Navigation – Plan du site
2010

Kanevski M., Pozdnoukhov A. and Timonin V., 2009, Machine Learning for Spatial Environmental Data : theory, applications and software, EPFL Press, 2009, 377 p.

Denise Pumain

Texte intégral

1Le paysage des études environnementales a bien changé : à l’expertise de ceux qui pratiquaient l’observation du terrain et l’analyse en laboratoire d’échantillons, se sont ajoutés depuis quelques décennies les analyses informatisées des données géoréférencées, géomorphologiques ou climatiques. Longtemps assez limitées par les capacités des ordinateurs, ces pratiques nouvelles ont explosé depuis une dizaine d’années, au point de susciter l’apparition d’un nouveau vocabulaire adapté à la description des multiples opérations qu’elles recouvrent. Et les machines apprennent, intégrant toujours plus les savoir-faire qui n’étaient auparavant déployés que de façon plus artisanale par les chercheurs.

2Un premier chapitre introduit la notion d’algorithme d’apprentissage à partir de données « géospatiales », spécifiant les types d’opérations que l’ordinateur doit accomplir pour extraire de l’information à partir des données géoréférencées, des méthodes géostatistiques les plus élémentaires jusqu’à des modèles de prévision plus complexes. Un second chapitre consacré aux méthodes exploratoires d’analyse spatiale apporte des illustrations neuves aux méthodes classiques de détection de l’autocorrélation, par des variogrammes ou des algorithmes permettant l’étude des effets de voisinage à différentes échelles. Le troisième chapitre présente les capacités des méthodes de géostatistique à faire des prédictions spatiales, par exemple pour des extrapolations sur des données climatiques ou des estimations de risques. Le quatrième chapitre explique tout ce que les méthodes par réseaux de neurones peuvent apporter en termes de finesse et de souplesse à ces estimations. Le cinquième chapitre montre des méthodes plus sophistiquées, comme celle des noyaux (kernels), pour apprendre aux machines la reconnaissance des formes, l’estimation de régression ou de densités. Vingt-cinq pages de références bibliographiques très récentes et un index détaillé permettent de s’orienter plus avant dans ce champ de recherche novateur.

3L’ouvrage de Mikhail Kanevski et de ses collègues de l’Université de Lausanne est une excellente initiation aux méthodes de traitement informatisé des données environnementales, adaptées en particulier à la mise en évidence des variations spatio-temporelles. Tout en se situant à la pointe de l’expertise dans ce domaine, les auteurs savent exposer cette matière relativement technique avec une grande clarté et l’illustrer d’exemples très convaincants, qu’ils soient des exercices pédagogiques, ou des analyses en vraie grandeur de données environnementales sur le territoire de la Suisse. Ils donnent aussi des clés pour situer leur travail dans l’état de l’art de la géomatique appliquée à l’environnement (que certains vont jusqu’à dénommer enviromatique !), et fournissent dans un CD Rom les logiciels qu’ils ont élaboré pour ces applications. Il ne vous reste plus qu’à les faire apprendre à vos machines…

Haut de page

Pour citer cet article

Référence électronique

Denise Pumain, « Kanevski M., Pozdnoukhov A. and Timonin V., 2009, Machine Learning for Spatial Environmental Data : theory, applications and software, EPFL Press, 2009, 377 p. », Cybergeo : European Journal of Geography [En ligne], Revue de livres, mis en ligne le 14 mai 2010, consulté le 27 mars 2017. URL : http://cybergeo.revues.org/23142

Haut de page

Auteur

Denise Pumain

Université de Paris 1 –Sorbonne, France
pumain@parisgeo.cnrs.fr

Articles du même auteur

Haut de page

Droits d’auteur

© CNRS-UMR Géographie-cités 8504

Haut de page