CANAPAI – Extraction d’information spatiale des CAdastres NAPoléoniens par l’Intelligence Artificielle

Année : 2022 Durée : 1 an

Porteur : LIFAT - EA 6300, Romain RAVEAUX / CITERES LAT - UMR 7324, Jean-Baptiste RIGOT

Partenaires : CITERES.
MSH Val de Loire.

Services utilisés : Information géographique

Statut : En cours

Le projet CANAPAI répond à l’appel à projet Actions de Recherche Transversales de l’Université de Tours dont le but est de soutenir des rencontres et actions pluridisciplinaires. Il est porté par des enseignants-chercheurs relevant de deux Écoles Doctorales distinctes : J.-B. Rigot pour l’École Doctorale Humanités et Langues et R. Raveaux pour l’École Doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes. Il poursuit la recherche du projet VECCAR.

Il a pour objectif de développer une étape majeure dans l’acquisition d’informations géographiques à partir de feuilles du cadastre napoléonien (XIX^e siècle). La numérisation de ces plans anciens est la première étape pour les visualiser dans les applications informatiques. Toutefois leur exploitation dans une démarche scientifique nécessite de pouvoir les intégrer dans les systèmes d’informations géographiques (SIG). L’analyse de ces documents par les géographes ou les archéologues n’est possible que par l’extraction de l’information numérisée et leur conversion en données exploitables par les outils d’analyse spatiale. Cette étape est la vectorisation bien connue dans les sciences de l’information géographique mais elle est longue et fastidieuse car elle est réalisée manuellement. L’objectif du projet est l’automatisation de cette étape par les technologies de l’apprentissage automatique (deep learning). Ces développements offrent de nouvelles opportunités investies pour l’extraction de données à partir d’image aériennes ou satellitaires. La spécificité des documents cartographiques telles que le cadastre napoléonien où les informations se superposent et s’entrecroisent, pose un défi supplémentaire aux technologies d’apprentissage.

Mots clés

Informatique / Deep Learning / Vision par ordinateur / Géomatique / Archéologie spatiale / Géographie