Olá pessoal,
Há alguns anos escrevi um breve post sobre Analise Espacial e na ocasião estava nos preparativos do mestrado e não queria adiantar a temática dele naquele post, pois falaria de redes neurais (RN) como forma de análise espacial. Hoje com o mestrado finalizado, mas ainda faltando os Artigos gostaria de introduzir o assunto aqui com você e em um futuro próximo colocar os artigos a monografia e o código que criei durante essa etapa.
Histórico
Essa história começa em um universo “psicomatemático”, se é que a palavra existe, pois seus dois mentores foram McCulloch, que foi um neuroanatomista, psiquiatra e cibernético americano e o Pitts, que era matemático. Esses dois figuras, por volta de 1943, escrevem um artigo intitulado “A Logical Calculus of the Ideas Immament in Nervous Activity” que traz as primeiras formulações para essa área com foco em apresentação do processo.
Depois disso muitos outros nomes apareceram como o de Donald Hebb, que teorizou sobre a aprendizagem em RN, e em 1958 é desenvolvida a teoria do perceptron por Frank Rosenblatt que rodava em um IBM 704 que era do tamanho do meu quarto ou maior… rsrsrs
Depois de aproximadamente 10 anos a teoria do perceptron foi contestada por não conseguir trabalhar com problemas complexos e por isso, por um bom tempo, essa tecnologia foi “esquecida”, só voltando alguns anos mais tarde por conta principalmente do avanço tecnológico e pela comprovação de que o processo é válido. Porém, ainda não usamos com todo o potencial que ela tem para aplicações de Geotecnologias, são poucos e muito elitizados os projetos que usam esse método com fins geoespaciais.
O que são?
São sistemas paralelos distribuídos compostos por unidades de processamento simples (nodos) que calculam determinadas funções matemáticas (normalmente não-lineares). A sua estrutura pode ter diversas camadas interconectadas e à elas podem ser associados pesos no intuito de estimar a entrada do valor em cada neurônio, isso é bem legal por que a rede aprende conforme você vai dando exemplos pra ela e com isso ela vai testando, interpolando e extrapolando o conhecimento.
Acho que a principal jogada da RNA é a forma de aprendizagem, que são os processos de ajustes dos parâmetros que a RNA sofre de forma continuada com estímulos do ambiente que a rede está operando. Existem várias formas desse processo acontecer.
RNAs e Análise Espacial
Nesse campo do conhecimento existem muitos modelos de RNAs com espacificidades para diversas aplicações em SIG (Sistema de Informação Geográfica) e em PDI (Processamento Digital de Imagem) até mesmo para a junção deles para análises mais complexas.
Segundo Openshaw (1997) o uso de RNAs na Análise Espacial teve mais enfase após os anos 90 e foi uma grande vantagem em modelar fenômenos geográficos, pois tem a capacidade de aprender através de exemplos e de generalizar a informação aprendida com o intuito de resolver problemas complexos.
Uma das principais tarefas em SIG é tomar decisões usando informação espacial de diferentes camadas geográficas, que ultimamente estão sendo coletadas de diversas formas e de diversas fontes ao mesmo tempo. Além disso, a automatização tem sido um campo em acenssão, logo requerem análise espacial avançada e métodos capazes de fazer julgamentos com base em dados e conhecimentos que não estão dentro das ferramentas de SIG tradicionais, mas que podem ser obtidas por RNAs.
Uma RNA que tenho usado com certa frequência é a SOM (Self-Organization Map) também conhecida como Mapas de Kohonen, nome de seu desenvolvedor. Como o nome já diz, são análises auto organizaveis e relativamente simples. Este método necessita apenas dos parâmetros de entrada, o restante é basicamente clusterizado por ele usando uma aprendizagem competitiva e ajustado pelos cálculos de erro para geração das classes de saída.
Deixo aqui pra vocês a toolbox criada para o MatLAB pelo Laboratório de Informação e Ciência da Computação da Universidade de Tecnologia de Helsinque. (http://www.cis.hut.fi/projects/somtoolbox/)
Em breve colocarei o código que gerei junto com meus orientadores para a monografia e assim que publicado o artigo coloco ele aqui também.
Você tem usado outras RNAs em SIG? Comente com a gente!
Até mais!
Referencias:
Openshaw, S. “Artificial Intelligence in Geography – ACM Digital Library.” 1997. <http://dl.acm.org/citation.cfm?id=549314>
Sadeck,
muito legal voce falar de SOM.
Tive uma aula recentemente sobre o tema.
Gostaria de saber sobre o livro da bibliografia, ele desenvolve o tema de aprendizado computacional para geografia, indo além da classificação de imagens de satélite?
Abraços,
LM
CurtirCurtido por 1 pessoa
By: lucas on setembro 28, 2015
at 7:10 pm
Olá Lucas,
Sim o livro vai além e é uma ótima referência… No meu caso não usei a classificação de imagens e sim um banco de dados como as informações pertinentes para um ZEE.
Abs,
Sadeck
CurtirCurtir
By: sadeckgeo on setembro 29, 2015
at 10:59 am
Sadeck,
beleza. Indica alguma outra bibliografia sobre inteligencia/aprendizado computacional e geografia?
Abraços
CurtirCurtir
By: Lucas Muratori on setembro 29, 2015
at 5:47 pm
Oi Lucas,
Tem muita coisa nessa área… pra indicar umas bibliografias eu precisaria saber qual o seu direcionamento… Posso seguir com ANN, posso ir para Data mining, posso ir para SVM… Podemos iniciar com introdução, metodologia, algoritmo, não sei!!!!
Procure na Geoscience and Remote Sensing que tem muito bons artigos.
Qualquer coisa mais especifica entre em contato.
Abs,
Sadeck
CurtirCurtir
By: sadeckgeo on setembro 29, 2015
at 8:03 pm
Sadeck,
tranquilo, vou ver.
Qual seu email?
CurtirCurtir
By: Lucas Muratori on setembro 30, 2015
at 4:18 pm
luissadeck_w@yahoo.com.br
CurtirCurtir
By: sadeckgeo on setembro 30, 2015
at 5:05 pm
[…] (por exemplo, os mapas do TerraClass). Na literatura existem outras técnicas, por exemplo, usando redes neurais, que nós não temos ainda. Mas acabamos de implementar um novo componente baseado no método de […]
CurtirCurtir
By: Blog de geotecnologias entrevista Pesquisadora do CCST sobre o desenvolvimento do LuccME - Centro de Ciência do Sistema Terrestre on agosto 2, 2019
at 4:04 pm