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

D. Implementation with local points

La méthode mise en place dans cette partie consiste à utiliser pour entraîner le modèle les points générés au moyen of the predictive model local. Parmi les différences appliquées, il convient notamment de changer la taille de cellule unitaire afin qu'elle soit adaptée à ces sites. La valeur choisie est de 0,0016 km², s'avérant pertinente d'après les calculs à l'échelle locale. L'outil de réduction des sites mis à disposition dans ArcSDM est utilisé : lors de la création des points, une distance minimale de 40 m avait été imposée au sein de chaque classe, mais des sites situés au niveau de deux classes différentes peuvent être plus proche que cette valeur.

Tous les paramètres sont restreints au masque local par extraction pour l'entraînement, il est donc important de prendre en compte le fait que toutes les classes d'évidences ne seront sans doute pas représentées, et d'envisager comment traiter ce problème.

1. Analysis of the weights

i. EORB (500 m)

Un premier entraînement est effectué avec les types categorical et ascending, mais ne donne aucun résultat satisfaisant. Une reclassification est effectuée, afin de tester une ENBR positive ou négative comme dans le cas précédent, mais sans succès, ce paramètre ne sera donc pas utilisé.

ii. SRTM

Une fois encore, les poids calculés ne donnent aucune information intéressante pour ce paramètre qui sera donc ignoré.

iii. Topographic slope, drainage and fertility

Les paramètres de drainage et fertilité donnent de très bons résultats : ils ne nécessitent pas de reclassification, les poids sont correctement ordonnés et les niveaux de confiances très élevés du fait du nombre très important de points d'entraînement utilisés.

Drainage
ClasseW+W-ContrasteConfiancePoids
10.98-0.51.48128.090.98
20.17-0.060.2318.10.17
3-0.490.18-0.67-47.5-0.49
4-2.810.27-3.08-66.65-2.81
Fertilité
ClasseW+W-ContrasteConfiancePoids
10.68-0.921.6121.480.68
2-0.560.26-0.81-60.81-0.56
3-2.470.11-2.58-44.79-2.47
4-4.70.1-4.8-25.37-4.7

Pour la pente en revanche, le résultat n'est pas concluant. Il est cependant possible de prendre en compte les sites ayant servi à entraîner le masque local à l'origine plutôt que ceux propagés (ce qui se justifie par le fait que ceux-là sont à l'origine du modèle), et d'utiliser leurs poids : il est rappelé que deux classes sont considérées, selon que la pente est supérieure ou inférieure à 33%.

Pente topographique
ClasseW+W-ContrasteConfiancePoids
00.02-1.671.692.370.02
33-1.670.02-1.69-2.37-1.67

2. Probability map

Trois paramètres sont donc finalement retenus pour le calcul de la carte de probabilités : drainage, fertilité, et pente topographique.

Il est possible d'affiner cette carte en prenant en compte les poids calculés pour le SRTM et l'ENBR au moyen de la méthode précédente, auquel cas l'efficacité de prédiction est augmentée. La justification de cet ajout vient du fait que ces paramètres sont pertinents, les qualités du SRTM et de l'ENBR calculé à partir de celui-ci étant clairement identifiées et adaptées au problème à la différence de la fertilité et du drainage, il serait donc dommage de ne pas les utiliser.

Illustration 36: probabilités pour la région obtenues avec mod_population
css Copyright © 2018 Sébastien Merlet (Sebeto) xhtml