Inteligencia Artificial aplicada al análisis territorial (IDEE)



Inteligencia Artificial aplicada al análisis territorial
(Infraestructura de Datos espaciales de España)


La infraestructura de datos espaciales de España a venido desarrollando un proyecto donde a partir de ortofotos se busca detectar cambios en el territorio, aplicando técnicas de inteligencia artificial, lo que se plateo allí fue realizar un análisis de cambios en el territorio haciendo uso de imágenes multitemporales en un lugar especifico de España para el caso de estudio fueron las islas canarias, donde se implementaron técnicas de aprendizaje autónomo que para el caso fueron las redes neuronales de convolución, que permitieron a partir del entrenamiento de la red detectar cambios presentes en el territorio en cuanto a infraestructura vial y de vivienda que fueron las dos variables escogidas para dar inicio al proyecto.


Imagen tomada de http://blog-idee.blogspot.com.co/2017/06/inteligencia-artificial-aplicada-al.html


Podemos apreciar que las técnicas de inteligencia artificial aplicadas al territorio nos puedes servir como una herramienta muy valiosa en nuestro país, para el estudio de cambios en el territorio, tales como aumento de los cultivos ilícitos, o detección de nuevas áreas atacadas por la deforestación, entres otras problemáticas territoriales que hoy nos afectan, y así generar insumos que permita el accionar de los entes gubernamentales de control y así proteger nuestro territorio de actividades humanas que alteren el funcionamiento o dinámica natural del mismo.


Bibliografia
Rodrigo Jose, Rosales Jorge,2017. Inteligencia Artificial Aplicada al Análisis Territorial. Infraestructura de Datos Espaciales de España. recuperado el 7 de septiembre de 2017 en, http://blog-idee.blogspot.com.co/2017/06/inteligencia-artificial-aplicada-al.html

Comentarios

Publicar un comentario

Entradas populares de este blog

One-Hot Encoding

Imagen
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
Leer más

Machine Learning

Imagen
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
Leer más

Inteligencia Artificial Aplicada a la Detección de Cambios en el Territorio

Imagen
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
Leer más