1

« Evolution et développement des méthodes d‟Analyse spatiale multicritère pour des modèles d‟aptitude : l‟exemple des

applications en Géosciences»

Raffaella Balzarini, Paule-Annick Davoine et Muriel Ney

prénom.nom@imag.fr

Laboratoire d’Informatique de Grenoble (LIG) équipes Steamer et Metah.

ESRI France, Département Education et Recherche

Résumé :

Cet article propose un tour d‟horizon sur les méthodes d‟analyse multicritères intégrées aux Systèmes d‟Information

Géographiques : il aborde les raisons d‟être et les applications de ce couplage de plus en plus opérationnel dans des domaines

pluridisciplinaires où les problèmes à résoudre ont des caractères spatiaux et décisionnels prépondérants. Notre analyse

s‟appuie sur une synthèse des travaux de Salem Chakhar, de l‟Université Paris- Dauphine et de Jacek .Malzcewski, professeur

au Département de géographie de l‟University of Western Ontario.

A travers cet article nous souhaitons apporter un éclairage simple et concis sur les concepts, la terminologie et les

fonctionnalités qui participent à la mise en œuvre de l‟analyse multicritère dans les SIG et fournir une passerelle entre les

différents champs disciplinaires qui contribuent à son évolution.

Introduction

1. Méthodologie générale combinée aux concepts de spatialité

2. Synthèse des méthodes de l‟AMC

3. Les modes d‟intégration SIG-AMC

4. Synthèse des approches SIG - AMC selon la littérature

5. Les domaines d‟application de l‟AMC

6. Le couplage SIG-AMC dans les domaines des Géosciences

7. Le couplage SIG-AMC dans ARCGIS V.10

8. Les limites et les difficultés

Conclusions

2

Introduction

L‟analyse „spatiale‟ multicritère (ASMC) est une méthode d‟analyse spatiale qui permet de combiner plusieurs critères, de

différente nature, afin d‟obtenir un résultat cartographique indiquant des zones plus ou moins aptes à la solution du problème.

A l'origine, cette méthode a été développée dans le cadre des mathématiques, des sciences économiques et du génie industriel.

L'analyse multicritère, également nommée " aide multicritère à la décision ", connaît un développement très important depuis

la deuxième moitié des années 1970 et peut être désormais considérée comme un outil scientifique à part entière.

(http://ec.europa.eu/europeaid/evaluation/methodology/tools/too_cri_def_fr.htm)

L‟analyse multicritère ou Evaluation multicritère (AMC-EMC) pour la résolution de problèmes spatiaux est bien antérieure à

l‟utilisation des Systèmes d‟Information Géographique : cas d‟une localisation (Khalil et al., 2003), aménagement et utilisation

du sol (Koo et O‟Connell, 2006), implantation d‟infrastructures, calcul du plus court chemin, planification urbaine et régionale,

zonage, environnement (Lahdelma et al., 2000 ; Kiker et al., 2005), agriculture (Janssen et Rietveld, 1990), gestion et

conservation des ressources en eau (Raju et Pillai, 1999a), planification du transport (Jankowski, 1995).

Cependant, les méthodes d‟AMC toutes seules sont incapables de tenir compte de tous les aspects des problèmes de décision à

référence spatiale ; aussi les logiciels d‟AMC ne disposent pas de capacités nécessaires pour la gestion des données à référence

spatiale et ils manquent d‟outils nécessaires à la représentation cartographique des résultats (C. M. G. Kêdowidé, Vertigo,

2010). En revanche, l‟approche de l‟outil SIG est bien adaptée pour répondre à ces deux insuffisances. Le couplage ou

l‟intégration des SIG et des méthodes de l‟AMC semblent donc être la meilleure solution pour combler leurs lacunes

respectives. Elle constitue une voie privilégiée et incontournable pour faire évoluer les SIG vers de véritables systèmes d'aide à

la décision (Laaribi 2000 ; Joerin 1997 ; Paegelow, 2004 ; Chakhar 2006). Le champ de l‟ASMC est donc le résultat de la

conjonction de plusieurs domaines disciplinaires : les mathématiques, l‟analyse spatiale et la géomatique. Cet article présente

une synthèse des interactions, des développements et des impacts de ces différents domaines sur les applications pratiques des

secteurs professionnels et de la recherche.

L‟analyse spatiale a émergé et connu un développement bien avant l‟avènement des SIG, « l‟analyse spatiale met en évidence

des structures et des formes d‟organisation spatiale récurrentes, que résument par exemple les modèles, les champs

d‟interaction de type gravitaire, les trames urbaines hiérarchisées, les divers types de ou de territoires, etc.. » (D.Pumain,

CyberGéo). Pour un certain temps, les deux domaines ont évolué indépendamment l‟un de l‟autre. Ils ont œuvré à fournir,

chacun de son coté, un éclairage opérationnel aux problèmes complexes spatialisés. Les modèles d‟analyse spatiale et les SIG

ont plusieurs similarités, comme le besoin de données à référence spatiale et la capacité analytique pour traiter ces données, les

différences demeurent cependant nombreuses. La plupart de ces différences sont généralement inhérentes aux approches

suivies : un modèle d‟analyse spatiale tend à approfondir les traitements sur des phénomènes de la réalité spatiale qu‟illustrent

les fonctions d‟analyse effectuées sur des mesures et par des calculs, alors qu‟un SIG se préoccupe beaucoup plus de la

structure du système, c‟est-à-dire des composantes ou des éléments qui représentent cette réalité. C‟est ce qui explique, en

bonne partie, les difficultés d‟intégration de l‟analyse spatiale et des SIG. (S. Chakhar, 2006).

Dans les SIG, l‟analyse spatiale, tout en s‟appuyant sur les concepts géographiques, se matérialise à travers des applications

informatiques qui permettent l‟estimation, la prédiction, l‟interprétation et la compréhension des phénomènes du monde réel,

autrement dit, la modélisation des phénomènes spatiaux. En termes généraux, « un modèle est une représentation simplifiée de

la réalité en vue de la comprendre et de la faire comprendre » (P. Haggett 1965, in L.Sanders 2001). Dans les SIG on peut

identifier deux grandes catégories de modèles :

A) modèles de représentation : représentent les objets géographiques (il est important de distinguer entre les termes "entité

géographique" et "objet géographique". Selon Malczewski (1999), le terme entité géographique est utilisé pour désigner un

3

élément du monde réel, i.e., les entités sont contenues dans l‟espace géographique. Le terme objet géographique est une

représentation dans le SIG d‟une entité géographique ; S.Chakhar, 2006). Ces modèles essaient de formaliser les

caractéristiques géométriques (par exemple, la forme d'un bâtiment) et de capturer les relations spatiales entre les objets

(prélations de proximité entre deux objets géographiques, d‟intersection, de voisinage)

B) modèles de géo-traitement: simulent l‟ensemble des traitements/opérations mathématiques ou informatiques qui

s‟appliquent aux objets géographiques et aux interactions entre les objets, décrits dans le modèle de représentation. Les

relations sont modélisées à l'aide des méthodes d‟analyse spatiale. De nombreux types de modèles de géo-traitement peuvent

permettre de résoudre divers problèmes, notamment :

Problèmes d'aptitude. (i.e.) Quel est l'emplacement optimal pour un site, comme une nouvelle école, une décharge d'ordures

ou un parking ?

