Apprentissage Supervisé pour la Généralisation Cartographique

S. Mustière

LIP6 2002/005: THÈSE de DOCTORAT de l'UNIVERSITÉ PARIS 6 LIP6 / LIP6 research reports
244 pages - Juin/June 2001 - French document.

Get it : 8317 Ko /Kb

Contact : par mail / e-mail

Thème/Team: Apprentissage et Acquisition de Connaissances

Titre français : Apprentissage Supervisé pour la Généralisation Cartographique
Titre anglais : Supervised Machine Learning for Cartographic Generalisation

Résumé : Cette thèse a pour contexte l'automatisation de la généralisation cartographique, processus de création d'une carte à partir d'une base de données géographique trop détaillée. Pour réaliser cela, de nombreux algorithmes existent pour transformer la géométrie des objets géographiques à représenter sur la carte, mais aucun d'entre eux n'est générique. Nous adoptons alors une approche pas à pas, adaptative et focalisée, où le traitement d'un objet nécessite l'application de plusieurs algorithmes sur des espaces de travail adéquats. Dans ce contexte, il faut définir des règles permettant de choisir quels algorithmes appliquer sur un objet donné à partir de la description de celui-ci par un ensemble de mesures numériques.
Un processus d'enchaînement des algorithmes est mis au point empiriquement pour la généralisation des routes. L'efficacité et les limites de ce processus conduisent à envisager l'utilisation de l'apprentissage automatique supervisé pour acquérir les connaissances nécessaires à un système expert cartographique. Notre problème d'apprentissage se caractérise par la recherche de règles efficaces et compréhensibles à partir d'exemples peu nombreux, bruités et de description riche. Un apprentissage classique produit alors des règles de faible qualité.
Pour améliorer cela, nous guidons l'apprentissage par les connaissances du domaine en décomposant notre problème d'apprentissage en plusieurs sous-problèmes plus simples : nous apprenons tour à tour à abstraire puis à choisir comment transformer les objets géographiques manipulés. La phase d'abstraction consiste à reformuler la représentation des observables sous la forme d'un ensemble restreint de nouveaux attributs symboliques. La phase de choix de transformation consiste à déterminer quelle transformation réaliser en fonction de la description abstraite de l'objet. L'introduction de cette phase d'abstraction permet d'apprendre des règles cartographiques à la fois plus efficaces et plus compréhensibles qu'un apprentissage direct. Elle permet d'améliorer ainsi la qualité cartographique des résultats obtenus.

Abstract : The context of this work is the automation of cartographic generalisation, which is the process of creating maps from over-detailed geographic databases. Many generalisation algorithms exist to transform the geometry of geographic objects to be represented on the map, but none of them is generic. We use a step by step, adaptive and focalised approach, where one geographic object must be transformed by the mean of several algorithms on adapted working spaces. In this context, rules must be determined to choose which algorithms to apply on an object, according to a description of it by the mean of a set of numeric measures. A process to chain algorithms is empirically developed for road generalisation. The efficiency and the limits of this process incite to use supervised machine learning techniques to acquire the knowledge necessary to a cartographic expert system. Our learning problem can be characterised as the search for efficient and understandable rules from few, noisy and large examples. Then, a classical learning algorithm provides rules with a poor quality.
In order to improve the results quality, background knowledge is used to guide the learning process while decomposing the learning problem in several simpler sub-problems : we successively learn to abstract and to choose the transformation to apply on the geographic objects. The abstraction phase changes the object representation from a large set of numeric measures to a small set of new symbolic attributes. The transformation choice phase determines which transformation to apply according to the abstract description of the object. The introduction of this abstraction phase enables to learn more efficient and understandable rules than a direct learning. It so enables to improve the cartographic quality of the results.

Mots-clés : Apprentissage automatique, Abstraction, Généralisation Cartographique

Key-words : Machine Learning, Abstraction, Cartographic Generalisation, Mapping

Publications internes LIP6 2002 / LIP6 research reports 2002

Responsable Éditorial / Editor :Ghislaine.Mary@lip6.fr