Descripteur
Documents disponibles dans cette catégorie (297)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Aide à l’exploration des propriétés structurelles d’un réseau de transport. Conception d’un modèle pour l’analyse, la visualisation et l’exploration d’un réseau de transport / Eric Mermet (2011)
Titre : Aide à l’exploration des propriétés structurelles d’un réseau de transport. Conception d’un modèle pour l’analyse, la visualisation et l’exploration d’un réseau de transport Type de document : Thèse/HDR Auteurs : Eric Mermet , Auteur ; Anne Ruas , Directeur de thèse ; Jean-François Gleyze , Encadrant Editeur : Champs/Marne : Université Paris-Est Année de publication : 2011 Importance : 274 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse pour obtenir le grade de Docteur de l’Université Paris-Est en informatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] analyse structurelle
[Termes IGN] carte synthétique
[Termes IGN] carte thématique
[Termes IGN] complexité
[Termes IGN] exploration de données géographiques
[Termes IGN] réseau de transport
[Termes IGN] visualisation cartographiqueIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Un réseau de transport est un objet géographique complexe possédant plusieurs dimensions : géométrique, topologique, métrique et relationnelle. À partir de ces dimensions, il est possible d'effectuer une analyse se situant entre l'analyse descriptive des composantes et l'analyse fonctionnelle. Cette analyse, dite structurelle, permet de mettre en évidence certaines propriétés du réseau sans contexte d'usage. Elle repose sur la construction et l'analyse d'indicateurs basés sur les relations proposées par le réseau. Ces indicateurs relationnels permettent d'expliciter en quoi la structure, l'organisation spatiale et topologique des composantes du réseau prédisposent à la mise en relation plus ou moins aisée de lieux de l'espace. Ce type d'analyse engendre une complexité combinatoire liée au nombre de relations sur le réseau, une complexité algorithmique liée aux calculs des indicateurs et une complexité visuelle liée à la difficulté de mettre en valeur des informations. Le modèle proposé vise à faciliter à l'utilisateur l'analyse exploratoire des propriétés structurelles du réseau par la création de cartes exploratoires. Il permet de réaliser des cartes statiques d'exploration et de les combiner visuellement à l'aide d'opérateurs en s'appuyant sur un langage graphique. Les deux aspects du modèle ont été développés dans un prototype logiciel baptisé GeoGraphLab. Note de contenu : Introduction générale
