Conférence : Extraction de données cartographiques historiques par forêts aléatoires : application à l’occupation des sols dans la France du 19e siècle. Le vendredi 09 novembre 2018 de 10h à 12h, MAE Salle de cours 1

Extraction de données cartographiques historiques par forêts aléatoires : application à l’occupation des sols dans la France du 19e siècle. Le vendredi 09 novembre 2018 de 10h à 12h,
MAE Salle de cours 1

 

  • Clément Gorin, CNRS, GATE LSE
  • Pierre-Philippe Combes, University of Lyon, Sciences Po Paris
  • Gilles Duranton, University of Pennsylvania
  • Laurent Gobillon, Paris School of Economics
  • Marie-Pierre de Bellefon, Paris School of Economics


Mots-clés: Cartes historiques, Classification par forêts aléatoires, Télédétection, Segmentation SLIC, Occupation des sols

Nous proposons une approche d’apprentissage machine simple et efficace visant à extraire de manière automatique les éléments figurant sur les cartes historiques. Nos travaux portent sur une collection de 1690 cartes militaires de l’État-Major couvrant la France métropolitaine, réalisées entre 1825 et 1866. Notre procédure identifie les éléments cartographiques en utilisant l’information spectrale et spatiale des pixels. Nous formons dans un premier temps des entités cohérentes de pixels (superpixels) ayant des caractéristiques spectrales et spatiales similaires, en utilisant l’algorithme SLIC (Simple Linear Iterative Clustering, Achanta et al., 2011). Ensuite, nous appliquons l’algorithme des forêts aléatoires (Breiman, 2001) afin d’assigner ces superpixels à une classe pré-définie (ex. bâtiment, champ, forêt) en fonction de leur couleur, de leur texture et de leur forme. Ces deux étapes suffisent à extraire efficacement des éléments aussi divers que des bâtiments, des terrains, des cultures, des forêts, des rivières, des routes (etc.) avec une phase minimale d’entraînement. Notre approche fournit des résultats précis malgré une forte hétérogénéité entre les cartes. Elle se distingue par deux éléments, sa vitesse d’exécution (inférieure à une minute par carte) et son caractère générique (nombre limité de paramètres). Ceci en fait une méthode applicable à tous types de cartes numérisées et images satellites.

We propose a simple, yet powerful statistical learning approach to extract historical map features on a large scale. Specifically, this work focuses on the Cartes de l’État-Major, a collection of 1690 historical military maps produced over 1825-1866 covering mainland France. We devised a two-step procedure that uses both the spectral and spatial information available at the pixel level. First, pixels sharing similar spectral and spatial properties are clustered into superpixels representing meaningful map features. This is done using the Simple Linear Iterative Clustering (SLIC) algorithm described in Achanta et al. (2011). Second, a Random Forest (Breiman 2001) algorithm is trained to classify superpixels based spectral, texture, and shape information. These two simple steps are sufficient to efficiently extract features as diverse as buildings, forests, crops, rivers (etc.) with little training. Our approach has several attractive properties. First, it yields accurate results and is robust to a substantial amount of spectral heterogeneity, both across maps and within classes. Second, it performs with remarkable speed and its few parameters make it readily applicable to any image with little tuning. This is particularly useful with the increasing availability of digitized maps and satellite imagery.

Références
• Achanta L, A Shaji, K Smith, A Lucchi, P Fua and S Susstrunk (2012). SLIC superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 34 (11), pp. 2274-2282
• Breiman L (2001). Random forests. Machine Learning, 45 (1), pp. 5-32


Vous aimerez aussi...