Problèmes de distance. Quels sont les habitats protégés les plus proches pour une espèce en danger ?

Problèmes de surface. Quel est le taux de pollution dans différents endroits d'un canton ?

Problèmes d'hydrologie. Dans quelle direction le flux hydraulique coule-t-il d'une surface ?

Les problèmes spatiaux, dont la complexité est liée à l‟hétérogénéité des données et des concepts à mobiliser, ont souvent

une nature multicritère et un caractère décisionnel : ils sont de (i) de nature multidimensionnelle, interdisciplinaires et

difficilement formalisés, (ii) impliquent plusieurs personnes et institutions, ayant généralement des préférences et des objectifs

divergeants , (iii) nécessitent la définition de plusieurs critères conflictuels dont l‟importance n‟est pas la même, et (iv)

demandent une quantité considérable de données quantitatives et qualitatives : c‟est le champ d‟application de l‟analyse

multicritère (S. Chakhar, 2006).

L‟analyse „spatiale‟ multicritères intégrée aux SIG est donc une application dans la modélisation de géo-traitements pour la

résolution de problèmes spatiaux et particulièrement pour les problèmes d‟aptitude, et comporte plusieurs méthodes de mises

en œuvre, telles que la combinaison booléenne (boolean overlay), la somme pondérée linéaire (weighted linéaire combination

WLC) ou la Ordered Weighted Average OWA ( Jiang et Eastman, 2000).

1. La Méthodologie générale d’AMC combinée aux concepts de spatialité

Le paragraphe qui suit propose un aperçu sur la méthodologie et la terminologie générale de l‟AMC, tout en introduisant

l‟assemblage avec les concepts et les techniques des Systèmes d‟Information Géographiques.

En toute généralité, lorsqu‟on pose un problème multicritère, il s‟agit d‟en trouver la “solution la plus adéquate”, compte tenu

d‟un certain ensemble de critères, cette solution pouvant prendre diverses formes (choix, affectation, classement). On peut

alors opérer en 4 grandes étapes (Sami Ben Mena, BASE Vol.4, 2000) :

1. Dresser la liste des actions potentielles

2. Dresser la liste des critères à prendre en considération

3. Établir le tableau des performances

4. Agréger les performances

Afin de préciser le sens donné aux principaux éléments linguistiques qui caractérisent les étapes, nous présentons ci dessous

une brève explication des notions employées par les différents auteurs.

1. Notion d’ « Action » (S. Chakhar, 2006, pag. 60)

4

[Bernard Roy (1985) définit ainsi la notion d‟action : Une action est la représentation d’une éventuelle contribution à la

décision globale susceptible, eu égard à l’état d’avancement du processus de décision, d’être envisagée de façon autonome et

de servir de point d’application à l’aide à la décision (Résultat)

En analyse multicritère, et notamment au sein de l‟école francophone, le terme "action" est utilisé dans le sens de proposition

et non dans son sens traditionnel de réalisation (Laaribi, 2000). Les auteurs anglophones utilisent assez souvent le terme

"alternative" pour désigner des solutions possibles, des variantes, ou des actions potentielles.[..] Lorsque l‟action à prendre est

définie par sa localisation géographique, sa forme et/ou ses relations spatiales, on parlera d‟action spatiale. [..]Une action

spatiale est définie à travers au moins deux éléments (Malczewski, 1999) : (i) l‟action elle même (quoi faire ?) et (ii) la

localisation géographique (où faire ?)

La cardinalité de l‟ensemble des actions spatiales est une caractéristique importante permettant de distinguer s‟il est représenté

sous une vue discrète ou continue :

- vue discrète : dans des problèmes à référence spatiale, on peut se trouver en présence d‟un ensemble discret d‟actions

connues a priori et très souvent sujettes à débat. Ce sont des problèmes de nature discrète : dix tracés possibles pour une

autoroute, par exemple.

- vue continue : le nombre d‟actions est très grand voire infini ; ces actions ne sont généralement pas explicitées d‟avance et

sont plutôt exprimées à partir de contraintes, par exemple, le nombre d‟hectares d‟une terre agricole allouée à un programme

de développement rural. Pour des raisons pratiques, un tel ensemble est souvent représenté sous une forme discrétisée (par

exemple, cellules matricielles).

Cette dichotomie correspond bien à la représentation actuelle des problèmes décisionnels à référence spatiale : la

représentation vectorielle qui est appropriée à un ensemble discret d‟actions potentielles et la représentation matricielle (raster)

qui est plus appropriée à un ensemble d‟actions très grand].

Représentation des actions spatiales (S.Chakhar, 2006, pag. 62)

[Les actions spatiales représentent des visions particulières de l‟espace géographique. Elles peuvent donc être représentées par

des entités spatiales. La manière dont ces actions sont représentées est dépendante du modèle de données utilisé dans le SIG

(Malczewski, 1999). Les données géométriques sont généralement organisées en structures en tessellation (régulière : raster,

ou irrégulière) ou en structures vectorielles (points, lignes, polygones, etc.). Dans le premier cas, chaque pixel représente une

action potentielle. Il est également possible d‟utiliser une combinaison de plusieurs pixels pour représenter une action. Dans

une représentation vectorielle, les actions spatiales sont modélisées par des entités ponctuelles, linéaires ou polygonales.]

2. Notion de « Critère » (S.Chakar, 2006, pag. 64)

[Un critère est un facteur de jugement sur la base duquel on mesure et on évalue une action ; il diffère de la notion de variable

dans la mesure où un critère est relié aux préférences du décideur alors qu‟une variable ne l‟est pas nécessairement. Vincke

(1992) définit le concept de critère ainsi : Un critère est une fonction g, définie sur A, qui prend ses valeurs dans un ensemble

totalement ordonné, et qui représente les préférences du décideur selon un point de vue.

Notons que les critères sont parfois appelés facteurs. D‟autres auteurs, comme Nijkamp et al. (1990), utilisent le terme

"objectif" pour les problèmes d‟évaluation continue et le terme "critère" pour les problèmes discret. Dans une démarche

multicritère de "haut vers le bas" (topdown), les critères sont définis en termes d‟une association entre objectifs et attributs.

