Inteligencia Artificial Aplicada al Territorio

MACHINE LEARNING Machine Learning específicamente se encarga de crear sistemas que aprenden automáticamente, todo esto enmarcado en el campo de la Inteligencia artificial. Se basa en la identificación de patrones complejos en grandes volúmenes de información, siendo capaz de predecir comportamientos futuros, la máquina usa Big Data y algoritmos sofisticados para saber cómo realizar la tarea por sí misma. El machine Learning les permite a las aplicaciones “pensar” y hacer una determinación o proyección de manera independiente . El gran desarrollo que esta técnica o disciplina ha tenido en la última década se debe al desarrollo y avances en cuanto a procesamiento y almacenamiento de datos y el fácil acceso a estos datos, además de la gran tendencia y desarrollo sobre el manejo de grandes cantidades de datos que en un software convencional no es posible manejarlos, como son los macro datos o Big Data. Algunos Beneficios de Machine Learning -        Toma de d

Conferencia “Uso de tecnologías Geoespaciales y Big Data para mejorar los procesos de Actualización catastral” En la conferencia se dio una contextualización del estado actual del catastro en Colombia y hasta donde se pretende llegar con la aplicación de nuevas tecnologías y metodologías, como la puesta en marcha del catastro multipropósito que se avecina en los próximos años, y como este pretende cubrir muchas falencia en cuanto a desactualización eh inconsistencias en la información predial del país que se ve reflejado en el recaudo fiscal por parte de las entidades estatales, se habló de como el crecimiento exponencial de las ciudades colombianas requiere de la nuevas tecnologías y metodologías que permitan capturar los cambios generados en el territorio debido a las dinámicas poblacionales existentes, que dan lugar a problemáticas relacionadas principalmente con el acceso a la información, desactualización, inconsistencias y costos de las TIC, para dar solución a estas problem

ONE-HOT ENCODING Debido a que los datos categóricos no se pueden representar o no son aplicables en los algoritmos de aprendizaje automático, estos deben ser convertidos a valores de tipo numérico, de echo esto no es suficiente ya que los modelos definirán un orden natural entre las categorías esto implicaría un rendimiento deficiente para dar solución a esto se debe agregar una nueva variable binaria a cada valor entero, en si se debe hacer una representación de variables categóricas como vectores binarios, por consiguiente, se debe tener una correlación entre los valores categóricos y los valores enteros. Fuente: https://www.slideshare.net/SergiiGavrylov/kpi-summer-school-2015-word-embeddings-and-neural-language-modeling Muchos algoritmos de aprendizaje automático no pueden funcionar directamente con datos categóricos. Las categorías se deben convertir en números. Esto es necesario para las variables de entrada y salida que son categóricas. Bibliografía

Deep Learning El aprendizaje profundo es un tipo de aprendizaje de representaciones que está formado por la composición de múltiples transformaciones no lineales, usualmente redes neuronales, con el objetivo de producir representaciones más abstractas y ultimadamente más útiles para la clasificación de información. Dicha arquitectura de aprendizaje profundo, tiene entre su infinidad de aplicaciones, la de estructurar metodología o procesos que lleven a la detección de cambios en el territorio, a partir de Redes Neuronales Artificiales profundas, Redes Neuronales Convolucionales Profundas.  Básicamente es un conjunto de algoritmos de aprendizaje que usan técnicas de Redes neuronales y que en cada capa extraen y procesan información útil para una siguiente capa de forma que es capaz de obtener como resultado un aprendizaje minucioso de la información de entrada y poder extraer conclusiones importantes o relevantes.  El Deep Learning o aprendizaje profundo es un subcamp

INTELIGENCIA ARTIFICIAL APLICADA A LA DETECCIÓN DE CAMBIOS EN EL TERRITORIO El proyecto es realizado o se inició en el año 2016, cuyo objetivo es desarrollar una herramienta tecnológica que le permitirá detectar, automáticamente, cambios en el territorio a partir de ortofotos, busca identificar cambios de tipo vial o por nuevas construcciones. La tecnología desarrollada integra la librería de código abierto TensorFlow, desarrollada por Google, para el aprendizaje automático (Machine Learning). El trabajo realizado por GRAFCAN se ha centrado, principalmente, en la definición y evaluación de diversas arquitecturas de redes neuronales y en la creación de herramientas de generación de patrones de entrenamiento para dichas redes, La red desarrollada consta de 22 capas neuronales con más de 36 millones de parámetros a ajustar durante los procesos de entrenamiento. En estos entrenamientos de la red, tanto el inicial como los posteriores, se utilizan unos 85.000 patrones que son procesad

Analisis Articulo "Hyperspectral image classification via contextual deep learning" En el presente artículo se presenta una técnica o alternativa para el procesamiento de imágenes hiperespectrales, debido a la gran información espectral y espacial de estas imágenes se hace muy difícil la clasificación de coberturas y elementos presentes en ellas usando técnicas convencionales puesto que estas implican mucho tiempo y un elevado costo para su procesamiento. En la clasificación convencional principalmente lo que se hace es a partir de los niveles digitales de cada pixel, realizar la asociación de estos a un elemento especifico teniendo en cuenta la curva espectral y sus niveles de reflectancia, esto es relativamente sencillo en imágenes que no contienen un elevado número de bandas espectrales, ahora bien cuando se trata de imágenes Hiperespectrales se hace bastante difícil crear patrones para la clasificación,  ya que el número de semillas o puntos de muestreo serian dema

Análisis del artículo “Clasificación de imágenes multiespectrales mediante redes neuronales” El documento describe la implementación de redes neuronales para el análisis multiespectral en imágenes Lansat TM, utilizando una red neuronal de perceptron multicapa, que consta de diversas capas de neuronas que interactúan a través de conexiones ponderadas. Como insumo principal se tenía una imagen del sensor Lansat-5, que cubría la zona comprendida entre las rias de Arosa y Pontevedra, en la costa atlántica de Galicia en España, para la realización del o puesta en marcha de la clasificación de las coberturas se tomaron en cuenta 8 grupos los cuales fueron: Zonas urbanas densas, Zonas urbanas no densas, Matorral o pastizal, Agua, Pinos, Eucaliptos, Vegetal-no foresta; para la última clase el artículo se explica que fue seleccionada debido a la gran variedad de vegetación que allí se encontraba y la dificultad que se presentaba para identificar las distintas especies presentes en alguno