La détection de clusters spatiaux est un domaine actif en statistique depuis plusieurs décennies. Parmi les méthodes existantes, les statistiques de scan spatial permettent d’identifier des regroupements significatifs au sein d’une zone géographique, selon une approche paramétrique (via le test du rapport de vraisemblance) ou non paramétrique (via la statistique de Wilcoxon). Dans cet exposé, nous proposons deux statistiques de scan adaptées aux données fonctionnelles (i.e. données de dimension infinie) : (i) une non paramétrique basée sur la statistique de Wilcoxon-Mann-Whitney, (ii) une paramétrique issue de la statistique de test de Hotelling.
Ces approches généralisent les statistiques de scan univariées et multivariées classiques aux données fonctionnelles. Nos simulations montrent que la méthode basée sur Hotelling surpasse plusieurs méthodes existantes, y compris la non paramétrique, pour détecter et localiser des clusters. Enfin, ces méthodes sont appliquées à deux jeux de données réelles : des données économiques sur le taux de chômage en Espagne, et des données climatiques en Grande-Bretagne, afin de détecter les zones où le changement climatique opère différemment.