(S.Chakhar, 2006, pag. 68) Dans les méthodes multicritères du critère unique de synthèse, les critères d‟évaluation sont

souvent modélisés en termes d‟objectifs et d‟attributs. Un objectif est une direction traduisant une perspective de changement

concernant l‟état futur souhaité par le décideur. Un attribut est un moyen pour mesurer l‟achèvement d‟un objectif. La relation

5

entre objectifs et attributs peut être représentée par une structure hiérarchique ayant à son premier niveau l‟objectif global qui

est "éclaté" en sous-objectifs qui sont à leur tour "éclatés" en sous-sous-objectifs jusqu‟à ce que l‟on atteigne un niveau

mesurable que l‟on qualifie d‟attributs. Par ex. dans le cas, emprunté de Malczewski (1999) d‟un problème de gestion de forêt

dans une zone montagneuse, on a un objectif principal : « améliorer la gestion de la forêt », décliné en sous-objectifs :

« maximiser la production du bois, minimiser les fluctuations de la rivière, maximiser la conservation du sol.. » ; qui sont

chacun caractérisé par des attributs mesurables : les sol et l‟élévation pour la production du bois, le sol, l‟élévation et la

géologie pour la fluctuation du sol… Une contrainte (appelée aussi critère d’admissibilité) est un facteur permettant de

circonscrire et de limiter les actions prises en considération (e.g. le site d‟implantation d‟une usine doit être à 500 mètres d‟une

autoroute)].

Selon Godard, [les critères sont de deux types, les contraintes* et les facteurs*. Les contraintes sont les critères booléens qui

limitent notre analyse à des régions particulières. Quelle que soit la méthode utilisée finalement pour l'agrégation des critères,

les contraintes sont toujours des images booléennes. Dans ce cas, les contraintes différencient les zones que nous qualifions

d'aptes au développement résidentiel de celles qui sont considérées comme inaptes, quelles que soient les conditions. Par

opposition, les facteurs sont des critères qui définissent un certain degré d'aptitude pour toutes les régions. Ils définissent des

zones d'aptitude, ou de solutions alternatives, qui sont exprimées par des valeurs continues. Le score des facteurs individuels

peut soit améliorer (avec des résultats élevés) soit réduire (avec des résultats faibles) l'aptitude d'une solution alternative (le

degré auquel cela se produit dépend de la méthode d'agrégation utilisée). Les facteurs peuvent être standardisés d'un certain

nombre de façons selon les critères individuels et la forme d'agrégation choisie finalement]. (V. Godard, cours IDRISI, 2007).

3. Notion de « Tableau des performances » (S.Chakhar, 2006, pag. 72)

[… également appelé matrice d’évaluation ou matrice de jugements ou encore matrice de décision. Le tableau de performance

est une matrice [gj(ai))] de dimension nxm où n est le nombre des actions et m le nombre de critères. Chaque ligne i exprime

les performances de l‟action ai relativement aux n critères considérés. Chaque colonne j exprime les évaluations de toutes les

actions relativement au critère gj.]

Les trois premières étapes décrites au paragraphe précédent sont communes à toutes les méthodes et ne présentent que de

faibles variations. La quatrième présente, elle, une diversité nettement supérieure. Si les méthodes d‟agrégation sont si

nombreuses, c‟est parce qu‟il est dans la nature des choses qu‟aucune méthode ne respecte la totalité des exigences qu‟un

utilisateur pourrait trouver “normales” dans l‟idée du multicritère (Schärlig, 1985). Il faut donc décider sur quelle exigence on

va céder. Face à ce choix, on peut distinguer trois attitudes ou approches opérationnelles (Roy, 1985).

4. Notion d’ « Agrégation » (S.Ben Mena, 2000 4 (2), 83–93, pag. 87 )

Selon Ben Mena (2004), trois méthodes d‟agrégation sont proposées :

1. [L’agrégation complète. La première attitude serait d‟inclure toutes les performances dans ce qu‟on appellerait en

mathématique une fonction d‟utilité ou d‟agrégation (Roy, 1985), en leur attribuant d‟éventuels poids. Cela suppose que tous

les jugements sont commensurables alors qu‟une des justifications de l‟approche multicritère est la non commensurabilité de

ces jugements. Comme on l‟a dit ci-avant, on cède sur une exigence : la commensurabilité. Il est à noter que cette technique

suppose en outre que les jugements soient transitifs, d‟où l‟appellation “agrégation complète transitive”. En outre on notera que

Roy (1985) et Maystre et al. (1994) l‟appellent encore “approche du critère unique de synthèse évacuant toute incomparabilité”

et que Vincke (1989) nomme cette approche “théorie de l‟utilité multiattributes”. Ce critère unique risque évidemment de

6

passer toutes les nuances à la moulinette. Toutefois, les méthodes d‟agrégation complète peuvent s‟avérer intéressantes ou tout

simplement les seules utilisables (Schärlig, 1985).

2. L’agrégation partielle. Une seconde attitude est de respecter l‟incomparabilité et l‟intransitivité… au prix de la clarté des

résultats ! En effet, cette technique ne permet pas d‟obtenir un résultat indiscutable comme on s‟y attend en général, pour tout

ce qui est à base de mathématique (Schärlig, 1985). Ici, on cède donc sur la clarté. Comme on se contente dans ce cas

d‟appréhender partiellement les conséquences des divers jugements, cette attitude est dite d‟agrégation partielle. D‟autres

(Roy, 1985 ; Maystre et al., 1994) l‟appellent encore “approche du surclassement de synthèse acceptant l‟incomparabilité” ou

“méthodes de surclassement” (Vincke, 1989). Dans cette approche, la technique consiste à comparer les actions deux à deux et

à vérifier si, selon certaines conditions préétablies, l‟une des deux actions surclasse l‟autre ou pas et ce, de façon claire et nette.

À partir de toutes ces comparaisons, on tente ensuite de réaliser une synthèse. Les méthodes d‟agrégation partielle vont donc se

différencier par leur façon de réaliser ces deux étapes.

3. L’agrégation locale Les deux types de méthodes d‟agrégation qui précèdent supposent que A (action) soit de dimensions

raisonnables. Or A peut être très grand, voire infini lorsque les actions varient en continu. La technique est alors de partir d‟une

solution de départ (aussi bonne que possible) et de voir “autour” de cette solution s‟il n‟y en a pas de meilleure. On pratique

donc une exploration locale et répétitive de A. D‟où son nom de technique d‟“agrégation locale itérative” (Schärlig, 1985). Ces

méthodes sont en outre souvent interactives entre la personne qui fait d‟étude et le demandeur. C‟est pourquoi on les nomme

aussi “approche du jugement local interactif avec itérations essais-erreur” (Roy, 1985 ; Maystre et al., 1994) ou encore

“méthodes interactives” (Vincke, 1989). On notera qu‟ici, on a renoncé à toute vision globale].

