Modélisation de l'information géographique par ontologie spatio-temporelle, floue et lourde pour l'interprétation des images de télédétection - Archive ouverte HAL Accéder directement au contenu
Chapitre D'ouvrage Année : 2014

Modélisation de l'information géographique par ontologie spatio-temporelle, floue et lourde pour l'interprétation des images de télédétection

Résumé

L'information géographique suscite un intérêt croissant, permettant de représenter tout objet pouvant être repéré par sa localisation spatio-temporelle et ses caractéristiques. Ces dernières années, avec les avancées des technologies d'acquisition d'information, la télédétection par satellite constitue un système de recueil d'information géographique à distance, et fournissant des images exploitables dans différents domaines tels que la gestion de l'urbanisme, l'occupation du sol, l'aménagement du territoire, et la gestion des risques naturels. L'image de télédétection constitue une information géographique qui nécessite une structuration et représentation pour être exploitable et interprétable pour la prise de décision. C'est dans ce cadre que se situe notre méthodologie proposée dans (Messaoudi et al., 2010) qui s'intéresse à la modélisation des images satellitales pour la détermination de la susceptibilité des scènes aux risques naturels. Cette méthodologie est basée sur l'annotation du contenu des images guidée par une ontologie du domaine. Cette dernière permet de structurer, de représenter et de gérer les connaissances sur les objets et celles sur les phénomènes naturels. Elle offre également des mécanismes de raisonnement permettant d'inférer des nouvelles connaissances sur la scène. Cela nous amène à poser la question suivante : quelle est l'ontologie qu'on doit adopter pour bien guider l'annotation des images satellitales et le raisonnement inférentiel. Deux solutions peuvent être proposées, la première concerne la construction d'une nouvelle ontologie en suivant une méthodologie de construction, et en se basant sur des ressources textuelles, thésaurus, etc. La deuxième solution consiste à exploiter des ontologies existantes et à les adapter pour concevoir une nouvelle ontologie intégrée. L'avantage majeur de cette solution est la réutilisation des ontologies existantes ; Ceci permet d'alléger la phase de spécification et de conceptualisation lors de la construction de l'ontologie. Dans ce chapitre, nous présentons une ontologie représentant les connaissances de l'image de télédétection. Elle modélise les entités géographiques, leurs propriétés, les relations spatiales entre elles, et les contraintes de domaine. Elle permet également de modéliser les imperfections entachant l'information géographique en se basant sur les ensembles flous. Le processus de développement de l'ontologie est basé sur la réutilisation des ressources ontologiques existantes, l'apprentissage à partir des images satellites, et l'exploitation des connaissances a priori de domaine (risques naturels, connaissances sur les scènes, information spectrales, capteurs d'acquisition...). Ce chapitre est organisé en cinq sections. La première section présente un état de l'art sur les systèmes de représentation de l'information géographique. Nous présentons, dans la deuxième section, la notion de l'ontologie et son rôle dans la représentation des connaissances. La troisième section présente notre ontologie proposée, son processus de développement et son rôle dans l'annotation de l'image de télédétection. Finalement, nous présentons quelques résultats expérimentaux.
Fichier non déposé

Dates et versions

hal-01056831 , version 1 (20-08-2014)

Identifiants

  • HAL Id : hal-01056831 , version 1

Citer

Wassim Messoudi, Imed Riadh Farah, Basel Solaiman. Modélisation de l'information géographique par ontologie spatio-temporelle, floue et lourde pour l'interprétation des images de télédétection. Information géographique en Afrique, état des lieux et nouvelles approches, Centre des Publications Universitaires, pp.225-250, 2014, 978-9973-37-807-1. ⟨hal-01056831⟩
79 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More