Accueil > Modèles

R-Geo-Soft Models

publié le , mis à jour le

 

Artificial Intelligence and Soft-Computing Models for Geographic Analysis on the R platform.

Giovanni FUSCO, chargé de recherche CNRS

 

Le projet R-Geo-Soft Models a pour objectif de créer une base code informatique librement accessible et modifiable sous licence Creative Commons 4.0. Il fait suite à la volonté de la part des géographes de l’UMR ESPACE de contribuer au mouvement de la science en libre accès, à partir des outils de base de la recherche en analyse spatiale : les modèles et les données. R-Geo-Soft Modelsl contient ainsi des modèles à base d’intelligence artificielle et de soft computing développées sur la plateforme de calcul scientifique R pour les besoins de l’analyse géographique. Ces modèles, actuellement à l’état de prototypes, ont été produits par les chercheurs de l’UMR ESPACE dans le cadre de différents projets de recherche. Ils ont la particularité d’investir un champ relativement émergeant d’applications du calcul informatique, celui des approches de l’incertain, de la fouille de données, de l’apprentissage automatique et de l’interface entre méthodes quantitatives et qualitatives. Les modèles sont accompagnés de jeux de données permettant de répéter les analyses produites par leurs auteurs et apparues dans les publications scientifiques afférentes.

Les modèles du projet R-Geo-Soft Models sont accessibles sur le site d’hébergement de données et d’applications scientifiques Zenodo

L’hébergement sur Zenodo permet à tout chercheur intéressé d’accéder gratuitement aux données et aux codes informatiques utilisés par les chercheurs d’ESPACE pour permettre cette reproductibilité des analyses et des expériences qui est si centrale dans notre activité scientifique. Les usagers de R-Geo-Soft Models sont également invités à développer d’autres modèles par adaptation du code des modèles déjà présents et de les proposer comme des nouvelles entrées à part entière du projet.

Les modèles actuellement disponibles sur Zenodo sont les suivants :

1. Possibilistic Network. Développé par A. Tettamanzi et G. Fusco (2015), ce modèle est un réseau possibiliste permettant de produire des scénarios tendanciel de la polarisation sociale des communes de la métropole marseillaise, en appréhendant les incertitudes du modélisateur par la théorie des possibilités.

2. Robust SOM clustering. Développé par J.Perez et G. Fusco (2015), ce modèle permet un clustering combiné robuste en croisant les techniques SOM et SuperSOM des réseaux de neurones. Le modèle ici présenté permet la classification des 640 districts de l’Union Indienne selon 55 indicateurs d’activité économique, structure urbaine, développement sociodémographique, niveaux de consommation, dotation d’infrastructures et positionnement dans l’espace indien