Représentation des incertitudes pour le raisonnement spatialisé

Slides:



Advertisements
Présentations similaires
Introduction aux statistiques Intervalles de confiance
Advertisements

Aide à la décision pour la gestion durable des agrosystèmes
STATISTIQUE INFERENTIELLE L ’ESTIMATION
Algèbre de composants : une approche fonctionnelle à la sémantique de documents Bart Lamiroy LORIA/INPL QGar - École des Mines de Nancy.
Champs de Markov en Vision par Ordinateur
But de la lecture critique
Une méthode de spatialisation du vent moyen et des rafales par régression multiple puis krigeage des résidus Action DCLIM/DEC P.Lassègues, J.M.Veysseire,
Méthode de spatialisation du rayonnement solaire global AJONC
Plate-forme Magicien d’Oz
Présentation des programmes de terminale STG Juin 2006.
Évaluation de la qualité d'une clusterisation
Inférence statistique
Les TESTS STATISTIQUES
Estimations de biomasse de civelles dAnguille dans lestuaire de lAdour : Saisons 1998/1999 et 1999/2000 Noëlle BRU, Rémy DROUILHET Gérard dAUBIGNY & Catherine.
Les TESTS STATISTIQUES
Dr DEVILLE Emmanuelle J D V 12/07/2006
WP4: Estimation des mouvements du sol par approche empirique (Nice et Grenoble) WP3: Estimation des mouvements du sol par approche déterministe Réunion.
Modélisation des systèmes non linéaires par des SIFs
Application à la méthode des
Programmes du cycle terminal
Module SIG-Santé 6. Géoréférencement Marc SOURIS Florent DEMORAES
Expériences contrôlées Quasi-expériences Études de cas
Un neurone élémentaire
Deheuvels O. CIRAD - UMR System
Eric Guilbert, Marc Daniel *, Eric Saux
Application des algorithmes génétiques
Support Vector Machine
Etude longitudinale d’essais multilocaux: apports du modèle mixte
Séminaire de lobjectif « forage et production » Beaune, les 26,27 et 28 Avril 2000 Outils danalyse statistiques « programmation par lexemple » S. Canu,
Chap 4 Les bases de données et le modèle relationnel
Fonction puissance Montage préparé par : André Ross
Échantillonnage (STT-2000)
Groupe 1: Classes de même intervalle
Construction de modèles visuels
La segmentation
Comprendre la variation dans les données: Notions de base
Définir des caractéristiques chercher de linformation? sur un support électronique? Élaborer un cadre théorique pour comprendre les enjeux et proposer.
Système d’information géographique
Universté de la Manouba
Design dun système de vision embarqué. Application:
électroencéphalographie Estimation des conductivités in vivo
Techniques de prévision quantitatives
Probabilités et Statistiques
10 février 2006GDR ISIS Journée Localisation et Navigation Projet EGNOS-BUS (Eurêka) André Monin, Wael Suleiman LAAS-CNRS.
Segmentation par analyse d’une image de gradient (ligne de partage des eaux) par fusion de régions dans un graphe par méthode variationnelle (Mumford.
Mise-à-jour de données de haute incertitude spatiale Présentation dans le cadre du groupe de discussion sur la fusion de données géospatiales – 22 nov.
Extraction de segments pour la reconnaissance de symboles : Une approche robuste par Transformée de Hough Présenté par : Simon BERNARD Encadré par : Jean-Marc.
STATISTIQUES – PROBABILITÉS
Modèles Mathématiques et représentation discrètes pour la description des images couleur Luc Brun.
Sériation et traitement de données archéologiques
2008/ Plan du cours 1.Introduction –Contenu du cours 2.Logique mathématique –Calcul propositionnel –Calcul des prédicats –Logique floue et aide à.
Application à la viabilité des systèmes irrigués à Podor de la modélisation à la restitution aux paysans Olivier Barreteau.
Synthèse d’images et Rendu Réaliste Compression Progressive de Modèles 3D DOMENGET Bruno DUMAS Benjamin EISTI.
Paris 14/6/2010 GIS GC HP2E Séminaire Gestion quantitative de l’eau Bilans hydriques des systèmes Eléments de caractérisation des systèmes vis-à-vis de.
Suivi d’Horizons Sismiques
Comparaison multi-échelle des précipitations du modèle Méso-NH et des données radar Colloque CNFSH – Ecole des Ponts ParisTech – 11/12 juin 2009 A., Gires.
Localisation collaborative dans les réseaux de capteurs
Module 2.3 – Estimation des facteurs d’émission liés à l’évolution du couvert forestier (déboisement et dégradation des forêts) Matériels de formation.
Projet Drones et Modèles Numériques de Surface Evaluation de qualité de Modèles Numériques de Surface acquis par drones.
Les drones en viticulture: état de l’art
Mesures de description des valeurs des variables
ETUDES PRONOSTIQUES Pr Ganry.
Introduction aux statistiques Intervalles de confiance
DEXiFruits for sustainability Rediriger vers manipulation longue.
Atlas des zones à enjeux aval Commission locale de l'eau Réunion du 11 janvier 2016.
Approche de modélisation approximative pour les systèmes à évènements discrets Rapporteurs : Pr. Denis FLOUTIER Pr. David HILL Examinateurs : Pr, Gérard.
Jean-Michel FLOCH INSEE DAR 19 mai 2011 Territoires urbains: que peut dire le recensement ?
De la Terre à la carte: Projections et Géoréférencement
Processus ponctuels Caractéristiques et Modèles de répartitions spatiales.
5 e cours : reprise Résumé Échantillon  hasard  prudence dans l’interprétation  Imprécision : marge + fourchette  incertitude : 95 (ou 99 %)  k =
Transcription de la présentation:

