aspa1 - unistra.frudsmed.u-strasbg.fr/labiostat/img/pdf/krigeage.pdfahmed hamadouche septembre 2006...
TRANSCRIPT
Universite Louis Pasteur Strasbourg
ASPA1
Krigeage et pollution atmospherique
Ahmed Hamadouche
Septembre 2006
1Association pour la Surveillance et l′etude de la Pollution Atmospherique en Alsace
Plan de l′expose
X Objectif
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
X Problematique
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
X Problematique
X Etude de cas: Mulhouse
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
X Problematique
X Etude de cas: Mulhouse
X Generalisation de la methode a l’Alsace
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
X Problematique
X Etude de cas: Mulhouse
X Generalisation de la methode a l’Alsace
X ISATIS: programmation en mode batch
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
X Problematique
X Etude de cas: Mulhouse
X Generalisation de la methode a l’Alsace
X ISATIS: programmation en mode batch
X Conclusion
Universite Louis Pasteur – ASPA 1
Plan de l′expose
X Objectif
X Krigeage vs krigeage avec derive(s) externe(s)
X Problematique
X Etude de cas: Mulhouse
X Generalisation de la methode a l’Alsace
X ISATIS: programmation en mode batch
X Conclusion
X Perspectives
Universite Louis Pasteur – ASPA 1
Objectif
X Cartographier un polluant (NO2, C6H6) avec le logiciel ISATIS
Universite Louis Pasteur – ASPA 2
Objectif
X Cartographier un polluant (NO2, C6H6) avec le logiciel ISATIS
? Methode mise en œuvre
Universite Louis Pasteur – ASPA 2
Objectif
X Cartographier un polluant (NO2, C6H6) avec le logiciel ISATIS
? Methode mise en œuvre
Krigeage avec derive(s) externe(s)
Universite Louis Pasteur – ASPA 2
Objectif
X Cartographier un polluant (NO2, C6H6) avec le logiciel ISATIS
? Methode mise en œuvre
Krigeage avec derive(s) externe(s)
contrainte: ISATIS gere au maximum trois derives externes !
Universite Louis Pasteur – ASPA 2
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage est une combinaison lineaire des donnees tenant compte:
Universite Louis Pasteur – ASPA 3
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage est une combinaison lineaire des donnees tenant compte:
des distances entre les donnees
Universite Louis Pasteur – ASPA 3
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage est une combinaison lineaire des donnees tenant compte:
des distances entre les donnees
des distances entre les donnees et la cible
Universite Louis Pasteur – ASPA 3
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage est une combinaison lineaire des donnees tenant compte:
des distances entre les donnees
des distances entre les donnees et la cible
de la structure spatiale
Universite Louis Pasteur – ASPA 3
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage est une combinaison lineaire des donnees tenant compte:
des distances entre les donnees
des distances entre les donnees et la cible
de la structure spatiale
et d’autres informations telles que par exemple la sismique, lageologie,. . .
Universite Louis Pasteur – ASPA 3
Krigeage vs krigeage avec derive(s)externe(s)
Universite Louis Pasteur – ASPA 4
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
? Z(s0) est une combinaison lineaire des donnees Z(si)
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
? Z(s0) est une combinaison lineaire des donnees Z(si)
Z(s0) =n∑
i=1
λiZ(si)
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
? Z(s0) est une combinaison lineaire des donnees Z(si)
Z(s0) =n∑
i=1
λiZ(si)
? Z(s0) est sans biais
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
? Z(s0) est une combinaison lineaire des donnees Z(si)
Z(s0) =n∑
i=1
λiZ(si)
? Z(s0) est sans biais
E[Z(s0)− Z(s0)
]= 0
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
? Z(s0) est une combinaison lineaire des donnees Z(si)
Z(s0) =n∑
i=1
λiZ(si)
? Z(s0) est sans biais
E[Z(s0)− Z(s0)
]= 0
? Z(s0) est optimal
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Le krigeage Z(s0) en un point s0 est un estimateur de Z(s0) ayant lesproprietes suivantes:
? Z(s0) est une combinaison lineaire des donnees Z(si)
Z(s0) =n∑
i=1
λiZ(si)
? Z(s0) est sans biais
E[Z(s0)− Z(s0)
]= 0
? Z(s0) est optimal
V ar[Z(s0)− Z(s0)
]minimale
Universite Louis Pasteur – ASPA 5
Krigeage vs krigeage avec derive(s)externe(s)
X Les hypotheses (stationnarite d’ordre 2) sont les suivantes:
Universite Louis Pasteur – ASPA 6
Krigeage vs krigeage avec derive(s)externe(s)
X Les hypotheses (stationnarite d’ordre 2) sont les suivantes:{∀ s ∈ V, E [Z(s)] inconnue∀ s, s + h ∈ V, Cov [Z(s + h), Z(s)] = C(h)
ou V est le voisinage de krigeage.
