Extraction d'arbres spatio-temporels d'itemsets pour le suivi environnemental

Un nombre croissant de données spatio-temporelles ont été collectées pour étudier des phénomènes naturels (p.ex. risques naturels, changements environnementaux, propagation de maladies infectieuses). Extraire des connaissances pour mieux comprendre la dynamique de propagation de tels phénomènes est une tâche difficile. Par exemple, l'érosion des sols est caractérisée par un ensemble de facteurs interagissants, causant la propagation ou l'apparition de surfaces érodées. Il est important de savoir comment et quels facteurs ont un effet sur ce phénomène. Même si l'influence des facteurs environnementaux (présence de mines, type de sol, météo, feux de forêts, etc.) est connue, l'impact de ces facteurs avec leurs interactions dans l'espace et dans le temps est un problème ouvert. La fouille de données spatio-temporelles vise à proposer des solutions pour mieux comprendre et décrire ces phénomènes complexes. Les travaux existants (Yao, 2003) utilisent typiquement des motifs (p.ex. des séquences, des arbres, ou des graphes) pour modéliser la dynamique de ce type de phénomènes. Ces travaux font principalement face à deux problématiques : les trajectoires d'objets en mouvement (Yao, 2003) et les séquences d'événements Toutefois, ces travaux ne permettent pas d'étudier les dynamiques de propagation d'un phénomène en fonction de son environnement. Face à ces limites, nous proposons d'utiliser des arbres spatio-temporels d'itemsets afin de représenter les dynamiques de propagation de phénomènes naturels en fonction de leur en-vironnement proche. Soit une base de données spatio-temporelles composée d'un ensemble de n-uplets, où chaque n-uplet représente l'ensemble des caractéristiques, appelé itemset, d'une zone à un temps donné (p.ex. pluviométrie, bâtiments, état des sols). Un arbre spatio-temporel d'itemsets T = (V, E) est un arbre où V est un ensemble d'itemsets et E est un ensemble d'arêtes (X t , X t ′), avec X t , X t ′ ∈ V situés dans des zones voisines (par rapport à une relation d'adjacence ℜ n) et à des temps successifs. Nous introduisons aussi une méthode visant à extraire les propagations les plus fréquentes, tout en tirant partie du grand nombre de travaux réalisés sur la fouille d'arbres. La première étape de cette méthode consiste à capturer la dynamique du phénomène à étudier. En effet, dans beaucoup d'applications (études de risques naturels, changements environnementaux, propagation de maladies infectieuses), le phénomène et sa dynamique de propagation ne sont pas clairement identifiés (contrairement aux applications telles que la fouille de trajectoires). Dans cet objectif, nous adaptons l'approche proposée dans Mabit et al. (2011) afin …