El auge del aprendizaje automático (ML): cómo utilizar la inteligencia artificial en SIG

Aprendizaje automático e inteligencia artificial en SIG

Probablemente hayas oído hablar del aprendizaje automático (ML) . Pero no está exactamente seguro de cómo usarlo en el contexto de SIG, como Machine Learning Qgis.

Simplemente, el aprendizaje automático tiene sentido a partir de patrones de búsqueda de datos ruidosos que nunca pensaría que existían. En otras palabras, es un software que escribe software.

En lugar de aplicar una función prediseñada, ML gana experiencia a través de condiciones de visualización repetidas y crea un modelo para aplicar en situaciones nuevas.

Por ejemplo, Google podría usar la clasificación bayesiana para filtrar correos electrónicos no deseados. Alternativamente, Facebook podría usarlo para el reconocimiento facial e identificar automáticamente los rostros en las imágenes. Y ML incluso puede representar a Nicholas Cage en todas las películas jamás realizadas.

Pero, ¿cómo podemos usarlo en el contexto de SIG?

Tipos de aprendizaje automático (ML)

Las dos amplias categorías de aprendizaje automático están supervisadas y no supervisadas . Y ambos pueden aplicarse a aplicaciones GIS de varias formas. Primero, ¿cuál es la diferencia entre los dos?

EL APRENDIZAJE SUPERVISADO es simplemente ajustar datos a una función para la predicción. Por ejemplo, si traza millones de puntos de muestra en un gráfico, puede ajustar una línea para aproximar una función.

EL APRENDIZAJE NO SUPERVISADO reconoce qué datos están usando patrones de datos no etiquetados. Por ejemplo, toma millones de imágenes y las ejecuta a través de un algoritmo de entrenamiento. Después de billones de operaciones de álgebra lineal, puede tomar una nueva imagen y segmentarla en grupos.

Lo más importante es que el aprendizaje automático se trata de resolver un problema de manera óptima. De modo que aprende automáticamente por sí solo y mejora con la experiencia .

Últimamente, GIS está aplicando inteligencia artificial en áreas como clasificación, predicción y segmentación.

Clasificación de imágenes (máquina de vectores de soporte)

Cuando miras una imagen de satélite, no siempre es fácil saber si estás mirando árboles o césped … o carreteras o edificios. Así que imagina lo difícil que sería para una computadora saberlo.

Support Vector Machine (SVM) es una técnica de aprendizaje automático que toma datos clasificados y analiza los extremos. A continuación, dibuja una línea de límite de decisión basada en los datos denominados “hiperplano” . Y los puntos de datos contra los que empuja el margen del “hiperplano” son los “vectores de soporte” .

Y los “vectores de apoyo” son lo importante porque son los puntos de datos más cercanos a las clases opuestas. Debido a que estos puntos son los únicos que se consideran, todos los demás puntos de entrenamiento se pueden ignorar en el modelo . Esencialmente, usted alimenta muestras de entrenamiento de SVM de árboles y césped. Basándose en estos datos de entrenamiento, construye el modelo generando un límite de decisión propio.

Ahora, los resultados de esta clasificación supervisada no son perfectos y los algoritmos todavía tienen mucho más que aprender. Todavía tenemos que trabajar en características como carreteras, humedales y edificios. A medida que los algoritmos obtengan más datos de entrenamiento, eventualmente mejorarán para clasificar en cualquier lugar.

Predicción con Kriging bayesiano empírico (EBK)

Como sabrá, la interpolación de kriging predice valores desconocidos según el patrón espacial. Estima los pesos basándose en el variograma. La calidad de la superficie estimada se refleja en la calidad de los pesos. Más específicamente, desea pesos que brinden una predicción imparcial y la variación más pequeña.

A diferencia de kriging, que se ajusta a un modelo completo para un conjunto de datos completo, EBK kriging simula al menos cien modelos locales subconfigurando el conjunto de datos completo . Debido a que el modelo puede transformarse localmente para adaptarse a cada semivariograma individual utilizando la metodología kriging, supera el desafío de la estacionariedad.

En Empirical Bayesian Kriging (EBK) , predice una y otra vez usando una variedad de simulaciones hasta cien veces. Cada semivariograma varía entre sí. Al final, mezcla todos los semivariogramas para obtener una superficie final. No se puede personalizar como se puede con el kriging tradicional.

Finalmente, genera lo que cree que es la mejor solución. Como un análisis de Monte Carlo, lo ejecuta repetidamente en segundo plano. Si es un proceso aleatorio, deja que el proceso aleatorio se ejecute más de mil veces. Usted ve las tendencias en los datos resultantes y las usa para justificar su selección. Esta es la razón por la que EBK casi siempre predice mejor que el kriging puro .

Segmentación y agrupación de imágenes con K-means

De lejos, el algoritmo K-means es uno de los métodos más populares para agrupar datos. En K-means segmentación, agrupa no marcados datos en el número de grupos representados por la variable de K .

Este enfoque de aprendizaje no supervisado asigna iterativamente cada punto de datos a una de las K agrupaciones en función de la similitud de características. Por ejemplo, la similitud puede basarse en las características espectrales y la ubicación.

En una clasificación no supervisada , el algoritmo de k-medias primero segmenta la imagen para su posterior análisis. A continuación, a cada grupo se le asigna una clase de cobertura terrestre.

Sin embargo, los SIG pueden utilizar la agrupación en clústeres de otras formas únicas. Por ejemplo, los puntos de datos podrían representar delitos y es posible que desee agrupar los puntos críticos y bajos del delito. Alternativamente, es posible que desee segmentar en función de las características socioeconómicas, de salud o ambientales (como la contaminación).

El proceso de aprendizaje profundo y capacitación para Big Data

Ya sea que se encuentre en SIG (Machine Learning Qgis) o en otro campo, el aprendizaje automático es lo que está de moda en estos días. Se trata de destilar grandes conjuntos de datos. Porque si puede dejar que la computadora detecte las funciones, le mostrará cosas que nunca ha notado.

Debido a que hay demasiados datos, puede descubrir patrones inherentes a ellos. Y el resultado es una red neuronal entrenada con solo un conjunto de valores ponderados.

Cuando entrena big data, es cuando va a necesitar toda la potencia de fuego que pueda obtener. Pero una vez que ha entrenado el modelo, es solo un modelo con un conjunto de pesos en un archivo … Y esta es la razón por la que el aprendizaje automático es una forma de inteligencia artificial, porque puede entrenar sus datos y luego aplicarlos a algo completamente nuevo y predecir qué es.

En general, GIS utiliza el aprendizaje automático (Machine Learning Qgis) para la predicción, la clasificación y la agrupación en clústeres. La inteligencia artificial y el aprendizaje automático son todavía un campo en crecimiento con muchos marcos que aún se desarrollan a diario.