2. Synthèse des Méthodes SIG-AMC

Les méthodes SIG-AMC sont classées sur la base de l‟ensemble des actions A en 2 catégories :

1. Méthodes Discrètes :

impliquent un ensemble fini (ou dénombrable) d‟actions. Les actions sont représentées en forme vectorielle ou raster discrétisé.

1. Critère

unique de

synthèse

1.A principe

Le principe général est que le décideur a pour but de

maximiser une fonction d‟utilité en agrégeant les

évaluations partielles de chaque Action en une

évaluation globale. (Chakhar, 2006)

Agrégation complète (top-down approach)

On cherche à agréger les n critères afin de les réduire

en un critère unique. On suppose que les jugements

sont transitifs.

(N.Lehoux, P.Vallée, 04, Poltytech Laval, CA)

1.B Cadre conceptuel

Ecole américaine “Top – down »

Pour Keeney (92) consiste à construire une

structure hiérarchique ayant à son premier niveau

l‟objectif

global qui est "éclaté" en sous-objectifs qui sont à

leur tour "éclatés" en sous-sous-objectifs jusqu‟à

ce que l‟on atteigne un niveau mesurable que l‟on

qualifie d‟attribut.

1.C Méthodes

Weight Sum (WLC)

Weight Product Method (WPM) ou Multiplication de

ratios

Analytic Hierarchy Process AHP

Ordered Weighted Average OWA

7

Multi Attribute Utility Theory MAUT

2.

Surclassement

de synthèse

2.A Principe

Utilise des fonctions d‟Agrégation partielle.

En effet, les critères sont agrégés en utilisant une

relation binaire partielle S, tel que aSb veut dire "a est

au moins aussi bonne que b". La relation binaire S est

appelée relation de surclassement (Chakhar).

Agrégation partielle (bottom-up approach)

On cherche à comparer des actions potentielles ou des

classements les uns aux autres et à établir entre ces

éléments des relations de surclassement. On doit alors

respecter l‟incomparabilité. (N.Lehoux, P.Vallée, 04,)

2.B Cadre conceptuel

Ecole française Bottom – up

B. Roy (85) consiste à identifier toutes les

conséquences pouvant résulter de la mise en

œuvre des actions, que l‟on structure en

dimensions puis en axes de signification autour

desquels sont construits les critères.

2.C Méthodes (techniques)

Electre I, II, III, IV (B. Roy, 1968 et +)

• Prométhée I et II (J.-P. Brans, 1980)

• Melchior (J. P. Leclerc, 1984)

• Qualifex (J. Paelinck, 1976)

• Oreste (M. Reubens, 1979)

• Regim (P. Nijkamp et P. Rietveld,

1983)

• Naiade (G. Munda, 1995)

Méthodes Continues :

évoquent un nombre très grands d‟actions, voir infini. Les actions sont représentées en forme matricielle (avec des valeurs

continues).

Approche d‟aggrégation : Locale et itérative.

Cela permet d‟alterner des étapes de calculs

(fournissant les compromis successifs) et des

étapes de dialogue (source d‟informations

supplémentaires sur les préférences du décideur).

Contrairement aux méthodes discrètes, les

algorithmes de résolution dans le cas des méthodes

continues exigent que les préférences du décideur

soient exprimées progressivement durant le

processus de résolution. L‟algorithme de

résolution s‟arrête lorsque le décideur accepte la

solution proposée par la procédure/l‟ordinateur.

On cherche en premier lieu une solution de départ.

Par la suite, on procède à une recherche itérative

Cadre conceptuel

Gardiner et Steuer, 1994a/b.

8

pour trouver une meilleure solution.

(N.Lehoux, P.Vallée, 04,).

Méthodes

(techniques)

Méthode :

Interactive Goal Programming (Dyer, 1972)

STEM (Benayoun et al. 1971)

PRIAM (Lévine et Pomerol, 1986)

3. Les modes d’intégration SIG – AMC (S.Chakhar, 2006, pag. 41-42)

Des nombreux arguments identifiés dans la littérature (Pereira et Duckstein, 1993 ; Laaribi, 2000 ; Chakhar et Martel, 2003,

2004 ; Malczewski, 2004) jouent en faveur d‟un couplage entre SIG et AMC, qui permette de combler leurs lacunes

respectives : d‟une part la difficulté pour les SIG à prendre en compte la dimension multicritère inhérente des problèmes à

caractère décisionnel, d‟autre part les limites de l‟AMC lorsqu‟il s‟agit de représenter la dimension spatiale des problèmes

spatiaux. Les chercheurs et les spécialistes s‟accordent sur l‟intérêt de conjuguer les potentialités des deux outils pour créer des

systèmes d‟aide à la décision spatiale plus poussés. L‟intégration SIG-AMC constitue une voie privilégiée et incontournable

pour faire évoluer les SIG vers de véritables systèmes d'aide à la décision (Laaribi 2000 ; Joerin 1997 ; Paegelow, 2004 ;

Chakhar 2006).

Selon Chakar (S.Chakhar, 2006, pag. 40-42), trois types d‟intégration dessinent essentiellement le panorama des conjonctures

informatiques et spatiales, l‟intégration directe, encastrée et complète :

1. Dans l‟intégration indirecte, les deux outils, un SIG et un logiciel d‟AMC, restent indépendants et le dialogue entre eux se

fait à travers un système intermédiaire. Ce dernier permet de reformuler et restructurer les données obtenues suite à l‟opération

de superposition dans le SIG en une forme convenable pour le logiciel d‟AMC. Les autres paramètres nécessaires à l‟analyse

sont introduits directement via le logiciel d‟AMC. Les résultats de l‟analyse (complètement effectuée par le logiciel d‟AMC)

peuvent être visualisés par le logiciel d‟AMC ou exportés, via le système intermédiaire, vers le SIG pour les visualiser ou les

stocker (début ‟90).

2. Dans l‟intégration encastrée, les deux logiciels restent indépendants mais une seule interface (le plus souvent celle du SIG)

est utilisée. Le dialogue entre les deux systèmes se fait toujours via un système intermédiaire mais pour l‟utilisateur

l‟intégration est apparemment réalisée puisque les échanges de données lui sont transparents. Ce mode est une première étape

vers une intégration effective et l‟utilisation des fonctionnalités d‟analyse multicritère est plus facile que le mode précédent.