I Introduction à l'analyse de réseau
1 Les complexités liées à l'analyse de réseau
1.1 L'analyse des réseaux
1.1.1 Typologie des réseaux
1.1.2 Propriétés des réseaux de transport
1.1.3 Les phénomènes : éléments perturbateurs des réseaux
1.1.4 Les acteurs des réseaux de transport
1.1.5 Trois types d'analyses des données
1.1.6 Revue des outils d'analyses de réseaux
1.1.7 Les études de réseaux de transport
1.1.8 Potentialités relationnelles et approche structurelle
1.1.9 Synthèse Section 1.1
1.2 Pourquoi explorer ?
1.2.1 Qu'est ce que l'exploration ?
1.2.2 Les complexités des réseaux
1.2.3 Synthèse Section 1.2
1.3 Conclusion : énoncé de la problématique
1.4 Synthèse du Chapitre 1
2 Matériel théorique pour l'analyse des propriétés structurelles des réseaux de transport
2.1 Fondements théoriques de l'analyse structurelle
2.1.1 Quelques outils nécessaires de la théorie des graphes
2.1.2 Réseau et emprise spatiale
2.1.3 Modes de cheminements
2.2 Structures de données pour les réseaux
2.2.1 Matrice d'adjacence
2.2.2 Matrice d'incidence
2.2.3 Matrice Origine-Destination
2.2.4 Les listes chaînées ou listes d'adjacences
2.2.5 Les structures à objets
2.2.6 Le tas de Fibonacci
2.2.7 Librairies Java pour les réseaux
2.3 Algorithmes et complexités
2.3.1 Aperçus des différents algorithmes de calcul de PCC
2.3.2 Le problème de calcul des PCC pour toutes paires de noeuds
2.4 Indicateurs pour l'analyse structurelle
2.4.1 Les indicateurs topologiques
2.4.2 Les indicateurs relationnels
2.5 Synthèse du Chapitre 2
II Un modèle pour l'exploration structurelle d'un réseau de transport
3 Le modèle statique d'exploration
3.1 Étude de cas et besoins pour l'exploration structurelle
3.2 Le modèle à quatre leviers
3.2.1 L'espace
3.2.2 La mesure
3.2.3 La vue
3.2.4 La légende
3.3 Le modèle général
3.3.1 Le concept de carte d'exploration
3.3.2 L'historisation des cartes
3.3.3 Le modèle complet
3.3.4 La gestion des complexités
3.4 Synthèse du Chapitre 3
4 Aller plus loin dans l'exploration : les combinaisons interactives de cartes
4.1 Le processus d'exploration
4.1.1 Processus de pensée pour l'analyse
4.1.2 Atouts des langages graphiques
4.1.3 Exemples de langages graphiques
4.2 Introduction d'un langage graphique pour l'exploration de réseaux
4.2.1 Le concept de couche / carte en lien avec la pile historique
4.2.2 Combinaison de cartes par dérivation
4.3 Combinaison de cartes à l'aide d'opérateurs
4.3.1 Opérations ensemblistes sur l'espace
4.3.2 Opérations mathématiques sur la mesure
4.3.3 Combinaisons de vues
4.3.4 Combinaisons de légendes
4.4 Synthèse du Chapitre 4
5 GeoGraphLab : un outil d'aide à l'exploration des propriétés structurelles d'un réseau de transport
5.1 Présentation de l'outil GeoGraphLab
5.1.1 L'interface statique
5.1.2 Les fonctionnalités d'interactions de cartes
5.2 Validation de GeoGraphLab
5.2.1 Tests fonctionnels de l'interface
5.2.2 Études de cas
5.2.3 Combinaisons sur l'espace
5.2.4 Combinaisons de mesures
5.2.5 Combinaisons de vues
5.2.6 Croisement de deux légendes
5.2.7 Synthèse de l'étude
5.3 Synthèse du Chapitre 5
Conclusion généraleNuméro de notice : 14434 Affiliation des auteurs : COGIT (1988-2011) Thématique : GEOMATIQUE Nature : Thèse française Note de thèse : Thèse de doctorat : Informatique : Paris-Est : 2011 Organisme de stage : COGIT (IGN) nature-HAL : Thèse DOI : sans En ligne : http://theses.fr/2011PEST1037 Format de la ressource électronique : URL accès réservé Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=45251 A framework for regional association rule mining and scoping in spatial datasets / W. Ding in Geoinformatica, vol 15 n° 1 (January 2011)
[article]
Titre : A framework for regional association rule mining and scoping in spatial datasets Type de document : Article/Communication Auteurs : W. Ding, Auteur ; C. Eick, Auteur ; X. Yuan, Auteur ; Jing Wang, Auteur ; J.P. Nicot, Auteur Année de publication : 2011 Article en page(s) : pp 1 - 28 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] analyse de groupement
[Termes IGN] découverte de connaissances
[Termes IGN] exploration de données géographiques
[Termes IGN] règle d'associationRésumé : (Auteur) The motivation for regional association rule mining and scoping is driven by the facts that global statistics seldom provide useful insight and that most relationships in spatial datasets are geographically regional, rather than global. Furthermore, when using traditional association rule mining, regional patterns frequently fail to be discovered due to insufficient global confidence and/or support. In this paper, we systematically study this problem and address the unique challenges of regional association mining and scoping: (1) region discovery: how to identify interesting regions from which novel and useful regional association rules can be extracted; (2) regional association rule scoping: how to determine the scope of regional association rules. We investigate the duality between regional association rules and regions where the associations are