Ce projet de recherche vise à améliorer l'estimation de la sélectivité des prédicats spatiaux multidimensionnels en utilisant des retours d'optimiseurs. Il explore divers modèles d'apprentissage automatique (réseaux de neurones, modèles basés sur les arbres, etc.) pour optimiser les requêtes spatiales dans les bases de données. Les résultats sont comparés à des méthodes traditionnelles comme les histogrammes ou les R-Tree.

Ce projet de recherche vise à améliorer l'estimation de la sélectivité des filtres spatiaux en utilisant des retours d'optimiseurs basés sur l'apprentissage automatique. Il explore différentes approches (réseaux de neurones, modèles arborescents, etc.) pour prédire efficacement la sélectivité des requêtes géospatiales, optimisant ainsi les performances des systèmes de gestion de bases de données spatiales.

Cartiflette-r est une bibliothèque R qui permet d'accéder aux fonds de carte officiels français (IGN, contours administratifs, IRIS, etc.) enrichis des métadonnées de l'Insee. Elle facilite la récupération et l'analyse de données géographiques (communes, départements, régions) via des requêtes SQL ou des filtres avancés. Les données sont disponibles en GeoParquet ou GeoJSON, optimisées pour des traitements rapides et une intégration dans des workflows d'analyse spatiale.