Cependant, le fait que les données soient stockées indépendamment, la souplesse d‟exploitation et l‟interactivité restent

toujours problématiques (fin ‟90).

3. Dans l‟intégration complète, on obtient un système SIG-AMC intégré possédant une interface unique et une base de données

commune. Dans ce mode, les fonctionnalités de l‟analyse multicritère sont activées directement comme toute autre fonction de

9

base du SIG. La base de données du SIG est renforcée afin qu‟elle supporte aussi bien les données à référence spatiale que les

paramètres nécessaires à l‟application des techniques d‟analyse multicritère.

3.1 Limites sur les travaux d’intégration (S.Chakhar, 2006, pag.50)

La plupart de travaux d‟intégration SIG-AMC ont opté soit pour l‟intégration indirecte (33.2%) soit pour l‟intégration

encastrée (29.8%). L‟intégration complète n‟est utilisée que dans 11.0%.

- La plupart des travaux d‟intégration proposent l‟incorporation d‟une seule ou d‟un nombre limité de(s) méthode(s) d‟AMC

dans le SIG. Les problèmes de décision à référence spatiale sont très différents et il n‟est pas possible qu‟une seule méthode

puisse être appliquée avec succès à tous ces problèmes. Par ailleurs, la "démocratisation" de l‟utilisation du SIG a élargie son

champ d‟application mais a fait naître au même temps la nécessité de diversifier les techniques d‟analyse et de modélisation

disponibles dans les SIG y compris celles de l‟AMC.

- Dans la plupart des applications de l‟AMC, le choix de la méthode à utiliser se fait de manière assez arbitraire : soit que

l‟analyste est familiarisée avec une méthode particulière, soit qu‟elle a été développée de manière ad hoc ou encore tout

simplement parce qu‟elle est disponible sous forme de logiciel. Cependant, l‟importance du choix de la méthode à utiliser dans

un problème particulier a été soulevée par différents auteurs (e.g. Ozernoy, 1992 ; Hobbs et Meier, 1994 ; Guitouni, 1998 ; Cao

et Brustein, 1999 ; Guitouni et al., 1999b ; Laaribi, 2000 ; Lahdelma et al., 2000 ; Lu et al., 2000 ; Caillet, 2003 ; Liu et al.,

2003 ; Opricovic et Tzeng, 2006).

- Selon les chiffres reportés par Malczewski (2006), 71.3% d‟articles ou rapports de recherche sur les travaux d‟intégration

SIG-AMC concernent des méthodes discrètes et 28.7% concernent des méthodes continues. Parmi ceux adressés aux méthodes

discrètes, il comptabilise 58.3% de travaux qui utilisent les méthodes du critère unique de synthèse et seulement 4.7% qui

utilisent les méthodes de surclassement de synthèse. Néanmoins, les méthodes de surclassement de synthèse sont généralement

mieux adaptées aux problèmes de décision sur le territoire (Malczewski, 1999 ; Joerin et Musy, 2000 ; Joerin et al., 2001).

4. Synthèse des approches SIG - AMC selon la littérature

Résumé et traduction libre de l‟article phare de J.Malczewski : « GIS-based multicriteria decision analysis : a survey of the

literature», IJGIS, 2006.

L‟auteur trace un panorama complet des travaux scientifiques du couplage SIG –AMC (en ang. GIS-MCDA), à travers

l‟analyse de 319 articles, publiés dans 135 revues de 1990 à 2004. La sélection des articles s‟est basée sur de moteurs de

recherche scientifique sur le Web, sur des base de données et des librairies numériques, en indiquant une requête Booléenne

qui contenait les termes suivants : GIS and multicriteria (or multiobjective or multiattribute). Une recherche manuelle

supplémentaire a complété le travail électronique.

L‟auteur montre le développement des articles référenciés SIG-AMC dans la période étudiée. On remarque que ce

développement a été relativement modeste dans la première moitié des années ‟90 : en effet, seulement 26 articles (8.2% du

total) ont été publiés à ce sujet avant 1995. A partir de 1995 jusqu‟à 2000 on remarque une nette accélération des publications,

qui passent de 9 en ‟95 à 40 en ‟00. Mais 70% des 319 articles répertoriés apparait dans les dernières 5 années. Cette rapide

augmentation du volume de la recherche en SIG – AMC peut être expliquée par trois facteurs : (i) une large reconnaissance de

la communauté scientifique envers les apports de l‟AMC à la géomatique ; (ii) la disponibilité croissante de logiciels d‟AMC,

grâce à leurs coûts abordables et leur prise en main facile ; (iii) la disponibilité et la relative facilité d‟exploitation de modules

d‟AMC intégrés au système IDRISI ou TNT-GIS.

Les articles ont été classés selon une taxonomie des approches basées :

10

- sur les components géo-informatiques de SIG-AMC représentés par la dichotomie suivante: (i) données raster vs données

vecteurs, (ii) critères spatiaux explicites vs critères spatiaux implicites, (iii) décisions-solutions (alternatives) explicites vs

décisions-solutions implicites.

- sur les components AMC de SIG-AMC représentés par la dichotomie suivante (iv) multiattribute decision problems

(MADA) vs multiobjective decision problems (MODA), (v) les modes combinatoires pour les deux types de problèmes ;(vi)

décision individuelle vs décision de groupe, (vii) décision basée sur les certitude vs décision basée sur les incertitudes

(probabilistic and fuzzy).

(i) 47,6% des articles concerne la recherche sur des données raster, contre 47% des articles sur des données

vecteurs ;

(ii) Les critères spatiaux explicites concernent des problèmes qui présentent des caractéristiques spatiales évidentes,

telles que la forme, la dimension, la contigüité ; les critères spatiaux implicites ne sont pas directement

géographique mais ont un impact sur le problème, tels que l‟accessibilité, l‟altitude, l‟inclination d‟un terrain,

etc… 70% des articles concerne les deux types de critère. Sur les 152 articles basés sur la donnée raster 7,9% ont

critère explicites et 29,6% ont des critères implicites. Sur les 150 articles basés sur la donnée vecteur, 13,3%

traitent critères explicites et 8% traitent des critères implicites ;

(iii) Une décision-solution est constituée de 2 éléments : l‟action (quoi faire ?) et la localisation (où le faire ?). La

localisation de sites potentiels ou la recherche de surface d‟usage du sol, sont des exemples de solutions

explicites, tandis que les implicites sont des solutions qui subissent les conséquences (pas immédiatement directe)

d‟une décision, tels que minimiser les risques d‟inondations sur une zone peut créer des risques ailleurs. Sur les

152 des articles basés sur des données raster, 37,5% traitent de solutions explicites et 27% traitent de solutions

implicites ; sur les 150 articles basés sur des données vecteurs 38,7% traitent de solutions explicites et 32, 7%

traitent de solutions implicites ;

(iv) Les problèmes de type multiattribute se réfèrent à des problèmes qui ont un nombre de solutions réduit et

prédéterminé à l‟intérieur d‟une région d‟étude ; les problèmes de type multiobjective se réfèrent à des problèmes

qui ont des solutions étendues partout dans la région d‟étude : concrètement les premières relèvent de données

discrètes et les deuxièmes de données continues. 70% des articles traitent de la MADA et 30% la MODA.