valid: interesting regions are identified to seek novel regional patterns, and a regional pattern has a scope of a set of regions in which the pattern is valid. In particular, we present a reward-based region discovery framework that employs a divisive grid-based supervised clustering for region discovery. We evaluate our approach in a real-world case study to identify spatial risk patterns from arsenic in the Texas water supply. Our experimental results confirm and validate research results in the study of arsenic contamination, and our work leads to the discovery of novel findings to be further explored by domain scientists. Numéro de notice : A2011-026 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1007/s10707-010-0111-6 Date de publication en ligne : 18/06/2010 En ligne : https://doi.org/10.1007/s10707-010-0111-6 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=30807
in Geoinformatica > vol 15 n° 1 (January 2011) . - pp 1 - 28[article]Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 057-2011011 RAB Revue Centre de documentation En réserve L003 Disponible A hybrid classification scheme for mining multisource geospatial data / R. Vatsavai in Geoinformatica, vol 15 n° 1 (January 2011)
[article]
Titre : A hybrid classification scheme for mining multisource geospatial data Type de document : Article/Communication Auteurs : R. Vatsavai, Auteur ; B. Bhaduri, Auteur Année de publication : 2011 Article en page(s) : pp 29 - 47 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage semi-dirigé
[Termes IGN] classification de Dempster-Shafer
[Termes IGN] classification hybride
[Termes IGN] classification par maximum de vraisemblance
[Termes IGN] données auxiliaires
[Termes IGN] exploration de données géographiques
[Termes IGN] image Landsat
[Termes IGN] image multibande
[Termes IGN] précision de la classificationRésumé : (Auteur) Supervised learning methods such as Maximum Likelihood (ML) are often used in land cover (thematic) classification of remote sensing imagery. ML classifier relies exclusively on spectral characteristics of thematic classes whose statistical distributions (class conditional probability densities) are often overlapping. The spectral response distributions of thematic classes are dependent on many factors including elevation, soil types, and ecological zones. A second problem with statistical classifiers is the requirement of the large number of accurate training samples (10 to 30 * |dimensions|), which are often costly and time consuming to acquire over large geographic regions. With the increasing availability of geospatial databases, it is possible to exploit the knowledge derived from these ancillary datasets to improve classification accuracies even when the class distributions are highly overlapping. Likewise newer semi-supervised techniques can be adopted to improve the parameter estimates of the statistical model by utilizing a large number of easily available unlabeled training samples. Unfortunately, there is no convenient multivariate statistical model that can be employed for multisource geospatial databases. In this paper we present a hybrid semi-supervised learning algorithm that effectively exploits freely available unlabeled training samples from multispectral remote sensing images and also incorporates ancillary geospatial databases. We have conducted several experiments on Landsat satellite image datasets, and our new hybrid approach shows over 24% to 36% improvement in overall classification accuracy over conventional classification schemes. Numéro de notice : A2011-027 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1007/s10707-010-0113-4 Date de publication en ligne : 22/07/2010 En ligne : https://doi.org/10.1007/s10707-010-0113-4 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=30808
in Geoinformatica > vol 15 n° 1 (January 2011) . - pp 29 - 47[article]Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 057-2011011 RAB Revue Centre de documentation En réserve L003 Disponible vol 15 n° 1 - January 2011 - Spatial and spatio-temporal data mining (Bulletin de Geoinformatica) / Ashok Samal
[n° ou bulletin]
Titre : vol 15 n° 1 - January 2011 - Spatial and spatio-temporal data mining Type de document : Périodique Auteurs : Ashok Samal, Éditeur scientifique ; C.T. Lu, Éditeur scientifique Année de publication : 2011 Importance : 120 p. Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] exploration de données géographiquesNuméro de notice : 057-201101 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Numéro de périodique En ligne : http://link.springer.com/journal/10707/15/1/page/1 Format de la ressource électronique : URL sommaire Permalink : https://documentation.ensg.eu/index.php?lvl=bulletin_display&id=13432 [n° ou bulletin]Contient
- A framework for regional association rule mining and scoping in spatial datasets / W. Ding in Geoinformatica, vol 15 n° 1 (January 2011)
- A hybrid classification scheme for mining multisource geospatial data / R. Vatsavai in Geoinformatica, vol 15 n° 1 (January 2011)
