%% nav-debut : généré par gen_navigation.py, ne pas modifier à la main %% > [!nav] > ↩ [[Analyse et Données/Statistique & Probabilités/Géostatistique/Géostatistique|Accueil · Géostatistique]] %% nav-fin %% # Analyse exploratoire de données géochimiques (As, Cu) ### Contexte  Les données proviennent d’une zone de prospection fictive située dans le Massif Central, dans un contexte de circulations hydrothermales le long de structures (failles) susceptibles de concentrer certaines teneurs géochimiques dans les sols. Les coordonnées sont exprimées en mètres dans le système projeté **RGF93 / Lambert-93 (EPSG:2154)**. Une campagne d’échantillonnage de sols a été réalisée sur une zone de prospection (≈ 4 km × 4 km). Deux variables sont mesurées sur **80 points** :   - **As_ppm** : teneur en arsenic (ppm)   - **Cu_ppm** : teneur en cuivre (ppm) Hypothèse de travail (à tester et nuancer) : une anomalie structurée pourrait être associée à un corridor (ex. zone de faille). As et Cu peuvent être corrélés dans certaines zones, mais pas partout. ### Données - Fichier : `TD_ESDA_Geologie_As_Cu_points.csv`   - Champs : `ID`, `Easting_m`, `Northing_m`, `As_ppm`, `Cu_ppm`   - Coordonnées : métriques (m), adaptées aux analyses de distance/voisinage. --- ## 1. Préparation dans ArcGIS Pro 2.9 ### 1. Créer le projet et ajouter les données 1. **Ouvrir ArcGIS Pro** → **Map** (projet vierge).   2. Dans le panneau **Catalog** (ou **Catalog View**) :    - clic droit sur **Folders** → **Add Folder Connection…** → choisir le dossier contenant le CSV.   3. Créer la couche de points à partir du CSV. Plusieurs méthodes sont possibles, utilisez celle que vous voulez, en voici une : 1. Clic droit sur le CSV --> Export --> Table to Point 2. A vous de réfléchir sur les champs à mettre en X et Y ! 4. Effectuer les vérifications de base Clic droit sur la couche de points → **Properties** → **Source** :   - vérifier le **Spatial Reference** (projection),   - vérifier les unités (mètres).   - Zoom : clic droit sur la couche → **Zoom To Layer**. ### Point de réflexion : 1. Pourquoi une projection métrique est-elle indispensable dès qu’on parle de distances, voisinage et autocorrélation ? --- ## 2. Analyse exploratoire non spatiale (sans utiliser les coordonnées) ### 2.1 Distribution univariée (As puis Cu) **Objectif :** décrire la donnée à une variable #### Histogrammes 1. Clic droit sur la couche de points → **Create Chart** → **Histogram**.   2. Dans le panneau **Chart Properties** :    - **Numeric field** : `As_ppm` (puis refaire pour `Cu_ppm`)    - ajuster **Number of bins** (voir section suivante).   3. Export possible : menu du graphique (petits points) → **Export**. #### Résumés statistiques rapides - Clic droit sur la couche → **Attribute Table**.   - Sur le champ (`As_ppm`) : clic droit sur l’en-tête de champ → **Statistics**     (ArcGIS affiche min, max, mean, std, etc.).   - Noter au moins : min, max, moyenne, écart-type (et idéalement médiane si vous la calculez via outils externes). **Points de réflexion** 2. Les distributions As et Cu sont-elles symétriques ? Quel risque si l’on cartographie directement en classes régulières ?   3. Si 2–3 valeurs sont très élevées : proposer 2 explications géologiques plausibles et 1 explication non géologique. #### Choix du nombre de bins / classes (représentation) **Objectif :** voir comment le nombre de bins change “l’histoire” racontée. 1. Sur l’histogramme de `As_ppm`, tester **5**, **10**, **20** bins (champ **Number of bins**). 2. Pour chaque réglage, noter ce qui change :    - perception d’une population “de fond”,    - visibilité des extrêmes,    - bruit (histogramme “haché”). **Points de réflexion** 4. Quel réglage (5, 10, 20 bins) est le plus défendable pour discuter d’anomalies ? 5. Proposer une règle pratique pour augmenter/diminuer le nombre de bins selon le contexte. ### 2.2 Dépendance statistique As–Cu (covariance, corrélation) **Objectif :** relier relation statistique et hypothèse géologique. #### Nuage de points (Scatter Plot) : observer la covariance 1. Clic droit sur la couche → **Create Chart** → **Scatter Plot**.   2. Dans **Chart Properties** :    - **X-axis** : `As_ppm`    - **Y-axis** : `Cu_ppm` Comment lire un Nuage de points ? - Repérer les outliers - Corrélation positive/négative/pas de corrélation - Faire apparaitre le coefficient de corrélation **Points de réflexion** 6. Si la corrélation entre As et Cu est modérément positive, pourquoi cela ne suffit-il pas à conclure à une co-minéralisation ? Donner 2 raisons.   7. Formuler la différence entre covariance et corrélation en une phrase utile “terrain”. --- ## 3. Analyse exploratoire spatiale #### 3.1 Analyse exploratoire spatiale univariée ### 3.1.1 La visualisation cartographique et classification **Objectif :** comprendre l’impact des classes sur la perception des anomalies. 1. Dans **Contents**, cliquer sur le symbole de la couche → ouvrir **Symbology**.   