Universite Louis Pasteur – ASPA 6
Krigeage vs krigeage avec derive(s)externe(s)
X Les hypotheses (stationnarite d’ordre 2) sont les suivantes:{∀ s ∈ V, E [Z(s)] inconnue∀ s, s + h ∈ V, Cov [Z(s + h), Z(s)] = C(h)
ou V est le voisinage de krigeage.
X Resolution du systeme de krigeage ordinaire
n∑i=1
λiC(sj − si) + µ = C(sj − s0) ∀ j = 1, . . . , n
n∑i=1
λi = 1
Universite Louis Pasteur – ASPA 6
Krigeage vs krigeage avec derive(s)externe(s)
X Dans la realite: pratiquement jamais de stationnarite
Universite Louis Pasteur – ASPA 7
Krigeage vs krigeage avec derive(s)externe(s)
X Dans la realite: pratiquement jamais de stationnarite
krigeage avec derive(s) externe(s)
Universite Louis Pasteur – ASPA 7
Krigeage vs krigeage avec derive(s)externe(s)
X Dans la realite: pratiquement jamais de stationnarite
krigeage avec derive(s) externe(s)
X Principe
Universite Louis Pasteur – ASPA 7
Krigeage vs krigeage avec derive(s)externe(s)
X Dans la realite: pratiquement jamais de stationnarite
krigeage avec derive(s) externe(s)
X Principe
? Decomposer la fonction aleatoire Z(s)
Z(s) = Y (s)︸︷︷︸residu
+m(s)︸ ︷︷ ︸derive
Universite Louis Pasteur – ASPA 7
Krigeage vs krigeage avec derive(s)externe(s)
X Soit S une fonction correlee a la variable Z telle que:
E [Z(s)] = m(s) = a0 + a1S(s) a0 et a1 inconnus
Universite Louis Pasteur – ASPA 8
Krigeage vs krigeage avec derive(s)externe(s)
X Soit S une fonction correlee a la variable Z telle que:
E [Z(s)] = m(s) = a0 + a1S(s) a0 et a1 inconnus
S est appelee derive externe
Universite Louis Pasteur – ASPA 8
Krigeage vs krigeage avec derive(s)externe(s)
X Soit S une fonction correlee a la variable Z telle que:
E [Z(s)] = m(s) = a0 + a1S(s) a0 et a1 inconnus
S est appelee derive externe
X Le systeme de krigeage avec derive externe s’ecrit alors:
n∑i=1
λi = 1
n∑i=1
λiS(si) = S(s0)
n∑j=1
λjKij + µ0 + µ1S(si) = Ki0 ∀i
Universite Louis Pasteur – ASPA 8
Problematique
X Nombre de variables auxiliaires disponibles trop grand!
Universite Louis Pasteur – ASPA 9
Problematique
X Nombre de variables auxiliaires disponibles trop grand!
Analyse en Composantes Principales
Universite Louis Pasteur – ASPA 9
Problematique
X Nombre de variables auxiliaires disponibles trop grand!
Analyse en Composantes Principales
X Choix adequat des variables auxiliaires
Universite Louis Pasteur – ASPA 9
Problematique
X Nombre de variables auxiliaires disponibles trop grand!
Analyse en Composantes Principales
X Choix adequat des variables auxiliaires
Regression lineaire multiple
Universite Louis Pasteur – ASPA 9
Problematique
X Nombre de variables auxiliaires disponibles trop grand!