- Crime analysis through spatial areal aggregated density patterns / P. Phillips in Geoinformatica, vol 15 n° 1 (January 2011)
- TIDES, a new descriptor for time series oscillation behavior / L. Mariote in Geoinformatica, vol 15 n° 1 (January 2011)
- OpenModeller : a generic approach to species’ potential distribution modelling / M. De Souza Munoz in Geoinformatica, vol 15 n° 1 (January 2011)
- How to achieve consistency for 3D city models / G. Groger in Geoinformatica, vol 15 n° 1 (January 2011)
- Computational method for the point cluster analysis on networks / K. Sugihara in Geoinformatica, vol 15 n° 1 (January 2011)
- Functional description of geoprocessing services as conjunctive datalog queries / D. Fitzner in Geoinformatica, vol 15 n° 1 (January 2011)
Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 057-2011011 RAB Revue Centre de documentation En réserve L003 Disponible
Titre : Spectral Feature Selection for Data Mining Type de document : Monographie Auteurs : Zheng Alan Zhao, Auteur ; Huan Liu, Auteur Editeur : Boca Raton, New York, ... : CRC Press Année de publication : 2011 Importance : 224 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-0-429-10719-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse multivariée
[Termes IGN] analyse spectrale
[Termes IGN] apprentissage automatique
[Termes IGN] apprentissage semi-dirigé
[Termes IGN] corrélation à l'aide de traits caractéristiques
[Termes IGN] exploration de données
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] traitement de donnéesRésumé : (éditeur)Spectral Feature Selection for Data Mining introduces a novel feature selection technique that establishes a general platform for studying existing feature selection algorithms and developing new algorithms for emerging problems in real-world applications. This technique represents a unified framework for supervised, unsupervised, and semisupervised feature selection.
The book explores the latest research achievements, sheds light on new research directions, and stimulates readers to make the next creative breakthroughs. It presents the intrinsic ideas behind spectral feature selection, its theoretical foundations, its connections to other algorithms, and its use in handling both large-scale data sets and small sample problems. The authors also cover feature selection and feature extraction, including basic concepts, popular existing algorithms, and applications.
A timely introduction to spectral feature selection, this book illustrates the potential of this powerful dimensionality reduction technique in high-dimensional data processing. Readers learn how to use spectral feature selection to solve challenging problems in real-life applications and discover how general feature selection and extraction are connected to spectral feature selection.Note de contenu : 1- Data of High Dimensionality and Challenges
2- Univariate Formulations for Spectral Feature Selection
3- Multivariate Formulations
4- Connections to Existing Algorithms
5- Large-Scale Spectral Feature Selection
6- Multi-Source Spectral Feature SelectionNuméro de notice : 25844 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Monographie En ligne : https://www.taylorfrancis.com/books/9780429107191 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95251 TIDES, a new descriptor for time series oscillation behavior / L. Mariote in Geoinformatica, vol 15 n° 1 (January 2011)Permalinkvol 24 n° 10 - october 2010 - Geospatial visual analytics : focus on time. Special issue of the ICA commission on geovisualization (Bulletin de International journal of geographical information science IJGIS) / Gennady AdrienkoPermalinkSpace-time density of trajectories : exploring spatio-temporal patterns in movement data / Urška Demšar in International journal of geographical information science IJGIS, vol 24 n° 10 (october 2010)PermalinkUsing clustering methods in geospatial information systems / X. Wang in Geomatica, vol 64 n° 3 (September 2010)PermalinkTerrestrial laser scanning and exploratory spatial data analysis for the mapping of weathering forms on rock art panels / B. Vogt in Geocarto international, vol 25 n° 5 (August 2010)PermalinkSpatio-temporal trajectory analysis of mobile objects following the same itinerary / Laurent Etienne (26/05/2010)PermalinkPersonalizing map content to improve task completion efficiency / D. Wilson in International journal of geographical information science IJGIS, vol 24 n° 5-6 (may 2010)PermalinkSemantic-based pruning of redundant and uninteresting frequent geographic patterns / Vania Bogorny in Geoinformatica, vol 14 n° 2 (April 2010)PermalinkExploration et représentation d'une matrice de flux / Marie Piron in Le monde des cartes, n° 203 (mars 2010)PermalinkAutomatic cluster identification for environnemental applications using the self-organizing maps and a new genetic algorithm / T. Oyana in Geocarto international, vol 25 n° 1 (February 2010)Permalink