Thèse de doctorat en Mathématiques appliquées aux sciences sociales
Sous la direction de Marc Barbut.
Soutenue en 1987
à Paris, EHESS .
Pour etre operationnel dans les pays pauvres, un modele statistique base sur les donnees satellitaires, pour l'estimation de surface en statistiques agricoles, doit maximiser le rapport precision-cout: maximisation de la precision par la stratification de l'espace suivant x (donnees satellitaires et methodes de classification) et par les classifications, minimisation des couts d'acquisition des donnees (budjet) d'exploitation (traitement), du delai d'obtention des informations (temps). Pour collecter l'ensemble des informations necessaires a un modele d'estimation de surfaces, repondant a ces contraintes et suivant les etapes d'identification, d'estimation et de validation, la demarche propose les solutions suivantes: identifier le modele statistique global (sondages areolaires), decomposer le modele en plusieurs modules. 1. Reduction des donnees par - echantillonnage d'un ensemble minimum d'images dans l'espace et dans le temps, - reduction de l'aire des images, et de la dimension de l'espace des pixels (de quatre a une), - echantillonnage de pixels. 2. Obtention de l'information par - stratification (aires couvertes par les images et independantes de leur couverture (administratives ou non) - enquetes sur le terrain, ou directement sur les images; - extrapolation. 3. Estimation de chacun de ces modules, au moyen des donnees a disposition suivant les cas d'application. 4. Validation du modele, par affectation d'un niveau de confiance aux estimations des surfaces obtenues. Une etude de cas est realisee par l'application du modele a l'estimation de l'extension du riz de deuxieme saison dans des sous- prefectures de la province de mahajanga a madagascar.
To be operational a statistical model based on remote sensing data, for estimation of crops acreages in agricultural statistics, in developing countries, must have maximum efficiency (precision cost). Precision by stratification on x: (remote sensing data and classification), and by precision of classification. Reduction of costs of - acquisition of data (budgetaries resources) - exploitation (computers resources) - achievement time of results (time). Responding to these constraints, and following the steps of identification, estimation, and validation, of statistical models, some propositions are given for - gathering all the informations required by the model for acreage estimation - identification of a general statistical model (area frame sampling) - breaking up this model in some modules: 1. Data reduction: - sampling of images in geographical space and in time - reduction of the acreage of the images to be treated - reduction of the dimensions of the space of the pixels (from four to one) - sampling of pixels. 2. Obtaining the information -stratification of areas covered and uncovered by the images -surveys on ground or directly on the images -extrapolation. 3. Estimation of each of these modules, by mean of the data available following the studied case. 4. Validation of the totality of the model, by giving a level confidence to the estimations of obtained acreages. A case of study is done by application of the model on madagascar.