Zastosowanie uczenia maszynowego w generalizacji kartograficznej 1900-3-ZUMG-GKT-WW
Zakres wykładów obejmuje zapoznanie się z najnowszą literaturą obejmującą przykłady zastosowania sztucznej inteligencji oraz uczenia maszynowego do przetwarzania, analizy, pozyskiwania informacji z map ogólnogeograficznych, w szczególności generalizacji kartograficznej i wspomagania automatycznej redakcji map.
Zakres ćwiczeń obejmuje realizację zagadnień omawianych na wykładzie w postaci oprogramowania w języku Python procesów automatycznej selekcji obiektów zawartych we współczesnych bazach danych przestrzennych (BDOT10k, BDOO) takich jak miejscowości, drogi oraz rzeki, do prezentacji na mapach ogólnogeograficznych w różnych skalach.
Zakres tematów:
Sztuczna inteligencja.
Uczenie maszynowe.
Zastosowanie SI i UM w Kartografii.
Generalizacja kartograficzna jako zasadniczy etap redakcji map.
Eksploracja i pozyskiwanie informacji z map rastrowych.
Kierunek podstawowy MISMaP
Koordynatorzy przedmiotu
Rodzaj przedmiotu
Tryb prowadzenia
Efekty kształcenia
Wiedza
• Zna zasady redakcji map i generalizacji kartograficznej.
• Rozumie kluczowe zasady tworzenia programów i algorytmów oraz ich
zastosowania w analizie przestrzennej.
• Posiada wiedzę na temat podstawowych zasad prezentacji graficznej danych jakościowych i ilościowych.
• Posiada ugruntowaną wiedzę teoretyczną w zakresie podstawowych technik uczenia maszynowego oraz metodologii badań i konstrukcji w tej dziedzinie.
Umiejętności
• Potrafi wykorzystać wiedzę teoretyczną do opisu i rozwiązania problemów
badawczych.
• Posługuje się szczegółową terminologią geograficzną w języku polskim oraz w języku obcym na poziomie B2+.
• Umie napisać własne skrypty w języku Python oraz R i weryfikować poprawność działania tworzonych programów.
• Umie krytycznie ocenić opracowane ilustracje pod kątem klarowności i
poprawnej interpretacji zjawisk geograficznych.
• Umie wykorzystywać literaturę naukową oraz źródła obcojęzyczne do
pogłębiania analiz.
• Potrafi zaprezentować wyniki projektu badawczego zgodnie z terminologią geoinformatyczną w formie prezentacji multimedialnej.
• Umie przetwarzać duże zbiory danych z wykorzystaniem nowoczesnych
narzędzi i metod obliczeniowych.
• Potrafi stosować metody opracowane na potrzeby badań nad strukturami
wykorzystywanymi w uczeniu maszynowym do analizy danych w wybranych dziedzinach.
Kompetencje społeczne
• Potrafi działać w sposób przedsiębiorczy w przygotowywaniu i realizacji
projektów badawczych i gospodarczych.
• Jest świadomym użytkownikiem map i technologii geoinformatycznych.
• Posiada potrzebę stałego poszerzania kompetencji zawodowych oraz
aktualizacji wiedzy geograficznej z uwzględnieniem nowoczesnych
technologii.
Praktyki zawodowe
Brak.
Literatura
1. Harrie, L, Touya, G, Oucheikh, R, Ai, T, Courtial, A & Richter, KF 2024 ‘Machine learning in cartography’, Cartography and Geographic Information Science, 51(1), pp.1–19. doi:10.1080/15230406.2023.2295948.
2. Kang, Y, Gao, S & Roth, R 2024 ‘Artificial intelligence studies in cartography: A review and synthesis of methods, applications, and ethics’, Cartography and Geographic Information Science, 51(1), pp.1–32. doi:10.1080/15230406.2023.2295943.
3. Karsznia, I, Wereszczyńska, K & Weibel, R 2022 ‘Make it simple: Effective road selection for small-scale map design using decision-tree-based models’, ISPRS International Journal of Geo-Information, 11(8), p.457. doi:10.3390/ijgi11080457.
4. Karsznia, I 2023 ‘Machine learning and geospatial technologies’ in The Routledge Handbook of Geospatial Technologies and Society, eds Kent, AJ & Specht, D, London: Routledge, pp.467–478. doi:10.4324/9780367855765-25.
5. Karsznia, I, Adolf, A, Leyk, S & Weibel, R 2024 ‘Using machine learning and data enrichment in the selection of roads for small-scale maps’, Cartography and Geographic Information Science, 51(1), pp.60–78. doi:10.1080/15230406.2023.2283075.
6. Karsznia, I, Çöltekin, A & Sundstedt, V 2024 ‘Cartographic generalization of settlement representations: Human vs. machine’, Abstracts of the International Cartographic Association, 8, p.12. doi:10.5194/ica-abs-8-12-2024.
7. Kraak, MJ, Roth, RE, Ricker, B, Kagawa, A & Le Sourd, G 2020 Mapping for a sustainable world, New York: United Nations. https://doi.org/10.18356/9789216040468.
8. Touya, G, Zhang, X & Lokhat, I 2019 ‘Is deep learning the new agent for map generalization?’, International Journal of Cartography, 5(2–3), pp.142–157. doi:10.1080/23729333.2019.1613071.
9. Zhou, Z., Fu, C., Feng, Y., Touya, G., Sester, M., & Weibel, R. 2026. GeoAI for map generalization in multi-scale cartography: foundations, a research agenda, and interdisciplinary perspectives. International Journal of Geographical Information Science, 1–29. https://doi.org/10.1080/13658816.2026.2626935.
10. X. Xia et al., "MapSAM2: Adapting SAM2 for Automatic Segmentation of Historical Map Images and Time Series," in IEEE Transactions on Geoscience and Remote Sensing, doi: 10.1109/TGRS.2026.3678420.
11. Yuan, Y., Thiemann, F., Dahms, T., & Sester, M. 2025. Semantic segmentation of time-series of historical maps by learning from only one map. International Journal of Cartography, 1–15. https://doi.org/10.1080/23729333.2025.2545586.