Site institutionnel du CNRS|attribut_html
Le rendez-vous de l’innovation

Les Partenaires
des Innovatives

Ministère de l'éducation nationale de l'enseignement supérieur et de la recherche ABG - L'intelli'agence Fist SA

Rechercher




Accueil > Big Data > Innovatives Big Data > Espace Exposition - Posters > Traitement - visualisation des données

Prototype d’un processus KDD intégré dans KNIME pour l’analyse d’une série temporelle d’images

par Benjamin LEVAUX - WEBMASTER FREELANCE - publié le , mis à jour le

Prototype d'un processus KDD intégré dans KNIME pour l'analyse d'une série temporelle d'images

Maxime Collin - Ingénieur, BlueCham, maxime.collin chez bluecham.net
Frédéric Flouvat - Maître de Conférences, PPME/UNC, frederic.flouvat chez univ-nc.nc, (+33)6.87.29.03.15
Nazha Selmaoui-Folcher - Maître de Conférences, PPME/UNC, nazha.selmaoui chez univ-nc.nc, (+33)6.87.29.03.14

Société Bluecham, Nouvelle Calédonie
PPME EA 3325, Pôle Pluridisciplinaire de la Matière et l’Environnement

Prototype d’un processus KDD intégré dans KNIME pour l’analyse d’une série temporelle d’images

Nous proposons un outil permettant d’analyser les évolutions temporelles d’objets dans une base de données spatio-temporelles constituée notamment d’une série d’images temporelles. Cet outil représente le processus complet KDD (figure1) dont les étapes principales et indépendantes sont intégrées sous forme de nœuds dans la plateforme KNIME (figure2).

L’étape d’extraction de motifs repose sur un nouvel algorithme efficace d’extraction de motifs condensés (les chemins pondérés) dans un unique graphe attribué orienté acyclique. Les nœuds du graphe représentent les objets à analyser dont les attributs fournissent la description des objets, les arcs représentent le lien temporel. Un exemple illustratif d’utilisation de cet outil est présenté sur des données liées à la compréhension et suivi de l’érosion.

Les données utilisées sont composées d’une série d’images satellitaire très haute résolution et d’autres informations liées à l’occupation du sol et à la géographie de la zone d’étude (p.ex. les pentes). L’outil est générique et peut être appliqué à d’autres problématiques dont les données sont spatio-temporelles.

Les principales étapes du processus implémenté sont :

  1. la préparation des données et segmentation des images en régions ;
  2. la fusion des segments et des autres données (SIG par exemple) ;
  3. la construction du graphe attribué orienté acyclique dont les nœuds sont les objets d’intérêts (segments)à étudier ;
  4. L’extraction des motifs condensés dans un unique graphe orienté acyclique attribué ; et
  5. la restitution et visualisation des résultats des motifs sélectionnés sur les images datées. L’outil offre la possibilité de sélectionner les motifs par l’intermédiaire des filtres utilisant des expressions régulières (figure3).
Téléchargez le poster

Partenaires Innovatives Big Data

EDF Thalès Cap Digital

Avec le soutien du GDR

Madics