Représentation des incertitudes pour le raisonnement spatialisé Laurent Lardon, Jean-Noël Paoli, Serge Guillaume UMR ITAP, Montpellier 04 Octobre 2005

Raisonnement spatial Raisonnement spatialisé : identifier des connaissances valides, nouvelles, utiles et compréhensibles à partir de cartes. Mesures collectées Irrégularité du maillage Incertitude de localisation et de mesure Hétérotopie Connaissances expertes Source d’information Variable linguistique Dialogue pendant le raisonnement Objectif : intégration de la variable zone au logiciel FisPro (induction de règles floues). (www.inra.fr/bia/M/fispro) Extraire des zones floues représentatives des phénomènes observés (et des incertitudes liées) Définir les interactions spatiales entre les zones Estimer des valeurs floues sur ces zones

Exemple de données spatialisées Parcelle de 1.5 ha de Merlot située en Navarre (Espagne)

Exemple de données spatialisées Mesure automatisée de paramètres Superficiel Profond Rendement Taux de sucre Profondeur de sol Capteurs embarqués sur MAV Pellenc S.A localisée par dGPS (2400 pts/ha) Délimitation experte approximative Prélèvements complémentaires Résistivité du sol Résistivimètre (30 pts/ha) Topographie Tachéomètre (100 pts/ha) Vigueur Diamètre des ceps (30 pts/ha)

Représentation d’une donnée spatiale Noyau 1 u Support

Formation de zones floues interprétables Partition floue forte spatiale La donnée des noyaux suffit à caractériser l’appartenance relative aux zones Extraction de “noyaux” de zones Former des zones identifiables à des noyaux à partir d’un algorithme de zonage Quantifier l’appartenance à ces zones sur la carte. Stratégie analyse de données : FCM avec contrainte spatiale Analogie 1 zone = 1 classe Stratégie analyse d’image : Union-find, watershed Définition du voisinage dans un maillage irrégulier

Formation de zones floues interprétables Relation de voisinage Triangulation de Delaunay : sensible à un échantillonnage irrégulier k-ppv ou rayon : ne garantit pas la présence de voisins lignes de vue quadrants par quadrants: élimination des voisins trop proches entre eux, recherche de voisins dans toutes les directions Delaunay lignes de vue

