Action B4. Données géographiques massives : modélisation, intelligence artificielle

Slider

[DAMIA] Données géographiques mAssives, Modélisation et Intelligence Artificielle

Présentation

Cette action développe une lecture critique des données spatiales massives, collectées par capteurs ou de façon volontaire, ou générées par ré-échantillonnage, de leur usage et de leur analyse par des méthodes telles que la fouille de données spatiales ou l’intelligence artificielle. Ces approches sont-elles pertinentes, fiables, robustes ?

Objectifs

  • Évaluer la capacité et les limites de l’analyse des données géographiques massives, en menant une réflexion sur l’impact de ces méthodes sur la connaissance géographique. D’une part, l’utilisation d’algorithmes dont il est délicat d’appréhender les effets, implique une augmentation sensible de l’incertitude sur l’observation des phénomènes géographiques. Des indicateurs de confiance et d’efficience peuvent être développés et proposés comme outil d’aide à la décision spatialisée. D’autre part, la sensibilité des méthodes d’optimisation spatiale utilisées en géographie peut être évaluée dans le cadre d’une montée en charge des données. Enfin, d’un point de vue plus statistique, la validité des échantillons de données massives peut être estimée, qualitativement et quantitativement. On peut déterminer la meilleure méthode d’échantillonnage (notamment spatial) évitant l’usage des données massives. On peut également mesurer l’impact de la granularité spatiale de la donnée (agrégée) sur la validité des indicateurs produits.
  • Développer des méthodes spécifiques à l’analyse spatiale pour traiter des données issues de sources numériques diverses. Ces méthodes couvrent un large éventail de possibilités, allant de la fouille des données géographiques dans de grandes bases à la géosimulation massive ou par ré‐échantillonnage raisonné à la géovisualisation informatique. Nous nous focalisons sur quelques méthodes ciblées et maîtrisées et réservons une place importante à l’intégration des données dans les modèles de simulation, en particulier dans la calibration et la validation des modèles dans des conditions réelles d’usage.
  • Évaluer l’intérêt de certaines méthodes biomimétiques ou issues de l’intelligence artificielle pour la résolution de problématiques géographiques avec des données massives. Cette approche est fondée sur la capacité naturelle d’abstraction et de généralisation (dues aux fonctions développées par la nature sur le temps long) et sur la propension à réduire la complexité des modèles issus en l’occurrence du traitement des données spatiales massives (exemple : réseaux de neurones, deep‐learning). Des approches à partir de la théorie des graphes ou des algorithmes issus de la biologie (algorithmes génétiques ou bio-inspirés) sont aussi utilisées.
  • Appliquer ces méthodes à des problèmes actuels concrets de société Les applications possibles relèvent de plusieurs champs possibles : construction de réseaux urbains et pratiques de mobilité, inégalités socio‐spatiales, appropriations de l’espace, surveillance (terrorisme), gestion de crise, etc.

Coordinateurs

D. Moreno-Serra, D. Josselin