Analyse en Composantes Principales
X Choix adequat des variables auxiliaires
Regression lineaire multiple
tests statistiques
Universite Louis Pasteur – ASPA 9
Analyse en Composantes Principales
X Les donnees
Universite Louis Pasteur – ASPA 10
Analyse en Composantes Principales
X Les donnees
– n observations et p variables quantitatives y1, ...,yp
Universite Louis Pasteur – ASPA 10
Analyse en Composantes Principales
X Les donnees
– n observations et p variables quantitatives y1, ...,yp
Y =
y11 . . . yj
1 . . . yp1... ... ...
y1i . . . yj
i . . . ypi... ... ...
y1n . . . yj
n . . . ypn
Universite Louis Pasteur – ASPA 10
Analyse en Composantes Principales
X Question:
Universite Louis Pasteur – ASPA 11
Analyse en Composantes Principales
X Question:
– Si n = 1000 et p = 60 , comment representer les variables dans unespace a 60 dimensions?
Universite Louis Pasteur – ASPA 11
Analyse en Composantes Principales
X Question:
– Si n = 1000 et p = 60 , comment representer les variables dans unespace a 60 dimensions? il faut reduire le nombre de variables!
Universite Louis Pasteur – ASPA 11
Analyse en Composantes Principales
X Question:
– Si n = 1000 et p = 60 , comment representer les variables dans unespace a 60 dimensions? il faut reduire le nombre de variables!
X Principe de l’ACP
Universite Louis Pasteur – ASPA 11
Analyse en Composantes Principales
X Question:
– Si n = 1000 et p = 60 , comment representer les variables dans unespace a 60 dimensions? il faut reduire le nombre de variables!
X Principe de l’ACP
Resumer les 60 variables en 5 variables qui pourraient reconstituerapproximativement les 60 .
Universite Louis Pasteur – ASPA 11
Analyse en Composantes Principales
X Application a nos donnees (Mulhouse)
Universite Louis Pasteur – ASPA 12
Analyse en Composantes Principales
X Application a nos donnees (Mulhouse)
Le fichier des immissions: 11984 observations, 10 variables
Universite Louis Pasteur – ASPA 12
Analyse en Composantes Principales
X Application a nos donnees (Mulhouse)
Le fichier des immissions: 11984 observations, 10 variables? densite de populationI POP
Universite Louis Pasteur – ASPA 12
Analyse en Composantes Principales
X Application a nos donnees (Mulhouse)
Le fichier des immissions: 11984 observations, 10 variables? densite de populationI POP
? occupation du solI BATIDENS, BATILACHE, INDUS, CONIF, FEUILLUS,
VIGNES, PRAIRIES, CULTPRINT
Universite Louis Pasteur – ASPA 12
Analyse en Composantes Principales
X Application a nos donnees (Mulhouse)
Le fichier des immissions: 11984 observations, 10 variables? densite de populationI POP
? occupation du solI BATIDENS, BATILACHE, INDUS, CONIF, FEUILLUS,
VIGNES, PRAIRIES, CULTPRINT
? altimetrieI ALTI
Universite Louis Pasteur – ASPA 12
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
? benzeneI BENZ
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
? benzeneI BENZ
? composes organiques volatiles non methaniquesI COVNM
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
? benzeneI BENZ
? composes organiques volatiles non methaniquesI COVNM
? particulesI PAR
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
? benzeneI BENZ
? composes organiques volatiles non methaniquesI COVNM
? particulesI PAR
? dioxyde de soufreI SO2
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
? benzeneI BENZ
? composes organiques volatiles non methaniquesI COVNM
? particulesI PAR
? dioxyde de soufreI SO2
? monoxyde de carboneI CO
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Application a nos donnees: Mulhouse
Les emissions: 462 observations, 7 variables? oxydes d’azoteI NOx
? benzeneI BENZ
? composes organiques volatiles non methaniquesI COVNM
? particulesI PAR
? dioxyde de soufreI SO2
? monoxyde de carboneI CO
? benzo(a)pyreneI BaP
Universite Louis Pasteur – ASPA 13
Analyse en Composantes Principales
X Au total: 17 variables
Universite Louis Pasteur – ASPA 14
Analyse en Composantes Principales
X Au total: 17 variables