(v) La Somme pondérée (Weighted Summation WS) et ses procédures associées, sont les approches les plus

populaires. Très souvent la WS est utilisée en conjonction avec les opérations Booléennes (Eastman et Al.1995,

Pettit & Pullar 1999, Perez et Al. 2003) et la Ordered Weighted Averaging (OWA) (Jiang and Eastman 2000),

Rinner and Malczewski 2002, Makropoulos et Al. 2003, Rashed and Weeks 2003) est une extension récurrente et

une généralisation des deux précédentes. La large prédominance de la WS est due au fait qu‟elle est relativement

facile à implémenter dans un environnement SIG en utilisant des opérations d‟algèbre des cartes (map algebra) et

de la modélisation cartographique; aussi cette approche est facile à comprendre par les utilisateurs et les

décideurs. Or, certains auteurs (Hobbs, 80, Lai & Hopkins, 89, Heywood, 95 et Malczewski, 00) soulignent que

les implémentations des procédures de WS sont souvent faites sans une compréhension profonde des hypothèses

sous-jacentes, et aussi que l‟application de la méthode se fait sans une compréhension complète de deux concepts

fondamentaux de la WS : l‟attribution des poids aux facteurs et les calculs pour obtenir les cartes d‟analyse

correspondantes.

11

5. Les domaines d’application

Malczewski (GIS-based multicriteria decision analysis : a survey of the literature, IJGIS, 2006) met aussi l‟accent sur une des

plus remarquables caractéristiques des approches SIG-AMC qui est le large panel de situations/problèmes décisionnels où elle

peut intervenir : gestion territoriale de l‟environnement, transport, planification urbaine, gestion des déchets, hydrologie et

ressources en H20, agriculture et forêt, géologie – géomorphologie et cartographie.

72,4% des applications se trouvent dans les domaines :

- de la gestion territoriale et environnementale

- du transport

- de la planification urbaine

- de la gestion des déchets

- de l‟hydrologie et des ressources en H2O

- de l‟agriculture et la forêt

27,6% restant concerne les domaines :

- de la géologie et la géomorphologie

- de la cartographie

Les problèmes décisionnels traités concernent :

- 30% l‟analyse de susceptibilité/ faisabilité (carte d‟aptitude)

- 15,4% l‟évaluation de scénarios (ressources hydriques)

- 14, 5% la sélection de sites propices

- 11% la localisation de ressources

La figure 1 illustre le tableau complet de l‟auteur.

Fig. 1. J.Malczewski : « GIS-based multicriteria decision analysis : a survey of the literature», IJGIS, 2006,Vol. 20, N.7

12

Il est intéressant de remarquer que une partie importante du 72,4 % des situations/problèmes où la SIG-AMC peut intervenir

relèvent des compétences et connaissances Géoscientifiques (gestion environnementale, des déchets, hydrogéologie,

ressources), auquel on peut ajouter le 27,6% restant qui concerne directement le domaine des géosciences. Les problématiques

décisionnelles sont donc typiquement traitées dans des projets professionnels et de recherche en sciences de la terre et de

l‟environnement. Les Géosciences seraient-elles à la découverte des méthodes SIG-AMC ?

De l‟acquisition de la donnée sur le terrain et en laboratoire à la prise de décision par les instances compétentes, les différentes

phases de traitement, d‟analyse et de modélisation propres au processus de traitement de l‟information géoscientifique peuvent

être conceptualisées (Ledru, 2007). La Figure2 (Ledru, 2007) illustre la progression des actions nécessaires pour répondre à un

problème géoscientifique, ainsi que les tâches cognitives associées et mobilisées lors du processus. On remarquera que le

traitement de la connaissance géologique, une fois standardisée et intégrée dans des systèmes d‟information, converge vers la

prise de décision : cette dernière phase devient, dans la plupart des problématiques de terrain, l‟objectif final du processus. On

remarquera également les fonctions cognitives « modéliser et bâtir des scénarios », qui pour des fins de prise de décision sur

des modèles d‟aptitude (susceptibilité ou vulnérabilité du sol), appellent les connaissances en analyse „spatiale‟ multicritères.

6. L’intérêt du couplage SIG-AMC dans les domaines des Géosciences

Les méthodes d‟analyse spatiale multicritère (SIG-AMC) occupent une place prédominante au sein des applications destinées à

la prise de décision. La maitrise de ces méthodes est donc un atout indispensable au géologue car les problématiques de terrain,

demandant le croisement de données multi sources, et la cartographie de modèle d‟aptitude (susceptibilité/vulnérabilité) sont

de plus en plus fréquentes en Géosciences : nous avons pu le constater en observant des nouvelles orientations tant au niveau

de la transition entre l‟enseignement supérieur et la demande professionnelle que au niveau de la recherche appliquée.

- Les stages de fin d‟études en Master professionnel.

Les mémoires de Master 2 offrent une palette intéressante de la typologie des missions traitées (Balzarini, 2010 et Balzarini,

Davoine, Ney, 2011). Nous avons analysé les rapports de stage de années 2008-2010 du Master Sciences du Territoire et de

Fig.2 Processus de traitement de l’information géoscientifique.

Source : P. Ledru, Apport des SIG à la connaissance géologique, Geosciences, 2007

13

l‟Environnement de l‟Observatoire des Sciences de l‟Univers de Grenoble (Université Joseph Fourier), mentions « Géologie,

Exploration et Risque » GER et « Eaux Souterraines » ES.

L‟année 2009-2010 marque une nette augmentation du nombre de stages qui nécessitent l‟utilisation des SIG et dont les

projets concernent des applications méthodologiques d‟identification de site (zone) avec des fonctionnalités techniques

propres aux procédés d‟analyse spatiale multicritère. Les missions identifiées dans les stages, peuvent se positionner, dans le

processus de traitement de l‟information géo scientifique du triangle de Ledru (2007) (figure 2), au niveau de la phase de

connaissance et de décision et mobilisent les domaines cognitifs de l‟analyse et de la modélisation.

- La recherche appliquée : des chiffres et des cas d‟étude en évolution.

