Geoinformatyka staje się coraz częściej nieodzownym elementem badań naukowych, umożliwiając podejmowanie kluczowych decyzji dotyczących zarządzania zasobami naturalnymi, planowania przestrzennego oraz przygotowania ludzi na potencjalne zagrożenia i kataklizmy. Dostępność dużych zasobów danych geoprzestrzennych i możliwość przeprowadzenia analizy czasowej przynoszą lepsze zrozumienie i przewidywanie różnorodnych procesów geograficznych. Wykorzystanie różnych typów danych (systemy informacji przestrzennej, obrazy satelitarne, GPS) w połączeniu z uczeniem maszynowym pozwala uzyskać rzetelne predykcje dotyczące możliwych zdarzeń na danym terenie, a skuteczność modeli uczenia maszynowego ocenia się za pomocą losowo wybranej próbki danych testowych.
Jak zmierzyć ryzyko osunięcia się danego terenu?
Studenci z Aalborg University wykorzystali w modelu predykcyjnym znane metody wykorzystywane w uczeniu maszynowym: metodę wektorów nośnych, lasy losowe oraz regresję logistyczną. Opracowane modele uczenia maszynowego charakteryzowały się wysoką ogólną dokładnością predykcji (około 92% w stosunku do danych testowych). Istnieje zatem przypuszczenie, iż podobne badania mogłyby na szeroką skalę posłużyć do sporządzania prognoz dla zagrożonych wybrzeży również w innych rejonach świata, nawet tych, na których obecnie istnieje niska lub niewystarczająca świadomość skali ryzyka wystąpienia osunięcia terenu. Modele pozwoliły także wskazać główne czynniki, które decydują o zwiększonym ryzyku wystąpienia osunięć. Efektem prac było również opracowanie wizualnej mapy podatności poszczególnych obszarów na wystąpienie osunięć w przyszłości.
Zastosowanie AI w predykcji rośnie
Wykorzystanie analityki predykcyjnej bazującej na uczeniu maszynowym lub uczeniu głębokim staje się obecnie coraz bardziej powszechne. Modele predykcyjne wykorzystuje się nie tylko w geoinformatyce, ale również w biznesie – do przewidywania zachowań zakupowych klientów, identyfikacji segmentów odbiorców, personalizacji komunikatów, przewidywania czasu wystąpienia awarii i wielu innych celów. Warto zwrócić uwagę, że poza umiejętnością opracowania i testowania modeli ważny jest przede wszystkim dostęp do jak największych zasobów danych.
Więcej na temat prac studentów z Aalborg University pod linkiem.
Interesujesz się analityką danych? Zachęcamy do skorzystania z Nawigatora Technologicznego, który kieruje do serwisów udostępniających dane do analiz w celach komercyjnych:
>> Nawigator technologiczny >> filtr: Demonstrator + filtr: Big Data >> link