– 10 variables pour l’occupation du sol
Universite Louis Pasteur – ASPA 14
Analyse en Composantes Principales
X Au total: 17 variables
– 10 variables pour l’occupation du sol
– 7 variables pour les emissions
Beaucoup trop pour un choix adequat des variables auxiliaires! Analyse en Composantes Principales
Universite Louis Pasteur – ASPA 14
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
– 2eme variable: X2
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
– 2eme variable: X2
I X2 = CFLSFEUILLUS + CCPTCULTPRINT + CPRSPRAIRIES + CVGSVIGNES
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
– 2eme variable: X2
I X2 = CFLSFEUILLUS + CCPTCULTPRINT + CPRSPRAIRIES + CVGSVIGNES
vegetation
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
– 2eme variable: X2
I X2 = CFLSFEUILLUS + CCPTCULTPRINT + CPRSPRAIRIES + CVGSVIGNES
vegetation
– 3eme variable: X3
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
– 2eme variable: X2
I X2 = CFLSFEUILLUS + CCPTCULTPRINT + CPRSPRAIRIES + CVGSVIGNES
vegetation
– 3eme variable: X3
I X3 = CCPTCULTPRINT + CVGSVIGNES + CPRSPRAIRIES
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’ occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 1ere variable: X1
I X1 = CBTDBATIDENS + CBTLBATILACHE + CINDINDUS espaces a caracteres urbains / peri–urbains
– 2eme variable: X2
I X2 = CFLSFEUILLUS + CCPTCULTPRINT + CPRSPRAIRIES + CVGSVIGNES
vegetation
– 3eme variable: X3
I X3 = CCPTCULTPRINT + CVGSVIGNES + CPRSPRAIRIES cultures
Universite Louis Pasteur – ASPA 15
Analyse en Composantes Principales
X ACP sur l’occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 4eme variable: X4
Universite Louis Pasteur – ASPA 16
Analyse en Composantes Principales
X ACP sur l’occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 4eme variable: X4
I X4 = CINDINDUS + CBTLBATILACHE
Universite Louis Pasteur – ASPA 16
Analyse en Composantes Principales
X ACP sur l’occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 4eme variable: X4
I X4 = CINDINDUS + CBTLBATILACHE industrialisation
Universite Louis Pasteur – ASPA 16
Analyse en Composantes Principales
X ACP sur l’occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 4eme variable: X4
I X4 = CINDINDUS + CBTLBATILACHE industrialisation
– 5eme variable: X5
Universite Louis Pasteur – ASPA 16
Analyse en Composantes Principales
X ACP sur l’occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 4eme variable: X4
I X4 = CINDINDUS + CBTLBATILACHE industrialisation
– 5eme variable: X5
I X5 = CONIF
Universite Louis Pasteur – ASPA 16
Analyse en Composantes Principales
X ACP sur l’occupation du sol
On retient 5 variables 86% de l’information de depart restituee
– 4eme variable: X4
I X4 = CINDINDUS + CBTLBATILACHE industrialisation
– 5eme variable: X5
I X5 = CONIF coniferes
Universite Louis Pasteur – ASPA 16
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR pollution trafic
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR pollution trafic
– 7eme variable: X7
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR pollution trafic
– 7eme variable: X7
I X7 = CSO2SO2 + CCOVNMCOVNM
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR pollution trafic
– 7eme variable: X7
I X7 = CSO2SO2 + CCOVNMCOVNM
pollution industrielle
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR pollution trafic
– 7eme variable: X7
I X7 = CSO2SO2 + CCOVNMCOVNM
pollution industrielle
X Conclusion
? Reduction du nombre de variables de 15 a 9.
Universite Louis Pasteur – ASPA 17
Analyse en Composantes Principales
X ACP sur les emissions
On retient 2 variables 80% de l’information de depart restituee
– 6eme variable: X6
I X6 = CBENZBENZ + CCOCO + CBAPBAP + CNOXNOX + CPARPAR pollution trafic
– 7eme variable: X7
I X7 = CSO2SO2 + CCOVNMCOVNM
pollution industrielle
X Conclusion
? Reduction du nombre de variables de 15 a 9. Il s’agit maintenant de trouver les variables auxiliaires adequates pour
cartographier le polluant souhaite.
