Important

La traduction est le fruit d’un effort communautaire auquel vous pouvez vous joindre. Cette page est actuellement traduite à 66.67%.

17.14. Premier exemple d’analyse

Note

Dans cette leçon, nous effectuerons une véritable analyse en utilisant uniquement la boîte à outils, afin que vous puissiez vous familiariser avec les éléments du module de traitements.

Maintenant que tout est configuré et que nous pouvons utiliser des algorithmes externes, nous avons un outil très puissant pour effectuer une analyse spatiale. Il est temps de réaliser un exercice plus important avec des données du monde réel.

Nous utiliserons l’ensemble de données bien connu que John Snow a utilisé en 1854, dans ses travaux révolutionnaires (https://en.wikipedia.org/wiki/John_Snow_%28physician%29), et nous obtiendrons des résultats intéressants. L’analyse de cet ensemble de données est assez évidente et il n’est pas nécessaire de recourir à des techniques SIG sophistiquées pour obtenir de bons résultats et conclusions, mais c’est un bon moyen de montrer comment ces problèmes spatiaux peuvent être analysés et résolus en utilisant différents outils de traitement.

Le jeu de données contient des fichiers Shape qui référencent les décès dus au choléra, les emplacements des pompes à eau ainsi qu’une carte raster issue d’OSM au format TIFF. Ouvrez le projet QGIS correspondant à cette leçon.

The first thing to do is to calculate the Voronoi diagram (a.k.a. Thiessen polygons) of the pumps layer, to get the influence zone of each pump. The Voronoi polygons algorithm can be used for that.

C’est assez facile, mais cela nous donne déjà des informations intéressantes.

Il est clair que la plupart des cas soient dans un des polygones.

To get a more quantitative result, we can count the number of deaths in each polygon. Since each point represents a building where deaths occured, and the number of deaths is stored in an attribute, we cannot just count the points. We need a weighted count, so we will use the Count points in polygon tool.

The new field will be called DEATHS, and we use the COUNT field as weighting field. The resulting table clearly reflects that the number of deaths in the polygon corresponding to the first pump is much larger than the other ones.

Another good way of visualizing the dependence of each point in the Cholera_deaths layer with a point in the Pumps layer is to draw a line to the closest one. This can be done with the Distance to nearest hub tool, and using the configuration shown next.

Le résultat ressemble à cela :

Bien que le nombre de lignes soit plus grand dans le cas de la pompe centrale, n’oubliez pas que cela ne représente par le nombre de décès, mais le nombre de lieux où des cas de choléra ont été détecté. C’est un paramètre représentatif, mais il ne considère pas que certains emplacements puissent représenter plus de cas qu’un autre.

A density layer will also give us a very clear view of what is happening. We can create it with the Heatmap (Kernel density estimation) algorithm. Using the Cholera_deaths layer, its COUNT field as weight field, with a radius of 100, the extent and cell size of the streets raster layer, we get something like this.

Remember that, to get the output extent, you do not have to type it. Click on the button on the right-hand side and select Use layer/canvas extent.

Sélectionnez la couche raster des routes et son étendue sera automatiquement ajoutée au champ de texte. Vous devez faire de même avec la taille de cellule, en sélectionnant la taille de cellule de cette couche.

En combinant la couche des pompes, nous voyons qu’il y a une pompe qui se trouve clairement dans le point chaud où la densité maximale de cas de décès a été trouvée.