Du point de vue la recherche appliquée, une augmentation de l‟intérêt des chercheurs en géosciences vers l‟analyse spatiale

multicritères peut être remarquée en analysant les quelques principales revues scientifiques internationales et en essayant de

tracer l‟évolution des articles traitant la susceptibilité, la faisabilité du sol et/ou l‟analyse multicritères.

En reprenant la méthode de J.Malczewski (GIS-based multicriteria decision analysis : a survey of the literature, IJGIS, 2006)

pour la classification des articles scientifiques, nous pouvons focaliser la recherche dans des revues exclusivement liées aux

géosciences, issues de la bibliothèque numérique « Science Direct » dans les sujets Earth and Planetary Sciences,

Environmental Sciences. Les requêtes permettent de repérer les articles contenant le mot-clé suivant :

1. « GIS », 2. « multi criteria decision analysis », 3. « land suitability »

Deux importantes revues, combinant nouvelles technologies et géosciences ont été privilégiées :

Computers & Geoscience et International Journal of Applied Earth Observation and Geoinformation, La Fig.3 illustre

l‟évolution de la production scientifique entre 1999 et 2011.

0

5

10

15

20

25

30

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

années

no

mb

re d

'art

icle

s

C&G R2

C&G R3

IJAEG R2

IJAEG R3

Fig.3 Graphique sur l’évolution de la production internationale géo scientifique traitant des méthodes SIG-AMC(Balzarini,

2011)

On observe également des cas d‟études partout dans le monde, sur des problématiques différentes.., comme les exemples du

tableau T.3, non exhaustif, ci de suite montrent :

14

Sujet de l‟étude Références bibliographiques Pays

Identification de sites de stockage

de déchets pollués par

hydrocarbures

Caractérisation de zones favorables à l‟implantation de sites potentiels

de stockage dans le cadre du plan POLMAR-TERRE en Vendée

Rapport final BRGM/RP 53489-FR Novembre 2004

France

Identification d‟aquifères dans un

terrain cristallin.

Groundwater favorability map using GIS multicriteria data analysis on

crystalline terrain, Sa˜o Paulo State, Brazil (V. Madrucci, F. Taioli,

C.C . de Arau´jo, 2008)

Brazil

Identification de zones aptes à la

présence d‟or.

Multi-criteria analysis in GIS environment for natural resource

development - A case study on gold exploration (N. R. Sahoo,

P.Jothimani and G. K. Tripathy Tata Infotech Ltd, SEEPZ, Mumbai,

400 096)

Inde

Identifier les caractéristiques des

aquifères des roches cristallines

dans une zone semi-aride.

Impacts of Climate, Topograpy and Weathearing profile on

Hydrogeology and Water Resources Assesment in SemiArid Terrain.

Using Earth Observation 1 ALI, ASTERDEM and GIS techniques (G.

Balamurugan, Dr. S. Rajendran , V.Tirukumaran, 2010)

Inde

Identification des zones

potentiellement propices à la

présence de ressources

géothermales.

GIS model for geothermal resource exploration in Akita and Iwate

prefectures, northern Japan (Y. Noorollahi_, Ryuichi I. H. Fujii,

T.Tanaka, 2006)

Japon

Création d‟une carte des conflits

d‟intérêts sur l‟exploitation du sol

pour des ressources lithologiques.

Sustainable land-use decision making from the geological point of view:

an example for the use of geo-resources in a metropolitan area

(O.Marinoni, S. Lang, C. Lerch , A.Hoppe).

Allemagne

Bilan des priorités sur les

ressources naturelles, à l‟échelle

nationale, supporté d‟un système

géographique d‟aide à la décision.

The Application of a Simple Spatial Multi- Criteria Analysis Shell to

Natural Resource Management Decision Making (R.G. Lesslie, M. J.

Hill, Patricia Hill, H. P Cresswell and S. Dawson1, 2008)

Australie

Identification des zones vulnérables

aux inondations.

Multicriteria Analysis for Flood Vulnerable Areas in Hadejia-Jama‟are

River Basin, Nigeria (S.Yahaya, N. Ahmad, R. F.Abdalla, 2010)

Nigeria

Carte de susceptibilité du risque

volcanique

Automatic GIS-based system for volcanic hazard assessment

(A.Felpeto, J.Marti, R.Ortiz, 2007)

Espagne

Tableau 3. Exemples de cas d’étude qui utilisent des méthodes d’analyse spatiale multicritères dans différents domaines

des Géosciences.

7. Le couplage SIG-AMC dans ARCGIS V.10

Dans ARCGIS ARCINFO V. 10 les méthodes d‟analyse spatiale multicritères interviennent essentiellement dans les

fonctionnalités de Superposition (Overlay) et d‟Algèbre Spatiale, utilisées pour la modélisation d‟aptitude.

En général, il existe deux types de fonctionnalités de superposition :

-la superposition d'entités (superposition de points, lignes ou polygones) et

-la superposition de rasters. Dans la superposition de rasters, chaque cellule de chaque couche référence le même

15

emplacement géographique. En conséquence, elle est apte à l'association des caractéristiques de nombreuses couches dans une

seule couche. Habituellement, les valeurs numériques sont attribuées à chaque caractéristique, ce qui permet l'association

mathématique des couches et l'attribution d'une nouvelle valeur à chaque cellule dans la couche en sortie.

L'analyse de superposition pour trouver des endroits répondant à certains critères est souvent plus efficace si elle fait appel à la

superposition de rasters. De façon générale, on peut formaliser la procédure de mise en ouvre d‟une analyse multicritère pour

une modélisation d‟aptitude, en déclinant les étapes suivantes :.

1. reformuler le problème

2. identifier les critères « théoriques »

3. traduire les critères en données et en

variables mesurables

4. uniformiser les données

5. classer les données

6. normaliser la donnée

7. affecter un poids à chaque couche-critère

8. choisir le type d‟analyse

9. effectuer des tests (comparer les résultats)

10. prendre une décision

1. reformuler le problème

2. identifier les critères « théoriques »

3. traduire les critères en données et en

variables mesurables

4. uniformiser les données

5. classer les données

6. normaliser la donnée

7. affecter un poids à chaque couche-critère

8. choisir le type d‟analyse

9. effectuer des tests (comparer les résultats)

10. prendre une décision

Les outils qui permettent d‟effectuer cette procédure sont localisés dans la Toolbox, boite Spatial Analyst, caisse

Superposition, outils Appartenance Floue, Somme Pondérée, Somme Floue, Superposition Pondérée.

Les outils « pondérés », tout en présentant quelques différences fonctionnelles, font appel à l‟algorithme Weighted Linear

Combination (WLC) un des plus employées pour résoudre des problèmes multicritères, notamment la sélection de sites et de

modèles d'aptitude.