Universite Louis Pasteur – ASPA 17
Regression lineaire multiple
X Principe
Universite Louis Pasteur – ASPA 18
Regression lineaire multiple
X Principe
– Etudier l’existence d’une relation entre:
Universite Louis Pasteur – ASPA 18
Regression lineaire multiple
X Principe
– Etudier l’existence d’une relation entre:I une variable y (variable a expliquer )
Universite Louis Pasteur – ASPA 18
Regression lineaire multiple
X Principe
– Etudier l’existence d’une relation entre:I une variable y (variable a expliquer )
I et d’autres variables x1, . . . , xn (variables explicatives)
Universite Louis Pasteur – ASPA 18
Regression lineaire multiple
X Principe
– Etudier l’existence d’une relation entre:I une variable y (variable a expliquer )
I et d’autres variables x1, . . . , xn (variables explicatives)
X Ecriture du modele
y = Xβ + εou
y =
y1...
yn
X =
1 x11 . . . x1
n... ... ... ...1 xn
1 . . . xnn
β =
β0
β1...
βn
ε =
ε1...
εn
Universite Louis Pasteur – ASPA 18
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
I x6 = X6
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
I x6 = X6
I x7 = X7
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
I x6 = X6
I x7 = X7
I x8 = X8 (POP)
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
I x6 = X6
I x7 = X7
I x8 = X8 (POP)I x9 = X9 (ALTI)
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
I x6 = X6
I x7 = X7
I x8 = X8 (POP)I x9 = X9 (ALTI)
X Le modele s’ecrit:
NO2 = β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+β8X8+β9X9
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X Application a nos donnees (Mulhouse)
I y = NO2
I x1 = X1
I x2 = X2
I x3 = X3
I x4 = X4
I x5 = X5
I x6 = X6
I x7 = X7
I x8 = X8 (POP)I x9 = X9 (ALTI)
X Le modele s’ecrit:
NO2 = β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+β8X8+β9X9
calcul des βi (i = 0, . . . , 9) par la methode des moindres carres
Universite Louis Pasteur – ASPA 19
Regression lineaire multiple
X La regression lineaire multiple pas a pas
Principe:? selectionner les variables de facon a obtenir le “meilleur” modele
Universite Louis Pasteur – ASPA 20
Regression lineaire multiple
X La regression lineaire multiple pas a pas
Principe:? selectionner les variables de facon a obtenir le “meilleur” modele
X Comment selectionner les variables
le test de Student? H0 : βi= 0 i = 0, . . . , 9
Universite Louis Pasteur – ASPA 20
Regression lineaire multiple
X La regression lineaire multiple pas a pas
Principe:? selectionner les variables de facon a obtenir le “meilleur” modele
X Comment selectionner les variables
le test de Student? H0 : βi= 0 i = 0, . . . , 9
contre? H1 : βi 6= 0 i = 0, . . . , 9
Universite Louis Pasteur – ASPA 20
Regression lineaire multiple
X La regression lineaire multiple pas a pas
Principe:? selectionner les variables de facon a obtenir le “meilleur” modele
X Comment selectionner les variables
le test de Student? H0 : βi= 0 i = 0, . . . , 9
contre? H1 : βi 6= 0 i = 0, . . . , 9
si on accepte H1, la contribution marginale de Xi est significative auseuil α
Universite Louis Pasteur – ASPA 20
Regression lineaire multiple
Universite Louis Pasteur – ASPA 21
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
I X8 = POP P(t > |t|obs) < 0.0001
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
I X8 = POP P(t > |t|obs) < 0.0001
I X9 = ALTI P(t > |t|obs) = 0.0013
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
I X8 = POP P(t > |t|obs) < 0.0001
I X9 = ALTI P(t > |t|obs) = 0.0013
sont significatives au seuil α = 0.05
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
I X8 = POP P(t > |t|obs) < 0.0001
I X9 = ALTI P(t > |t|obs) = 0.0013
sont significatives au seuil α = 0.05
? le modele optimal pour le NO2 s’ecrit:
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
I X8 = POP P(t > |t|obs) < 0.0001
I X9 = ALTI P(t > |t|obs) = 0.0013
sont significatives au seuil α = 0.05
? le modele optimal pour le NO2 s’ecrit:
NO2 = β1X1 + β6X6 + β8X8 + β9X9
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? les contributions marginales deI X1 = CL(BATIDENS,BATILACHE, INDUS) P(t > |t|obs) = 0.0003
I X6 = CL(BENZ,CO,BAP,NOX,PAR) P(t > |t|obs) = 0.0002
I X8 = POP P(t > |t|obs) < 0.0001
I X9 = ALTI P(t > |t|obs) = 0.0013
sont significatives au seuil α = 0.05
? le modele optimal pour le NO2 s’ecrit:
NO2 = β1X1 + β6X6 + β8X8 + β9X9
4 derives externes pour cartographier le NO2
Universite Louis Pasteur – ASPA 22
Regression lineaire multiple
X Conclusion
? le modele optimal pour le C6H6 s’ecrit:
Universite Louis Pasteur – ASPA 23
Regression lineaire multiple
X Conclusion
? le modele optimal pour le C6H6 s’ecrit:
C6H6 = β6X6 + β9X9 + β2X2
Universite Louis Pasteur – ASPA 23
Regression lineaire multiple
X Conclusion
? le modele optimal pour le C6H6 s’ecrit:
C6H6 = β6X6 + β9X9 + β2X2
3 derives externes pour cartographier le C6H6
Universite Louis Pasteur – ASPA 23
Etude de cas : Mulhouse
Figure 1: Repartition spatiale du NO2 par krigeage ordinaire monovariable.
