diff --git a/corpus_test/README.md b/corpus_test/README.md index e39455407ddbb019673d9983bf720e1797b1cc59..ed82ac8b590f6e8c697ace824e782399ecb82bc1 100644 --- a/corpus_test/README.md +++ b/corpus_test/README.md @@ -1,15 +1,14 @@ # Constitution de corpus de test -indiquer pour chaque corpus: -* la periode de publication [premiere date de publication derniere date de publication] -* la couverture spatiale (liste des regions de France couvertes) -* liste des catégories de culture couvertes (ou au moins des indications) -Verifier par des requetes SPARQL que ces indications sont correctes. Mettre les requetes quelques parts dans la documentation. -copier coller la description du wiki. +Les corpus de test sont extraits de l'ensemble des BSV collectés +dans le cadre des projets VESPA et D2KAB, entre 2009 et aujourd'hui. +La collecte s'effectue sur l'ensemble des régions de france métropolitaine +ainsi que sur Mayotte et la Guadeloupe. + ### Corpus de test VESPA -corpus de test vespa: un sous ensemble du corpus vespa composé de 500 BSV dont les index ont été construits manuellement. Ce corpus de test a été utilisé pour vérifier la qualité de processus d'indexation automatique utilisé pour indexer l'ensemble du corpus vespa. +Corpus de test vespa: un sous ensemble du corpus vespa composé de 500 BSV dont les index ont été construits manuellement. Ce corpus de test a été utilisé pour vérifier la qualité de processus d'indexation automatique utilisé pour indexer l'ensemble du corpus vespa. Le développement de l'indexation dans le cadre du projet Vespa a donné lieu à une extraction manuelle de date pour 500 bulletins de santé du végétal, parmi les 19448 BSV collectés dans le cadre de ce projet. @@ -17,10 +16,20 @@ Les régions et types de cultures ont été manuellement extraits lors des colle On dispose donc d'un corpus permettant de tester l'extraction automatique de dates. Ces bulletins ayant été collectés de 2009 à 2015, les zones géographiques correspondent au découpage régional avant la réforme du 1er janvier 2016. +Année | Nombre de BSV +--- | ---: +2009 | 23 +2010 | 59 +2011 | 88 +2012 | 98 +2013 | 111 +2014 | 93 +Non datés | 28 + En ce qui concerne les types de culture, il s'agit de rubriques indiquées dans les pages web de téléchargement (Grandes cultures, Viticulture, Jardins, ...). Chaque rubrique a été associée manuellement à un ensemble de concepts issu du thésaurus french crop usage. À noter que les rubriques varient d'une région à l'autre et qu'il n'y a pas de liste harmonisée des types de cultures. C'est pour cette raison que nous avons créé le thésaurus french crop usage. -Vespa corpus gathers 500 PHBs collected in the whole French territory between 2009 and 2015 and manually indexed. A PHB is indexed by its crop categories and its location, that is to say, its French administrative unit. The publication date was manually extracted. +*Vespa corpus gathers 500 PHBs collected in the whole French territory between 2009 and 2015 and manually indexed. A PHB is indexed by its crop categories and its location, that is to say, its French administrative unit. The publication date was manually extracted.* ### Corpus de test D2KAB @@ -28,9 +37,17 @@ Dans le cadre du projet D2KAB, un corpus de 230 BSV a été constitué manuellem Il ne contient que des BSV (il ne contient pas de notes nationales sur un ravageur, une adventice, ...). De fait, tous les bulletins qu'il contient ont une date de publication précise. -Les BSV ont tous été publiés en 2019. La sélection manuelle a porté sur la couverture de l'ensemble du territoire français. Toutes les regions sont couvertes (a verifier) +**Répartition :** + +Année | Nombre de BSV +--- | ---: +2015 | 2 +2018 | 17 +2019 | 211 -D2KAB corpus is composed of 230 PHBs collected in 2019. Those PHBs were manually selected to cover the whole French territory and to represent 3 crop categories: arable crops, vegetables and grapevines. Thus the crop categories and the French administrative unit are already identified. The publication date was automatically extracted. +La sélection manuelle a porté sur la couverture de l'ensemble du territoire français. Toutes les regions de france métropolitaine sont couvertes. + +*D2KAB corpus is composed of 230 PHBs collected in 2019. Those PHBs were manually selected to cover the whole French territory and to represent 3 crop categories: arable crops, vegetables and grapevines. Thus the crop categories and the French administrative unit are already identified. The publication date was automatically extracted.* ### Corpus de test aléa @@ -38,5 +55,20 @@ Le corpus de test D2KAB étant relativement homogène, l'extension du processus De par son caractère aléatoire, 8 documents n'ont pas de date précise, 10 ont une zone géographique inter-régionale voire nationale, et 1 bulletin n'a pas de type de culture mentionné dans son contenu. -Alea corpus is composed of 150 PHBs randomly selected from the whole corpus. That is to say the publication date may vary from 2009 to 2020. No information are extracted or provided from those PHBs. - +**Répartition :** + +Année | Nombre de BSV +--- | ---: +2011 | 3 +2012 | 2 +2013 | 5 +2014 | 1 +2015 | 13 +2016 | 10 +2017 | 26 +2018 | 25 +2019 | 31 +2020 | 26 +Non datés | 8 + +*Alea corpus is composed of 150 PHBs randomly selected from the whole corpus. That is to say the publication date may vary from 2009 to 2020. No information are extracted or provided from those PHBs.*