Formation de zones floues interprétables Segmentation par watershed Assimile le niveau de gris à une altitude et extrait les bassins versants Tendance à la sursegmentation (lissage, fonction de marquage préalables) Nécessite l’identification initiale des “fonds de vallées”

Formation de zones floues interprétables Segmentation par union-find Fusion de points en zones de taille croissante selon un critère de dissimilarité. Paramètre d’arrêt de fusion Sens de la fusion

Formation de zones floues interprétables Passer des noyaux aux SEF : Dilatation jusqu’au premier noyau Comment juger du sens des zones obtenues ? : Critère d’homogénéité Dialogue expert (nb de zones attendues,…) Comparaison autres cartes

Estimer des valeurs floues sur ces zones Raisonnement spatial Raisonnement spatialisé : identifier des connaissances valides, nouvelles, utiles et compréhensibles à partir de cartes. Mesures collectées Irrégularité du maillage Incertitude de localisation et de mesure Hétérotopie Connaissances expertes Source d’information Variable linguistique Dialogue pendant le raisonnement Extraire des zones floues représentatives des phénomènes observés (et des incertitudes liées) Estimer des valeurs floues sur ces zones

Estimation spatiale d’une zone de requête Représentation graphique Source d’information Zone de requête

Estimation spatiale d’une zone de requête Cette estimation dépend : de la répartition des données sur la zone de requête de la structure spatiale de la variable étudiée

Estimation spatiale d’une zone de requête Information correctement répartie : faible dilatation de la composante de localisation, faible imprécision de la composante de mesure.

Estimation spatiale d’une zone de requête Information mal répartie : forte dilatation de la composante de localisation, forte imprécision de la composante de mesure.

Estimation spatiale d’une zone de requête Le variogramme : forme simplifiée dp p 0  (variance) d (distance) Évaluation imprécise (par des intervalles) des éléments remarquables du variogramme (recours aux expert, aux fractiles sur nuée variographique…) : d0 : portée 0 : effet pépite p : variance a priori Les deux courbes obtenues englobent l’ensemble des modèles possibles

Estimation spatiale d’une zone de requête Le variogramme : interprétation + - d f+( ) f-() d v

Estimation spatiale d’une zone de requête Objectif SEF englobant les mesures Contraintes Filtrage des valeurs extrêmes Prise en compte de la position des données par rapport à la zone de requête

Estimation spatiale d’une zone de requête Le calcul des bornes du SEF pourrait s’appuyer sur une intégrale de Choquet (un opérateur de ce type a déjà été défini pour l’agrégation de degrés de confiance - possibilité, nécessité - dans un contexte spatialisé) B2 B3 B1 B4 Paoli, J-N. (2004), Fusion de données spatialisées – Applications à la Viticulture de Précision. Thèse de doctorat, Agro.M – UMR ITAP.   Paoli, J-N., Strauss, O., Tisseyre, B., Roger, J-M., Guillaume, S. (2004). Fusion de données géoréférencées, Actes de la XIIe conférence sur la logique floue et ses applications. pp. 77-84.

Estimation spatiale d’une zone de requête Démonstration sur données simulées Zone renseignée Valeurs élevées

Estimation spatiale d’une zone de requête Démonstration sur données simulées Zone renseignée Valeurs faibles

Estimation spatiale d’une zone de requête Démonstration sur données simulées Zone non renseignée

Estimation spatiale d’une zone de requête Travaux à venir : zonage Critère de sélection des noyaux / rejet des outliers : dialogue expert, comparaison de cartes Implémentation et interfaçage avec FisPro Exploitation de données paysagères et hydrauliques Travaux à venir : estimation spatiale Test sur données réelles à différentes résolutions Utilisation de paramétrage expert pour les données à faible résolution Comparaison avec les géostatistiques sur des données à forte résolution