorical, la confiance finale vaut 1,8. Celle-ci est tout à fait acceptable au vu du faible nombre de points d'entraînement par rapport à l'étendue de la zone, d'autant plus que les poids correspondant sont quasiment les mêmes que ceux du modèle local, ce qui renforce la confiance en la qualité du résultat.

iv. Fertility and drainage

Un entraînement utilisant un type categorical ne donne pas de résultat convenable pour les quatre classes d'évidence de ces paramètres : les poids ne sont pas ordonnés comme ils le devraient, les meilleures classes recevant des poids trop faibles par rapport aux secondes.

Pour la fertilité, le fait de regrouper les deux premières classes résout le problème : les poids sont correctement ordonnés, et une reclassification en les groupant donne un poids médian validant ces valeurs.

Drainage
ClasseW+W-ContrasteConfiancePoids
10.05-0.320.371.720.05
4-0.320.05-0.37-1.72-0.32
Fertilité
ClasseW+W-ContrasteConfiancePoids
10.09-0.430.522.660.09
3-0.360.05-0.42-1.85-0.36
4-0.590.03-0.63-1.74-0.59

Pour le drainage, un entraînement ascending fait apparaître la nécessité de grouper les trois premières classes pour obtenir un résultat satisfaisant, cela venant peut-être également de la qualité très discutable du jeu de données utilisé.

2. Probability map

Les cinq paramètres précédents sont donc utilisés pour créer la carte de probabilités, présentée ci-dessous (Illustration 35).

Illustration 35: probabilités pour la région obtenues avec a_regional

Une utilisation de l'outil Area Frequency Tool fait apparaître une efficacité de classification de 58% en utilisant le jeu d'entraînement, et une efficacité de prédiction de 63,5% en considérant les sites issus du modèle local. Ces valeurs apparaissent raisonnables au vu de la qualité des paramètres disponibles, et il est intéressant de voir qu'un entraînement au moyen de sites généralisés permet tout de même de prédire les unités résidentielles individuelles.

Le test d'Agterberg-Cheng donne une probabilité de 54,9% que le modèle ne soit pas conditionnellement indépendant, la dépendance n'apparaissant cependant pas être très forte.

css Copyright © 2018 Sébastien Merlet (Sebeto) xhtml