 |
|||||||
 |
|
||||||
|
||||||||||||||||
 |
|
 |
|
|
La composante cartographique des objets spatiaux joue un rôle primordial dans l'exploration des données spatiales. Cette exploration peut être traditionnelle, i.e. dirigée par l'usager selon une approche multidimensionnelle (par exemple, en utilisant les outils SOLAP), ou automatique en se basant sur les techniques de fouille de données spatiales (data mining spatial). Dans le cadre décisionnel, la majorité des outils existants se basent sur des techniques d'exploration et d'analyses traditionnelles des données spatiales. Or, des connaissances peuvent être cachées dans les bases de données spatiales (cubes) et demeurer insoupçonnées par l'usager, négligeant ainsi d'avoir une influence sur l'analyse des données spatiales et la prise de décision. L'extraction automatique et la gestion de ces connaissances ont le potentiel de représenter un avantage majeur dans le cadre décisionnel. Par contre, le data mining spatial n'en est qu'à ses débuts et reste encore confiné dans les laboratoires de recherche. Conséquemment, il est intéressant d'explorer cette avenue, et en particulier de voir s'il est possible de combiner cette approche automatique du data mining spatial avec l'approche directive traditionnelle comme celle utilisée en SOLAP. Nous proposons donc un état de l'art sur l'exploration traditionnelle multidimensionnelle et l'exploration automatiques des données spatiales en mettant l'accent sur les avantages et les inconvénients de chaque type d'exploration et proposons une façon de coupler ces deux approches. Ce couplage permettra l'identification et la prise en considération des principales interactions existant entre les objets spatiaux, ainsi que la découverte automatique et visuelle des connaissances qui peuvent avoir un impact sur l'analyse des objets spatiaux et la prise de décision. Fariza Boultache, candidate Msc.
|
