Généralisation cartographique : règles contre apprentissage

La généralisation cartographique — l’art de réduire, condenser et adapter l’information spatiale pour des échelles et des usages variés — est loin d’être un simple exercice de simplification géométrique. C’est une série de choix cognitifs et techniques qui déterminent ce que l’on montre, ce que l’on occulte et comment un territoire se lit. Depuis l’automatisation des flux de production cartographique, deux familles d’approches se disputent les workflows : les systèmes à règles explicites conçus par des cartographes, et les méthodes data-driven qui apprennent des exemples. Le duel n’est pas purement technique ; il renvoie à des questions de lisibilité, de responsabilité et de représentativité.

Deux philosophies opposées

Les systèmes à règles sont des recettes : si la route est trop courte à telle échelle, on l’agrège ; si deux symboles se chevauchent, on déplace l’un ; si un polygone devient insignifiant, on le supprime ou le remplace par un point. Ces opérateurs — simplification, agrégation, typification, suppression, déplacement — sont explicités en conditions et en paramètres. Ils reflètent des décisions éditoriales qui se lisent et se justifient. Pour un prestataire de cartographie officielle, c’est un avantage : on peut expliquer pourquoi tel lac a disparu à une petite échelle.

L’approche par apprentissage repose sur des modèles qui extraient des corrélations à partir d’exemples de véritables cartes ou de paires données à différentes échelles. Les modèles peuvent être supervisés (apprendre à reproduire l’œuvre d’un cartographe), conduire à des architectures génératives ou exploiter des stratégies de renforcement pour choisir des opérations successives. Le résultat est souvent un comportement global, difficile à décomposer en règles humaines simples : le modèle « sait » transformer, mais il est moins évident de décrire pourquoi il a fait tel choix pour telle entité.

Conséquences sur la lisibilité et la cohérence

La lisibilité cartographique ne se résume pas à l’absence de chevauchement : elle dépend d’une hiérarchie visuelle, d’une logique topologique et d’une sémantique adaptée à l’usage. Les systèmes à règles excellent à reproduire un style cohérent quand les règles couvrent les cas courants. Ils fournissent une hiérarchie déterministe et contrôlable : un ruisseau restera ruisseau, une forêt gardera sa surface approximative jusqu’à un seuil connu.

Les modèles appris, eux, offrent parfois une constance visuelle surprenante sur des jeux de données variés, parce qu’ils captent des motifs que le concepteur n’avait pas envisagés. Ils peuvent restituer des formes « plausibles » d’îlots urbains ou corriger des artefacts nocturnes sans qu’on ait programmé explicitement ces comportements. Mais cette « intuition » a un prix : elle peut masquer des erreurs systématiques apprises du corpus d’entraînement. Un modèle entraîné sur des cartes produites dans un contexte culturel donné risque de transférer des conventions locales comme des vérités universelles, altérant la représentation de territoires marginaux.

Atouts et risques pour la production et la confiance

Choisir entre règles et apprentissage, c’est aussi arbitrer entre prévisibilité et adaptabilité.

• Transparence : les règles sont lisibles et documentables. Dans des contextes légaux ou administratifs, cette traçabilité est cruciale. Les modèles appris, opaques par nature, compliquent la justification d’un choix cartographique devant des tiers.
• Maintenance : modifier une règle isolée est souvent plus simple que réentraîner un modèle sur un jeu de données enrichi. En revanche, face à des évolutions massives du fond de données (nouvelles couches, formats), les règles explosent en nombre et complexité — la dette technique peut devenir lourde.
• Besoin en exemplaires : l’apprentissage exige des paires d’entrées-sorties de qualité. Constituer ce corpus équivaut à produire un large échantillon de cartes expertisées, tâche coûteuse. Les règles peuvent démarrer avec peu d’exemples mais exigent un investissement humain continu.
• Artefacts et cohérence multi-échelle : une règle mal calibrée produit un artefact local facilement repérable; un modèle appris peut produire des artefacts invisibles à l’œil mais préjudiciables pour l’analyse automatique (topologies brisées, ruptures de continuité). Cela a des répercussions fortes pour les applications qui ne se contentent pas d’une belle carte mais traitent les géométries après rendu.

Biais, représentation et responsabilité

Tout algorithme cartographique est un acteur politique : ce qu’il conserve ou supprime influe sur la perception d’un territoire. Les systèmes à règles portent les biais explicites de leurs concepteurs — choix éditoriaux, priorités thématiques — et ces biais peuvent être débattus et corrigés. Les modèles appris, en revanche, cristallisent des biais implicites du corpus d’entraînement : omissions répétées, conventions stylistiques d’une école cartographique, ou lacunes des données sources.

L’opacité des modèles complique l’identification d’un biais. Quand une communauté conteste la représentation d’un lieu, démontrer qu’un algorithme a amplifié une exclusion demande des outils d’audit algorithmique et un accès aux données d’entraînement. Les institutions qui exigent une reddition de comptes préfèreront souvent des chaînes de traitement traçables.

Vers des compromis pragmatiques

La polarisation règles versus apprentissage est stérile si elle enferme les équipes dans un seul paradigme. Sur le terrain, les solutions hybrides émergent :

• Assistants à apprentissage qui suggèrent modifications, et laissent la décision finale au cartographe.
• Modules de post-contrôle basés sur des règles qui corrigent ou filtrent les sorties d’un modèle appris pour garantir des invariants topologiques ou éditoriaux.
• Ensembles d’entraînement construits par extraction semi-automatique à partir de règles explicites, réduisant le coût de constitution des corpus.

Ces approches cherchent à marier l’efficacité adaptative des modèles appris à la contrôlabilité des règles.

Pour les décideurs cartographiques, le choix doit se fonder sur des critères pratiques : nécessité d’audit, fréquence des évolutions de données, ressources humaines pour annoter, tolérance aux artefacts, et enjeux sociaux attachés aux représentations. La meilleure cartographie automatique n’est pas celle qui imite le mieux un cartographe humain en moyenne, mais celle qui conserve la confiance des usagers et permet des corrections explicites quand il le faut.

En fin de compte, la généralisation cartographique est une négociation permanente entre automatisation et responsabilité. Les règles donnent la parole au cartographe, l’apprentissage donne la parole aux données. Les cartographies robustes exigent les deux voix — la première pour expliciter les choix, la seconde pour capter la variété du monde — et un dispositif institutionnel capable d’entendre les contestations quand la carte fait sens autrement qu’on l’avait prévu.