Machine learningLocal spatial models

Analyse en Composantes Principales Pondérée Géographiquement (GWPCA)

L'Analyse en Composantes Principales Pondérée Géographiquement (GWPCA) est une méthode locale de réduction de dimensionnalité introduite par Harris, Brunsdon et Charlton en 2011. Elle étend l'ACP classique en ajustant une ACP pondérée distincte à chaque emplacement d'un ensemble de données, permettant aux eigenstructures — les composantes principales et leurs chargements — de varier continuellement dans l'espace géographique plutôt que d'être contraintes à une solution globale unique. La GWPCA convient aux chercheurs en sciences de l'environnement, en santé publique et en économie régionale qui soupçonnent que les relations multivariées entre les variables diffèrent selon l'emplacement.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Analyse en Composantes Principales Pondérée Géographiquement (GWPCA)
Forêt aléatoire géograph…Régression Pondérée Géog…

Sources

  1. Harris, P., Brunsdon, C., & Charlton, M. (2011). Geographically weighted principal components analysis. International Journal of Geographical Information Science, 25(10), 1717–1736. DOI: 10.1080/13658816.2011.554838

Comment citer cette page

ScholarGate. (2026, June 2). Geographically Weighted Principal Component Analysis (GWPCA). ScholarGate. https://scholargate.app/fr/spatial-analysis/geographically-weighted-pca

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side
ScholarGateGeographically Weighted PCA (Geographically Weighted Principal Component Analysis (GWPCA)). Consulté le 2026-06-15 sur https://scholargate.app/fr/spatial-analysis/geographically-weighted-pca · Jeu de données : https://doi.org/10.5281/zenodo.20539026