Inferring map generalisation operations from user prompts

Cartographic generalisation enables the adaptation of spatial data to different scales and visualisation purposes through the selective reduction or transformation of geographic detail. Although numerous well-established geometric algorithms exist, their effective application requires specialised expertise, particularly in selecting appropriate operators and calibrating their parameters. For non-expert users, this decision-making process remains complex and difficult to formalise. This thesis proposes a supervised machine learning framework that infers suitable generalisation operators and corresponding parameter values from natural-language prompts combined with input map data. To support this objective, a dedicated dataset was constructed through a controlled user study in which participants described the transformation between pairs of building maps (original and generalised versions). Each sample was annotated with the applied operator and its parameter value, enabling supervised learning for both operator classification and parameter regression. The proposed multimodal approach integrates semantic embeddings of textual prompts with geometric descriptors extracted at the level of cartographic tiles. Multiple representation strategies were evaluated, and a Multi-Layer Perceptron architecture was designed to jointly predict operator type and parameter magnitude. Experimental results compare prompt-only, geometry-only, and combined multimodal configurations. The findings show that operator selection can be reliably inferred from textual intent, while accurate parameter estimation benefits significantly from incorporating geometric context. Finally, a prototype web application was implemented to demonstrate the integration of the trained models within an interactive, prompt-driven cartographic generalisation workflow for non-expert users.

La generalizzazione cartografica consente di adattare i dati spaziali a diverse scale e finalità di rappresentazione attraverso la riduzione o trasformazione selettiva del dettaglio geografico. Sebbene siano disponibili numerosi algoritmi geometrici consolidati, il loro utilizzo efficace richiede competenze specialistiche, in particolare nella scelta dell’operatore più adeguato e nella calibrazione dei relativi parametri. Per utenti non esperti, tale processo decisionale risulta complesso e difficilmente formalizzabile. La presente tesi propone un framework di apprendimento supervisionato per l’inferenza automatica di operatori di generalizzazione cartografica e dei relativi valori parametrici a partire da prompt testuali, in combinazione con dati cartografici di input. A tal fine è stato costruito un dataset dedicato mediante uno studio controllato, nel quale i partecipanti hanno descritto la trasformazione tra coppie di mappe di edifici (versione originale e versione generalizzata). Ogni campione è stato annotato con l’operatore applicato e con il corrispondente valore parametrico, consentendo l’addestramento sia per la classificazione dell’operatore sia per la regressione del parametro. L’approccio multimodale integra embedding semantici dei prompt testuali con descrittori geometrici estratti a livello di tile cartografici. Sono state valutate diverse strategie di rappresentazione e un’architettura Multi-Layer Perceptron è stata progettata per predire congiuntamente la tipologia dell’operatore e il valore del parametro associato. I risultati confrontano configurazioni basate esclusivamente sui prompt, sulla geometria o su una combinazione multimodale. Le evidenze mostrano che la selezione dell’operatore può essere inferita in modo affidabile dall’intento espresso in linguaggio naturale, mentre la stima accurata dei parametri beneficia significativamente dell’integrazione del contesto geometrico. Infine, è stato sviluppato un prototipo di applicazione web per dimostrare l’integrazione dei modelli in un flusso di generalizzazione cartografica interattivo e guidato da prompt, rivolto a utenti non esperti.