Automatisation et optimisation de chaà®nes de traitements visant à consolider l'attribution d'informations géographiques aux bà¢timents

Annexes

Distribution des adresses par degré de précision

0% à 20% 20% à 40% 40% à 60% 60% à 80% 80% à 90% 90% à 100%

Figure 16: Diagramme de précision pour le plugin QBAN(O)

Figure 17: Visuel de la précision obtenue avec le plugin QBAN(O)

45

Figure 18: Localisation de la zone étudiée sur Vaulx-en-Velin

Lien 1: Diagramme du script de ventilation de la surface http://www.cjoint.com/c/GHCnXD5HLbe ->> à ouvrir avec le logiciel Yed.

46

Figure 19: Zone commerciale de la porte des Alpes

Figure 20: Zone commerciale aux alentours de Bellecour

47

Figure 21: Snapping aux bâtiments avec contrainte d'exclusion des entrepreneurs individuels

Figure 22: Snapping au bâtiment avec contrainte d'effectifs sur la zone du centre-ville de Lyon

48

Rapport sur la solution DOGEO

Voici les fonctionnalités de cette API :

· Importer des données à partir d'un CSV

· Importer des données par copier/coller

· Effectuer le géocodage uniquement si les scores sont inférieurs à un score

· Géocoder avec Google

· Géocoder avec Bing

· Géocoder avec IGN/Géoportail

· Géocoder avec OSM/Mapquest

· Géocoder avec la Ban

· Possibilités de modifier les composants de l'adresse directement dans la table en double cliquant dessus.

· Il est possible de forcer le géocodage d'une ligne en cliquant sur l'un des 4 icônes en bout de ligne.

· Pour chaque groupe de score une couleur au marker est attribuée

· Déplacer le marker manuellement en le faisant glisser sur la carte (le score passe alors à 100)

· Trier les résultats en cliquant sur l'entête d'une colonne

· Centrer la carte sur la ligne sélectionnée

· Lors d'un clic sur un marqueur, mise en surbrillance de la ligne correspondante

· Exporter les résultats en CSV, KML et GeoJSON

Pour chaque résultat, un score représentant la précision et de la qualité du géocodage est attribué

· 3x => commune

· 6x => rue

· 9x => adresse (rue + numéro)

Le « x » étant la façon dont a été attribuée l'adresse (extrapolation, relevé terrain, etc...) Ce score permet de comparer les résultats entre les différents services et de ne garder que le

plus élevé.
Ainsi en utilisant plusieurs services à la suite, il est possible d'optimiser la qualité de ces résultats.

Seuls les résultats ayant un score inférieur à la valeur donnée dans le champ prévu à cet effet sont géocodés. Par défaut la valeur est à 93 ce qui correspond à une localisation à l'adresse (numéro extrapolé).

De plus, il est possible de géocoder une même table d'adresses avec différents webservices. Le principe est donc d'affiner la précision du géocodage en relançant le géocodage avec un

service différent.
J'ai testé cet API avec un échantillon de 200 adresses (en effet, le navigateur a crashé lorsque j'ai essayé avec un échantillon de 2000 adresses), en utilisant les différents services pour pouvoir les comparer.

49

Avec le service qui utilise les données de la BAN, on obtient : -Temps de traitement : 18 secondes

-Précision du géocodage :

Rue+Numéro Rue Commune Non attribué

Distribution des adresses
selon le degré de
précision

Nombre
d'Adresses

	Précision Pourcentage
184	Rue+Numéro 92%
12	Rue 6,5%
2	Commune 1,5%
2	Non attribué 1,5%

Avec le service qui utilise les données Google, on obtient : -Temps de traitement : 11 secondes

-Précision du géocodage :

Rue+Numéro Rue Commune Non attribué

Disctribution des adresses par degré de précision

Nombre d'Adresses	Précision	Pourcentage
194	Rue+Numéro	97%
0	Rue	0
4	Commune	2%
2	Non attribué	1%

Avec le service qui utilise les données IGN, on obtient : -Temps de traitement : 36 secondes

-Précision du géocodage :

Rue+Numéro Rue Commune Non attribué

Disctribution des adresses par degré de précision

50

Nombre d'Adresses	Précision	Pourcentage
184	Rue+Numéro	92%
13	Rue	6,5%
0	Commune	0
3	Non attribué	1,5%

L'API de géocodage n'a pas fonctionné en utilisant les services BING et OSMMapQuest. Enfin, j'ai combiné les 2 services qui semblent les plus performants, à savoir Google et BAN pour affiner la précision, toujours sur le même échantillon. J'ai obtenu les résultats suivants :

-Temps de traitement : 31 secondes.

-Précision du géocodage :

Rue+Numéro Rue Commune Non attribué

Disctribution des adresses par degré de précision

Nombre d'Adresses	Précision Pourcentage
198	Rue+Numéro 99%
2	Rue 1%
0	Commune 0
0	Non attribué 0

51

On observe effectivement une amélioration de la précision dans les résultats en combinant 2 méthodes différentes.

Il semble cependant que l'API peut provoquer un dysfonctionnement du navigateur si on lui fournit un fichier d'adresses plus fourni (par exemple 2000 lignes).

52

Master Géomatique Montpellier 2016-2017

Le travail présenté dans ce mémoire concerne la mise en place de solutions pour consolider les chaînes de traitements visant à affecté l'information géographiques aux bâtiments. Ceci consiste en une étape à la création de modèles qui vont alimenter des maquettes numériques représentant des projets urbains. Ces maquettes vont être contenues dans un outil web qui va permettre aux acteurs du territoire d'effectuer des actions grâce des scénarios modulables sur une plateforme 3D interactive représentant le secteur étudié et de voir leurs impacts via des indicateurs. Toute la réflexion se situe au niveau de la phase de traitement, consolidation et affectation des données collectées qui vont constituer un data-set particulier dans ce cas, nomme « Building_Use ». Les axes principaux du rapport traitent les problématiques de géocodage de masse, de snapping de points/informations géographiques, ainsi que la ventilation de surface. Pour répondre aux besoins de l'entreprise, ces chaînes de traitements visant à consolidés les données doivent être elles-mêmes consolidées et améliorées, en termes de performance mais aussi de précision.

MOTS-CLES : Chaîne de traitements, Données, Data-Set, Workflows, Snapping, Géocodage, Ventilation.

The work presented in this thesis is about the implementation of solutions wich can consolidate the processing chains intended to affect geographical informations to the buildings. This is a step towards the creation of models that will feed digital models representing urban projects. These models will be contained in a web tool that will allow the territory's actors to carry out actions trough modular scenarios on an interactive 3D platform, representing the studied sector. It'll allowed them to see their impacts trought indicators. All the reflection is mainly based on the processing phase, wich is about consolidation and allocation of the collected data wich will constitute in this case a particular data-set, named « Building-Use ». The main axes presented in this paper deal with these themes : mass geocoding, snapping of points/geographical information and how to ventilate surface. In order to meet

the need of the company, these processing chains aiming at consolidating datas must themselves be consolidated and improved, in terms of performance but also in term of precision.

KEYWORDS : Processing chains, Data, Data-set, Workflows, Snapping, Geocoding, Ventilation.