Universite Louis Pasteur – ASPA 24
Etude de cas : Mulhouse
Figure 2: Repartition spatiale du NO2 par krigeage avec derives externesbrutes.
Universite Louis Pasteur – ASPA 25
Etude de cas : Mulhouse
Figure 3: Repartition spatiale du NO2 par krigeage avec X1, POP et ALTIcomme derives externes.
Universite Louis Pasteur – ASPA 26
Etude de cas : Mulhouse
Figure 4: Repartition spatiale du C6H6 par krigeage ordinaire monovariable.
Universite Louis Pasteur – ASPA 27
Etude de cas : Mulhouse
Figure 5: Repartition spatiale du C6H6 par krigeage avec derives externesbrutes.
Universite Louis Pasteur – ASPA 28
Etude de cas : Mulhouse
Figure 6: Repartition spatiale du C6H6 par krigeage avec X6, ALTI et X2
comme derives externes.
Universite Louis Pasteur – ASPA 29
Validation croisee
X Mulhouse (NO2): krigeage monovariable
Universite Louis Pasteur – ASPA 30
Validation croisee
X Mulhouse (NO2): krigeage avec X1, POP et ALTI comme derives externes
Universite Louis Pasteur – ASPA 31
Validation croisee
X Mulhouse (C6H6): krigeage monovariable
Universite Louis Pasteur – ASPA 32
Validation croisee
X Mulhouse (C6H6): krigeage avec X6, ALTI et X2 comme derives externes
Universite Louis Pasteur – ASPA 33
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2)
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externes
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)I ALTI
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)I ALTI
– Le benzene (C6H6)
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)I ALTI
– Le benzene (C6H6) 2 derives externes
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)I ALTI
– Le benzene (C6H6) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
X Les donnees proviennent maintenant de la region Alsace
Analyse en composantes principales (209024 observations pourl’occupation du sol, 8762 pour les emissions)
Regression lineaire multiple pas a pas
X Resultats
– Le dioxyde d’azote (NO2) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)I ALTI
– Le benzene (C6H6) 2 derives externesI X6 = CL(CO,BENZ,NOx,BAP,PAR)I X7 = CL(SO2,NOx,PAR,CO)
Universite Louis Pasteur – ASPA 34
Generalisation de la methode a l′Alsace
Figure 7: Repartition spatiale du NO2 par krigeage ordinaire monovariable.
Universite Louis Pasteur – ASPA 35
Generalisation de la methode a l′Alsace
Figure 8: Repartition spatiale du NO2 par krigeage avec X6 et ALTI commederives externes.
Universite Louis Pasteur – ASPA 36
Etude de cas : Mulhouse
Figure 9: Repartition spatiale du NO2 par krigeage avec X1, POP et ALTIcomme derives externes.
Universite Louis Pasteur – ASPA 37
Generalisation de la methode a l′Alsace
Figure 10: Repartition spatiale du C6H6 par krigeage ordinaire monovariable.
Universite Louis Pasteur – ASPA 38
Generalisation de la methode a l′Alsace
Figure 11: Repartition spatiale du C6H6 par krigeage avec X6 et X7 commederives externes.
