L’apprentissage profond est de plus en plus utilisé pour générer de l’information géographique et notamment des cartes, afin d’accélérer les processus de production (Courtial et al., 2020). Le problème de génération de cartes est souvent traité comme un problème de traduction d’image à image. Mais contrairement à la méthode traditionnelle qui repose sur des couches de données vectorielles stockées dans des bases de données géographiques, l’image ne transmet qu’une vue limitée des informations géographiques nécessaires à la construction d’une carte. L’ensemble des informations nécessaires à ces processus sont : la forme et la localisation des objets, mais aussi des caractéristiques implicites telles que leur importance, rôle dans le paysage, relations spatiales, ... Lorsque nous nous intéressons à la génération de cartes à partir d’images, nous devons nous assurer que ces informations soient accessibles dans les exemples d’apprentissage. C’est pourquoi, nous nous intéressons aux modalités de représentation et de combinaison de l’information géographique pour améliorer la génération de cartes par apprentissage profond. Nous proposons deux méthodes pour ajouter de l’information dans nos images initiales : séparer notre image par thème cartographique, et utiliser de l’information supplémentaire et des mécanismes de combinaison.