Le développement des outils de collecte de données à grande échelle provenant des domaines biologiques, sociaux et technologiques élargit le défi de la visualisation et du traitement des grands graphes de terrain. De nombreuses techniques d’extraction visent à réduire la taille du réseau tout en préservant son essence. Dans cette étude de cas sur le transport aérien, nous réalisons une com- paraison expérimentale de sept principales méthodes statistiques. L’analyse des corrélations entre les "backbone" extrait par les différentes méthodes montre que le Marginal Likelihood Filter (MLF), le Locally Adaptive Network Sparsifica- tion Filter (LANS) et le Disparity Filter sont biaisés en faveur des arêtes à forte pondération. Nous comparons les structures extraites en utilisant quatre indica- teurs : la taille de la plus grande composante, le nombre de nœuds, d’arêtes et le poids total des arêtes. Les résultats montrent que les techniques basées sur un modèle de distribution binomiale (MLF et Noise Corrected Filter) ont tendance à conserver de nombreuses arêtes. En revanche, le Filtre de Disparité, le Filtre de l’Urne de Polya, le Filtre LANS et le Global Statistical Significance Filter (GloSS) sont assez agressifs pour filtrer les arêtes. Le ECM Filter se situe entre ces deux comportements. Ces résultats peuvent guider les utilisateurs dans le choix des techniques appropriées pour leurs applications spécifiques.