Sztuczna inteligencja w generalizacji kartograficznej

Sztuczna inteligencja staje się coraz bardziej popularna i znajduje zastosowanie poza dziedzinami naukowymi. Nowoczesne rozwiązania transportowe, telekomunikacyjne,
bankowe czy marketingowe często wykorzystują elementy sztucznej inteligencji (SI). Opracowywanie map kojarzyło się z wymagającą, subiektywną i ze żmudną, manualną pracą
kartografa, ale czy może go zastąpić komputer? W trakcie lekcji zaprezentujemy jak stosowane są elementy sztucznej inteligencji w kartografii na przykładzie prowadzonego przez nasz zespół projektu. 
Generalizacja kartograficzna to jeden z ważniejszych elementów w procesie redakcji map. W początkowym etapie generalizacji głównym zadaniem jest wybór istotnych i pominięcie
mniej ważnych elementów mapy. Nie jest to proste zadanie, bo jak określić który obiekt jest ważniejszy? Jakie jego cechy sprawdzić i jak je porównać? Zadaniem naszego zespołu jest opracowanie metody automatycznego wyboru elementów mających znaleźć się na mapie ogólnogeograficznej. Metoda ta korzysta z wiedzy kartograficznej oraz dorobku jednej z
dziedzin SI. W badaniach wykorzystujemy wybrane modele uczenia maszynowego (ML). Zastosowanie ML w selekcji pozwoli na bardziej efektywne, obiektywne w i pełni
automatyczne wybranie obiektów na potrzeby redakcji map. Modele uczenia służą do wybrania najważniejszych (z kartograficznego punktu widzenia) obiektów geograficznych. Stosowane modele trzeba “nauczyć”, które obiekty są ważne i powinny znaleźć się na mapie. Informacje o miastach, drogach i rzekach, które powinny zostać przedstawione w skalach małych, można pozyskać z istniejących już map ogólnogeograficznych. Źródłową bazę danych wzbogacamy o dodatkowe informacje opisujące znaczenie geograficzne tych obiektów. Istotnym zadaniem w prezentowanym projekcie będzie weryfikacja opracowanych ML na danych z innych państw (Szwajcarii i USA), aby sprawdzić w jakim stopniu są one uniwersalne.

Przedstawiane na wykładzie wyniki badań zostały sfinansowane przez Narodowe Centrum Nauki, w ramach projektu numer  UMO2020/37/B/HS4/02605, “Improving Settlement and Road Network Design for Maps of  Small Scales Using Artificial Intelligence and Graph Theory”.