Adobe Systems
ZD266 GIScience
1
Využití umělé inteligence v kartografické generalizaci
Aneta Ryglová

Adobe Systems
ZD266 GIScience
2
Osnova
̶Úvod
̶Současný stav výzkumu v oblasti využití umělé inteligence v kartografické generalizaci
̶Technologie umožňující využití umělé inteligence v kartografii
̶Grafová databáze a její možnosti využití v rámci umělé inteligence
̶Závěr
̶

Adobe Systems
ZD266 GIScience
3
Úvod
̶Využití AI v kartografii - analýza satelitních snímků, rozhodování o cestovním plánování nebo při
detekci změn v krajině
̶Algoritmy strojového učení mohou být použity k identifikaci klíčových prvků na mapě -> rozhodování
o tom, které prvky generalizovat

Adobe Systems
ZD266 GIScience
4
Současný stav výzkumu v oblasti využití umělé inteligence v kartografické generalizaci
2022

Adobe Systems
ZD266 GIScience
5
̶ukázka

Adobe Systems
ZD266 GIScience
6
̶

Adobe Systems
ZD266 GIScience
7
Decision tree
̶

Adobe Systems
ZD266 GIScience
8
̶

Adobe Systems
ZD266 GIScience
9
̶

Adobe Systems
ZD266 GIScience
10
̶

Adobe Systems
ZD266 GIScience
11
̶

Adobe Systems
ZD266 GIScience
12
Technologie umožňující využití umělé inteligence v kartografii
̶Tensorflow
̶Pytorch
̶Keras
̶(ArcGIS)

Adobe Systems
ZD266 GIScience
13
ArcGIS Pro - pre-trained deep learning models
̶

Adobe Systems
ZD266 GIScience
14
Grafová databáze a její možnosti využití v rámci umělé inteligence
̶
What are Graph databases and different types of Graph databases

Adobe Systems
ZD266 GIScience
15
An automated generalization of the settlements based on graph neural networks
̶Explore the method of transforming the spatial layout of a settlement into a graph
̶Breaking down the process into a series of transformations that define the layers of a neural
network
̶Compare this approach with the traditional, deterministic model of generalizing built-up areas in
historical urban centres
̶Neo4j and Pytorch

Adobe Systems
ZD266 GIScience
16
Závěr
̶Využití umělé inteligence v kartografické generalizaci má velký potenciál a nabízí řadu nových
přístupů k tvorbě map
̶Vyžaduje další výzkum a experimentování
̶Modely strojového učení jsou založeny na trénovacích datech a mohou být ovlivněny kvalitou a
dostupností těchto dat
̶Etika
̶

Adobe Systems
ZD266 GIScience
17
Reference
1)Courtial, A., Touya, G., Zhang, X. (2022). Representing Vector Geographic Information As a Tensor
for Deep Learning Based Map Generalisation.
2)Karsznia, I., Wereszczynska, K. M., & Weibel, R. (2022). Make It Simple: Effective Road Selection
for Small-Scale Map Design Using Decision-Tree-Based Models
3)Karsznia, I., Weibel, R., & Leyk, S. (2022). May AI Help You? Automatic Settlement Selection for
Small-Scale Maps Using Selected Machine Learning Models
4)Courtial, A., El Ayedi, A., Touya, G., & Zhang, X. (2020). Exploring the Potential of Deep
Learning Segmentation for Mountain Roads Generalisation
5)Chen, Y., Huang, Q., Li, X., & Zhang, Y. (2018). Graph database for modeling road network in
urban area.
6)Lee, J., Jang, H., Yang, J., & Yu, K. (2017). Machine learning classification of buildings for
map generalization
7)Kang, Y., Zhang, Q., & Roth, R. (2023). The Ethics of AI-Generated Maps: A Study of DALLE 2 and
Implications for Cartography.
8)