Construction d'une mémoire des sites potentiellement pollués à l'aide de méthodes de traitement automatique des langues

Building an archive of potentially polluted sites with natural language processing methods

• Auteur / Autrice : Chuanming Dong
• Direction : Catherine Domingues
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 06/11/2023
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Examinateurs / Examinatrices : Catherine Domingues, Delphine Battistelli, Thierry Poibeau, Davide Buscaldi, Mathieu Constant, Philippe Gambette, Geoffroy Séré
• Jury : Rapporteurs / Rapporteuses : Delphine Battistelli, Thierry Poibeau

Mots clés

Mots clés contrôlés

Système d'information géographique

Apprentissage automatique

Bases de données -- Conception technique

Zones industrielles

France

Sites contaminés

Pollution

Mots clés libres

Traitement automatique des langues

Extraction d'information

Information géolocalisée

Pollution industrielle

Base de données institutionnelle

Apprentissage profond

Natural language processing

Information extraction

Geo-Located information

Industrial pollution

Institutional database

Deep learning

Résumé

Le but de ma thèse est de construire une mémoire des sites polluées sous la forme d'une base de données unique (BDU), qui rassemble et réorganise les informations concernant les activités et les événements industriels, ainsi que les autres informations pertinentes qui caractérisent les sites industriels en France. La construction de la BDU est fondée sur les bases de données institutionnelles déjà existantes concernant les sites industriels, dans lesquelles les activités et les événements industriels sont caractérisés à la fois par les champs attributaires et les textes descriptifs non structurés. Cette thèse traite les problèmes concernant l'appariement des données dans différentes bases de données, ainsi que l'extraction des informations caractérisant les activités et les événements industriels à partir des textes. Différentes tâches ont été réalisées pour construire la mémoire des sites. Les bases de données ont été appariées par la comparaison entre les champs attributaires pour standardiser les données et construire la base de la BDU; les informations concernant les activités et les événements industriels ont été extraites et structurées avant d'être enregistrées dans la BDU. Les bases de données institutionnelles concernant les sites industriels enregistrent des connaissances écologiques, et elles contiennent un grand volume de données textuelles, ce qui signifie que pour traiter les données dans ces bases de données, il est nécessaire d'utiliser les méthodes et les outils de traitement automatique des langues. La thèse se situe ainsi dans un domaine pluridisciplinaire combinant informatique, linguistique et écologie

The objective of my thesis is to build a memory of polluted sites in the form of a single database (BDU), which gathers and reorganizes information about industrial activities and events, as well as other relevant information which characterizes industrial sites in France. The construction of the BDU is based on already existing institutional databases regarding industrial sites, in which industrial activities and events are characterized by both attribute fields and unstructured descriptive texts. This thesis addresses issues concerning the data matching in different databases, as well as the information extraction from texts that characterize industrial activities and events. Different tasks were carried out to build the memory of the sites. The industrial sites whose information is registered in the databases were matched by comparing the attribute fields in the databases, which standardizes the data and builds the foundation for the BDU; information concerning industrial activities and events was extracted and structured before being registered in the BDU. Institutional databases regarding industrial sites contain ecological knowledge in the form of a huge amount of textual data, which means that to process the data in these databases, it is necessary to use the methods and tools of natural language processing (NLP). The thesis is thus in a multidisciplinary field combining computer science, linguistics and ecology