Chapitre III : Matériels et méthodes
61
données sus citées. Il s'agit d’une carte de classification de la zone, des données
démographiques, d’un modèle numérique de terrain ainsi que le réseau routier de la zone
d’étude.
Le principe du MLR est de prédire les composants d'une variable dépendante basée sur une
série de variables indépendantes qui peuvent être continues, discrètes, dichotomiques ou une
combinaison de différents types.
Le résultat de la modélisation est soit des catégories ou bien une probabilité continue de 0 à 1
du composant (Y.GUO, 2012).
La régression logistique peut être appliquée à la prédiction de la croissance urbaine en se basant
sur une série de variables indépendantes comme, les données socio-économiques, physicoécologiques, et les facteurs spatiaux identifiés comme significatifs (Hu et Lo, 2007).
Le modèle de régression logistique exprime une probabilité d'appartenance d'une variable
dépendante à une certaine catégorie ou un nombre dans le format logit. Un logit est aussi appelé
logarithme naturel du ratio de la probabilité d'appartenance d'une variable dépendante à une
catégorie ou de sa non appartenance [Menard, 1995]. La probabilité d'appartenance à une
catégorie est d'autant plus importante que la valeur de logit est proche de 1 et vice-versa ; elle
est d'autant plus faible que lorsque la valeur du logit est proche de 0 (Fiel, 2000).
Le logit peut être exprimé d'une manière linéaire comme suite :
í µí²í µí²í µí²í µí²í µí²(í µí²) = ∝ +í µí¼· í µí¿ í µí±¿ í µí¿ + í µí¼· í µí¿ í µí±¿ í µí¿ + ⋯ + í µí¼· í µí² í µí±¿ í µí²
Dans ce travail, nous avons exécuté le modèle de régression multinomial implémenté dans
logiciel IDRISI. Les résultats obtenus sont :
une carte de probabilité d'évolution de la croissance urbaine ;
une carte des résidus ;
des statistiques.
Les résultats obtenus seront présentés et discutés dans le chapitre suivant.
61
données sus citées. Il s'agit d’une carte de classification de la zone, des données
démographiques, d’un modèle numérique de terrain ainsi que le réseau routier de la zone
d’étude.
Le principe du MLR est de prédire les composants d'une variable dépendante basée sur une
série de variables indépendantes qui peuvent être continues, discrètes, dichotomiques ou une
combinaison de différents types.
Le résultat de la modélisation est soit des catégories ou bien une probabilité continue de 0 à 1
du composant (Y.GUO, 2012).
La régression logistique peut être appliquée à la prédiction de la croissance urbaine en se basant
sur une série de variables indépendantes comme, les données socio-économiques, physicoécologiques, et les facteurs spatiaux identifiés comme significatifs (Hu et Lo, 2007).
Le modèle de régression logistique exprime une probabilité d'appartenance d'une variable
dépendante à une certaine catégorie ou un nombre dans le format logit. Un logit est aussi appelé
logarithme naturel du ratio de la probabilité d'appartenance d'une variable dépendante à une
catégorie ou de sa non appartenance [Menard, 1995]. La probabilité d'appartenance à une
catégorie est d'autant plus importante que la valeur de logit est proche de 1 et vice-versa ; elle
est d'autant plus faible que lorsque la valeur du logit est proche de 0 (Fiel, 2000).
Le logit peut être exprimé d'une manière linéaire comme suite :
í µí²í µí²í µí²í µí²í µí²(í µí²) = ∝ +í µí¼· í µí¿ í µí±¿ í µí¿ + í µí¼· í µí¿ í µí±¿ í µí¿ + ⋯ + í µí¼· í µí² í µí±¿ í µí²
Dans ce travail, nous avons exécuté le modèle de régression multinomial implémenté dans
logiciel IDRISI. Les résultats obtenus sont :
une carte de probabilité d'évolution de la croissance urbaine ;
une carte des résidus ;
des statistiques.
Les résultats obtenus seront présentés et discutés dans le chapitre suivant.