Le principale obstacle à l‟application des méthodes d‟analyse multicritère sur ARCGIS, réside dans l‟organisation

alphabétique et non conceptuelle des fonctionnalités (outils). Un utilisateur non expérimenté n‟est pas accompagné dans son

choix d‟étapes et de méthodes, car la procédure déroulée plus haut (ou similaires), n‟est pas vraiment traduite au niveau

ergonomique. A‟ cela s‟ajoute une ultérieure possible confusion générée par les outils de superposition vectorielles qui

présentent la même terminologie (et en partie les mêmes principes d‟analyse multicritères). En effet, dans la Toolbox on trouve

16

un ensemble de fonctionnalités, une boite appelée « Outils d‟analyse », qui est consacrée exclusivement aux opérations de

superposition des données vecteurs : on y trouve, entre autres, une entrée appelée « Superposition » avec des fonctionnalités

d‟agrégation on d‟intersection, dont l‟algorithme est une opération booléenne (OR et AND). Les fonctionnalités d‟analyse

multicritères sont donc appliquées en partie aux données vectorielles, même s‟il n‟existe pas, à présent dans le logiciel, un outil

qui permette la pondération des importances relatives pour ces dernières.

Dans une démarche de solution de problème spatial multicritères, la présence de données multi sources et multi formats (là où

des conversions ne sont pas pertinentes) est très plausible : une aide à la prise en main et au traitement de cette multiplicité

semble indispensable. Pour cela, des solutions d‟accompagnement pédagogique, représentés par ex. par des chemins basés sur

la discrimination de la typologie de la donnée et du problème à traiter, seront à envisager pour faciliter l‟usage des

fonctionnalités d‟analyse multicritères.

La Fig. 4 illustre l‟environnement de Superposition dans Spatial Analyst

Fig.4 Capture d’écran sur les outils d’Analyse Spatiale de la Toolbox, détail de la boite Superposition

8. Limites et difficultés

Chakar (2006) souligne que le grand éventail de méthodes offertes par le couplage SIG-AMC a permis d‟étendre le champ

d‟application des méthodes multicritères, mais en même temps a généré un autre problème : celui du choix de la méthode à

appliquer dans un problème spécifique. L‟importance du problème du choix de la méthode multicritère a été soulevée par

différents auteurs et démontrée dans plusieurs cas pratiques (e.g. Evans, 1984 ; Jelassi, 1987 ; Hobbs et al., 1992 ; Ozernoy,

1992, 1997 ; Hobbs et Meier, 1994 ; Guitouni, 1998 ; Cao et Brustein, 1999 ; Guitouni et al., 1999b ; Laaribi, 2000 ; Lahdelma

et al., 2000 ; Lu et al., 2000 ; Caillet, 2003 ; Liu et al., 2003 ; Opricovic et Tzeng, In press).

Pour Lu et al. (2000), le fait que les méthodes de prise de décision à objectifs multiples sont utilisées essentiellement dans un

cadre académique et le nombre réduit des décideurs effectifs qui utilisent ces méthodes (Angehrn et Jelassi, 1994), revient,

17

entre autre, aux différents modèles mathématiques et processus de résolution utilisés dans ces méthodes, compliquant, pour des

utilisateurs souvent non familiarisés avec ces méthodes, le choix de la méthode à appliquer.

Conclusions

Le SIG par sa capacité de stockage, de gestion, d‟analyse, de modélisation et d‟affichage de données à référence spatiale, mais

aussi par ses possibilités d‟intégration des méthodes d‟ASMC, se présente comme l‟outil le plus adéquat pour appréhender les

problèmes de décision à référence spatiale (S.Chakar, 2006). Malgré certaines lacunes qui concernent essentiellement le

support dans le choix des méthodes et des procédures, les potentialités d‟intégration entre SIG et AMC, illustrée par le nombre

croissant de travaux publiés depuis 1990, sont aujourd‟hui de plus en plus explorées.

On constate en effet, que le couplage SIG- AMC a généré suffisamment de littérature pour être considéré comme un véritable

champ de recherche pour les sciences géomatiques et a contribué à la diffusion des SIG dans deux contextes particuliers :

l‟aide à la décision spatial et le SIG collaboratif (S.Chakar, 2006).

Les méthodes d‟analyse offertes par le couplage SIG-AMC favorisent également des connexions parmi des domaines

disciplinaires diversifiés mais souvent complémentaires, tels que l‟aménagement du territoire, la gestion de l‟environnement,

la géologie, la géotechnique et l‟hydrogéologie : ces méthodes se prêtent à la résolution d‟une multitude de problèmes spatiaux

et constituent souvent une des phases de la mise en œuvre d‟un projet territorial.

Références

Balzarini R., « Proposition d‟ingénierie pédagogique pour l‟intégration des SIG en Géosciences appliquées :

l‟@telierSIG_Géosciences », Mémoire Master 2 Ingénierie de développement territorial Géo-SIT, Institut de Géographie

Alpine, Université Joseph Fourier Grenoble, 2010

Balzarini R., Davoine PA., Ney M. GIS in geosciences training: an experience in pedagogical engineering, International

Cartographic Conference, 2011

Ben Mena, S. Introduction aux méthodes multicritères d‟aide à la décision, BASE Vol.4, 2000.

Chakar, S. Thèse de doctorat : « Cartographie décisionnelle multicritère : formalisation et implémentation », 2006,

LAMSADE, Paris- Dauphine.

Godard,V., cours de Master, Aide à la décision et SIG, Département de Géographie Université Paris 8, 2007

Jiang, H., et Eastman, J.R. Applications of fuzzy in multi-criteria evaluation in GIS. International Journal of geographical

Information Science, 2000

Kêdowidé, C. M. G. Modélisation géomatique par évaluation multicritères pour la prospection des sites d‟agriculture urbaine à

Ouagadougou. Vertigo, V.10, N2, 2010

Keeney, R.L., « Valued-focused thinking: A path to creative decision. Hravard University Press, Cambridge, USA, 1992

Ledru, P., Apport des SIG à la connaissance géologique, Geosciences, 2007

Lehoux, N., Vallée, P. cours Analyse Multicritères, Poltytech Laval, CA, 2004

Malzcewski, Jacek « GIS-based multicriteria decision analysis : a survey of the literature», IJGIS, 2006, Vol. 20, N.7, 703-

726.

Pumain, D., HyperGéo http://www.hypergeo.eu/spip.php?article38, 2004

18

Roy, B. « Méthodologie multicritères d‟aide à la décision ». Economica, Paris, 1985

Sanders, L., « Modèles en analyse spatiale», Hermès-Lavoisier 2001

19