Apport de la classification floue c-means spatiale en géographie : essai de taxinomie socio-résidentielle et environnementale à Lyon

Résumé Fr En Es

Les méthodes de classification non supervisées sont largement utilisées en géographie, même si les plus fréquemment mobilisées – classification ascendante hiérarchique (CAH) et k-means (k‑moyennes) – sont peu adaptées à des données spatialisées. Or, des développements récents en statistique spatiale ont donné lieu à de nouveaux algorithmes intégrant l’espace dans le processus de classification. Par exemple, la méthode ClustGeo est une extension spatiale de la CAH. Parallèlement, peu d’attention a été portée aux méthodes de classification spatiales en logique floue en géographie. L’objectif de cet article est donc de présenter la méthode SFCM, soit une classification floue c-means spatiale. Pour ce faire, nous l’appliquons à des données socio-environnementales de l’agglomération lyonnaise. Aussi, nous la comparons à sa contrepartie non spatiale (FCM), à la CAH et à la méthode ClustGeo. Les résultats soulignent que la méthode SFCM bénéficie à la fois des avantages de l’approche floue et de l’approche spatiale, facilitant l’interprétation des résultats.

Unsupervised classification methods are common in geography, but the most widely used such as the Hierarchical Clustering Algorithm (HCA) and the k-means are not designed to work with spatial data. New developments in spatial statistics have brought new algorithms that take space into account. For example, the ClustGeo method is the spatial extension of the classical HCA. At the same time, little attention was given to spatial fuzzy classification method in geography. The paper aims to present the SFCM method, which is a spatial extension of the fuzzy c-means. To do so, we applied this method to socio-environmental data of the agglomeration of Lyon in France. We thus compared the results to its non-spatial counterpart (FCM), to the HAC and the ClustGeo method. The results showed that the SFCM combined both advantages of the fuzzy and spatial approach, making the interpretation of the results easier.

Los métodos de clasificación no supervisada se utilizan regularmente en geografía, incluso si los más empleados como la clasificación ascendente jerárquica (CAH) y k-medias, son poco adaptados a los datos espacializados. Recientes contribuciones en la estadística espacial han dado lugar a nuevos algoritmos que integran el espacio en tal proceso de clasificación. Por ejemplo, el método ClustGeo el cual se constituye como una extensión espacial de la CAH. Sin embargo, una baja atención se ha prestado a los métodos de clasificación espacial de lógica difusa en geografía. Así, el objetivo de este artículo es presentar el método SFCM, es decir una clasificación espacial difusa c-means y para ello, lo aplicamos a datos socioambientales de la aglomeración de Lyon, comparando, además, con su contraparte no espacial (FCM), CAH y el método ClustGeo. Los resultados expresan que el método SFCM se beneficia tanto de las ventajas del enfoque difuso como del espacial, facilitando la interpretación de los resultados.