Universite Louis Pasteur – ASPA 39
Etude de cas : Mulhouse
Figure 12: Repartition spatiale du C6H6 par krigeage avec X6, ALTI et X2
comme derives externes.
Universite Louis Pasteur – ASPA 40
Validation croisee
X Alsace (NO2): krigeage monovariable
Universite Louis Pasteur – ASPA 41
Validation croisee
X Alsace (NO2) krigeage avec X6 et ALTI comme derives externes
Universite Louis Pasteur – ASPA 42
Validation croisee
X Alsace (C6H6) krigeage monovariable
Universite Louis Pasteur – ASPA 43
Validation croisee
X Alsace (C6H6) krigeage avec X6 et X7 comme derives externes
Universite Louis Pasteur – ASPA 44
Isatis : programmation en mode batch
X Creation de fichiers journaux (Journal files) ou batch
Universite Louis Pasteur – ASPA 45
Isatis : programmation en mode batch
X Creation de fichiers journaux (Journal files) ou batch
manipulations enregistrees
Universite Louis Pasteur – ASPA 45
Isatis : programmation en mode batch
X Creation de fichiers journaux (Journal files) ou batch
manipulations enregistrees
X Lancement en vrai mode batch
Universite Louis Pasteur – ASPA 45
Isatis : programmation en mode batch
X Creation de fichiers journaux (Journal files) ou batch
manipulations enregistrees
X Lancement en vrai mode batch
gain de temps
Universite Louis Pasteur – ASPA 45
Conclusion
X Reduction du nombre de variables auxiliaires
Universite Louis Pasteur – ASPA 46
Conclusion
X Reduction du nombre de variables auxiliaires
choix des variables auxiliaires moins difficle
Universite Louis Pasteur – ASPA 46
Conclusion
X Reduction du nombre de variables auxiliaires
choix des variables auxiliaires moins difficle
contiennent plus d’information
Universite Louis Pasteur – ASPA 46
Conclusion
X Reduction du nombre de variables auxiliaires
choix des variables auxiliaires moins difficle
contiennent plus d’information
X Resultats cartographiques concluants
Universite Louis Pasteur – ASPA 46
Conclusion
X Reduction du nombre de variables auxiliaires
choix des variables auxiliaires moins difficle
contiennent plus d’information
X Resultats cartographiques concluants
methode adaptee pour le dioxyde d’azote
Universite Louis Pasteur – ASPA 46
Conclusion
X Reduction du nombre de variables auxiliaires
choix des variables auxiliaires moins difficle
contiennent plus d’information
X Resultats cartographiques concluants
methode adaptee pour le dioxyde d’azote
moins adaptee pour le benzene (erratique)
Universite Louis Pasteur – ASPA 46
Perspectives
X Faire des tests sur d’autres zones
Universite Louis Pasteur – ASPA 47
Perspectives
X Faire des tests sur d’autres zones
robustesse de la methode
Universite Louis Pasteur – ASPA 47
Perspectives
X Faire des tests sur d’autres zones
robustesse de la methode
X Programme de gestion des fichiers batch
Universite Louis Pasteur – ASPA 47
Perspectives
X Faire des tests sur d’autres zones
robustesse de la methode
X Programme de gestion des fichiers batch
eviter de repeter les procedures de bases
Universite Louis Pasteur – ASPA 47
Perspectives
X Faire des tests sur d’autres zones
robustesse de la methode
X Programme de gestion des fichiers batch
eviter de repeter les procedures de bases
X Interface graphique
Universite Louis Pasteur – ASPA 47
Perspectives
X Faire des tests sur d’autres zones
robustesse de la methode
X Programme de gestion des fichiers batch
eviter de repeter les procedures de bases
X Interface graphique
plus de convivialite
Universite Louis Pasteur – ASPA 47
Bibliographie
X Michel Arnaud, Xavier Emery – Estimation et interpolation spatiale –methodes deterministes et methodes geostatistiques – HERMES SciencesEurope, 2000
X Jean–Paul Chiles, Pierre Delfiner – Geostatistics, Modeling SpatialUncertainty – John Willey & sons, 1999
X GEOVARIANCES – La Geostatistique au service de la cartographie –Ecole des Mines de Paris, 1998
Universite Louis Pasteur – ASPA 48
FIN Universite Louis Pasteur – ASPA 49