 |
|||||||
 |
|
||||||
|
||||||||||||||||
 |
|
 |
|
Mercredi, 3 octobre 2007
L'analyse de plusieurs phénomènes géographiques nécessite souvent des données à différents niveaux d'abstraction (ex. différentes échelles). Et lorsqu'on change le niveau d'abstraction, par exemple lorsqu'on diminue l'échelle de visualisation des données, le contenu de la carte doit être ajusté afin d'assurer la lisibilité de la carte. Pour cela, la généralisation cartographique est souvent utilisée. La généralisation cartographique est un processus d'abstraction par lequel des données simplifiées sont générées. Grâce à un tel processus, le principal message véhiculé par la carte est mis en relief tandis que les messages superflus sont éliminés. Malgré des progrès considérables réalisés ces dernières années, en vue de son automatisation, la généralisation est encore une tâche longue et complexe, exigeant souvent l'intervention humaine. Pour des applications interactives comme la cartographie en ligne ou les SOLAP, le processus de généralisation doit être réalisé à la volée. Afin de supporter un processus de généralisation à la volée qui exige un temps de réponse quasi instantané et une automatisation complète, nous proposons une approche de généralisation basée sur un enrichissement de la base de données. Cet enrichissement permet d'une part de rendre explicites des informations implicites (ex. l'alignement des bâtiments) dans la base de données initiale et d'autre part d'introduire dans les données des connaissances de généralisation (ex. le choix des bons algorithmes pour réaliser des opérations de généralisation). En plus de faciliter et d'accélérer le processus de généralisation, cet enrichissement permet de surmonter les principales limitations de la généralisation automatique actuelle (ex. le problème de formalisation des connaissances des experts du domaine). Cet enrichissement nous a permis de développer un système de généralisation permettant aux utilisateurs (y compris des non experts du domaine) de générer automatiquement et quasi instantanément des données à des échelles arbitraires. Mamane Nouri Sabo, Université Laval, Québec, Canada
|
