Descriptif

• Méthodes de classification.

Ces méthodes qui font partie des méthodes classiques de l'analyse de données sont à l'origine de la théorie de l'apprentissage statistique. Elles consistent en la recherche de sous-groupes homogènes dans des populations. Ces sous-groupes formés, il est alors possible de les caractériser en vue d'une analyse de risque spécifique par exemple et/ou de leur attribuer un traitement adéquat. Exemples d'applications: types de climats, types de sols, espèces animales ou végétales, …

• Modèle linéaire généralisé.

Ce modèle étend le modèle linéaire classique à des variables plus complexes, en particulier non continues : binaires, comptages, ou catégorielles. Exemples d'application: modélisation de probabilité de dépassement de seuil d'un polluant, de comptages de végétaux en fonction de pratiques agricoles, ….

• Requêtes sur les données géographiques : requêtes sémantiques et requêtes géographiques
• Opérations arithmétiques logiques et statistiques sur les tables de données
• Opérations de calculs géographiques (surface, périmètre ...)
• Jointures entre données : jointure sémantique et jointure spatiale
• Géoréférencement et rectification géographique des données : référentiels géographiques, intégration de cartes scannées, photo aériennes.
• Intégration de données GPS
• Création de données géographiques par numérisation sur fond de plan
• Croisement de couches vecteurs : combinaison d'information et statistiques spatiales