2. Choisir **Graduated Colors** :    - **Field** : `As_ppm`    - **Method** : tester **Natural Breaks (Jenks)** puis **Quantile**      - **Classes** : tester 5 puis 7 (par exemple)   3. Garder la même emprise :    - créer un **Bookmark** (onglet **Map** → **Bookmarks** → **New Bookmark**)      - l’utiliser pour comparer les cartes de façon identique. **Points de réflexion** 8. Pourquoi une anomalie peut “apparaître” ou “disparaître” selon la classification ? Qu’est-ce que cela implique pour la responsabilité du cartographe ?   9. Quelle information essentielle manque-t-il si les points d’échantillonnage ne sont jamais affichés (même si on fait une surface interpolée ensuite) ? ### 3.1.2 Plus proche voisin (lecture du plan d’échantillonnage) **Objectif :** détecter amas, trous, et conséquences sur les analyses basées sur la distance. #### Outil Near 1. Onglet **Analysis** → **Tools** (ouvre la **Geoprocessing pane**).   2. Rechercher l’outil **Near** (Data Management Tools → Proximity → Near).   3. Paramétrer :    - **Input Features** : couche de points    - **Near Features** : la même couche de points    - Cocher **Location**    - Mettre une **Search Radius** vide (par défaut) 4. Exécuter.   5. Ouvrir la table attributaire : un champ **NEAR_DIST** (distance au plus proche voisin) est ajouté. 6. Explorer les résultats : Clic droit sur la couche → **Create Chart** → **Histogram** sur `NEAR_DIST` OU clic droit sur le champ **NEAR_DIST** → **Statistics**. **Points de réflexion** 10. Si beaucoup de points ont un plus proche voisin très proche : donner 2 interprétations possibles et 1 biais potentiel sur l’analyse spatiale.   11. Proposer une stratégie simple pour limiter l’effet d’amas (cluster) dans une analyse exploratoire. ### 3.1.3 Répartition hot spot / cold spot **Objectif :** distinguer “motif visuel” et “structure significative”. #### Hot Spot Analysis (Getis-Ord Gi*) 1. Onglet **Analysis** → **Tools**.   2. Rechercher **Hot Spot Analysis (Getis-Ord Gi\*)** (Spatial Statistics Tools → Mapping Clusters).   3. Paramétrer :    - **Input Features** : couche de points    - **Input Field** : `As_ppm`    - **Conceptualization of Spatial Relationships** : **Fixed Distance Band** (on ne va pas rentrer dans le détail des différentes méthodes ici, mais n'hésitez pas à survoler le i pour en savoir plus)    - **Distance Band or Threshold Distance** : laissez blanc, une valeur par défaut sera calculée selon vos données  4. Exécuter → couche résultat avec catégories hot/cold et significativité. **Points de réflexion** 12. Différencier “hot spot visuel” et “hot spot statistiquement significatif”.   13. Pourquoi un cold spot peut-il être aussi informatif qu’un hot spot en exploration ? --- ## 3.2 Analyse exploratoire spatiale et bivariée ### 3.2.1 Autocorrélation spatiale globale (Global Moran’s I) **Objectif :** tester s’il existe une structure spatiale globale. 1. Onglet **Analysis** → **Tools**.   2. Rechercher **Spatial Autocorrelation (Global Moran's I)** (Spatial Statistics Tools → Analyzing Patterns).   3. Paramétrer :    - **Input Feature Class** : couche de points    - **Input Field** : `As_ppm` (puis refaire pour `Cu_ppm`)    - Cochez 'Generate Report'    - **Conceptualization of Spatial Relationships** : comme pour Hot Spot (Fixed distance Band)    - **Distance Method** : Euclidean    - **Distance Band** / **Number of Neighbors** : laissez blanc 4. Exécuter → lire le rapport : **Moran’s I**, **z-score**, **p-value**. **Points de réflexion** 14. Si As présente une autocorrélation spatiale significative mais Cu non, proposer 2 scénarios géologiques plausibles.   15. Quel rôle joue le choix du voisinage (distance, k plus proches voisins) dans Moran’s I ? ### 3.2.2 Lecture bivariée **Objectif :** repérer où As et Cu co-varient (ou divergent). - Sur votre couche initiale, ouvrez le panneau de Symbologie - Sélectionnez 'Bivariate colors' dans le choix de symbologie **Points de réflexion** 16. Localiser les points “Haut As + Haut Cu” : motif de couloir, patch, ou dispersion ? Relier à une hypothèse géologique.   17. Repérer une zone “Haut As + Bas Cu” : proposer 2 explications (lithologie, processus, contamination, etc.). ### (facultatif) Corrélation globale vs corrélation locale (zones A/B) **Objectif :** comprendre qu’une corrélation peut changer selon les zones (non-stationnarité bivariée). 1. Créer 2 polygones simples (zones A et B) :    - onglet **Edit** → **Create** → créer une nouvelle couche polygonale (ou utiliser **Create Features**)      - dessiner Zone A (corridor suspecté) et Zone B (hors corridor).   2. Sélectionner les points par zone :    - onglet **Map** → **Select By Location**    - sélectionner les points **within** Zone A, puis exporter la sélection (clic droit couche → **Data** → **Export Features**).   3. Calculer corr(As,Cu) dans A et B :    - via outil externe/cours à partir des deux exports CSV,    - ou, à défaut, comparer qualitativement les nuages de points par zone (deux scatter plots). **Points de réflexion** 18. Pourquoi la corrélation globale peut-elle masquer des comportements locaux ?   19. Avec un budget de 10 points supplémentaires, où les placer et quelle incertitude / hypothèse tester ? --- %% nav-debut : généré par gen_navigation.py, ne pas modifier à la main %% > [!nav] > ↩ [[Analyse et Données/Statistique & Probabilités/Géostatistique/Géostatistique|Accueil · Géostatistique]] %% nav-fin %%