Acceso Abierto | Fecha de Publicación:

Algoritmos de aprendizaje automático para la planificación del uso del suelo urbano: Una revisión

Año: 2021 | Colección: Investigación | Categoría:
3 lecturas


La urbanización es persistente a nivel mundial y tiene consecuencias espaciales y ambientales cada vez más importantes. Es especialmente desafiante en los países en desarrollo debido a la creciente presión sobre los recursos limitados y el daño al medio ambiente biofísico. Los métodos analíticos tradicionales para estudiar la dinámica del uso del suelo urbano asociados con la urbanización son estáticos y tienden a basarse en enfoques de arriba hacia abajo, como modelos lineales y matemáticos. Estos enfoques tradicionales no capturan las propiedades no lineales del cambio de uso de la tierra.

Las nuevas tecnologías, como la inteligencia artificial (IA) y el aprendizaje automático (ML), han hecho posible modelar y predecir los aspectos no lineales de la dinámica del suelo urbano. AI y ML están programados para reconocer patrones y realizar predicciones, toma de decisiones y realizar operaciones con rapidez y precisión. La clasificación, el análisis y el modelado utilizando datos basados ​​en la observación del suelo forman la base del apoyo geoespacial para la planificación del uso de la tierra. En el proceso de lograr una mayor precisión en la clasificación de datos espaciales, se están desarrollando y mejorando algoritmos ML para mejorar el proceso de toma de decisiones.

El propósito de la investigación es sacar a la luz los diversos algoritmos ML y modelos estadísticos que se han aplicado para estudiar aspectos de la planificación del uso del suelo utilizando datos basados ​​en la observación de la tierra (EO). Tiene la intención de revisar su rendimiento, requisitos funcionales, requisitos de interoperabilidad y para qué problemas de investigación se pueden aplicar mejor.

La revisión de la literatura reveló que los algoritmos de bosque aleatorio (RF), aprendizaje profundo como la red neuronal convolucional (CNN) y máquina de vectores de soporte (SVM) son los más adecuados para la clasificación y el análisis de patrones de datos basados ​​en la observación del Suelo. Las GAN (redes generativas de confrontación) se han utilizado para simular patrones urbanos. Se han utilizado algoritmos como los autómatas celulares, la regresión logística espacial y el modelado basado en agentes para estudiar el crecimiento urbano, el cambio de uso del suelo y el análisis de patrones de asentamiento.

La mayoría de los artículos revisados ​​aplicaron algoritmos de ML para la clasificación de datos de EO y para estudiar el crecimiento urbano y el cambio de uso del suelo. Se observa que los enfoques híbridos tienen un mejor desempeño en términos de precisión, eficiencia y costo computacional.

Título Original:

"Machine Learning Algorithms for Urban Land Use Planning: A Review"

Autor/es:

Vineet Chaturvedi, Walter T. de Vries
Este recurso está relacionado con las siguientes temas de salud:

Tipo de Documento:

 En Web

Idioma:

Inglés

Año de publicación:

2021

Tamaño del recurso:

0.00 KB

Accesos al recurso:

3
Esta web utiliza cookies.   
Privacidad